Retroalimentación

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

La retroalimentación: información que se proporciona a quien aprende sobre su desempeño o su comprensión y que pretende cerrar la distancia entre el desempeño actual y el deseado. En la IA en la educación, la retroalimentación se ha convertido en un tema central y en rápida transformación: los sistemas de IA ahora generan retroalimentación, la entregan e incluso enseñan al estudiantado a usarla, lo que reconfigura todas las etapas del proceso de retroalimentación.

Preguntas para reflexionar

• La retroalimentación se imagina a menudo como información que se entrega a quien aprende, pero la investigación sostiene que solo «cuenta» como retroalimentación cuando quien aprende le da sentido y actúa a partir de ella. Si la retroalimentación es una relación y no un mensaje, ¿qué cambia en cómo deberíamos entregarla?
• La percepción del estudiantado sobre si la retroalimentación provino de una IA o de una persona puede cambiar cuánto aprende de ella. ¿Por qué cree que la fuente importa tanto, y qué implica eso para la retroalimentación generada por IA en su contexto?
• La retroalimentación inmediata puede ser una trampa: la «trampa de la respuesta correcta» muestra que el estudiantado que simplemente copia las correcciones aprende menos. ¿Cuándo ayuda la retroalimentación instantánea y cuándo cortocircuita precisamente el aprendizaje que pretende sostener?
• La investigación encontró incluso que una secuencia de retroalimentación bien diseñada (primero el ánimo, después las pistas y por último la respuesta), concebida para construir autonomía, en realidad perjudicó el aprendizaje pese a aumentar la implicación. Si el estudiantado se siente bien con una retroalimentación que le hace aprender menos, ¿qué deberíamos optimizar?
• La retroalimentación se describe como un sistema con partes: el bucle de retroalimentación, la calidad de lo que se ofrece, la capacidad de aprovechamiento de quien aprende y el contexto de evaluación. Si intentara mejorar la retroalimentación en su propio curso, ¿qué parte arreglaría primero y por qué?

Introducción

Este es el concepto paraguas de las ideas de la base de conocimiento relacionadas con la retroalimentación. La retroalimentación se sitúa en la intersección de la evaluación y el aprendizaje: sin retroalimentación, la evaluación mide el desempeño pero no lo mejora; con una retroalimentación eficaz, la evaluación se convierte en un acontecimiento de aprendizaje. La base de conocimiento trata la retroalimentación como un sistema con múltiples facetas: la calidad de la retroalimentación misma (Calidad de la retroalimentación de la IA), el bucle a través del cual cierra la brecha de aprendizaje, la capacidad de quien aprende para usarla (Alfabetización en retroalimentación) y los contextos de evaluación en los que opera (Evaluación formativa, Evaluación entre pares, Evaluación automatizada).

• Yilmaz et al. muestran que la percepción del estudiantado sobre la fuente de la retroalimentación (IA o persona) da forma al aprendizaje autorregulado a partir de la retroalimentación de IA generativa, una matización crucial para las afirmaciones sobre la eficacia de la retroalimentación.
• Nazaretsky et al. (2025) aíslan la fuente del contenido: 472 estudiantes de la EPFL valoraron retroalimentación humana y de GPT-4.0 comparables en contenido sobre su propio trabajo, primero a ciegas y después de revelarse la fuente, y la mayoría no pudo distinguirlas de forma fiable (287 de 472 acertaron). Una vez revelada la etiqueta, las valoraciones de la variante de IA bajaron y las de la variante humana subieron —de forma significativa en Autenticidad (p < 0,01)—, y la credibilidad del proveedor se separó con claridad (humano μ = 3,28 frente a IA μ = 2,25, d de Cohen = 0,57). El sesgo se adhiere al proveedor y no al texto, ya que ambas variantes eran comparables en corrección y calidad cognitiva. Pérez-López et al. (2026) llevan la credibilidad de la retroalimentación hasta el aprendizaje: entre 230 estudiantes de empresariales tras un ensayo apoyado por IA, la credibilidad predijo el aprendizaje percibido, con la competencia percibida y la empatía similar a la humana como sus antecedentes.

El sistema de retroalimentación

La retroalimentación se entiende mejor no como un acontecimiento único, sino como un sistema conectado de partes que interactúan, cada una de las cuales la base de conocimiento documenta como un concepto propio:

• El bucle de retroalimentación: el mecanismo mediante el cual la retroalimentación cierra la distancia entre el desempeño actual y el deseado; el ciclo de desempeño → retroalimentación → revisión → desempeño mejorado que impulsa el aprendizaje.
• Calidad de la retroalimentación de la IA: la exactitud, la utilidad, la puntualidad y el valor pedagógico de la retroalimentación generada por IA; el lado de la provisión del sistema.
• Alfabetización en retroalimentación: las capacidades y disposiciones que el estudiantado necesita para comprender, evaluar y actuar a partir de la retroalimentación; el lado del aprovechamiento del sistema.
• Evaluación formativa: el contexto de evaluación en el que la retroalimentación se usa para mejorar el aprendizaje mientras este está en curso, y no solo para juzgarlo.
• Evaluación entre pares: la retroalimentación intercambiada entre Quienes aprenden, cada vez más aumentada por la IA y un espacio para desarrollar la alfabetización en retroalimentación.
• Evaluación automatizada: la puntuación y la retroalimentación impulsadas por IA, desde la corrección automática de ensayos hasta la calificación de respuestas cortas consciente de la confianza.
• Las partes se compensan entre sí. Diseñar la retroalimentación significa elegir entre usabilidad, fuentes y sostenibilidad en lugar de maximizar las tres; Pedlow et al. (2026) tratan la sostenibilidad como el polo que no debe depender de ninguna persona, recurso o condición institucional concretos.

El bucle de retroalimentación

El bucle de retroalimentación es el proceso cíclico en el que los sistemas de IA evalúan el trabajo del estudiantado, entregan retroalimentación, observan la respuesta del estudiante y adaptan la instrucción posterior. Los bucles de retroalimentación mediados por IA operan en varias escalas temporales:

• Retroalimentación inmediata: los sistemas de calificación automatizada y los tutores de IA ofrecen corrección en tiempo real durante la resolución de problemas. La investigación sobre la trampa de la respuesta correcta muestra que la retroalimentación inmediata puede cortocircuitar el aprendizaje si el estudiantado se limita a copiar las correcciones. Generar esa retroalimentación correctiva inmediata con LLM dentro de un tutor es factible pero imperfecto: en 6.926 transacciones registradas en la plataforma Apprentice Tutor College Algebra, Reddig, Arora y MacLellan (2025) encontraron que GPT-4 producía pistas dirigidas al error específico del estudiante en torno al 66% de las veces, aunque cerca del 35% de las pistas eran demasiado generales, incorrectas o revelaban prematuramente la respuesta, y las comprobaciones automáticas de calidad basadas en LLM no coincidían con el juicio humano, lo que refuerza que la retroalimentación de IA no verificada en el bucle inmediato conlleva un riesgo real de cortocircuito.
• Retroalimentación a nivel de tarea: los sistemas de evaluación formativa y la investigación sobre la calidad de la retroalimentación con IA examinan si la retroalimentación generada por IA sobre una tarea mejora el trabajo posterior. Los estudios sobre retroalimentación secuenciada ponen a prueba si el orden de la retroalimentación importa.
• Bucles a nivel de curso: los cuadros de mando de analítica del aprendizaje y las plataformas educativas agregan la retroalimentación de todas las tareas para identificar patrones y recomendar intervenciones.

La eficacia de un bucle de retroalimentación depende de la calidad de la retroalimentación: su exactitud, su especificidad, su puntualidad y su accionabilidad. Los sistemas de retroalimentación entre pares con IA añaden una dimensión social al bucle.

La persona en el bucle: los bucles de retroalimentación no son puramente automatizados; el profesorado a menudo media la retroalimentación generada por IA antes de que llegue a quien aprende. Los estudios sobre herramientas de retroalimentación con IA para el profesorado (por ejemplo, la herramienta PolyFeed, que combina un detector de aprendizaje automático con un reformulador Grandes modelos de lenguaje (LLM)) encuentran que el profesorado usa su juicio profesional para aceptar, editar o rechazar las sugerencias de la IA, un patrón de «asistir pero verificar», y que modera de forma sistemática el elogio exagerado y las sugerencias genéricas para proteger la autenticidad y la voz. La dimensión relacional y afectiva de la retroalimentación (la relación entre el estudiantado y el profesorado, el ánimo) es la que más resiste la delegación en la IA, lo que sugiere que esta parte del bucle sigue siendo inherentemente humana. Esta mediación con intervención humana conecta con IA con intervención humana (HITL) y con La docencia.

• La penalización relacional es medible y separable de la calidad. En un ECA de tres brazos con 287 autores de textos, la retroalimentación de la IA y la del profesorado elevaron por igual la calidad de los ensayos revisados (d = 0,60 y 0,59), pero la retroalimentación del profesorado elevó la motivación intrínseca a través de la relación percibida (Liu y Shi (2026)).

La revisión de políticas de Luo y Eaton agudiza el mismo punto: solo 14 de 50 universidades de primer nivel tenían orientaciones específicas sobre el uso de la IA por parte del profesorado para la retroalimentación, y el estudiantado describió la retroalimentación con IA no declarada como «poco sincera», lo que convierte la transparencia y el consentimiento en condiciones previas de una práctica ética y no en meras cortesías (Luo y Eaton (2026)).

LearnLens convierte esa mediación en un mecanismo: trata la edición de un docente como una señal de insatisfacción y no como una corrección, y dedica cómputo adicional a una reflexión más profunda en lugar de devolver la respuesta rápida, y el tiempo medio por tarea de su profesorado cayó de 10–30 minutos a menos de cinco (Zhao et al. (2025)).

La lectura relacional cala más hondo que la mera sustitución. En talleres con 12 estudiantes y 18 docentes, Bearman et al. (2026) encontraron que el estudiantado trataba la IA como una fuente adicional pero defectuosa, sopesándola frente a las rúbricas, los apuntes de clase, los foros de debate y los comentarios del profesorado, y usándola como un compás de espera cuando las respuestas humanas tardaban; una persona pegó unos comentarios escuetos del profesorado en un chatbot para averiguar qué hacer a continuación. La presencia de la IA cambió las relaciones en lugar de limitarse a añadir comentarios, hasta el punto de que un estudiante dejó de fiarse de la retroalimentación del foro de debate entre pares por considerarla probablemente escrita por IA. Por eso los autores proponen a las personas como bucle: personas que ayudan a otras personas a construir relaciones de retroalimentación más sólidas con el tiempo, en lugar de supervisar la producción de una máquina.

Winstone et al. (2026) reformulan la retroalimentación con IA generativa como una cuestión de cuidado —una práctica ética y relacional, y no una transferencia de información— y nombran una paradoja del espacio seguro: el menor riesgo personal de la herramienta puede privar al estudiantado de prepararse para la fricción de los encuentros profesionales de retroalimentación.

Cómo transforma la IA la retroalimentación

La IA cambia la retroalimentación en tres direcciones de gran alcance, cada una de las cuales aumenta la importancia de las demás facetas:

• Volumen e inmediatez. La IA puede generar retroalimentación al instante y a escala, lo que aumenta drásticamente la cantidad de retroalimentación que recibe el estudiantado. Los estudios multisitio sobre diseño de retroalimentación con IA generativa y la retroalimentación con IA en la educación superior documentan que la retroalimentación de la IA se percibe como comparable a la del profesorado en aceptabilidad y en apoyo percibido. Una revisión sistemática guiada por PRISMA de 42 estudios empíricos (2023-2025) corrobora este beneficio de escala, ya que los LLM pueden acelerar la calificación y ofrecer retroalimentación rápida y personalizada a escala, sobre todo en cohortes grandes o de educación superior, a la vez que advierte de que esa retroalimentación es a veces demasiado genérica o está desalineada con la nota asignada, y de que su fiabilidad disminuye en tareas más largas, multilingües o matizadas (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback).

• La personalización es un vector de sesgo. Manteniendo constantes ensayos de octavo curso, cuatro LLM elogiaban en exceso y retenían las críticas para el estudiantado marcado por raza, lengua o discapacidad, así que qué atributos del estudiantado alimentan un sistema de retroalimentación es una decisión de equidad y no una decisión neutra (Tan, Phalen y Demszky (2026)).

• Exigencias de evaluación para quien aprende. Como la retroalimentación de la IA puede ser inexacta o alucinada, el estudiantado debe juzgar si confiar en ella y actuar a partir de ella. Aquí es donde la alfabetización en retroalimentación y la calibración de la confianza se vuelven decisivas: Mendoza et al. (2026) muestran que solo el estudiantado alfabetizado en retroalimentación convierte la retroalimentación de la IA en ganancias de Aprendizaje autorregulado, mientras que la falacia del LLM capta cómo el estudiantado puede atribuir en exceso a su propia competencia la retroalimentación de la IA.

• La alfabetización en retroalimentación se construye con el uso, no con la demografía. En 486 estudiantes de grado de inglés como lengua extranjera, solo la frecuencia de uso de herramientas de IA predijo la alfabetización en retroalimentación con IA (β = 0,29) —ni la especialidad ni el curso—, así que andamiar el acceso a la retroalimentación mediada por IA es una cuestión de equidad tanto como de diseño (Liu y Deris (2025)).

• La aprobación en el laboratorio no es uso durante el semestre. Los 18 estudiantes reaccionaron positivamente a la función de explicación con IA generativa en las sesiones de laboratorio, pero solo la mitad la usó durante el curso, alegando desajuste, irrelevancia y redundancia cuando la retroalimentación del profesorado ya era clara (Jin et al. (2025)).

• La confianza y el cuidado, no la exactitud, limitan el aprovechamiento. Diecisiete estudiantes de inglés como lengua extranjera concedieron a un asistente de escritura con IA una alta pericia pero dudaron de su fiabilidad en el manejo de datos y valoraron su buena voluntad como la más baja, autorizándolo solo para cuestiones lingüísticas amplias; varios además encontraron inmanejable su volumen de sugerencias (Serpil y Mor, 2026).

• Idoneidad a nivel de tarea: clasificar la retroalimentación por su estatus epistémico. Venetsanos (2026) sostiene que los marcos en los que se apoya el campo (los niveles de Hattie y Timperley, los principios de diseño de Boud y Molloy) explican dónde opera la retroalimentación en el aprendizaje, pero no si una tarea de retroalimentación dada implica comprobación de reglas, verificación factual o juicio interpretativo, y que es esta segunda distinción la que decide si la automatización es defendible. La división tripartita propuesta es: retroalimentación estructural y de presentación de nivel bajo (formato, referencias, gramática, claridad a nivel de frase; basada en reglas frente a estándares explícitos y automatizable sin riesgo); verificación factual y procedimental de nivel intermedio (si un cálculo usó correctamente un método especificado, si un hecho declarado coincide con referencias autorizadas; comparación con conocimiento establecido, no juicio del razonamiento); y evaluación crítica y síntesis de nivel alto, donde el juicio es interpretativo y debe seguir siendo humano. Los niveles son dimensiones y no una escalera: un mismo cálculo puede estar presentado correctamente, ser aritméticamente erróneo y ser metodológicamente inadecuado al mismo tiempo, y puede atraer a la vez verificación, retroalimentación de proceso y retroalimentación de autorregulación. El caso límite más agudo del marco es la claridad: la claridad a nivel de frase es superficial, pero la falta de claridad argumentativa suele indicar una comprensión conceptual incompleta, así que los casos señalados deberían escalarse a revisión humana en lugar de corregirse como prosa, porque arreglar la escritura dejaría intacto el problema real.

• Retroalimentación sensible al rol. Yaşar et al. (2026) mostraron que pedir al mismo LLM que evaluara el mismo artefacto del estudiante bajo roles distintos (docente, revisor par, evaluador de subvenciones) producía retroalimentación cualitativamente distinta: el profesorado era alentador y orientado al proceso, los pares, comprensivos y conversacionales, y los evaluadores de subvenciones, formales y orientados a los resultados. Estas diferencias eran epistémicas, no meramente estilísticas, y ponían en primer plano aspectos distintos de la práctica de diseño, prueba de que una indicación sensible al rol puede generar retroalimentación evaluativa adaptada al rol en lugar de una única respuesta genérica.

• La retroalimentación docente puede clasificarse empíricamente en diez tipos. Lee et al. (2025) codificaron 100 mensajes de retroalimentación escritos por docentes sobre respuestas abiertas de matemáticas de secundaria con seis codificadores expertos. Un Análisis Factorial de Rango Mínimo de 12 factores con rotación Promax sobre 108 variables no nulas y un agrupamiento K-means seleccionado por silueta arrojaron 10 tipos: Corrección Directa, Afirmación Dirigida, Sugerencia, Afirmación No Verbal, Pregunta Retórica, Muestra Tu Trabajo, Comentario Genérico, Crítica Directa, Ejemplo Resuelto y Positividad No Específica. La prevalencia fue de 26, 16, 4, 2 y 1 observaciones en los conglomerados más grandes.

• La alfabetización en retroalimentación y la calibración son palancas separables. Con 120 estudiantes de grado, un Guion de Alfabetización en Retroalimentación (Filtrar–Razonar–Actuar–Comprobar) elevó la calidad de la escritura, el aprovechamiento efectivo y la revisión profunda, una Actividad de Calibración del Desempeño de la Evaluación mejoró la exactitud de la autoevaluación y redujo el exceso de confianza, y combinarlas produjo las mayores ganancias de escritura y la retención más fuerte tras retirarse el apoyo de IA (Dai (2026)).

• La claridad no es eficacia. Los mensajes de error de Python reescritos por un LLM se valoraron como significativamente más legibles y menos exigentes en lo cognitivo que la salida estándar del intérprete, pero no produjeron ninguna ganancia significativa en la tasa de corrección, los intentos ni el tiempo hasta la corrección (Moraru, Biswas y Gadiraju (2026)).

Qué hace eficaz la retroalimentación: evidencia de calibración

Ngai y Gilbert (2026) aportan un resultado experimental nítido sobre el diseño de la retroalimentación con relevancia directa para la AIED: la retroalimentación verídica, inmediata y ensayo a ensayo ligada a la predicción previa de quien aprende es lo que cambia la conducta; la predicción o las creencias por sí solas no bastan. En su diseño de cuatro grupos, la retroalimentación combinada con una predicción de desempeño previa mejoró la calibración y la conducta, mientras que las predicciones sin retroalimentación no lograron nada y añadir una etiqueta explícita de exceso o defecto de confianza no aportó nada más. Los LLM también pueden actuar como socios de calibración en este proceso: Yaşar et al. (2026) encontraron que, tras refinar la rúbrica, los LLM mostraban mayor consistencia que algunos evaluadores humanos al aplicar umbrales de desempeño, algo útil para sesiones de normalización y entornos de retroalimentación formativa entre pares, donde el modelo ayuda a calibrar el juicio evaluativo en lugar de sustituirlo. Esto concuerda con la visión del sistema de retroalimentación de la base de conocimiento: el poder de la retroalimentación reside en cerrar la brecha frente a la estimación propia de quien aprende (el emparejamiento provisión-aprovechamiento), y la retroalimentación eficaz debería ser inmediata, exacta y estar conectada explícitamente con lo que quien aprende predijo, un principio de diseño tanto para los sistemas de retroalimentación con IA como para la formación en alfabetización en retroalimentación.

El esfuerzo, sin embargo, no es automáticamente el ingrediente que falta. En un experimento preinscrito entre sujetos con 302 adultos estadounidenses que aprendían Python introductorio, Asher, Gold y Carvalho (2025) combinaron retroalimentación explicativa personalizada de Claude Sonnet 3.5 con una indicación estructurada de autoexplicación en tres pasos (para cada sección de código incorrecta, qué hace el código correcto y por qué falló el intento de quien aprende), y la reflexión añadida no aportó nada. Quienes participaron en la Práctica reflexiva dedicaron 4,1 minutos a revisar la retroalimentación frente a 2,1 minutos en la Práctica simple (t(267) = 11,30, p < 0,001), lo que dejó espacio para solo 2,0 problemas de práctica en lugar de 3,4 (t(267) = 8,20, p < 0,001); cada problema valía lo mismo en ambos casos (Reflexión × número de problema OR = 1,03, z = 0,23, p = 0,486), así que la Práctica terminó con un dominio mayor, 79% frente a 65% (d = 0,41), y nunca se quedó atrás en ítems de transferencia cercana, transferencia lejana o evaluación de código. La reflexión tampoco aportó el beneficio metacognitivo que pretendía: los juicios de aprendizaje no difirieron entre condiciones, y las condiciones de práctica estaban mejor calibradas (con 11 puntos de defecto de confianza, frente a 20 puntos de exceso en quienes veían vídeos, d = −.93) y declararon menos distracción (d = −.80) que quienes reflexionaban, cuyas reflexiones promediaban solo 35 palabras. La lectura de los autores es que la retroalimentación de la IA ya había aportado el andamiaje que normalmente añade la autoexplicación (un mensaje que nombra el error, explica el enfoque correcto y describe el concepto subyacente deja poco que hacer a una indicación de reflexión) y que escribir reflexiones mientras aún se aprende una sintaxis desconocida competía directamente con la repetición variada que construye una habilidad transferible. Esto sitúa una condición límite para las dificultades deseables y el fallo productivo en el eje de la profundidad de procesamiento: el esfuerzo compensa cuando impulsa recuperación, aplicación o comparación adicionales, y es redundante cuando quien aprende ya recibe una explicación personalizada de su error concreto. También incide en cómo interactúa la calidad de la retroalimentación con el aprovechamiento: cuanto más elaborada y específica es la retroalimentación, más estrecho es el espacio para que una capa añadida aporte valor, lo que desplaza la atención del diseño desde profundizar en un episodio hacia gastar los escasos minutos de práctica en volumen, variabilidad de problemas y momento de la reflexión, reservándola para momentos como una meseta detectada; el estudio probó una única mejora no verificada, y los autores señalan que estas variantes siguen abiertas.

• El foco y la adaptatividad son dimensiones separables de la retroalimentación. La anotación de comentarios de profesorado y de LLM en tres cursos universitarios de escritura con siete tipos de foco de retroalimentación muestra que casi todos los modelos cubren casi todos los tipos, mientras que ninguno iguala la distribución del profesorado entre ellos, y ninguno desplaza su foco entre las etapas del borrador como lo hace una instructora experta (Almousa et al., 2026).
• Las ganancias agregadas pueden ocultar desplazamientos que se compensan. Tres meses de retroalimentación del WISE Agent con 260 estudiantes chinos de sexto curso no movieron ninguna puntuación total de disposición al pensamiento crítico (t=-0,854, p=0,394), pero la Búsqueda de la verdad subió (p<0,001) mientras la Madurez cognitiva cayó (p=0,019), una caída que los autores leen como que el estudiantado recalibra una comprensión sobreestimada. (Zhu et al. (2026))

La retroalimentación en distintos contextos de evaluación

La investigación sobre retroalimentación de la base de conocimiento abarca toda la gama de contextos de evaluación, cada uno con dinámicas de retroalimentación distintas:

• La retroalimentación formativa es el lugar canónico de la retroalimentación para el aprendizaje: la evaluación formativa alimenta el aprendizaje autorregulado mediante retroalimentación que llega mientras el aprendizaje aún está en curso (evaluaciones formativas automatizadas, puesta en acto de la retroalimentación).

• La retroalimentación sumativa es la que acompaña a la evaluación sumativa: exámenes de fin de unidad, exámenes orales y pruebas supervisadas o con libros cerrados. En la era de la IA, el contexto sumativo es donde más importa la resistencia a la IA (véase Evaluación sumativa): la retroalimentación en un examen oral supervisado o en una prueba con libros cerrados pone a prueba el aprendizaje genuino, mientras que la retroalimentación sobre deberes asistidos por IA puede estar inflada. Los exámenes orales replantean el momento de la retroalimentación como un diálogo vivo e interactivo: la retroalimentación se vuelve inmediata, conversacional e inseparable de la propia evaluación, que es precisamente por lo que resisten la sustitución por IA.

• La retroalimentación entre pares añade una capa social: la retroalimentación entre pares desarrolla la alfabetización en retroalimentación y es cada vez más aumentada por IA (retroalimentación entre pares con IA, IA generativa en la retroalimentación entre pares de inglés como lengua extranjera). Sin embargo, la retroalimentación entre pares vale tanto como su entrega real: en un experimento de campo de un semestre, menos de dos tercios del estudiantado al que se le asignó retroalimentación entre pares no recibió ninguna retroalimentación textual, y buena parte de la que se entregó era elogio no dirigido; así que cuando la retroalimentación individual de GPT-4 sustituyó a pares poco fiables, el estudiantado mantuvo la participación más alta y registró las mayores ganancias de aprendizaje en contenido (Geschwind et al., 2026), prueba de que la ventaja de la IA es una ventaja de fiabilidad y no una superioridad inherente.

• El andamiaje de las consignas convierte la IA generativa en facilitadora de retroalimentación. Chang et al. (2026) encontraron que el estudiantado al que se dieron consignas estructuradas (contexto, objetivo, rol) para la retroalimentación entre pares produjo más explicaciones y sugerencias, y solo ese grupo destacó en los datos de refutación y al abordar la postura contraria.

• La retroalimentación automatizada escala la entrega: puntuación y retroalimentación automatizadas, desde la corrección de ensayos hasta la calificación de respuestas cortas. Arthur (Yin et al. 2026) lo extiende a problemas cuantitativos no estructurados: una columna vertebral de diagnóstico por pregunta con XGBoost infiere errores etiquetados según la rúbrica a partir de las respuestas numéricas que entrega el estudiantado a preguntas de fórmula calculada de Economía de la Ingeniería y los convierte en retroalimentación en lenguaje natural, mientras que un esquema basado en diálogo solicita respuestas intermedias solo cuando la confianza es baja, lo que equilibra la exactitud de la retroalimentación con la carga de recogida para el estudiantado.

• La evaluación automatizada de la escritura es una herramienta del lado de la entrega con un coste medible. Una revisión de 50 estudios empíricos (2019–2024) encontró que la evaluación automatizada de la escritura mejoró la gramática, la puntuación y la construcción de frases en 25 estudios y redujo la carga de corrección mecánica del profesorado en 15, liberando tiempo para la argumentación, la coherencia y la organización; las ganancias solo se mantuvieron donde las herramientas se insertaron en ciclos estructurados de redacción y revisión y no como apoyos aislados, la dependencia intensa de ellas se vinculó a un pensamiento crítico y una creatividad más débiles, y las herramientas reproducían normas del inglés estandarizado que quienes usan el inglés como lengua extranjera describieron como desalineadas con sus tradiciones retóricas (Gres et al., 2026).

Una idea clave que cruza contextos es que la fiabilidad de la retroalimentación depende de la integridad de la evaluación a la que acompaña: la retroalimentación es tan fiable como la medida a la que responde. En la era de la IA, esto empuja al profesorado hacia formatos auténticos y resistentes a la IA de evaluación sumativa, en los que la retroalimentación que recibe el estudiantado refleja aprendizaje genuino y no producción asistida por IA.

El paradigma de la «evaluación para el aprendizaje» replantea la retroalimentación como una filosofía global y no como un componente. Mesny, Roberge-Maltais y Galy (2026) sintetizan la literatura más amplia sobre educación superior para enmarcar la retroalimentación formativa, continua e individualizada como central en esa filosofía, equilibrando los propósitos formativos con los sumativos y poniendo en primer plano la agencia del estudiantado, la Regulación de la IA en educación y la habilidad metacognitiva. Señalan, sin embargo, que en la formación en gestión empresarial las prácticas ricas en retroalimentación siguen adoptándose de forma desigual: la autoevaluación y la evaluación entre pares (un espacio de retroalimentación entre pares) dominan la literatura, mientras que la reevaluación, que usa segundas oportunidades impulsadas por la retroalimentación para mejorar el aprendizaje, está prácticamente ausente.

• La accionabilidad demostrada no es accionabilidad puesta en práctica. En una revisión de alcance de 421 estudios que aplican PLN a comentarios abiertos de evaluación de la docencia por el estudiantado, el 61,3% produjo resultados de nivel de resultado demostrado o superior, pero solo el 11,6% mostró evidencia de que quienes debían usarlos los evaluaran o utilizaran (Eicher y da Silva, 2026).

El emparejamiento entre provisión y aprovechamiento

La idea central de la base de conocimiento sobre la retroalimentación es que la calidad de la retroalimentación y la alfabetización en retroalimentación son dos caras de un mismo sistema: una retroalimentación de alta calidad es inerte sin un destinatario alfabetizado, y un estudiante alfabetizado obtiene poco de una retroalimentación deficiente. Calidad de la retroalimentación de la IA cubre el lado de la provisión (¿es la retroalimentación exacta, puntual y accionable?), mientras que Alfabetización en retroalimentación cubre el lado del aprovechamiento (¿puede el estudiantado juzgarla y actuar a partir de ella?). El bucle de retroalimentación es lo que los conecta: el mecanismo por el que una retroalimentación de calidad, recibida por quien aprende de forma alfabetizada, cierra la brecha. Diseñar una retroalimentación con IA eficaz significa, por tanto, diseñar tanto el sistema como al estudiante.

Qué capacidades del lado del estudiantado importan puede separarse empíricamente: entre 1.507 estudiantes de secundaria que recibieron cada uno un único mensaje estandarizado de retroalimentación automatizada sobre un texto argumentativo, solo la implicación conductual con la retroalimentación y las actitudes instrumentales hacia ella predijeron el desempeño en la revisión —el estudiantado situado en el percentil 75 en cualquiera de las dos dimensiones mejoró alrededor de 0,10 o 0,11 puntos WLE más que estudiantes comparables en el percentil 25, es decir, aproximadamente del percentil 46 al 54—, mientras que la receptividad global, la implicación cognitiva y las actitudes experienciales no guardaron relación con él, y la utilidad percibida no medió la vía de ninguna dimensión hacia el desempeño. La utilidad operó sobre el otro resultado: el efecto de la receptividad global sobre el interés situacional pasó enteramente por la utilidad percibida (β indirecto = 0,09, IC del 95% [0,06, 0,13]), de modo que las ganancias de revisión siguieron hábitos duraderos de actuar a partir de la retroalimentación, mientras que el interés siguió la valoración de un mensaje concreto. (Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception)

Una fuente puede diferenciarse en cómo calibra, no en cuán bien puntúa: en un experimento aleatorizado, la retroalimentación con IA de cadena de pensamiento superó a una docente experimentada en calidad de rúbrica pero no produjo mayores ganancias de revisión, mientras que la retroalimentación de la docente se mantuvo calibrada entre borradores y la de la IA generativa siguió la fuerza del ensayo inicial (Farrokhnia et al. (2026)).

Cuánto cree el estudiantado sobre la fuente cambia lo que hace con palabras idénticas. En un experimento de tres condiciones, 148 adultos recibieron retroalimentación escrita por un mismo modelo sobre su propio código p5.js, etiquetada como generada por IA o como revisada por un asistente docente, con la entrega fijada en 60 segundos. Quienes creían que una persona había leído su trabajo permanecieron más tiempo en la tarea (948 s frente a 741 s, d = 0,61) y mantuvieron la ventana del tutorial en foco más tiempo (850 s frente a 662 s, d = 0,56), mientras que las valoraciones de utilidad no cambiaron y la calidad del código no mejoró. Casi la mitad del grupo al que se atribuyó autoría humana no creyó la etiqueta, y esas personas escribieron programas más cortos y menos complejos que el grupo etiquetado abiertamente como IA. La credibilidad de la fuente es parte del aprovechamiento y es frágil: una fuente mal atribuida puede deprimir la implicación por debajo de una divulgación simple (Morris y Maes, 2026).

Un modelo de dos capas muestra cómo el emparejamiento puede organizarse en torno a una máquina sin delegar en ella el juicio. En el ejemplo práctico de El Khoury y Ma, un agente produce un borrador de informe de evidencias basado en la rúbrica sobre cada transcripción, con cada valoración ligada a extractos citados, y después el profesorado revisa el informe, dirige una puesta en común y decide qué significan las evidencias para ese estudiante, una división que los autores resumen como que la IA organiza las evidencias mientras el profesorado las interpreta. Su afirmación sobre el aprovechamiento se basa en la valoración: la retroalimentación y la iteración fuera de las jerarquías sociales que el estudiantado navega con sus pares y con el profesorado son más fáciles de intentar, y ensayar al ritmo propio del estudiante es, sostienen, lo que convierte una confianza ocasional en un hábito asentado de implicarse con la retroalimentación.

• La retroalimentación puede dirigirse a quien la emite. La formación de tutores es un contexto de retroalimentación poco explorado: los sistemas automatizados que etiquetan por secuencias las respuestas abiertas de los tutores para señalar los tipos de elogio (elogio al esfuerzo, el tipo deseable centrado en el proceso, frente al elogio al resultado y al elogio a la persona, el tipo menos deseable porque atribuye rasgos) pueden ofrecer una retroalimentación explicativa que cambia la conducta de tutoría. La restricción vinculante son los datos etiquetados por personas expertas. Un enfoque de aumento —GPT-4o genera respuestas etiquetadas sintéticas que amplían un conjunto de bajos recursos de 13 instancias a 520, y después se ajusta GPT-3.5— recupera la mayor parte de la brecha: F2 +20,5% en el elogio al esfuerzo, +17,3% en el elogio al resultado y +16,5% en la categoría no vista de elogio a la persona. La prueba de generalización sobre un tipo de elogio no visto es la comprobación de validez que separa esto del sobreajuste, y el mecanismo está más cerca de la destilación de un modelo docente que del aumento clásico. (Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation)

• La retroalimentación que no ve la revisión se repite. En un juego de aprendizaje de ciencias cuyos agentes criticaban borradores de argumentos, el estudiantado revisó a lo largo de varias rondas, pero un modelo de 8B cuantizado devolvió sustancialmente la misma crítica a un borrador mejorado, así que el bucle que motivaba la revisión produjo también la frustración que la terminó (Humburg et al., 2025).

• «El tono es un detalle de la calidad de la retroalimentación». En el punto de referencia, el tono siguió el número que se le dio: todos los modelos, a los que se indicó una nota que contradecía el trabajo, escribieron retroalimentación cuyo tono seguía esa nota, y en ocho de 22 el desplazamiento por punto igualó o superó el desplazamiento con la calidad del trabajo. Solo la regla del tono se validó con anotadores formados, sobre 1.655 respuestas de tutores, así que la sustancia no se mide. Un calificador que escribe retroalimentación a partir de una nota equivocada blanquea el error en elogio o crítica.

La retroalimentación puede construirse a partir del proceso y no del producto. En Xian et al. (2026) un brazo recibió visualizaciones personalizadas de su propia actividad de tecleo y pantalla con reflexión estructurada, mientras que el otro recibió comentarios escritos del profesorado sobre exactitud, claridad y calidad editorial. El brazo de proceso ganó 5,64 puntos en una valoración editorial ciega de 0 a 100 frente a 1,91 del brazo de producto, con una interacción Grupo × Tiempo (F(1, 20) = 4,94, p = 0,038, eta cuadrado parcial 0,198) y la ganancia del propio brazo de control no significativa (p = 0,123). Once estudiantes por brazo significan que lo que importa es la dirección y no el tamaño.

• La demanda de retroalimentación con IA puede medir escasez, no preferencia. En un curso de Honores sobre calificación, el estudiantado acogió con agrado la retroalimentación generada por IA principalmente porque había recibido muy poca retroalimentación del profesorado, no porque la juzgara mejor, y quería que estuviera acotada por el juicio del profesorado (Guberman, 2026).

• La retroalimentación con IA verificada por personas mejoró las revisiones pero no el aprendizaje posterior a la prueba. En un ensayo aleatorizado con 354 estudiantes de grado y 1.366 ensayos, la retroalimentación mediada por IA de los asistentes docentes elevó la calidad de la revisión (d de Cohen = 0,50) mientras las puntuaciones posteriores a la prueba se mantuvieron planas, y la ganancia creció a medida que los asistentes adoptaron más sugerencias (Lu et al., 2026).

Dos estudios nuevos acotan lo que la retroalimentación con IA puede reclamar. En 391 estudiantes alemanes de secundaria, ningún resultado difirió significativamente entre la retroalimentación escrita por el profesorado y la de los LLM: las revisiones, la escritura posterior, el tiempo en la tarea y las percepciones fueron estadísticamente indistinguibles. Las distribuciones posteriores bayesianas se inclinaron hacia la retroalimentación del profesorado en la escritura posterior (.80) y en el afecto (.90), con entre un cuarto y dos quintos de la masa dentro de la región de equivalencia. La retroalimentación inmediata de la IA por sí sola se valoró como más útil y más motivadora (Meyer et al., 2026). En un estudio de ocho semanas con 247 estudiantes de grado, la calidad percibida de la retroalimentación predijo la competencia (β = 0,52), la autonomía (β = 0,44) y la relación (β = 0,28), lo que sitúa parte del efecto en cómo se experimenta la retroalimentación y no solo en su exactitud (Liu et al., 2026).

Por qué importa la retroalimentación para la IA en la educación

La retroalimentación es uno de los mecanismos más determinantes y mejor documentados de la educación, y la IA lo amplifica y lo complica a la vez. Una retroalimentación con IA bien arquitecturada puede igualar o superar la retroalimentación humana y escalar entre cohortes, pero exige nuevas capacidades en quien aprende (Alfabetización en retroalimentación, Alfabetización en IA) y conlleva riesgos (aceptación acrítica, dependencia excesiva). A medida que la retroalimentación generada por IA se vuelve omnipresente, la base de conocimiento la enmarca como un sistema completo (calidad, bucle, alfabetización y contexto de evaluación trabajando juntos) y no como un componente aislado.

Concepciones erróneas

• «El estudiantado no distingue la retroalimentación de la IA de la humana.» Sí la distingue, y la etiqueta cambia el juicio: una vez revelada la etiqueta, las valoraciones de la variante de IA bajaron y las de la humana subieron, de forma significativa en Autenticidad (p < 0,01). La credibilidad de la fuente moldeó la evaluación de una retroalimentación de estilo idéntico.
• «La aprobación en el laboratorio predice el uso durante el semestre.» La aprobación en el laboratorio no es el uso semestral: los 18 estudiantes reaccionaron positivamente a la función de explicación con IA generativa en las sesiones de laboratorio, y sin embargo solo la mitad la usó durante el curso. La brecha entre intención y uso es el problema de diseño.
• «La retroalimentación correctiva inmediata está resuelta con los LLM.» Generarla dentro de un tutor es factible pero imperfecto: en 6.926 transacciones registradas de la colección Apprentice Tutor, la retroalimentación era lo bastante buena para desplegarse y no lo bastante buena para dar por supuesta su corrección.

Conceptos conectados

• Patrones pedagógicos — Secuencias de retroalimentación probadas, incluida la razón por la que una retroalimentación de IA de mayor calidad no produjo más revisión
• Portafolio electrónico
• Calidad de la retroalimentación de la IA
• Alfabetización en retroalimentación
• Evaluación formativa
• Evaluación sumativa
• Evaluación entre pares
• Autoevaluación
• Evaluación automatizada
• Evaluación
• Evaluación auténtica
• Validez de la evaluación
• Aprendizaje autorregulado
• Alfabetización en IA
• Andamiaje
• Escritura
• Reflexión

Artículos conectados

• Same Feedback, Different Source: How AI vs. Human Feedback Attribution and Credibility Shape Learner Behavior in Computing Education — retroalimentación idéntica con una fuente atribuida distinta: el esfuerzo aumentó con la autoría humana creída, la calidad no
• Comparing Teacher and AI-Generated Feedback in the Writing Classroom: Experimental Results from Secondary School Classrooms — 391 estudiantes alemanes: ninguna diferencia significativa en ningún resultado; la inmediatez, no la autoría, atrajo las mejores valoraciones (Meyer et al., 2026)
• AI-Assisted Feedback in Higher Education: Mechanisms, Efficacy, and Motivational Pathways — A Mixed-Methods Investigation — 247 estudiantes de grado: la calidad percibida de la retroalimentación predijo la competencia, la autonomía y la relación (Liu et al., 2026)
• AI-Mediated Feedback Improves Student Revisions: A Randomized Trial with FeedbackWriter in a Large Undergraduate Course — La retroalimentación con IA verificada por personas elevó la calidad de la revisión (d = 0,50) pero no las puntuaciones posteriores a la prueba (Lu et al. 2026)
• Control or Support: Early Student Perceptions of Generative AI in a Course on Grading — El estudiantado acogió la retroalimentación con IA porque la retroalimentación era escasa, no porque fuera mejor (Guberman 2026)
• SciStory: Designing AI-Supported Inquiry in Science Learning Games — Retroalimentación de agentes que se repetía entre revisiones (Humburg et al. 2025)
• Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception — Retroalimentación automatizada en la escritura argumentativa: el papel de la receptividad y la percepción de la retroalimentación en el estudiantado de secundaria
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agentes de IA, evaluación gozosa y tercer espacio
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Perspectivas del estudiantado sobre la evaluación transparente de la escritura asistida por IA (AlGhamdi 2026)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Comparación de la calificación de ChatGPT, de los pares y del profesorado según los niveles de calidad del proyecto (Usher y Faraon 2026)
• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — La descarga cognitiva sensible a las capas en la escritura asistida por IA generativa (Chen 2026)
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback
• Generative AI offers more, but students revise less: comparing the effects of teacher and AI feedback on student essay revisions — Retroalimentación del profesorado frente a la de IA generativa: el estudiantado revisa menos con la IA
• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Retroalimentación con IA generativa y aprendizaje autorregulado: importa la fuente percibida
• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — Retroalimentación entre pares asistida por IA generativa en la argumentación colaborativa
• Is It Ethical for Teachers to Use AI for Student Feedback? — Ética de la IA en la retroalimentación al estudiantado
• Metacognitive training facilitates optimal cognitive offloading — El entrenamiento metacognitivo facilita una descarga cognitiva óptima (Ngai y Gilbert 2026)
• AI feedback literacy in higher education: Understanding, measuring, and predicting student feedback uptake — Escala de alfabetización en retroalimentación con IA y predicción del aprovechamiento (Liu y Deris 2025)
• Generative artificial intelligence as an enabler of student feedback engagement: a framework — La IA generativa como facilitadora de la implicación del estudiantado con la retroalimentación (Zhan, Boud, Dawson y Yan 2025)
• Making sense of AI feedback: how students' feedback literacy moderates the link between ChatGPT acceptance and self-regulated learning — La alfabetización en retroalimentación modera la retroalimentación de IA → AAR (Mendoza et al. 2026)
• Rethinking AI-assisted writing instruction: feedback literacy scripts, calibration training, and student writing development — Guiones de alfabetización en retroalimentación para la escritura asistida por IA (Dai 2026)
• Students' Perceptions of Generative AI-Powered Learning Analytics in the Feedback Process: A Feedback Literacy Perspective — Analítica del aprendizaje con IA generativa en la retroalimentación (Jin et al. 2025)
• Reconnecting relationships through technology: Developing feedback literacy capabilities through an AI automated feedback tool — Herramienta de retroalimentación automatizada con IA para la alfabetización en retroalimentación (Tubino y Adachi 2025)
• Positioning generative AI in EFL peer feedback: Training feedback literacy and enabling uptake in speaking classes — IA generativa en la retroalimentación entre pares de inglés como lengua extranjera para la alfabetización en retroalimentación (Irwin y Muller 2026)
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — Retroalimentación generada por IA en la educación superior
• The care-full craft of feedback in an age of generative AI — Diseño de retroalimentación cuidadosa con IA generativa
• How artificial intelligence transforms the feedback ecosystem in higher education — El ecosistema de la retroalimentación en la educación superior: la IA reconfigura las relaciones de retroalimentación y las personas como bucle (Bearman et al. 2026)
• Enhancing learner-centered feedback with AI: Teachers' practices and perceptions — Prácticas de retroalimentación con IA centradas en quien aprende
• Human-centered GenAI feedback design in higher education: A multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Diseño de retroalimentación con IA generativa en varios centros
• Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — Retroalimentación con IA y pensamiento crítico en la escritura
• Using generative AI to promote psychological, feedback, and artificial intelligence literacies in undergraduate psychology — La evaluación con IA generativa construye alfabetizaciones psicológica, de retroalimentación y de IA
• LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop — LearnLens: retroalimentación anclada en el currículo con supervisión docente (Zhao et al. 2025)
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — Estudios sobre retroalimentación secuenciada con IA
• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — Sistemas de retroalimentación entre pares con IA
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — Evaluaciones formativas automatizadas en ciencias de bachillerato
• Reconsidering the use of oral exams and assessments: An old way to move into a new future — Reconsiderar los exámenes orales como evaluación auténtica y resistente a la IA
• Marked pedagogies: Examining linguistic biases in personalized automated writing feedback — Pedagogías marcadas: sesgo en la retroalimentación automatizada de la escritura
• From scoring to explanations: Evaluating SHAP and LLM rationales for rubric-based teaching quality assessment — SHAP frente a justificaciones de LLM para la retroalimentación docente basada en rúbricas
• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — Explicaciones adaptativas de errores de programación con LLM
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Percepciones del estudiantado sobre las herramientas de inteligencia artificial para la productividad de estudio y el aprendizaje: un estudio exploratorio por encuesta
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — Los LLM como agentes de diseño pedagógico iterativo
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models
• Arthur: An artificial intelligence powered teaching assistant system for Engineering Economics class
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — Marco tripartito: clasificar la retroalimentación por su estatus epistémico y los cinco principios límite para la implicación de la IA (Venetsanos 2026)
• Benefit or Bottleneck? Assessing the impact of structured reflection on learning from AI-driven explanatory feedback — ¿Beneficio o cuello de botella? La reflexión estructurada sobre la retroalimentación explicativa de la IA (Asher, Gold y Carvalho 2025)
• Bounded reliance: A source credibility perspective on EFL students' engagement with AI-generated writing feedback — Confianza acotada: una perspectiva de credibilidad de la fuente sobre el compromiso del estudiantado de inglés como lengua extranjera con la retroalimentación de escritura generada por IA
• From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning — De la generación de contenido al apoyo al aprendizaje: tutores de vídeo generativos guiados por la pedagogía para el aprendizaje STEM
• Evaluating feedback focus and pedagogical adaptivity in LLM-generated feedback on student writing — Evaluación del enfoque de la retroalimentación y la adaptatividad pedagógica en la retroalimentación generada por LLM sobre la escritura del estudiantado
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — De la clasificación de sentimiento a la retroalimentación accionable y responsable: una revisión de alcance y un mapa de evidencia del PLN en la evaluación docente por el estudiantado, 2015-2026
• Who Gives Feedback Matters: Student Biases Towards Human and AI-Generated Formative Feedback — Quién da la retroalimentación importa: las etiquetas de fuente desplazan las valoraciones cuando el texto se mantiene comparable (Nazaretsky et al. 2025)
• AI-Powered Feedback System for Writing: A Review of Automated Writing Evaluation (AWE) Tools — Sistema de retroalimentación de escritura impulsado por IA: una revisión de las herramientas de evaluación automatizada de la escritura (AWE)
• Human-written and AI-generated revisions: An appraisal analysis of dialogic positioning in argumentative writing — Qué hace una revisión a la postura de quien escribe: la retroalimentación entre pares vuelve más contractivos los ensayos argumentativos y la revisión con IA mantiene el equilibrio Contract/Expand (Zhao y Ji 2026)
• Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation — Mejora de los sistemas de retroalimentación automatizada para la formación de tutores en escenarios de pocos recursos mediante aumento de datos (Xu et al. 2025)
• A Conversational AI Framework for Teacher Training — Diagnóstico conversacional de IA para las concepciones erróneas docentes mediante diálogo fundamentado en la evidencia (Miranda y Calvani 2026)
• Trade-offs in assessment and feedback design: a trilemma-based model — Nombra la disyuntiva entre usabilidad, fuentes y sostenibilidad, y convierte la sostenibilidad en un polo de diseño
• Beyond agreement: a benchmark of how language models grade student work, and how they fail — Más allá de la concordancia: 22 calificadores con indicaciones se enfrentan a pruebas cuya respuesta correcta se conoce, y a la mayoría se les puede persuadir (Porcaro 2026)
• As effective as the teacher, but less motivating: A randomized controlled comparison of AI-generated and teacher feedback on students' writing performance and intrinsic motivation — La retroalimentación de la IA y la del profesorado son iguales en calidad de revisión y desiguales en motivación (Liu y Shi 2026)
• Process visualization feedback in news translation: a controlled intervention study of human-AI interaction using multimodal process data — La retroalimentación generada a partir de trazas de tecleo y pantalla superó a los comentarios escritos sobre el producto, 11 por brazo