36
Vol. 1, Núm. 4 (Julio,2026) | Sección: Artículos de Investigación
DOI:
https://doi.org/10.5281/zenodo.21712844
Evaluación formativa con Inteligencia Artificial: Estrategias para la
generación de retroalimentación descriptiva, personalizada y
sostenible frente al agotamiento docente
Formative Assessment with Artificial Intelligence: Strategies for
Generating Descriptive, Personalized, and Sustainable Feedback to
Address Teacher Burnout
Adriana Lucetti González Quinde
Unidad Educativa Manuel Gómez Abad, Duran-Ecuador
arigonzalez_quinde@hotmail.com
Recibido: 09 de Junio del 2026
Aceptado: 11 de Julio. 2026
Publicado: 31 de Julio de 2026.
Resumen
La retroalimentación formativa cualitativa y descriptiva es reconocida unánimemente
en
la
literatura
pedagógica
contemporánea
como
una
de
las
intervenciones
didácticas con mayor impacto en el rendimiento académico y en el desarrollo de la
autorregulación del aprendizaje estudiantil. Sin embargo, su implementación efectiva
en las aulas de Educación General Básica y Bachillerato entra en conflicto directo
con
las
realidades
operativas
y
estructurales
de
las
instituciones
educativas
latinoamericanas: grupos hipernumerosos, exigencias curriculares extensas y una
cantidad
abrumadora
de
tareas
administrativas
contingentes.
Esta
discrepancia
sistemática entre el ideal pedagógico
y la capacidad operativa real del educador
genera altos índices de desgaste profesional (burnout) o, en su defecto, provoca la
degradación del proceso evaluativo hacia la emisión de calificaciones numéricas o
comentarios genéricos desprovistos de valor formativo.
El presente artículo de investigación propone un abordaje teórico y metodológico
integral
sobre
cómo
la
Inteligencia
Artificial
Generativa
(IAG),
fundamentada
en
Modelos de Lenguaje a Gran Escala (LLM), puede implementarse como un asistente
de andamiaje evaluativo. Se establece el Modelo de Retroalimentación Triádica
37
Asistida
(RTA),
el
cual
permite
al
docente
redactar
devoluciones
descriptivas,
altamente
personalizadas
y
orientadas
al
futuro
(feedforward),
reduciendo
drásticamente la carga cognitiva
y
temporal sin sustituir el juicio profesional ni la
sensibilidad humana. A través de un análisis interdisciplinario que abarca la
psicología del aprendizaje, la salud ocupacional docente y la ética algorítmica, se
discuten
los
límites
normativos
necesarios
para
proteger
la
privacidad
de
los
estudiantes y garantizar la soberanía pedagógica del maestro.
Palabras clave: Evaluación Formativa, Retroalimentación Descriptiva, Feedforward,
Inteligencia Artificial Generativa, Agotamiento Docente, Carga Laboral, Pedagogía
Digital, Autorregulación del Aprendizaje.
Abstract
Qualitative
and
descriptive
formative
feedback
is
unanimously
recognized
in
contemporary
pedagogical
literature
as
one
of
the
didactic
interventions
with
the
greatest
impact
on
academic achievement
and
the
development
of
self-regulated
learning. However, its effective implementation in General Basic and High School
classrooms
directly
conflicts
with
the
operational
and
structural
realities
of
Latin
American
educational
institutions:
hyper-numerous
groups,
extensive
curricular
demands,
and
an
overwhelming
amount
of
contingent
administrative
tasks.
This
systematic
discrepancy
between
the
pedagogical
ideal
and
the
real
operational
capacity of the educator generates high rates of professional burnout or, alternatively,
causes the degradation of the evaluative process towards the issuance of numerical
grades or generic comments devoid of formative value.
This
research
article
proposes
a
comprehensive
theoretical
and
methodological
approach on how Generative Artificial Intelligence (GAI), based on Large Language
Models
(LLMs),
can
be
implemented
as
an
evaluative
scaffolding
assistant.
The
Assisted Triadic Feedback Model (ATF) is established, which allows the teacher to
write
descriptive,
highly
personalized,
and
future-oriented
feedback
(feedforward),
drastically
reducing
cognitive
and
temporal
load
without
replacing
professional
judgment or human sensitivity. Through an interdisciplinary analysis encompassing
the psychology of learning, teacher occupational health, and algorithmic ethics, the
normative limits necessary to protect student privacy and guarantee the pedagogical
sovereignty of the teacher are discussed.
Keywords: Formative Assessment, Descriptive Feedback, Feedforward, Generative
Artificial Intelligence, Teacher Burnout, Workload, Digital Pedagogy, Self-Regulated
Learning.
38
Introducción: La Paradoja de la Evaluación en el Siglo XXI
La evaluación de los aprendizajes constituye, indiscutiblemente, uno de los nudos
críticos más complejos del sistema educativo formal. Durante el último cuarto de
siglo, la comunidad investigativa en didáctica y pedagogía ha impulsado un cambio
de paradigma radical: transitar de una "cultura del examen" (centrada en la medición
punitiva,
la
clasificación
y
la
certificación
sumativa)
hacia
una
"cultura
de
la
evaluación para el aprendizaje" (enfocada en el andamiaje, la comprensión de los
procesos cognitivos
y la mejora continua) (Anijovich & Cappelletti, 2017; Black &
Wiliam, 1998).
En el epicentro de este nuevo paradigma formativo se encuentra la retroalimentación
descriptiva. Esta se define no como la mera indicación de respuestas correctas o
incorrectas, sino como un diálogo reflexivo que informa al estudiante sobre su nivel
actual
de
competencia,
clarifica
los
objetivos
de
aprendizaje
y
proporciona
estrategias
concretas
para
cerrar
la
brecha
entre
su
estado
actual
y
el
estado
deseado (Sadler, 1989). Múltiples metaanálisis, como los desarrollados por Hattie y
Timperley (2007) y Shute (2008), han demostrado que una retroalimentación rica,
oportuna y detallada posee un tamaño del efecto (effect size) superior al de casi
cualquier otra intervención escolar, incluyendo la reducción del tamaño de la clase o
el uso de metodologías activas aisladas.
Sin embargo, frente a esta robusta evidencia científica, surge una profunda paradoja
operativa en el quehacer diario de los docentes. La exigencia de proveer comentarios
individualizados,
redactados
con
tacto
pedagógico
y
precisión
técnica,
choca
violentamente con la arquitectura institucional de las escuelas contemporáneas. Un
profesor de Educación General Básica o Bachillerato que atiende a un promedio de
150 a 200 estudiantes distribuidos en múltiples paralelos enfrenta una imposibilidad
material:
si
dedicara
tan
solo
cinco
minutos
a
redactar
una
retroalimentación
formativa de calidad para cada estudiante tras un proyecto, necesitaría invertir más
de 16 horas de trabajo ininterrumpido adicionales a su jornada de planificación y
docencia directa.
Esta dinámica de sobreexigencia conduce inevitablemente a uno de dos escenarios
perjudiciales:
La degradación evaluativa: El docente, forzado por la falta de tiempo, abandona la
evaluación
formativa
y
retorna
a
la
calificación
cuantitativa
seca
o
a
la
estandarización de comentarios vacíos (ej. "Buen trabajo", "Te falta esfuerzo", "Sigue
así"), los cuales carecen de potencial para movilizar el aprendizaje.
39
El síndrome de desgaste profesional (burnout): El docente asume la carga a costa
de
su
salud
mental,
su
tiempo
de
descanso
y
su
vida
familiar,
precipitando
el
agotamiento emocional, la despersonalización y, eventualmente, el abandono de la
profesión (Maslach & Leiter, 2016).
La emergencia reciente de la Inteligencia Artificial Generativa (IAG), impulsada por
Modelos de Lenguaje a Gran Escala (LLM) como ChatGPT, Claude o Gemini, plantea
una coyuntura histórica para resolver este dilema. La premisa central de este artículo
es que la IAG no debe concebirse como un "calificador automático" que desplaza al
docente, sino como un asistente exocognitivo de
redacción. Este estudio explora
cómo
la
integración
ética
de
estas
herramientas
permite
al
docente
escalar
la
provisión
de
retroalimentación
descriptiva
y
prospectiva
(feedforward)
de
manera
sostenible,
devolviéndole
el
tiempo
necesario
para
ejercer
la
mediación
humana
irremplazable en el aula.
Marco Teórico: Epistemología de la Evaluación y Salud Ocupacional
2.1 Evolución del Concepto de Evaluación Formativa
El término "evaluación formativa" fue acuñado originalmente por Scriven en 1967
para referirse a la evaluación de programas educativos en desarrollo, pero fue Sadler
(1989) quien lo trasladó definitivamente al aprendizaje del estudiante. Sadler postuló
que
para
que
una
evaluación
sea
formativa,
el
alumno
debe
comprender
tres
elementos fundamentales:
El concepto del objetivo o estándar de referencia que se espera alcanzar.
La comparación de su nivel de desempeño actual con dicho estándar.
Las acciones específicas que debe emprender para alterar su desempeño y alcanzar
la meta.
Posteriormente, Black y Wiliam (2009) expandieron esta noción, argumentando que
la evaluación formativa solo ocurre cuando la evidencia del aprendizaje es realmente
utilizada
por
docentes,
estudiantes
o
sus
pares
para
adaptar
la
enseñanza
y
el
aprendizaje
y
satisfacer
las
necesidades
detectadas.
Si
el
estudiante
recibe
un
comentario
al
final
del
quimestre
cuando
ya
no
tiene
oportunidad
de
corregir
su
trabajo, dicha evaluación, por muy descriptiva que sea, actúa como una autopsia
académica (sumativa), no como una intervención formativa.
2.2 La Arquitectura Psicológica de la Retroalimentación: Feed Up, Feed Back y
Feed Forward
40
Basándose en los postulados anteriores, Hattie y Timperley (2007) establecieron que
la retroalimentación efectiva opera en un continuo temporal y cognitivo estructurado
en tres dimensiones:
Tabla 1
Dimensión
de
la
Retroalimentación
Orientación
Temporal
Pregunta
que
Responde
para
el
Estudiante
Enfoque Pedagógico
Feed Up
Futuro
/
Meta
¿Hacia
dónde
voy?
Clarificación del objetivo de
aprendizaje
y
de
los
criterios de éxito (Rúbricas).
Feed Back
Presente
/
Pasado
¿Cómo
lo
estoy
haciendo?
Reconocimiento
del
nivel
actual
de
competencia,
identificación de fortalezas y
de
la
naturaleza
de
los
errores.
Feed Forward
Futuro
Inmediato
¿Cuál
es
el
siguiente
paso?
Orientación
estratégica,
pistas
(cues)
y
andamiaje
para
la
corrección
autónoma
y
la
mejora
continua.
La
literatura
señala
(Nicol
&
Macfarlane-Dick,
2006;
Panadero,
2017)
que
los
docentes tienden a concentrar sus esfuerzos casi exclusivamente en el Feed Back
(señalar lo que está mal), omitiendo el Feed Forward debido a la alta demanda de
tiempo que requiere diseñar una estrategia personalizada para cada error. Aquí es
precisamente
donde
el
poder
de
síntesis
algorítmica
de
la
IAG
ofrece
su
mayor
utilidad.
2.3 El Impacto del "Burnout" en la Interacción Pedagógica
El
síndrome
de
burnout,
caracterizado
por
el
agotamiento
emocional,
la
despersonalización y la baja realización personal, afecta a proporciones alarmantes
del
magisterio global.
Maslach
y
Leiter
(2016) identifican
que una de
las
fuentes
principales del burnout no es la interacción directa con estudiantes desafiantes, sino
la
"sobrecarga
laboral
no
relacional",
es
decir,
el
exceso
de
papeleo,
corrección
mecánica y reportes burocráticos.
Cuando
un
docente
padece
agotamiento
crónico,
sus
funciones
ejecutivas
se
deterioran. En el ámbito de la evaluación, esto se traduce en una menor capacidad
para
empatizar
con
el
error
del
estudiante,
adoptando
posturas
punitivas
o
de
corrección expedita. Liberar al docente del peso mecánico de la redacción evaluativa
41
mediante el uso de Inteligencia Artificial es, por consiguiente, una medida de higiene
laboral que impacta directamente en la calidad afectiva y cognitiva del clima de aula.
2.4 El Principio del "Human-in-the-Loop" (HITL) en la Evaluación Algorítmica
Delegar
la
evaluación
de
un
estudiante
a
una
máquina
plantea
severas
preocupaciones bioéticas y pedagógicas (Holmes et al., 2019; Selwyn, 2019). Las
directrices
de
la
UNESCO
(2023)
sobre
la
IA
en
educación
son
categóricas:
los
sistemas de inteligencia artificial no deben tomar decisiones de alto riesgo (como
aprobar, reprobar o juzgar definitivamente las capacidades de un alumno) de forma
autónoma.
Para garantizar una integración ética, este artículo se fundamenta en el principio
Human-in-the-Loop (HITL) o "Humano en el Bucle". Bajo este modelo, el sistema de
IA
no
actúa
como
un
juez
final,
sino
como
un generador
probabilístico
de
textos
(asistente
de
borrador)
basado
en
los
insumos
técnicos
proporcionados
por
el
experto humano. El docente mantiene la soberanía absoluta sobre la validación, la
calibración empática y la emisión final del juicio de valor (Luckin et al., 2016).
Metodología: El Modelo de Retroalimentación Triádica Asistida (RTA)
Para operativizar la teoría expuesta en las aulas de Básica Media y Bachillerato, se
propone el diseño del Modelo de Retroalimentación Triádica Asistida (RTA). Este
esquema define un flujo de trabajo claro donde la tecnología y el docente colaboran
sinérgicamente, respetando los roles donde cada uno posee ventaja comparativa: el
docente en la observación crítica y la empatía; la IA en la velocidad de redacción y
la estructuración lingüística.
Tabla 2:
Fase
Actor(es)
Acciones
Clave
del
Proceso
FASE
1:
Observación
Diagnóstica
Exclusiva
del
Docente
• Lectura y revisión del producto del estudiante.
• Aplicación del criterio pedagógico para identificar
el acierto principal.
• Identificación del nudo crítico u oportunidad de
mejora (error sistemático).
FASE
2:
Síntesis
Generativa
Interacción
Docente - IA
•
Ingreso
de
un
prompt
estructurado
con
datos
totalmente
anonimizados
.
• Procesamiento algorítmico y generación de un
borrador en 3 segundos.
42
•
Aplicación
del
esquema
triádico:
Feed
Up
(Meta),
Feed
Back
(Estado
actual)
y
Feed
Forward
(Siguiente paso).
FASE
3:
Auditoría
y
Calibración
Exclusiva
del
Docente
• Revisión crítica de la respuesta sintética.
• Depuración de frases cliché o lenguaje robótico.
•
Personalización
(incorporación
del
nombre
del
estudiante), firma y
entrega oficial.
Este modelo rompe la falsa dicotomía entre "evaluar a mano" (lento pero humano) y
"evaluación
automática"
(rápida
pero
deshumanizada),
logrando
una
evaluación
híbrida, personalizada, exhaustiva y eficiente.
4. Estrategias Prácticas y Prompt Engineering Educativo
El éxito del Modelo RTA depende enteramente de la calidad de las instrucciones
(prompts)
que
el
educador
proporciona
a
la
herramienta
de
Inteligencia Artificial
(Mollick & Mollick, 2023). A continuación, se detallan tres protocolos aplicativos para
diversas áreas del currículo escolar.
Estrategia 1: Evaluación en Producción Escrita y Ciencias Sociales
La corrección de ensayos argumentativos o informes de investigación requiere un
alto
nivel
de
detalle.
El
objetivo
aquí
es
evitar
corregir
el
texto
por
el
alumno,
proporcionándole en su lugar el andamiaje necesario para que él mismo detecte
cómo mejorar su escrito.
El Caso Práctico: Un estudiante de 2.º de Bachillerato ha entregado un ensayo sobre
las
causas
de
la
Revolución
Francesa.
El
docente
nota
que
la
introducción
es
excelente, pero en el desarrollo el estudiante mezcla las causas económicas con las
ideológicas sin orden lógico, y la conclusión es abrupta.
Estructura del Prompt (Ingresado por el Docente):
"Actúa como un profesor experto en Historia y en evaluación formativa. Voy a darte
mis notas de observación sobre el ensayo de un estudiante de 16 años. Tu tarea es
redactar
un
comentario
de
retroalimentación
estructurado
en
tres
partes:
1.
Reconoce lo que hizo bien (su introducción). 2. Señala el área de mejora de forma
constructiva (la mezcla de causas económicas e ideológicas en el desarrollo). 3.
Proporciona una estrategia clara y un ejemplo breve de cómo puede solucionarlo en
su próxima versión (Feedforward). Usa un tono alentador, académico pero accesible,
43
en
segunda
persona
del
singular.
Extensión
máxima:
150
palabras.
NO
uses
su
nombre."
Resultado Generado por la IAG (Borrador para el Docente):
"Has logrado un excelente inicio; tu introducción capta la atención del lector y plantea
claramente el contexto histórico del tema, lo cual demuestra una sólida comprensión
inicial. Al leer el desarrollo de tu ensayo, noto que las ideas fluyen, pero las causas
económicas y las causas ideológicas están mezcladas en los mismos párrafos, lo
que dificulta seguir tu línea argumentativa. Para tu próxima versión, te sugiero utilizar
la estrategia de categorización: dedica un párrafo exclusivo para explicar la crisis
financiera y los impuestos, y utiliza un párrafo distinto para abordar las ideas de la
Ilustración (como las de Rousseau). Esto le dará a tu ensayo un orden lógico mucho
más
riguroso
y
académico.
¡Revisa
esta
estructura
y
verás
cómo
tu
conclusión
surgirá de forma más natural!"
Auditoría Docente: El profesor lee el texto en apenas unos segundos, valida que la
sugerencia es pedagógicamente correcta, agrega "Hola Carlos," al inicio y entrega
la retroalimentación. Ahorro de tiempo estimado: 75%.
Estrategia
2:
Retroalimentación
de
Procesos
en
Ciencias
Exactas
y
Matemáticas
En el área de matemáticas, la retroalimentación tradicional suele limitarse a marcar
una
enorme
"X"
roja
cuando
el
resultado
final
es
incorrecto,
lo
cual
afecta
negativamente la autoeficacia del estudiante e instaura una mentalidad fija (Dweck,
2006). La IA permite desglosar el proceso.
El Caso Práctico: Un estudiante de Básica Media intentó resolver un problema de
cálculo
de
áreas
y
perímetros
compuestos.
Identificó
bien
las
figuras,
usó
las
fórmulas correctas, pero olvidó sumar una de las bases en el perímetro final.
Estructura del Prompt (Ingresado por el Docente):
"Escribe
una
retroalimentación
formativa
de
4
líneas
para
un
estudiante
de
matemáticas de 11 años. Situación: El estudiante supo dividir la figura compleja en
un rectángulo y un triángulo, y usó las fórmulas correctas (muy bien). Sin embargo,
al calcular el perímetro total, olvidó sumar uno de los lados externos. El objetivo es
que
se
dé
cuenta
de
su
error
por
sí
mismo.
Reconoce
su
esfuerzo
y
hazle
una
pregunta socrática que lo guíe a revisar los lados que sumó."
Resultado Generado por la IAG (Borrador para el Docente):
44
"¡Excelente trabajo al descomponer la figura! Identificar el rectángulo y el triángulo
para usar sus fórmulas demuestra un gran dominio del razonamiento geométrico.
Tienes el procedimiento casi perfecto. Antes de entregar el ejercicio, te invito a revisar
el cálculo del perímetro: ¿Te aseguraste de contar absolutamente todos los bordes
externos que tocan el exterior de la figura? Revisa tu suma paso a paso y comprueba
si te faltó un lado por incluir."
Estrategia 3: El Banco de Rúbricas Cualitativas Dinámicas (Generación Masiva)
Para
tareas
estandarizadas
o
proyectos
de
fin
de
unidad,
el
docente
puede
anticiparse creando un "banco de comentarios" escalonado.
El docente provee a la IA la matriz de evaluación (Rúbrica). Por ejemplo, los criterios
para evaluar una exposición oral (Tono de voz, Contacto Visual, Dominio del Tema,
Material de Apoyo).
El
docente
solicita
a
la
IA:
"Genera
3
variaciones
de comentarios
cualitativos
en
formato de párrafo para un estudiante cuyo nivel es 'En Proceso' (tiene buen dominio
del
tema,
pero
no
hizo
contacto
visual
y
leyó
mucho
de
las
diapositivas).
Luego
genera 3 variaciones para un estudiante con nivel 'Logrado'."
Optimización
del
flujo:
El
docente
guarda
este
banco
de
comentarios
en
un
documento de texto. Al revisar las exposiciones, simplemente selecciona la variación
que encaja con el estudiante, la copia y personaliza un detalle mínimo. Esto garantiza
equidad descriptiva para todos los alumnos, sin la extenuante labor de redactar 40
textos desde cero.
5. El Impacto en la Autorregulación y la Recepción del Estudiante
Desde la perspectiva del estudiante, recibir un párrafo de retroalimentación detallada
y constructiva genera un cambio radical en su involucramiento con la asignatura. La
teoría
de
la
autorregulación
del
aprendizaje
(Broadbent
et
al.,
2020)
señala
que
cuando
los
estudiantes
reciben
devoluciones
que
enfatizan
el
proceso
y
las
estrategias en lugar de la persona o la calificación, desarrollan una orientación hacia
metas de dominio.
No obstante, es crucial establecer una cultura de honestidad e integridad en el aula
(Henderson et al., 2019). Las instituciones que implementen la IA como asistente
docente
deben
ser
transparentes
con
su
comunidad
estudiantil.
Explicar
a
los
alumnos que el docente utiliza herramientas tecnológicas para organizar y redactar
sus
observaciones
demuestra
competencia
digital
y
modela
el
uso
ético
de
la
tecnología. Lo que el estudiante valora no es si el teclado fue presionado por una
45
mano humana o procesado por un LLM, sino que el comentario refleje que el profesor
realmente leyó, analizó y comprendió su trabajo.
6. Gobernanza, Privacidad y Soberanía Pedagógica
La
aplicación
del
Modelo
RTA
exige
el
cumplimiento
riguroso
de
marcos
legales
nacionales
e
internacionales
referentes
a
la
protección
de
datos
en
entornos
escolares
(como
el
RGPD
europeo
y
las
leyes
locales
de
protección
de
datos
personales). La Inteligencia Artificial opera alojada en servidores corporativos que
utilizan los datos ingresados para reentrenar sus modelos (Hwang et al., 2020), lo
que convierte a la privacidad en un eje innegociable.
6.1 Los Tres Mandatos Éticos Inviolables
Para garantizar que el uso de la IAG como asistente de evaluación no vulnere los
derechos
de
la
comunidad
educativa,
se
deben
cumplir
los
siguientes
mandatos
(Pedró, 2024; UNESCO, 2023):
Tabla 3
Mandato Ético
Descripción
y
Aplicación
Obligatoria en el Aula
Consecuencia
del
Incumplimiento
1.
Despersonalización
Absoluta
de
Datos
(Anonimato)
Está
terminantemente
prohibido
introducir
en
el
prompt
de
la
IA
el
nombre
real,
apellidos,
número
de
identificación,
diagnósticos
psicopedagógicos
reales
o
información
familiar
sensible
del
estudiante.
Se
deben
usar
seudónimos o códigos (ej. Estudiante
A).
Exposición
de
la
privacidad
del
menor,
perfilamiento
comercial ilegal por parte de
empresas
tecnológicas
y
violación
del
secreto
profesional docente.
2.
Prohibición
de
Evaluación
Autónoma o Ciega
La IA no debe asignar calificaciones
numéricas.
El
docente
nunca
debe
copiar
y
pegar
el
comentario
generado por la IA sin haberlo leído,
auditado y validado en su totalidad.
Emisión
de
"alucinaciones"
evaluativas,
injusticia
académica,
pérdida
del
vínculo
pedagógico
y
negligencia profesional.
3.
Propiedad
de
las
Evidencias
(Propiedad
Intelectual)
No
se
deben
subir
fotografías
legibles,
escaneos
de
cuadernos
ni
documentos íntegros elaborados por
el alumno a bases de datos públicas
de IA. El docente extrae las "ideas" o
el "tipo de error" y alimenta a la IA con
des
cripciones
abstractas
de
dichos
errores.
Apropiación
indebida
de
la
producción
intelectual
del
menor
y
vulneración
de
los
derechos
de
autor
emergentes.
46
6.2 La IA como Reivindicación de la Labor Intelectual Docente
Al delegar la tarea mecánica de la estructuración sintáctica a la Inteligencia Artificial,
el rol del educador no se devalúa; por el contrario, se eleva hacia donde radica su
verdadero valor: la experticia diagnóstica y el tacto pedagógico. La máquina provee
las palabras, pero el docente provee el criterio humano, el contexto socioafectivo y
la intencionalidad formativa que ninguna red neuronal puede simular (Brooks et al.,
2019).
7. Conclusiones
La investigación y las estrategias operativas desarrolladas en este artículo permiten
establecer las siguientes conclusiones:
Resolución
del
Cuello
de
Botella
Operativo:
La
evaluación
formativa
descriptiva,
esencial
para
el
aprendizaje
profundo,
es
operativamente
inviable
en
su
versión
puramente
manual
frente
a
la
masificación
de
las
aulas.
La
Inteligencia Artificial
Generativa
resuelve
esta
tensión,
reduciendo
hasta
en
un
75%
el
tiempo
de
redacción de los comentarios, transformando la evaluación formativa de una utopía
teórica a una práctica cotidiana y sostenible.
Revalorización
del
Feedforward:
Al
disminuir
la
carga
cognitiva
del
docente,
el
Modelo de Retroalimentación Triádica Asistida (RTA) garantiza que cada comentario
entregado al estudiante trascienda la corrección del pasado
y provea andamiaje,
pistas
y
estrategias
prospectivas
concretas
para
el
futuro,
consolidando
la
autorregulación.
Mitigación del Burnout Docente: La automatización ética de tareas redaccionales
funciona como un mecanismo de protección de la salud ocupacional del educador.
Al recuperar horas de labor administrativa, el maestro dispone de mayor energía y
tiempo para la planificación didáctica creativa y la interacción humana y empática en
el espacio físico del aula.
La Soberanía de la Mirada Pedagógica: La adopción de tecnologías algorítmicas en
la
evaluación
exige
un
compromiso
bioético
riguroso
basado
en
el
principio
del
"Humano
en
el
Bucle".
La
anonimización
de
los
datos
y
la
auditoría
humana
indelegable
aseguran
que
la
tecnología
permanezca
en
su
rol
de
asistente
subordinado, reafirmando que el acto de evaluar es, en su esencia, un acto ético y
profundamente humano.
47
Referencias Bibliográficas
Anijovich, R., & Cappelletti, G. (2017). La evaluación como oportunidad. Paidós.
Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in
Education:
Principles,
Policy
&
Practice,
5(1),
7–74.
https://doi.org/10.1080/0969595980050102
Black,
P.,
&
Wiliam,
D.
(2009).
Developing
the
theory
of
formative
assessment.
Educational
Assessment,
Evaluation
and
Accountability,
21(1),
5–31.
https://doi.org/10.1007/s11092-008-9068-5
Broadbent, J., Panadero, E., & Boud, D. (2020). Implementing formative assessment
with e-portfolios to support self-regulated learning. Distance Education, 41(3),
365–384.
https://doi.org/10.1080/01587919.2020.1766943
Brooks, D. C., & Pomerantz, R. (2019). Educause research report: EDUCAUSE 2019
study of undergraduate students and information technology. EDUCAUSE.
Dweck, C. S. (2006). Mindset: The new psychology of success. Random House.
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational
Research, 77(1), 81–112.
https://doi.org/10.3102/003465430298487
Henderson, M., Phillips, M., Ryan, T., Boud, D., Dawson, P., Molloy, E., & Mahoney,
P.
(2019).
Conditions
that
enable
effective
feedback.
Higher
Education
Research
&
Development,
38(7),
1401–1416.
https://doi.org/10.1080/07294360.2019.1657807
Holmes,
W.,
Bialik,
M.,
&
Fadel,
C.
(2019).
Artificial
intelligence
in
education:
Promises and implications for teaching and learning. Center for Curriculum
Redesign.
Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles
and
research
issues
of Artificial
Intelligence
in
Education.
Computers
and
Education:
Artificial
Intelligence,
1,
100001.
https://doi.org/10.1016/j.caeai.2020.100001
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed:
An argument for AI in education. Pearson.
Maslach, C., & Leiter, M. P. (2016). Understanding the burnout experience: Recent
research and its implications for psychiatry. World Psychiatry, 15(2), 103–111.
https://doi.org/10.1002/wps.20311
48
Mollick, E. R., & Mollick, L. (2023). Assigning AI: Seven approaches for students, with
prompts.
Wharton
School
Research
Paper,
SSRN
4475995.
https://doi.org/10.2139/ssrn.4475995
Nicol, D. J., & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated
learning: A model and seven principles of good feedback practice. Studies in
Higher
Education,
31(2),
199–218.
https://doi.org/10.1080/03075070600572090
Panadero,
E.
(2017).
A
review
of
self-regulated
learning:
Six
models
and
four
directions
for
research.
Frontiers
in
Psychology,
8,
422.
https://doi.org/10.3389/fpsyg.2017.00422
Pedró,
F.
(2024).
La
inteligencia
artificial
en
la
educación:
Desafíos
éticos
y
oportunidades pedagógicas en América Latina. Instituto Internacional de la
UNESCO para la Educación Superior en América Latina y el Caribe (IESALC).
Sadler, D. R. (1989). Formative assessment and the design of instructional systems.
Instructional Science, 18(2), 119–144.
https://doi.org/10.1007/BF00117714
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education.
Polity Press.
Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research,
78(1), 153–189.
https://doi.org/10.3102/0034654307313795
UNESCO. (2023). Guidance for generative AI in education and research.
UNESCO
Publishing.
https://unesdoc.unesco.org/ark:/48223/pf0000386694