En esta página

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

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

La evaluación oral — la evaluación en la que quien aprende debe explicar, defender o demostrar su comprensión hablando, en directo o grabado: la viva voce, el examen oral, la defensa oral, la entrevista de revisión de código, la consulta clínica. Como el intercambio es en tiempo real y las preguntas no tienen por qué conocerse de antemano, el formato resiste la sustitución de la comprensión por texto generado de una forma que las tareas auténticas para llevar a casa no pueden. También conlleva un problema de validez característico: los exámenes orales miden la fluidez y la confianza junto con el conocimiento, así que lo que certifican depende en gran medida de cómo se diseñen, de quién pregunte y de cómo se trate el habla de quien aprende como evidencia.

Preguntas para reflexionar

  • Los exámenes orales se promueven en la era de la IA porque una máquina no puede sentarse en la sala y responder por usted. Sin embargo, ningún estudio de ese conjunto de trabajos aleatoriza al estudiantado entre evaluación oral y escrita. ¿Qué necesitaría ver antes de dar ese argumento por zanjado?
  • El mismo conjunto de trabajos informa de dos mecanismos distintos para reducir la ansiedad: eliminar la observación en directo del profesorado y familiarizarse con el formato mediante la práctica. Implican diseños diferentes. ¿Cuál encaja en su contexto y en cuál confiaría para generalizar?
  • Una puntuación basada solo en el habla puede confundir la fluidez verbal con la comprensión conceptual. Si quien aprende gesticula correctamente pero dice la palabra equivocada, o dice la palabra correcta sin entenderla, ¿qué mide exactamente su evaluación?
  • Todos los diseños orales de esta literatura chocan con el mismo muro: el tiempo de personal y de aula. Si la restricción son veintiocho horas de contacto por semestre para quince estudiantes, ¿la respuesta honesta es un número menor de tareas defendidas, un equipo docente más amplio o un formato distinto?

Introducción

La evaluación oral es uno de los formatos de evaluación más antiguos y, durante buena parte del siglo pasado, uno de los menos de moda: difícil de escalar, difícil de estandarizar y difícil de defender en un proceso de apelación. La IA generativa ha invertido su suerte. Cuando un modelo puede producir a demanda una entrega escrita, el valor evaluativo del artefacto se derrumba y la atención se desplaza a la evaluación de la persona. Quien aprende y debe responder en voz alta a una pregunta desconocida, en tiempo real, al menos demuestra estar presente y pensando.

Ese giro es ahora visible en toda la investigación, pero de forma desigual. Parte del trabajo trata el examen oral como una respuesta de política a la integridad académica, parte diseña un sistema automatizado para impartir o puntuar el desempeño oral a escala, y parte se pregunta qué puede y qué no puede mostrar el propio habla sobre la comprensión. Las páginas conectadas más abajo discrepan sobre cuánto demuestran en realidad los exámenes orales. Leídas en conjunto, respaldan una afirmación más estrecha y más defendible que la que suele hacerse sobre ellos.

Qué puede certificar un desempeño en directo

Fenton (2025) presenta la forma más fuerte del argumento. Partiendo de la literatura sobre la evaluación auténtica, el caso que el artículo hace a favor del examen oral se apoya en su interactividad: las preguntas pueden retenerse hasta el momento del examen, las preguntas de seguimiento pueden improvisarse y quien aprende no puede ensayar una respuesta a una pregunta que no ha visto. El formato también bloquea la memorización mecánica, porque el recuerdo se comprueba mediante la explicación y no mediante la reproducción. El artículo es una revisión y una toma de posición en Educational Researcher, no un estudio empírico, y termina con trece recomendaciones de implementación numeradas en lugar de con evidencia de mejores resultados.

La versión honesta de la afirmación sobre la integridad es más estrecha de como se formula a menudo. Los exámenes orales hacen que la sustitución sea más difícil de ocultar; la evidencia no muestra que reduzcan el uso de IA. En el estudio de revisión oral de código en CS1, las entrevistas semanales de quince minutos cargaban con el setenta por ciento de la nota de cada tarea, y los caracteres pegados sobre el total siguieron subiendo del 61,0% al 68,1% (p < 0,0001) a lo largo de tres semestres, mientras que las notas de examen variaron un dos por ciento estadísticamente no significativo. El noventa por ciento del estudiantado dijo que las revisiones le motivaron a entender mejor su código y el sesenta y cinco por ciento que le ayudaron a evitar la dependencia excesiva de la IA, pero la conducta medida no acompañó. La evaluación oral cambió lo que podía ocultarse, no lo que hizo el estudiantado.

La versión acotada de esa salvaguarda aparece en el modelo de evaluación de Webb-Davies, Ratner y Bassett, donde un oral se activa solo cuando quien evalúa no puede reconstruir un vínculo plausible entre una línea base de razonamiento observada y el trabajo final entregado. Los autores son explícitos en que no se trata de un oral rutinario: pregunta cómo se desarrolló una posición o por qué se eligió una evidencia, y una explicación confirmada no conlleva penalización. El diseño mantiene la evaluación oral lo bastante rara como para ser escalable, a la vez que reconoce que el juicio en sí no puede automatizarse (Webb-Davies et al., 2026).

El espacio de diseño que cubre realmente la evidencia

Los formatos de esta literatura abarcan una amplia gama de automatización y sincronía, y cada uno resuelve una parte distinta del problema.

En directo, humana y sincrónica. La viva voce examinada por un estudio de viva voce con treinta y cinco estudiantes de preuniversitario es la línea de base: el mismo profesorado, las mismas preguntas, una administración cara a cara y otra mediada por un sistema de IA. La viva doctoral aparece en un estudio cualitativo con quince investigadores de posgrado, en el que quienes participaron abogaron por trasladar peso evaluativo hacia ella con el razonamiento de que una tesis es más fácil de falsificar y que la viva debe celebrarse en persona. Los autores aceptan ese razonamiento solo en parte, ya que una viva no es en sí misma una prueba contra la asistencia de la IA.

Grabada y asíncrona. Las evaluaciones orales asíncronas sustituyen el aula por una respuesta con cámara web de tiempo limitado y no revisable, con unos treinta segundos de preparación y dos o tres minutos de habla. En el piloto descrito, las puntuaciones superaron las de las pruebas de opción múltiple presenciales: mediana del parcial 92,5 frente a 70 (p < 0,001) y mediana del examen final 94,2 frente a 86,4 (p = 0,002), con correlaciones entre formatos solo moderadas. Los autores atribuyen explícitamente la diferencia al formato y no al aprendizaje, y el diseño cargaba con el 7,5% de la nota del curso.

Administración y puntuación automatizadas. Un sistema basado en la voz probado en clases de automoción e ingeniería de formación profesional evaluó a treinta y tres estudiantes, de los cuales veintiuno coincidieron en que la tarea de voz en directo resultaba realista y ninguno discrepó de que hablar en tiempo real encajaba mejor en la tarea que un portafolio escrito. Los recuentos de palabras para preguntas idénticas variaron entre cinco y ocho veces de unos estudiantes a otros, la fluidez no aportó ninguna ventaja de precisión en los ítems cerrados, y una calificación preliminar de un agente coincidió con la del tutor humano en el noventa y cinco por ciento de los ensayos adyacentes de horticultura y lácteos. Una prueba socrática conversacional toma la ruta de diseño opuesta, orientada al cuestionamiento conceptual; su evidencia es una encuesta de autoinforme con noventa y ocho estudiantes, en la que el 80,6% coincidió en que la IA andamiaba con eficacia y el cincuenta y dos por ciento informó de menos estrés que con los exámenes tradicionales. Ambos artículos miden la aceptación y no el aprendizaje.

La IA como andamiaje logístico para orales en directo, supervisados por personas. Una tercera modalidad mantiene al docente como examinador y usa la IA para hacer viable el ensayo por parejas. En los cursos de estadística empresarial de Onodipe et al. (2025), los orales individuales en directo por Zoom no alcanzaban a todo el estudiantado dentro del límite de tiempo, así que el estudiantado trabajó en parejas en salas de trabajo con un prompt estructurado de ChatGPT que cubría el tipo de preguntas que haría el examen, mientras el docente rotaba por las salas para sondear el razonamiento. El artículo informa de la logística y de la reducción de la carga docente, pero no de ninguna comparación de resultados, así que es un diseño para probar y no evidencia de que el ensayo mediado por IA preserve aquello que certifica un oral. Su interés es que ataca la restricción de programación y de horas de contacto que nombra Fenton sin automatizar ni la administración ni la puntuación.

La evidencia oral como defensa y no como examen. Un marco de evaluación invariable respecto a la herramienta combina pruebas en clase sin IA con defensas orales de diez minutos de trabajos asistidos por IA a los que se han quitado los comentarios, puntuadas por comprensión del código, entendimiento del método, terminología, interpretación y verificación, con la verificación exigida para aprobar independientemente del total. El diseño se argumenta más que se valida; la propia aritmética del artículo para quince estudiantes son dos horas y media de contacto por tarea y unas veintiocho horas de contacto por semestre repartidas en once tareas defendidas.

Sondeo por muestreo, no cobertura total. Deng (2026) propone examinar cara a cara una selección aleatoria del propio trabajo entregado por el estudiantado, bajo cuatro condiciones de credibilidad: más de un examinador, sesiones grabadas y auditables, una vía de apelación y un consultor que no sea el certificador (Deng, 2026). El diseño se argumenta y no se pone a prueba, pero resuelve el muro de las horas de contacto mediante el muestreo en lugar de examinar todo.

El formato de interacción decide qué puede certificar una tarea de habla mediada por IA. Las tareas de diálogo del Duolingo English Test, 713 de ellas en el piloto, exigían seleccionar respuestas y no conversar de forma reactiva, lo que según quienes revisaron el examen desalinea las exigencias cognitivas de la tarea con el constructo que el test afirma medir (Goh y Aryadoust (2025)).

Ansiedad, sesgo y a quién perjudica el formato

Se defienden los exámenes orales por motivos de inclusión, porque una respuesta hablada es más difícil de comprar que una escrita, y se critican por los mismos motivos. Fenton cataloga los retos directamente: carga de programación, ansiedad y sesgo por género, origen étnico, lengua y velocidad de respuesta, además de los efectos de una calificación no anónima. Frente a ello, la evidencia que cita el artículo sugiere que los exámenes orales pueden ser tan inclusivos como los escritos, incluso para estudiantado con dislexia, y que es la falta de familiaridad, y no el formato en sí, lo que impulsa la mayor parte de la ansiedad declarada; el estudiantado de un estudio citado estaba menos ansioso en sus exámenes orales posteriores.

Cuando la ansiedad baja de verdad, importa el motivo. En la viva mediada por IA, la calma autoinformada fue significativamente mayor que en la versión cara a cara (medias 6,50 frente a 5,86, t(34) = −1,97, p = 0,028), y la usabilidad se valoró como buena. Pero la condición cara a cara puntuó significativamente más alto en ayudar al estudiantado a entender su propio trabajo (p = 0,004). Eliminar la observación en directo del profesorado dejó al estudiantado más tranquilo y, según su propio informe, menos esclarecido para sí mismo.

Lo que cuenta como evidencia oral también es más estrecho de lo que parece. Un estudio sobre la evidencia corporeizada en las explicaciones orales sostiene que puntuar solo el habla confunde la fluidez verbal con el conocimiento conceptual y perjudica a quien aprende con dificultades relacionadas con el lenguaje, ya que el gesto transmite una comprensión que la transcripción pierde. Su demostración es pequeña: dos estudiantes de ingeniería explicando conceptos estadísticos, con gestos de alta confianza agrupados en ideas concretas, formas cuadradas y rectangulares en torno al cincuenta y cuatro por ciento y al sesenta y uno por ciento, y una coordinación gesto–habla más estrecha acompañando a explicaciones más coherentes.

Puntuación, validez y el problema de la escala

Tres hallazgos van en contra de leer las puntuaciones orales como ganancias de aprendizaje. El estudio del formato asíncrono renuncia a atribuirse ganancias de aprendizaje por su propia ventaja de puntuación, e informa de una concordancia al repuntuar entre docente y modelo de ICC 0,73 en el parcial y 0,60 en el final, lo que acota hasta dónde puede confiarse en la puntuación automática. En un ECA con cien estudiantes de tercer año de medicina que comparaba un sistema de paciente simulado con material de casos de divulgación progresiva, el desempeño en el examen final subió (71,8 frente a 55,6 por ciento, g de Hedges = −0,81). Las valoraciones de comunicación del OSCE también subieron (3,53 frente a 2,64 en una escala de cinco puntos), mientras que la precisión diagnóstica binaria fue estadísticamente idéntica (84 frente a 86 por ciento, P = 1,000). Una lectura basada solo en la precisión llamaría nula a la intervención; una lectura basada solo en la comunicación la llamaría transformadora.

La restricción vinculante es de personal y de hardware, y no de pedagogía, y la evidencia es inusualmente sincera sobre la aritmética: veintiocho horas de contacto por semestre para quince estudiantes, once ayudantes docentes para una clase de más de cien en el diseño de CS1, y un portátil que atiende a doce estudiantes simultáneos en el despliegue offline de formación profesional. No existe ningún ensayo aleatorizado de evaluación oral frente a escrita en todo este conjunto de trabajos, y todos los estudios que miden la diferencia son diseños de una sola institución sin grupo de control. La evaluación oral está bien respaldada como respuesta a la sustitución asistida por IA, y débilmente respaldada como mejora del aprendizaje.

Ningún formato ocupa una posición fija en esta disyuntiva: la observabilidad de la evaluación oral es una decisión de diseño, y su coste de viabilidad es algo que un programa distribuye en lugar de aceptar —la viabilidad es una prioridad educativa, no la restricción que erosiona las buenas prácticas— (Pedlow et al. (2026)).

La justificación de integridad del oral también tiene fecha de caducidad: Corbin et al. (2026) sostienen que unas gafas y auriculares de IA pueden entregar indicaciones encubiertas en tiempo real dentro de una viva en directo, porque la IA vestible no produce ningún desplazamiento de mirada ni señal detectable, de modo que los orales interactivos ya no son inmunes.

  • El techo de escala es la restricción de diseño. En un taller con 73 docentes de informática, la evaluación oral e interactiva se señaló como la evidencia más sólida disponible del entendimiento individual y el remedio menos escalable. Las mitigaciones que describieron quienes participaron fueron la distribución y el muestreo: bolsas compartidas de ayudantes docentes, evaluación entre pares con menos peso que un examen final y preguntar a un subconjunto rotatorio de estudiantes (Akbar et al., 2026).

  • La conversación puntuada por máquina se vuelve indulgente cuando quien entrevista andamia. Challen y Zilles (2026) separaron a un entrevistador ciego a la rúbrica de un evaluador oculto; una recalificación ciega de 40 intentos coincidió en el 35% y otorgó la nota máxima dos veces donde el evaluador desplegado la dio 20 veces.

Concepciones erróneas

  • «La evaluación oral no se puede escalar.» En el estudio de revisión oral de código en CS1, entrevistas semanales de quince minutos cargaban con el setenta por ciento de la nota de cada tarea, y los caracteres pegados sobre el total seguían siendo informativos. El coste es real y el diseño es implementable a escala de curso.
  • «Los exámenes orales son más blandos que los escritos.» En el piloto informado, las puntuaciones superaron las de las pruebas de opción múltiple presenciales: mediana del parcial 92,5 frente a 70 (p < 0,001) y mediana del final 94,2 frente a 86,4 (p = 0,002). La evaluación oral no fue la opción indulgente.
  • «Un encuentro simulado equivale a los casos de divulgación progresiva.» En un ECA con cien estudiantes de tercer año de medicina se comparó el sistema de paciente simulado con materiales de casos de divulgación progresiva, una prueba directa de equivalencia y no una suposición de ella.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Recursos relacionados

  • Code Viva
    Una herramienta de navegador gratuita que aplica una versión escrita y cronometrada de una defensa oral de código a cada estudiante de un curso de programación, y propone puntuaciones con evidencia citada para que el profesorado las apruebe.

Incrustar esta página

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