Evaluación formativa con Inteligencia Artificial: Estrategias para la generación de retroalimentación descriptiva, personalizada y sostenible frente al agotamiento docente
DOI:
https://doi.org/10.5281/zenodo.21712844Palabras clave:
Evaluación Formativa, Retroalimentación Descriptiva, Feedforward, Inteligencia Artificial Generativa, Agotamiento Docente, Carga Laboral, Pedagogía Digital, Autorregulación del Aprendizaje.Resumen
Recibido: 09 de Junio del 2026 Aceptado: 11 de Julio. 2026 Publicado: 31 de Julio de 2026.
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 Triádic
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.
Referencias
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
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
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Adriana Lucetti González Quinde (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores/as que publiquen en la Revista Educare Ciudad de Jerusalén aceptan los siguientes términos:
Los autores/as conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo.
Las obras se publican bajo una licencia Creative Commons Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0), la cual permite a terceros compartir, copiar, distribuir y transmitir el material en cualquier medio o formato, así como adaptar o transformar el contenido, siempre y cuando se reconozca adecuadamente la autoría original y la publicación inicial en esta revista, y no se utilice con fines comerciales.
