En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Juicio evaluativo: la capacidad de emitir juicios sólidos sobre la calidad del trabajo propio y del trabajo de otras personas, con criterios sobre los que se puede razonar en lugar de recitarlos. En la era de la IA generativa ha pasado de ser un atributo deseable de un egresado a una capacidad estructural: cuando una herramienta puede producir trabajo terminado verosímil, la capacidad que distingue a quien aprende de forma competente es la de valorar ese resultado, es decir, juzgar qué es bueno, qué está mal, qué aceptar, qué rechazar y por qué. Esto convierte el juicio evaluativo en un objeto legítimo de evaluación por derecho propio, y en el pivote práctico para llevar a las instituciones de la detección hacia un diseño de evaluación centrado en la validez y auténtico.

Preguntas para reflexionar

  • Piense en algo que usted sabe juzgar bien. ¿Cómo aprendió ese juicio, con enseñanza explícita o absorbiéndolo al hacer y comparar? ¿Y qué implica eso para cómo debería evaluarse?
  • Una rúbrica se puede aplicar mecánicamente o se puede comprender. Si un estudiante sigue los criterios correctamente pero no puede decir por qué un trabajo es mejor que otro, ¿qué capacidad ha medido realmente la evaluación?
  • Cuando un modelo de lenguaje redacta una solución verosímil, el trabajo que le queda a quien aprende es en gran medida juicio: qué conservar, qué corregir, qué descartar. ¿Es una tarea disminuida, o más exigente que producir el borrador?
  • Un estudiante puede aceptar una sugerencia de la IA porque suena bien o porque sobrevive a su propio escrutinio. Desde fuera, el trabajo entregado puede parecer idéntico: ¿qué le permitiría a un evaluador ver la diferencia?
  • Un experimento multisitio encontró que la retroalimentación de la IA directa produjo las mayores ganancias de revisión, pero corría el riesgo de una externalización pasiva del juicio. ¿Qué sugiere ese intercambio sobre cómo diseñaría usted la retroalimentación para construir el juicio en lugar de evitarlo?
  • La revisión entre pares y la revisión con IA pueden entrenar la calibración, pero ambas pueden volverse performativas. ¿Cómo diseñaría la evaluación para que ejercer el juicio sea un requisito y no una actuación?

Introducción

Las evaluaciones que piden a los estudiantes producir trabajo presuponen que pueden distinguir el trabajo bueno del malo, primero en otras personas y con el tiempo en el propio. Ese supuesto ya no es fiable: cuando la IA generativa puede generar prosa, código y análisis competentes a pedido, la capacidad de producir un producto es una señal débil de aprendizaje, mientras que la capacidad de juzgarlo es una señal fuerte. El juicio evaluativo nombra esa capacidad, y la erudición sobre evaluación llega a ella una y otra vez cuando pregunta qué sigue siendo evaluable y qué vale la pena evaluar. Se sitúa donde se encuentran la retroalimentación, la evaluación formativa y el aprendizaje autorregulado, porque el juicio se desarrolla comparando el trabajo con estándares y actuando sobre la diferencia, y es lo que hace posible, y no solo aspiracional, un compromiso genuinamente crítico con el resultado de la IA.

Xu, Lu y Abdi (2026) argumentan, a partir de una revisión de alcance de doce estudios, que las puntuaciones de escritura de la IA reproducen un constructo estrecho: rastrean características superficiales comprobables y subponderan la organización, la coherencia y la argumentación, que son las dimensiones de las que depende un juicio sobre la calidad de la escritura.

Qué es el constructo

El juicio evaluativo es la capacidad de valorar la calidad (del trabajo propio, del de los pares y, cada vez más, del de un sistema de IA) usando criterios sobre los que se puede razonar en lugar de recitarlos. Tres rasgos lo distinguen de ideas vecinas.

  • Se trata de la calidad, no de la corrección. Responder correctamente requiere conocimiento; juzgar si una respuesta es buena requiere estándares que un generador no puede aportar en nombre de quien aprende.
  • Se desarrolla, no se transmite. El juicio crece mediante actos repetidos de comparación (con ejemplares modelo, criterios explícitos y enfoques distintos de los pares), y por eso los ejemplares, los ejercicios de calibración y la evaluación entre pares son sus pedagogías naturales.
  • Está situado en un dominio. Se ejerce dentro de los estándares de evidencia y argumentación de una disciplina, así que no puede evaluarse de forma genérica más de lo que puede suponerse la transferencia.

Se relaciona estrechamente con la autenticidad en la evaluación, pero es más estrecho que ella: la evaluación auténtica pregunta si una tarea se parece a trabajo del mundo real que vale la pena; el juicio evaluativo pregunta si quien aprende puede distinguir el trabajo bueno del malo. La autoevaluación valora el trabajo, la competencia o el progreso propios frente a criterios, mientras que el juicio evaluativo extiende esa valoración al trabajo de los pares y también al resultado de un sistema de IA.

Por qué la IA generativa lo volvió central

Cuatro argumentos convergen.

  • El producto deja de ser evidencia. Completar una tarea ya no demuestra la capacidad que la tarea estaba destinada a certificar, porque una herramienta puede completar buena parte de ella. Lo que queda es el razonamiento que produce, comprueba y da cuenta del producto: el juicio, en resumen.
  • Es la capacidad que gobierna el uso de la IA. Decidir si una sugerencia de la IA merece aceptarse, adaptarse o rechazarse es juicio evaluativo aplicado a la salida de una máquina. Los cursos que no pueden hacerlo visible no pueden distinguir el uso responsable de la sustitución, y por eso los estudiosos de la integridad tratan cada vez más el uso crítico de la IA como un resultado evaluable y no como una norma que haya que vigilar.
  • Es el pivote del cumplimiento al diseño. Donde el uso prohibido no puede detectarse, Teichmann (2026) nombra el cultivo del juicio evaluativo entre las tres líneas de diseño que trasladan a las instituciones de la aplicación centrada en la detección a la evaluación centrada en la validez, porque donde la institución no puede detectar, la capacidad que sobrevive a la inspección es si el estudiante puede dar cuenta del trabajo y de su calidad.
  • Convierte la divulgación de confesión en evidencia. Cuando una tarea pide a los estudiantes explicar para qué usaron la IA, qué sugerencias aceptaron o rechazaron y cómo el trabajo final refleja su propio juicio, la declaración se convierte en una demostración de juicio y no en una admisión que se interpreta de forma punitiva, que es lo que baja el costo de la honestidad que de otro modo empuja la divulgación bajo tierra.
  • El juicio se cultiva con restricciones compuestas, no eliminándolas. Elkington (2026) sostiene que las restricciones generativas, como un breve borrador visual antes de un artefacto final o un límite de tres clips de entrevista, marcan el ritmo del trabajo cognitivo y hacen visible el juicio, porque las restricciones crean los momentos en que se practica la valoración.

Hay una capa adicional que se refiere al origen de un juicio, y no solo a su contenido. AlGhamdi (2026) le da a esa capa un vocabulario más preciso: sus 13 estudiantes saudíes de informática emitieron dos juicios independientes dentro de un mismo evento de evaluación, si la retroalimentación era útil y si su fuente tenía autoridad para calificar. Todos aceptaron la retroalimentación de ChatGPT basada en rúbrica como clara y específica, mientras reservaban de forma abrumadora la nota para el docente ("estoy de acuerdo con ella, pero con una condición, que el doctor revise la retroalimentación"), lo que sugiere que el juicio evaluativo en la evaluación mediada por IA debe incluir ahora el razonamiento sobre la autoridad evaluativa misma, y no solo sobre la calidad de la retroalimentación recibida.

Sharma (2026) da al constructo su ubicación más fuerte en la literatura sobre integridad. Extendiendo el marco del postplagio de Eaton (2023) desde una orientación ética hacia el diseño de la evaluación, argumenta que los modelos de integridad basados en la detección y la verificación están desalineados con un trabajo en el que el juicio humano y la generación automática están entrelazados, y reformula la integridad como una práctica pedagógica que se ejerce mediante el juicio evaluativo: la capacidad de quien aprende para sopesar opciones, justificar decisiones académicas y asumir responsabilidad bajo incertidumbre epistémica. Sus cuatro prácticas (rastros de decisiones anotados, verificación y rendición de cuentas, defensa oral y rendición de cuentas dialógica, diferencias entre borradores con historial de versiones) hacen ese juicio visible como evidencia en lugar de inferirlo del artefacto, y separa el juicio de los constructos con los que suele confundirse: la práctica reflexiva considera el propio pensamiento de forma retrospectiva, la metacognición es la conciencia y la regulación de los procesos cognitivos, mientras que el juicio evalúa opciones frente a estándares y acepta consecuencias bajo incertidumbre. También nombra un modo de falla al exigir razonamiento documentado: corre el riesgo de "reemplazar un régimen de cumplimiento por otro", ya que el juicio como evidencia "sigue siendo relacional y situado, y no verificable mecánicamente".

Evidencia: cómo se desarrolla el juicio y qué le hace la IA

La literatura sobre colaboración y sobre evaluación aporta evidencia convergente de que el juicio evaluativo es aprendible, desplazable y diseñable, y de que la IA corta en las dos direcciones.

  • El entrenamiento basado en comparación lo construye de forma medible. En un estudio de 14 semanas con 28 docentes en formación, ejemplares fuertes, medios y débiles generados por IA anclaron una comparación iterativa de los borradores de los estudiantes con puntos de referencia; el foco de la evaluación se amplió desde rasgos superficiales del lenguaje hacia el contenido, la organización y la coherencia, pero el razonamiento siguió siendo delgado, con la justificación basada en ejemplos duplicándose mientras el razonamiento comparativo más sofisticado seguía siendo raro. El juicio se puede andamiar hasta que exista; no aparece a pedido, y la calidad de los puntos de referencia importa.
  • El diseño de la retroalimentación decide si la agencia sobrevive. Un experimento de campo multisitio, aleatorizado por conglomerados, con 1.176 estudiantes universitarios de primer año en 48 secciones comparó cuatro condiciones de retroalimentación para la argumentación científica: solo pares, IA generativa directa, IA generativa reflexiva (autoevaluarse y luego criticar) e híbrida (autoevaluación + pares + IA generativa). La condición híbrida produjo la mayor ganancia en calidad de la argumentación; la retroalimentación directa de la IA generativa corría el riesgo de una adopción pasiva, con estudiantes que externalizaban el juicio evaluativo al sistema, mientras que los diseños reflexivos e híbridos preservaban la agencia epistémica al obligar al estudiante a evaluar primero su propio trabajo. El hallazgo central de los autores es que el valor educativo de la IA generativa depende menos del acceso a la IA que de si el entorno de retroalimentación preserva la agencia, el juicio y la autoría durante la revisión.
  • Una herramienta de retroalimentación puede andamiar el juicio mientras el profesorado conserva la parte relacional. Con 21 docentes de educación superior usando PolyFeed, el modelo sacó a la luz componentes omitidos (20 de 21 habían omitido «Meeting Learning Objective») y 12 reescribieron el texto de ChatGPT, agrupándose en la dimensión de la relación entre estudiantado y profesorado (Aldino et al. (2026)).
  • La fuente de la retroalimentación determina qué dimensión del juicio se desarrolla. En un estudio de caso de doctorado en estadística, ChatGPT-4o dio orientación procedimental pero no pudo señalar un archivo de datos equivocado ni una prueba mal aplicada, mientras que el diálogo entre pares detectó el dato erróneo en tiempo real y obligó a justificar la elección del método (Xie et al. (2025)).
  • La revisión estructurada entre pares y con IA escala la calibración. El modelo PAIRR (Sperber et al., 2025) combina la revisión entre pares con la revisión de IA y la reflexión estructurada, y se probó en el mayor estudio hasta la fecha sobre el uso estudiantil de la retroalimentación de IA (654 estudiantes, diez cursos de escritura). Trata la comparación entre el juicio propio, el de los pares y el de la IA como el terreno de entrenamiento, y posiciona el juicio evaluativo como un resultado de aprendizaje explícito y no como un subproducto implícito.
  • La retroalimentación de IA solo ayuda cuando ya existe alfabetización. Un marco conceptual de referentes en alfabetización de la retroalimentación (Boud, Dawson y Yan) analiza la retroalimentación en las fases de solicitar, procesar y actuar, usando dos casos contrastantes de IELTS con ChatGPT: un estudiante con baja alfabetización en retroalimentación usó un prompt vago, recibió un resultado genérico y lo creyó o lo copió en exceso, mientras que un estudiante alfabetizado usó la IA de forma crítica y aprendió. La IA generativa baja las barreras cognitivas y emocionales para buscar retroalimentación, pero ella misma puede alucinar, estar sesgada o ser genérica, y por eso se sostiene que los docentes deben modelar la planificación evaluativa y entrenar el juicio, y no solo el diseño de prompts.
  • La brecha es el juicio sostenible, no la retroalimentación momentánea. Una revisión de alcance sobre evaluación auténtica (Zhan, Boud y Du) encontró retroalimentación formativa de IA abundante, pero retroalimentación sostenible, transferible a contextos futuros, presente en solo 4 de 23 estudios formativos. Una retroalimentación que cierra la tarea actual y deja a quien aprende incapaz de juzgar el trabajo futuro es el fallo del juicio evaluativo en su forma más clara.
  • Juicio prestado: recibir una interpretación sin practicar la interpretación. Åhman y Thorén (2026) nombran el modo de fallo que define el trabajo que le queda a quien aprende. Cuando una herramienta de estudio genera el resumen, la estructura y la priorización, a quien aprende se le sirven los productos del razonamiento mientras se salta la lucha interpretativa que produce el juicio: su «juicio prestado». La distinción importa porque no es una cuestión de calidad de la salida. Una herramienta de estudio con IA puede estar plenamente citada a las fuentes que el propio estudiante subió y aun así preconfigurar la relevancia, de modo que el juicio solo se ejerce donde el sistema exige a quien aprende tomar posición, confrontar interpretaciones en competencia y explicar su elección.
  • Criticar borradores generados construyó el juicio de los educadores. Paula et al. (2026) encontraron que la alfabetización evaluativa de ocho coordinadores de curso creció al criticar las rúbricas y los cronogramas generados por una herramienta GPT-4.1 frente a estándares disciplinares, mientras que los ocho rechazaron la automatización de extremo a extremo: la herramienta fortaleció el juicio académico en lugar de reemplazarlo.
  • La evaluación puede diseñarse para premiar el juicio en lugar del producto. El modelo de región de respuesta formaliza por qué: el rediseño baja el beneficio de la externalización oculta y sube el valor del razonamiento, la explicación y la crítica visibles. Pedir a los estudiantes que expliquen qué sugerencias de IA aceptaron y cuáles rechazaron convierte la decisión misma en evidencia evaluable.
  • El juicio de la propia institución carece de los criterios que exige a los estudiantes. Munoz et al. (2026) calificaron el valor probatorio de 1.855 piezas de evidencia en 1.162 acusaciones de mala conducta con IA generativa y encontraron que la calidad de la evidencia no tenía una relación fiable con el resultado de los casos. Ninguna etapa del procedimiento fijaba un umbral probatorio mínimo, y ninguna exigía a los investigadores sopesar el valor probatorio antes de hacer avanzar una acusación; los paneles sopesaban la evidencia mediante un juicio profesional no estructurado. La salida de detectores fue la categoría más débil de esa muestra (las salidas de detectores por sí solas eran totalmente de baja credibilidad), y Hadra et al. (2026) muestran que el instrumento no puede establecer el hecho que afirma un hallazgo: precisión macro de 0,69 y 0,61 en 192 textos, fallo casi total en escritura híbrida humano-IA y una preocupación de sesgo límite para escritores de inglés como lengua extranjera, y por eso la recomendación de los propios autores es el juicio humano, una política más clara y tareas mejor especificadas, en lugar de la vigilancia. Mejor especificadas importa por partida doble: Wright (2026) sostiene que las reglas escritas por identidad de plataforma y no por función son sobreinclusivas por accidente definicional, y sancionan a un estudiante que no hizo lo que la regla pretendía impedir. El juicio del evaluador, por tanto, tiene que aplicarse a lo que una herramienta hizo y no a qué plataforma se usó. Un juicio ejercido sin criterios compartidos no puede enseñarse, calibrarse ni auditarse: el problema de consistencia al que se enfrenta el estudiantado llega al nivel de la institución. El juicio del evaluador también tiene una dirección medible propia: cinco oficiales de admisiones que separaban 50 ensayos de admisión humanos de 50 escritos por IA alcanzaron un AUC de 0,70 (IC del 95%: 0,65-0,75), y sus calificaciones de calidad bajaban a medida que subía la probabilidad percibida de IA, una asociación que sobrevivió al ajuste por calidad calificada por máquina, procedencia real y características del solicitante (−0,109, p < 0,05). Al no existir una etapa de cribado, cada ensayo marcado cargó 1,5 puntos porcentuales menos de probabilidad de admisión, 2,6 al mantener constante la calidad del ensayo (Isley, Gaebler y Goel 2026).
  • Se están proponiendo indicadores de juicio a nivel de aula. Austin (2026) añade dos señales conductuales a una secuencia de tareas rediseñada: la Discernment Rate de UnBlooms™, la proporción de resultados de IA que quien aprende interroga, cuestiona o revisa en lugar de aceptar, y la First-Pass Acceptance Rate. Ninguna está validada (ambas se ofrecen como diagnósticos baratos por tarea), pero hacen observable el constructo dentro de la calificación ordinaria, donde una tasa de discernimiento casi nula en varias tareas se lee como una señal de diseño de la tarea y no como un déficit individual.
  • El juicio se registra cuando está cableado a la revisión, no cuando solo está presente. En 67 docentes en formación que diseñaban planes de clase con IA generativa, la evaluación explícita estaba casi ausente en el grupo de menor calidad (0,67 frente a 0,00); lo que separó la calidad fue un ciclo bidireccional de evaluación y revisión (CE→RE Z = 2,80, RE→CE Z = 2,50) y un bucle autorreferente de revisión (RE→RE Z = 4,24) (Fang et al. (2026)).
  • Los criterios de los docentes se pueden externalizar revisando el resultado de la IA. Tang et al. (2026) infirieron reglas de validación reutilizables a partir de las ediciones que 16 docentes hicieron de retroalimentación de programación generada por un LLM, y elevaron la alineación con su intención pedagógica del 57% al 91%, haciendo inspeccionables unos criterios tácitos que de otro modo quedaban sin declarar.
  • El bucle, no la lista de verificación. El juicio evaluativo con IA funciona de forma recursiva: evaluar frente a criterios ocupacionales, aceptar, revisar o rechazar y volver a preguntar, y después verificar y justificar, regresando a la evaluación mientras el artefacto no sea adecuado (Zheng y Tang (2026)).

Cómo el mal uso desplaza el juicio

El riesgo más claro es el desplazamiento, y está evidenciado en la literatura sobre retroalimentación y no solo teorizado. Cuando la herramienta aporta la rúbrica, la retroalimentación y el monitoreo, la práctica metacognitiva y evaluativa de quien aprende se desplaza en lugar de apoyarse: la evaluación se convierte en una actuación de un juicio que el estudiante nunca ejerció, el mismo modo de falla que la descarga cognitiva expresada en el registro de la evaluación. La retroalimentación directa de IA generativa en el experimento multisitio empujaba exactamente hacia esa externalización pasiva. La presión de la calificación lo agrava: cuando la autoevaluación o la reflexión sobre el uso de IA se califican, los estudiantes pueden producir la reflexión que la rúbrica quiere y no el razonamiento, así que un juicio genuino exige hacer consecuente el ejercicio: una decisión que se ve en el trabajo posterior, una explicación oral o una justificación documentada que a su vez se examina.

El mismo razonamiento admite una versión estructural. Åhman y Thorén (2026) llaman pautado al trabajo de desarrollo de organizar la complejidad en estructuras que quien aprende encuentra significativas, y sostienen que un sistema que preselecciona la relevancia elimina las condiciones que ese trabajo requiere. Su término para el resultado es juicio prestado: quien aprende valora material que el sistema ya estructuró, de modo que el juicio se ejecuta pero nunca se gana. El artículo es un análisis teórico sin datos propios —la plataforma Tentaklar ilustra el mecanismo en lugar de ponerlo a prueba—, así que el modo de fallo se argumenta desde el diseño y no se observa en quien aprende.

El desplazamiento tiene una versión del lado docente, y es lo que llevó a varios profesores de escritura a rechazar por completo la externalización de la corrección. Cinco de los veinticuatro dijeron que corregir es como un docente llega a entender a sus estudiantes, así que delegarlo cuesta ese entendimiento y no solo las horas (Wu y Lam (2026)). Dieciocho de los veinticuatro trataban el juicio humano como lo que detecta los errores de la herramienta y asume la responsabilidad por ellos.

Implicaciones para la práctica

  • Declárelo como resultado. Si valorar la calidad del trabajo, incluido el resultado de la IA, es lo que importa, escríbalo en los resultados de aprendizaje y evalúelo, en lugar de dejarlo como subproducto de la tarea.
  • Evalúe la decisión, no solo el artefacto. Pida a los estudiantes justificar qué conservaron, cambiaron o rechazaron; eso convierte el pensamiento en evidencia y hace visible la sustitución sin vigilancia.
  • Nombre la rutina de juicio. El Agency Check de O'Byrne (creíble, relevante, aceptable, matizado) pregunta si el resultado es exacto, adecuado, servible y si porta postura y voz; en un estudio de un semestre, los artefactos finales de los estudiantes con más y con menos juicio se parecían de forma engañosa (O'Byrne, 2026).
  • Use ejemplares y calibración de forma deliberada. El juicio comparativo frente a ejemplares fuertes, medios y débiles es el mecanismo que la evidencia respalda, y la IA abarata la generación de esos ejemplares, uno de sus usos pedagógicos más claros.
  • Prefiera la retroalimentación híbrida y reflexiva al resultado directo. La autoevaluación antes de la crítica de la IA, o el yo + pares + IA, preserva la agencia que la retroalimentación directa de IA erosiona; diseñe el entorno de retroalimentación en lugar de solo añadir una herramienta.
  • Construya hacia un juicio sostenible y no hacia arreglos momentáneos. Una retroalimentación que no puede transferirse a la siguiente tarea no entrena nada duradero.
  • Combínelo con proceso y defensas orales. Los artefactos de proceso y las explicaciones orales breves muestran el juicio en acción donde un producto final no puede, y esa es una razón central por la que el rediseño de la evaluación en la era de la IA depende de ellos.
  • Haga visible el juicio retenido con pruebas de deuda de comprensión. Mahmoud (2026) define cuatro obligaciones transversales (explicar, verificar, modificar y dar cuenta) que hacen visible la competencia retenida en cada nivel de integración de la IA, y propone como pruebas las solicitudes de cambio diferidas, los recorridos de código, las pruebas diseñadas de forma independiente, la localización de defectos y la depuración en vivo, que comparan lo que se produjo con lo que más tarde puede demostrarse. Bajo capacidad agéntica el objetivo de la evaluación se desplaza hacia la supervisión: contratos de tarea, límites de permisos, entornos aislados, arneses de evaluación, revisión de diferencias, reversión y rendición de cuentas humana, lo que mueve la evaluación de la autoría visible hacia el juicio visible.

Concepciones erróneas

  • "El error del evaluador es ruido aleatorio." El juicio del evaluador tiene una dirección medible propia: cinco oficiales de admisiones que separaban 50 ensayos de admisión humanos de 50 escritos por IA alcanzaron un AUC de 0,70, es decir, solo distinguían débilmente las fuentes, y como nadie filtró las solicitudes, ese juicio sin ayuda fue todo el mecanismo de aplicación, con cada ensayo marcado cargando 1,5 puntos porcentuales menos de probabilidad de admisión. Una señal débil se convirtió en una penalización real.
  • "La revisión entre pares y la revisión con IA son sustitutos." El modelo PAIRR (Sperber et al., 2025) combina la revisión entre pares con la revisión de IA para estructurar la calibración. Combinarlas es el diseño, lo que implica que ninguna de las dos por separado lo aporta.
  • "La calidad del juicio es una propiedad de quien juzga." El hallazgo sobre admisiones sitúa el problema en el arreglo (un juicio no validado aplicado con consecuencias y sin etapa de filtro) y no en la capacidad de las personas.

Conceptos conectados

Artículos conectados

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.