Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

Retroalimentación

Creada 2026-09-25 · Actualizada 2026-09-25

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 (AI Feedback Quality), el bucle a través del cual cierra la brecha de aprendizaje, la capacidad de quien aprende para usarla (Feedback Literacy) y los contextos de evaluación en los que opera (Evaluación formativa, Peer Assessment, Automated Assessment).

  • 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.

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.
  • AI Feedback Quality: la exactitud, la utilidad, la puntualidad y el valor pedagógico de la retroalimentación generada por IA; el lado de la provisión del sistema.
  • Feedback Literacy: 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.
  • Peer Assessment: la retroalimentación intercambiada entre Learners, cada vez más aumentada por la IA y un espacio para desarrollar la alfabetización en retroalimentación.
  • Automated Assessment: la puntuación y la retroalimentación impulsadas por IA, desde la corrección automática de ensayos hasta la calificación de respuestas cortas consciente de la confianza.

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:

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 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.

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).
  • 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.
  • 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 alfabetización en retroalimentación como objetivo de formación.**respuesta genérica única.
  • Utilidad de la retroalimentación frente a autoridad evaluativa. AlGhamdi (2026) muestra que el estudiantado puede aceptar a la vez que la retroalimentación generada por IA es útil y rechazar a la IA como la calificadora apropiada, lo que separa la utilidad de la retroalimentación (el valor informativo de la retroalimentación superficial) de la autoridad evaluativa (quién puede decidir la nota). En un diseño de evaluación transparente posterior, estudiantes saudíes de informática trataron estas cuestiones como juicios analíticamente distintos, valorando la claridad de ChatGPT para la revisión a la vez que reservaban la autoridad de calificación al profesorado humano y articulaban las razones dialógicas y ponderadas institucionalmente de por qué. El hallazgo extiende la alfabetización en retroalimentación más allá de juzgar la calidad de la retroalimentación, hasta razonar sobre la propia autoridad evaluativa, y sugiere que la transparencia sobre la implicación de la IA puede convertir la retroalimentación en un objeto de reflexión crítica en lugar de aceptación pasiva.
  • La alfabetización en retroalimentación como objetivo de formación. En lugar de limitarse a proporcionar retroalimentación, las herramientas de IA se diseñan cada vez más para enseñar al estudiantado a usar la retroalimentación: replantear las herramientas de retroalimentación automatizada como instrumentos que construyen alfabetización, enmarcar la IA generativa como facilitadora de la implicación con la retroalimentación y usar tareas de crítica con IA generativa para construir a la vez alfabetizaciones psicológica, de retroalimentación y de IA.

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 < .001), lo que dejó espacio para solo 2.0 problemas de práctica en lugar de 3.4 (t(267) = 8.20, p < .001); cada problema valía lo mismo en ambos casos (Reflexión × número de problema OR = 1.03, z = 0.23, p = .486), así que la Práctica terminó con un dominio mayor, 79% frente a 65% (d = .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).

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 Summative Assessment): 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.
  • 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.

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 AI Regulation in Education 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. AI Feedback Quality cubre el lado de la provisión (¿es la retroalimentación exacta, puntual y accionable?), mientras que Feedback Literacy 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.

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.

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 (Feedback Literacy, 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.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Metadatos

Assessment and measurementAI Feedback Quality, Evaluación, Automated Assessment, Retroalimentación, Feedback Literacy, Evaluación formativa, Peer Assessment
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.