Evaluación formativa

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

La evaluación formativa: la evaluación diseñada para informar la enseñanza y el aprendizaje en curso, en contraposición a la evaluación sumativa. En la educación con IA, la evaluación formativa es a la vez transformada por la IA y esencial para ella: los sistemas de IA pueden generar, validar y adaptar ítems y retroalimentación formativos a escala, mientras que la retroalimentación formativa es un mecanismo primario por el que los tutores de IA y los sistemas adaptativos apoyan el aprendizaje. La investigación de la base de conocimiento examina los ítems formativos generados por IA, la retroalimentación generada por IA y el diseño y la evaluación de estos sistemas.

Preguntas para reflexionar

• La evaluación formativa está pensada para cerrar el bucle: sacar a la luz lo que el estudiantado no sabe y darle una retroalimentación sobre la que pueda actuar mientras el aprendizaje todavía está en curso. ¿En qué se diferencia eso de forma fundamental de la evaluación sumativa, y cuándo pueden confundirse ambas en la práctica?
• La IA puede generar preguntas de opción múltiple con una precisión impresionante en las dimensiones verificables, pero es más débil en las dimensiones que exigen juicio didáctico. Si una máquina es buena con las respuestas correctas pero más débil en el juicio pedagógico, ¿qué debería confiársele y qué deberían seguir haciendo las personas?
• La retroalimentación generada por IA solo ayuda cuando el estudiantado la pone realmente en práctica: la condición de «retroalimentación puesta en práctica», en la que el estudiantado selecciona, evalúa y aplica las sugerencias, superó a simplemente recibir retroalimentación. Si la puesta en práctica importa más que la retroalimentación misma, ¿qué significa eso para cómo debería diseñarse la retroalimentación formativa?
• La retroalimentación se describe no como una transferencia de información sino como una práctica ética y relacional. ¿Qué se pierde cuando la evaluación formativa se produce en masa como «basura de IA», y qué pueden preservar los bancos de comentarios humanos y el cuidado relacional?

Introducción

La evaluación formativa es central para la IA en la educación porque se sitúa en la confluencia de la evaluación y la retroalimentación para el aprendizaje. Su propósito es cerrar el bucle: sacar a la luz lo que el estudiantado sabe y no sabe, y ofrecer retroalimentación sobre la que pueda actuar para mejorar. La IA hace esto viable a escala (generar ítems, puntuar respuestas y ofrecer retroalimentación individualizada), pero la investigación de la base de conocimiento muestra que la calidad varía enormemente según el tipo de ítem y que la retroalimentación solo ayuda cuando el estudiantado la pone realmente en práctica.

Correnti et al. (2026) aportan evidencia de que un sistema automatizado de escritura puede cumplir un propósito formativo auténtico: el crecimiento apareció en la calidad de la revisión y no solo en las puntuaciones de las funciones, pero únicamente donde el profesorado integró la retroalimentación en la discusión en clase.

Ítems formativos generados por IA

Los sistemas de IA generan ítems de evaluación formativa en distintas modalidades, con una fiabilidad que varía según el tipo:

• Preguntas de opción múltiple: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation muestra que la IA agéntica puede generar de forma fiable preguntas de opción múltiple para la comprensión de código cuando se validan en siete dimensiones pedagógicas: las tasas de éxito alcanzan el 98,6% en alineación conceptual y el 79,9% en calidad de la retroalimentación, lo que sugiere que la IA es más fuerte en las dimensiones verificables y más débil en las dimensiones que exigen juicio didáctico. Esto conecta con la generación automática de preguntas en un sentido más amplio.
• Un banco de ítems generado fácil no da señal formativa. En un despliegue de 10 semanas, alrededor del 70% de los ítems de práctica generados por IA fueron respondidos correctamente por todo el estudiantado (p = 1,0), de modo que los cuestionarios de bajo riesgo que se hacían cada 15 a 20 minutos fueron bien recibidos pero apenas aportaban información discriminante para adaptar la enseñanza (An y Wang (2026)).
• Corrección automática de ensayos: los marcos multiagente (por ejemplo, MASS) mejoran la consistencia respecto a los LLM aislados en la corrección de ensayos, aunque la interpretabilidad de las decisiones de puntuación multiagente sigue siendo un reto abierto.
• Flujos de puntuación formativa: CoTAL combina los prompts de cadena de pensamiento con el aprendizaje activo y el diseño centrado en la evidencia para producir una puntuación formativa generalizable con ingeniería de prompts con intervención humana.
• Evaluaciones de alta frecuencia y corregidas automáticamente: las evaluaciones formativas automatizadas en ciencias de nivel A examinan el efecto de una evaluación formativa de alta frecuencia y corregida automáticamente sobre los resultados de aprendizaje. Una revisión de alcance sobre la corrección automática de respuestas cortas en ciencias (de 2017 a principios de 2024) confirma que este caso de uso formativo de respuestas cortas es un campo con un impulso real: los modelos de la familia BERT dominaron la corrección automática hasta 2021, antes de la llegada del prompting de LLM más grandes a partir de aproximadamente 2022, y los modelos aumentados con el dominio, conscientes de la rúbrica y de cadena de pensamiento obtuvieron los mejores resultados; sin embargo, las peticiones de la revisión de una evaluación exhaustiva y las brechas no resueltas de equidad y de explicabilidad aconsejan no extender estos sistemas a usos sumativos o de alto riesgo no mediados (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4).

Retroalimentación generada por IA

Un amplio conjunto de investigaciones de la base de conocimiento examina la retroalimentación formativa generada por IA:

• El problema de la puesta en práctica: Making AI-Generated Feedback Matter (13.037 estudiantes; 51.296 recursos) muestra que el valor de la retroalimentación depende de si el estudiantado la pone en práctica: la condición de retroalimentación puesta en práctica, en la que el estudiantado selecciona, evalúa y aplica las sugerencias de retroalimentación de la IA, superó a la retroalimentación dirigida simple.
• La retroalimentación con IA puede igualar a docentes expertos cuando la rúbrica aporta los criterios. A ciegas respecto a la fuente y aleatorizados entre 47 grupos de proyectos universitarios, un LLM al que se le dio la rúbrica coconstruida de 0 a 30 y un ejemplo no fue inferior y resultó equivalente a la retroalimentación experta (+0,23, IC del 90% [−0,46, 0,91]): la rúbrica, y no el modelo, fue lo que calibró (Grion et al. (2026)).
• La retroalimentación no es una transferencia de información: The care-full craft of feedback sostiene que la retroalimentación es una práctica ética y relacional, y no una transmisión de información: la retroalimentación solo constituye retroalimentación cuando el estudiantado le da sentido y actúa a partir de ella, y contrasta la «basura de IA» producida en masa con los atajos de los bancos de comentarios humanos.
• La retroalimentación secuenciada puede volverse en contra: la retroalimentación secuenciada con IA (ánimo, después pistas, después respuesta correcta, diseñada para promover la autonomía) perjudicó el aprendizaje en un experimento aleatorizado (N=199) pese a aumentar la implicación y las percepciones positivas, un hallazgo de cautela sobre el diseño de la retroalimentación.
• Herramientas centradas en quien aprende: PolyFeed combina modelos de sugerencias de aprendizaje automático con la práctica del profesorado y muestra cómo adopta y adapta el profesorado las sugerencias de retroalimentación de la IA; la retroalimentación interna apoyada por IA ayuda al estudiantado de grado a desarrollar el juicio evaluativo.
• Prompts guiados por rúbrica y retroalimentación sensible al papel: Yaşar et al. (2026) mostraron que el refinamiento iterativo y conjunto de la rúbrica (aclarar los descriptores de desempeño y aceptar explícitamente los indicadores implícitos de aprendizaje) elevó el acuerdo entre los LLM y las personas sobre el trabajo de diseño del estudiantado del 54,75% al 81,25% (el alfa de Cronbach subió de 0,393 a 0,798), con las mayores ganancias en la categoría cognitivamente exigente de Iteración y Reflexión. Dar el mismo modelo bajo los papeles de instructor, revisor entre pares y evaluador de subvenciones produjo retroalimentación evaluativa distinta, y los LLM posteriores a la revisión fueron más consistentes que algunas personas evaluadoras al aplicar los umbrales de desempeño, lo que sitúa a los LLM guiados por rúbrica como socios de calibración y codiseño en entornos de retroalimentación formativa, con la supervisión humana en el bucle todavía como esencial.
• Las cifras de acuerdo ocultan una dirección: un modelo puede inclinarse hacia la categoría intermedia. Un evaluador LLM que etiquetaba turnos de diálogo dentro de una evaluación basada en conversación coincidió con la codificación humana en el 52,2% de 155 eventos, pero usó la etiqueta matizada PARTIAL_CORRECT más a menudo que las personas evaluadoras (53,5% frente a 41,3%) y marcó el 5,4% de los turnos como IRRELEVANT donde las personas evaluadoras no marcaron ninguno (Hou et al., 2025).
• La retroalimentación con IA sostiene la participación y produce ganancias a escala: el experimento de campo de un semestre de Geschwind et al. (2026) en tutorías de grado encontró que la retroalimentación formativa individual de GPT-4 (que abarca las tres dimensiones de Hattie y Timperley: Feed-Back, Feed-Up, Feed-Forward) mantuvo la participación más alta a lo largo de ocho tareas abiertas, alargó las respuestas del estudiantado y produjo las mayores ganancias de aprendizaje de contenido, un efecto impulsado por un suministro de IA fiable y consistente, ya que cuando se recibió de verdad una retroalimentación textual entre pares de alta calidad, los resultados de los pares igualaron a los de la IA.
• El futuro de la retroalimentación: Feedback Futures sintetiza un número especial y sostiene que la cuestión no es si la IA generativa puede producir retroalimentación, sino cómo diseñar una retroalimentación que apoye el aprendizaje, y destila las tensiones recurrentes del campo.
• La mayor parte de la retroalimentación formativa es momentánea, no sostenible. En una revisión de alcance de 37 estudios de evaluación auténtica, 23 usaron la retroalimentación formativa para una mejora inmediata, pero solo cuatro usaron retroalimentación sostenible que el estudiantado transfiere a contextos futuros: el patrón reactivo que reproducen las herramientas actuales de retroalimentación con IA (Zhan, Boud y Du (2025)).
• Retroalimentación con el diagnóstico primero para problemas cuantitativos abiertos: Arthur (Yin et al. 2026) ofrece retroalimentación formativa personalizada en tiempo real sobre preguntas de fórmula calculada de economía de la ingeniería, un dominio en el que las soluciones manuscritas y no estructuradas habían bloqueado hasta entonces el apoyo de la IA. Una base de XGBoost por pregunta diagnostica los errores probables etiquetados por rúbrica a partir de las respuestas numéricas entregadas por el estudiantado (precisión media 0,81, exhaustividad 0,79), y un esquema basado en el diálogo solicita respuestas intermedias solo cuando la confianza de la predicción es baja, lo que equilibra la precisión de la retroalimentación con la eficiencia de la recogida de datos dentro de una interfaz web de banco de preguntas.
• Escala y límites de la retroalimentación formativa con LLM (evidencia sistemática): una revisión sistemática guiada por PRISMA de 42 estudios empíricos (de 2023 a 2025) encuentra que los LLM pueden reducir la carga de trabajo del profesorado y ofrecer retroalimentación rápida y personalizada a escala, sobre todo en cohortes grandes o de educación superior, pero que esa retroalimentación es a veces demasiado genérica o está desalineada con la calificación asignada, y que la fiabilidad baja en tareas más largas, multilingües o matizadas, lo que refuerza que la retroalimentación formativa con IA se despliega mejor bajo la supervisión del personal docente (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback).
• La adaptatividad es un ingrediente separable, no un adorno: Sukjaitham, Schaaf, Brod y Breitwieser (2026) aportan la prueba causal directa que la mayoría de los estudios sobre retroalimentación con LLM dan por supuesta, y enfrentan la retroalimentación contingente a la respuesta de GPT-4 con orientaciones genéricas escritas por personas expertas y emparejadas en estructura, tono, longitud y formulación motivacional (verificado con una rúbrica de calidad de cinco dimensiones, κ = 0,76 a 1,00). En un experimento prerregistrado intrasujeto, 155 estudiantes alemanes de quinto y sexto curso (M = 12,08 años) revisaron seis planes condicionales: la calidad de los planes subió de una mediana de 2 → 5 con retroalimentación adaptativa frente a 2 → 3 con orientaciones genéricas (V intrapersonal = 10.440, p < 0,001, r = 0,86; estimación de la interacción condición × tiempo = 1,68, EE = 0,14, p < 0,001, sin diferencias previas al apoyo). El estudiantado valoró la retroalimentación adaptativa como más útil (r = 0,67) y más motivadora (r = 0,74), y las percepciones a nivel de ensayo predijeron el tamaño de las ganancias de revisión, lo que convierte la utilidad percibida en parte de la vía y no en un subproducto afectivo. Como el control estaba a su vez bien diseñado, el estudio muestra un valor añadido más allá de una buena orientación no contingente, y no la diferencia entre recibir retroalimentación y no recibirla: la orientación genérica es un sustituto genuino pero limitado que se estanca en su propia mediana. La planificación sirvió como caso de prueba por ser una estrategia central del aprendizaje autorregulado con criterios de calidad explícitos, lo que hace que la contingencia, la propiedad que distingue el andamiaje del apoyo estático, sea directamente medible en una respuesta de una sola frase. Las autorías definen la adaptatividad en sentido estricto como la adaptación del contenido de la retroalimentación a la respuesta concreta de quien aprende, y la distinguen de la interactividad conversacional, del tono y del aprendizaje adaptativo de rasgo estable.
• La utilidad percibida sigue a la accionabilidad: Mendonça et al. (2026) hicieron que 144 estudiantes de programación valoraran 893 instancias de retroalimentación generadas por LLM en cinco dimensiones y 237 informes consolidados en seis, manteniendo constantes el dominio, la tarea y el instrumento mientras variaba el nivel educativo. Las valoraciones fueron favorables en todos los casos, con medias a nivel de estudiante de 4,24 a 4,43 para las respuestas individuales y de 4,11 a 4,38 para los informes, pero la accionabilidad y la utilidad recibieron las valoraciones más bajas, aun cuando la accionabilidad y la precisión percibida tenían los mayores pesos relativos (32,6% y 29,0%) en un modelo que explicaba el 76% de la varianza de la utilidad percibida, y la motivación y la personalización encabezaban un modelo a nivel de informe de la intención de uso que explicaba el 53%. Como la accionabilidad es la dimensión que la investigación sobre Retroalimentación considera más difícil de ofrecer, el patrón se lee como aceptación tecnológica aplicada a la retroalimentación: la utilidad sigue a si quien aprende puede actuar, y no a lo pulida que suene la retroalimentación.
• El acuerdo en diferido sobreestima el desempeño en vivo: el flujo de retroalimentación con GPT-4o de Cruz et al. (2026) reprodujo la nota del profesorado con un margen de 0,5 puntos en el 83% de 362 entregas, pero el acuerdo corregido por azar fue solo moderado (ICC(2,1) = 0,49) y bajó de r = 0,92 en guiones históricos a 0,57 en uso real supervisado por el profesorado.
• La comprensión supera a la accionabilidad en el camino hacia la revisión: Yao y Fan (2026) separaron el diagnóstico a nivel de problema de las sugerencias y dieron al estudiantado una hoja de interpretación escrita (reformulación, explicación del efecto, identificación de la incertidumbre, plan de revisión) antes de una revisión independiente, una revisión docente estructurada, una nueva evaluación y una reflexión. A lo largo de tres ciclos de escritura en dos clases intactas (96 estudiantes; 288 observaciones a nivel de ciclo), la comprensión de la retroalimentación fue la que guardó la asociación más fuerte con la calidad de la revisión (r = 0,501, por delante de la accionabilidad, con 0,480, y de la exactitud del diagnóstico, con 0,445), y el grupo con diagnóstico ganó 5,92 puntos de escritura frente a 3,58 (g de Hedges = 1,12), lo que sitúa la palanca en la comprensión que el estudiantado tiene del diagnóstico y no solo en su accionabilidad.

Diseño fundamentado en el currículo y con el personal docente en el bucle

LearnLens aborda tres problemas persistentes de la evaluación formativa con IA: la evaluación consciente de los errores (capturar errores de razonamiento matizados y no fallos superficiales), las cadenas de memoria vinculadas a los temas (sustituir la RAG (Generación Aumentada por Recuperación) ruidosa basada en similitud por una recuperación estructurada y fundamentada en el currículo) y el diseño con el personal docente en el bucle (personalización y supervisión por parte del profesorado, y no automatización total). Esto conecta con la tensión más amplia de la IA con intervención humana: automatización escalable con validación experta.

Hoppe, Loibl y Leuders (2026) afinan qué significa tener al personal docente en el bucle cuando una herramienta produce sus propias afirmaciones y no observaciones en bruto. Su análisis conceptual sostiene que las inferencias diagnósticas generadas por IA son evidencia cualitativamente distinta, porque ya son el producto de una interpretación algorítmica, de modo que el profesorado necesita una capa adicional que las autorías llaman metadiagnóstico: aceptar, rechazar o modificar deliberadamente una inferencia e integrarla con su propio conocimiento contextual. Especificar el marco DiaCoM para esto trata las inferencias generadas por IA como una característica de la situación y la decisión de aceptar, rechazar o modificar como conducta diagnóstica, a la vez que amplía las características personales que necesita el profesorado para incluir el conocimiento de cómo funcionan de verdad los sistemas de IA. Como los sistemas actuales se apoyan sobre todo en datos de desempeño, como la corrección de la tarea y el tiempo de finalización, los estados motivacionales y la dinámica del aula siguen en gran medida ausentes, así que el artículo mantiene al profesorado, y no al cuadro de mando, como el agente reflexivo responsable, y enmarca el juicio sobre las afirmaciones algorítmicas como un objetivo de desarrollo profesional.

Emparejar el papel de la IA con el nivel de logro es una decisión de diseño relacionada: el profesorado en formación de ciencias describió ChatGPT como un Tutor Paciente para el alumnado de bajo rendimiento, un Entrenador Personal para el de rendimiento medio y un Socio de Debate Intelectual para el de alto rendimiento, mientras que el instructor conservaba la explicación final del contenido difícil (Ratniyom et al., 2026).

Compensaciones de diseño

Evaluación, retroalimentación y aprendizaje

La evaluación formativa en la educación con IA conecta con el propio proceso de aprendizaje:

• Bucles de retroalimentación: los bucles de retroalimentación son el mecanismo por el que la evaluación formativa informa al aprendizaje; los tutores de IA y los sistemas adaptativos cierran estos bucles a escala.
• Aprendizaje autorregulado: la retroalimentación formativa apoya el aprendizaje autorregulado cuando el estudiantado monitoriza su progreso y se ajusta; la retroalimentación con IA debería cultivar el juicio evaluativo, y no desplazarlo.
• La puntuación automatizada llega a algunas fases del ciclo, no a todas: Chen y Liu (2026) realizaron un cuasiexperimento de 14 semanas en el que 46 estudiantes de interpretación entregaron versiones semanales a un sistema de puntuación automatizada que devolvía una puntuación inmediata, una transcripción, los errores marcados y una versión de referencia, mientras que un grupo de control solo recibió retroalimentación del profesorado para toda la clase. El grupo automatizado mejoró más en conjunto (d = 1,03), pero la ganancia se quedó donde el déficit era descomponible, la señal fiable y la escala sensible: la precisión lingüística y la coherencia lógica subieron, mientras que la fidelidad de la información (acuerdo con las personas evaluadoras r = 0,12) y la fluidez de la entrega no se movieron. El aprendizaje autorregulado fue desigual de forma paralela, con la ejecución y la monitorización correlacionando con las ganancias de puntuación (r = 0,42) mientras que la planificación y la motivación emocional quedaron cerca del punto medio de la escala, y varios estudiantes aplazaron su implicación tras puntuaciones bajas en lugar de analizar las causas. El sistema llegó a la fase de desempeño del ciclo, y no a la planificación que la precede.
• Del diagnóstico automatizado a la práctica generada: Zhu, Luo y Li (2026) conectan la alineación entre audio y partitura, la cuantificación de errores y una capa de optimización de política proximal en un único bucle cerrado para la educación musical, convierten las señales de error rítmico (91,2% de exhaustividad, 98,4% de especificidad) en recompensas que guían las pistas de práctica generadas, y comunican una interacción significativa de Grupo x Tiempo favorable al grupo del sistema (beta = 0,52) en un cuasiexperimento de 12 semanas con 120 estudiantes de grado de música. Las autorías lo enmarcan como viabilidad técnica, y la lectura práctica es de triaje y no de evaluación: una precisión del 89,7% significa que aproximadamente uno de cada diez errores rítmicos señalados es una falsa alarma, y las personas expertas que revisaron el estudio valoraron el apoyo a la expresión musical como el área más débil, así que los bucles automatizados sirven para los ejercicios técnicos mientras el juicio expresivo permanece en manos del profesorado.
• Andamiaje: el andamiaje y la evaluación formativa funcionan juntos; la IA puede ofrecer pistas y avisos en el momento oportuno, aunque la investigación sobre retroalimentación secuenciada advierte contra una estructuración excesiva.
• La calidad de la rúbrica mueve el acuerdo de la corrección automática más que la elección del modelo. Sobre 1.200 respuestas de examen de Linux/bash, Alonso-Carracedo et al. (2026) encontraron que añadir una rúbrica completa más una respuesta de referencia elevó a todos los modelos (el mejor: Gemini 3.0 Pro, ICC(3,1) = 0,888 frente a un techo humano de 0,949), mientras que el acuerdo caía de forma monótona a medida que subía el nivel cognitivo de la pregunta.
• Las rúbricas generadas por IA igualaron la puntuación humana solo dentro de un margen. Cuatro rúbricas de IA alcanzaron equivalencia agrupada con la línea base humana dentro de ±5 puntos en 308 respuestas de programación (correlaciones 0,948–0,973), pero cinco celdas de rúbrica–tarea la superaron, y GPT-4.1/4o puntuó sistemáticamente con más dureza con rúbricas estructuradas (−4,46 frente a −0,66 en formato libre) (Mendonça et al., 2026).
• Validez y calidad: hay que evaluar la calidad y la validez de los ítems formativos y de la retroalimentación generados por IA; la evaluación de la IA educativa aporta los métodos.
• La puntuación con IA añade una amenaza a la validez. Como un evaluador de IA puede recompensar características irrelevantes para el constructo, como la fluidez lingüística en lugar del razonamiento científico, un documento técnico de Stanford/ETS destilado de una convención de unos 100 líderes sostiene que la evaluación debería acumular evidencia continua y rica en contexto en lugar de certificar resultados de un solo intento (McGee et al. (2026)).
• Conserve la tarea vulnerable y añada una gemela. Roe, Perkins y Giray (2026) sostienen que los ensayos para llevar a casa y los informes de investigación tienen un valor formativo sustancial y deberían mantenerse para el aprendizaje, emparejados con una segunda tarea que evalúe los mismos resultados y aporte evidencia sumativa fiable.
• La evaluación formativa apoyada por tecnología es una propiedad del sistema, no una herramienta. Bulut (2026) la define como el producto conjunto de la capacidad tecnológica, la regulación pedagógica, la agencia de quien aprende y el juicio humano, y sostiene que su valor radica en sostener el ciclo de evidencia, retroalimentación, reflexión y acción en lugar de en la automatización.

Riesgo: la evaluación como vigilancia

Los sistemas de evaluación formativa pueden pasar de ser herramientas de apoyo al aprendizaje a ser infraestructura de monitorización del comportamiento. Los mismos flujos de datos que permiten la tutoría adaptativa pueden permitir un seguimiento punitivo si la gobernanza es débil. Esto conecta con la privacidad y el bienestar del estudiantado, y aboga por sistemas formativos que apoyen el aprendizaje en lugar de vigilarlo.

La observabilidad puede diseñarse sin vigilancia: es la evidencia que una evaluación genera realmente para un juicio defendible sobre el aprendizaje, tratada como una prioridad de diseño cuyo coste se paga en viabilidad y no en ética (Pedlow et al. (2026)).

Implicaciones para la IA en la educación

• Ajuste el tipo de ítem a la fiabilidad de la IA: use la IA para las dimensiones verificables (alineación conceptual, corrección) y reserve el juicio humano para las dimensiones didácticas (calidad de los distractores, profundidad de la retroalimentación).

• Diseñe para la puesta en práctica, no solo para el suministro: la retroalimentación con IA solo ayuda cuando el estudiantado la selecciona, la evalúa y la aplica; estructure flujos de trabajo que apoyen esa puesta en práctica.

• El diseño de la retroalimentación importa más que el volumen: la retroalimentación secuenciada o demasiado estructurada puede volverse en contra; priorice la retroalimentación que apoya la construcción de sentido y la autonomía del estudiantado.

• Mantenga al personal docente en el bucle: los sistemas fundamentados en el currículo y con el personal docente en el bucle mejoran la pertinencia y reducen el ruido.

• Evalúe la calidad y la validez: valore los ítems y la retroalimentación generados por IA por su calidad, su validez y su equidad, y no solo por la velocidad de generación.

• Trate la evaluación formativa como una filosofía, no como un conjunto de herramientas. Mesny, Roberge-Maltais y Galy (2026) sintetizan la literatura más amplia sobre educación superior en un paradigma de «evaluación para el aprendizaje» que enmarca la retroalimentación formativa, continua e individualizada como una filosofía general y no como un mero conjunto de herramientas, que equilibra los propósitos formativos con los sumativos y pone en primer plano la agencia del estudiantado, la autorregulación y la habilidad metacognitiva. Identifican cinco prácticas que se refuerzan mutuamente (la evaluación auténtica, la autoevaluación y la evaluación entre pares, la reevaluación, la calificación basada en estándares y la descalificación) mediante las cuales puede ponerse en práctica esta filosofía, y señalan que su adopción sigue siendo muy desigual entre las áreas de la educación superior.

• La evaluación continua replantea el propio registro formativo. La arquitectura de referencia AIM-CAI (un artículo de posición, no una implementación) propone sustituir la evaluación episódica como base de evidencia primaria por una infraestructura de seis capas: generación de evidencia a través de plataformas, serialización que preserva el contexto de origen, traducción semántica mediada por IA, interpretación psicométrica, perfiles de competencia longitudinales y gobernanza federada. Su tabla de cambios explicita la transformación: la retroalimentación por tarea se convierte en retroalimentación longitudinal que apoya la orientación y la reflexión; las calificaciones se convierten en perfiles de competencia en evolución; las credenciales se convierten en registros transparentes de desarrollo. La capa de gobernanza es la insistencia del artículo: siete tensiones nombradas (interoperabilidad frente a autonomía local, privacidad frente a utilidad, agencia de quien aprende frente a automatización predictiva, vigilancia frente a apoyo, etc.), cada una mapeada a riesgos y respuestas, con la advertencia de que la inferencia continua no gobernada privilegia las normas culturales dominantes. La pretensión de novedad es integradora: los componentes ya existen; la contribución es la arquitectura y el mapa de gobernanza. (AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time)

Concepciones erróneas

• «Los ítems de práctica generados dan una señal formativa útil.» Un banco de ítems generado fácil no da señal formativa: en un despliegue de 10 semanas, alrededor del 70% de los ítems de práctica generados por IA fueron respondidos correctamente por todo el estudiantado. Un banco que todo el mundo aprueba no aporta información sobre quién necesita qué.
• «La fiabilidad de la generación de ítems es uniforme entre formatos.» Los sistemas de IA generan ítems formativos en distintas modalidades con una fiabilidad que varía según el tipo, incluida la opción múltiple. Tratar los ítems generados como intercambiables entre formatos oculta dónde es fiable la generación.
• «Dar retroalimentación con IA al estudiantado produce puesta en práctica.» El problema de la puesta en práctica se documenta por separado de la calidad de la retroalimentación: recibir retroalimentación y actuar a partir de ella son pasos distintos, y el segundo es donde la evaluación formativa acierta o falla.

Conceptos conectados

• Patrones pedagógicos — Las formas secuenciadas que adopta la evaluación formativa cuando la IA aporta parte de la retroalimentación
• Evaluación
• Medición educativa
• Evaluación automatizada
• Generación automática de preguntas
• Validez de la evaluación
• Retroalimentación
• Calidad de la retroalimentación de la IA
• Alfabetización en retroalimentación
• Autoevaluación
• Analítica del aprendizaje
• Aprendizaje personalizado
• Aprendizaje adaptativo
• Andamiaje
• Aprendizaje autorregulado
• IA con intervención humana (HITL)
• Tutoría inteligente
• Evaluación de la IA en educación
• Evaluación sumativa — Evaluación sumativa: formatos resistentes a la IA (exámenes orales, supervisados y con libros cerrados)
• Reflexión

Artículos conectados

• An LLM-Enhanced Multi-Agent Architecture for Conversation-Based Assessment — Una arquitectura de cuatro agentes para la evaluación basada en conversación cuyo evaluador se inclina hacia la categoría intermedia (Hou et al. 2025)
• Causal modelling of support interventions for student competency assessment — Modelado causal de intervenciones de apoyo para la evaluación de competencias del estudiantado
• It takes a village. Program-wide approaches to redesigning assessment in a time of generative artificial intelligence (GenAI) — Enfoques a escala de programa para rediseñar la evaluación en la era de la IA generativa
• Making AI-generated feedback matter: From provision to student enactment — Hacer que la retroalimentación generada por IA importe: de la provisión a la puesta en práctica
• The care-full craft of feedback in an age of generative AI — El oficio cuidadoso de la retroalimentación en la era de la IA generativa
• Feedback futures: beyond the limits of human and GenAI capacities — Futuros de la retroalimentación: más allá de los límites de las capacidades humanas y de la IA generativa
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — Impacto y trayectorias de la retroalimentación secuenciada con IA
• Enhancing learner-centered feedback with AI: Teachers' practices and perceptions — Mejorar la retroalimentación centrada en el estudiantado con IA
• From automated scoring to learning diagnosis: a mechanism study of AI-supported formative assessment in English writing — De la puntuación automatizada al diagnóstico del aprendizaje: un estudio de mecanismo de la evaluación formativa apoyada por IA en la escritura en inglés
• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — Desarrollar juicios evaluativos mediante la retroalimentación interna asistida por IA
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback — CoTAL: puntuación de evaluación formativa con indicaciones e intervención humana
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — High-frequency automated formative assessment
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — Retroalimentación generada por IA en la educación superior
• Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes — LearnLens: curriculum-grounded AI feedback
• Comparing Generative AI and teacher feedback: Student perceptions of usefulness and trustworthiness — Comparación entre la retroalimentación de IA generativa y la del profesorado
• Students' engagement with ChatGPT feedback: Implications for student feedback literacy in the context of generative artificial intelligence — Retroalimentación de ChatGPT y compromiso
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — CODE-GEN: validated MCQ generation
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Evaluación responsable en la era de la IA
• Designing for authentic assessment: a scoping review — Designing for authentic assessment
• Automated Grading of Linux/Bash Examinations Using Large Language Models — Calificación automatizada de exámenes de Linux/bash
• Instructor and AI roles in the chemistry classroom: Future science teachers' perceptions in a ChatGPT-enhanced formative assessment — Roles del profesorado y de la IA en la evaluación formativa mejorada con ChatGPT
• 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
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Gemelos de evaluación para reforzar la validez de la evaluación en la era de la IA generativa (Roe, Perkins y Giray 2026)
• A hybrid reasoning framework for artificial intelligence assessment rubric generation in human and automated contexts: Evidence from an undergraduate programming course — HARMOGEN-R: AI assessment rubric generation
• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — Calificación y retroalimentación asistidas por IA y supervisadas por el profesorado
• Adaptive scaffolding for cognitive engagement in an intelligent tutoring system — Andamiaje ICAP adaptativo en un sistema de tutoría inteligente (BKT frente a DRL)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — Los LLM como agentes del diseño pedagógico iterativo
• Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4
• GPT-4 feedback increases student activation and learning outcomes in higher education
• 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
• Trade-offs in assessment and feedback design: a trilemma-based model — Contraparte positiva del riesgo de vigilancia: la observabilidad como diseño de evidencia, no como monitorización
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• Adaptivity makes feedback effective: Evidence from AI-generated feedback on children's plans — Adaptivity makes feedback effective: evidence from AI-generated feedback on children's plans
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Puntuación automatizada, interpretación del desempeño y aprendizaje autorregulado (Chen y Liu 2026)
• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — Habilidades diagnósticas del profesorado en la evaluación formativa con apoyo de IA: del diagnóstico al metadiagnóstico
• Perceived usefulness and intention to use large language model-generated feedback across three educational levels: a user-centred study in programming — Utilidad percibida e intención de uso de la retroalimentación generada por LLM en programación en tres niveles educativos
• Adaptive teaching assistance model combining generative AI and big data analytics — Asistencia docente adaptativa que combina IA generativa y analítica de macrodatos en educación musical
• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — Uso estudiantil de los LLM y los límites de la dificultad de las preguntas generadas por IA en cursos de ciencia de datos
• AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time — Infraestructura de evaluación continua mediada por IA (AIM-CAI): conectar la evidencia de aprendizaje a través de contextos y del tiempo (McNamara y Hasnine 2026)
• 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)