Conceptos
Evaluación orientada al proceso
Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.
La evaluación orientada al proceso — el diseño de la evaluación en torno a cómo llega una persona que aprende a una conclusión y no solo en torno al artefacto que entrega: entregas por etapas, justificación reflexiva, intercambio dialógico y oral, historial de borradores y versiones, y criterios que el estudiantado puede aplicarse a sí mismo. No es sinónimo de realismo de la tarea ni una afirmación sobre quién califica el trabajo: una tarea realista cuya única evidencia es un único producto sin supervisión queda expuesta al mismo problema de sustitución que el ensayo al que reemplazó. La IA generativa es lo que hace urgente la distinción, porque ahora se puede producir un resultado fluido a demanda y un archivo terminado ya no lleva información sobre el razonamiento de quién lo produjo.
Preguntas para reflexionar
- Si un estudiante entrega un ensayo pulido, ¿qué permite afirmar realmente ese artefacto sobre su pensamiento, y qué afirmaciones solo parece respaldar?
- La evidencia de proceso pide borradores, justificación y diálogo. ¿Quién en su contexto domina ese tipo de autoexpresión académica, y a quién podrían juzgar por su comodidad con ella y no por su comprensión?
- La detección no es fiable y rediseñar en torno al proceso es caro. ¿Dónde gastaría un presupuesto institucional limitado, y qué evidencia cambiaría su respuesta?
Introducción
La evaluación en la educación superior ha inferido durante mucho tiempo el pensamiento a partir del producto. Un ensayo, un informe o una respuesta de examen entregados hacían las veces del razonamiento que había detrás, y la calificación trataba un artefacto bien argumentado como prueba de un proceso bien argumentado. Thapa y Lewis (2026) nombran el supuesto que rompe la IA generativa: una respuesta pulida «puede ya no representar el proceso de pensamiento de nadie», de modo que la inferencia del artefacto a la comprensión deja de ser segura. Su respuesta no es un mejor detector, sino una base de evidencia distinta. La evaluación orientada al proceso recoge evidencia de interpretación, justificación y construcción de conocimiento mientras se desarrollan, de modo que el razonamiento permanece visible cuando el resultado se puede producir a demanda.
Conviene decir qué no es el concepto. No es evaluación auténtica, que pregunta si una tarea refleja una práctica del mundo real que vale la pena; Thapa y Lewis mantienen los ejes separados e insisten en que una tarea auténtica con un único producto sin supervisión sigue expuesta. No es detección de IA, que pregunta si se usó la herramienta y no cómo se tomó una decisión. Y no es evaluación automatizada, que se refiere a quién o qué califica: un portafolio por etapas calificado por una máquina puede ser orientado al proceso, y un ensayo final calificado por una persona puede no serlo. El concepto se refiere a qué evidencia se recoge, durante qué periodo y en qué condiciones se produce.
La idea ha pasado de ser una propuesta a ser una recomendación recurrente en toda la investigación. Aparece como prioridad nombrada en la agenda de AIED para la agencia y la motivación de quien aprende, como la agenda de investigación organizadora del problema de retención y transferencia en la investigación sobre desempeño frente a aprendizaje. También aparece como «evaluación de caja negra» en el relato de Brunnström y Palmqvist sobre el aprendizaje autorregulado con IA, y como una petición de formadores de docentes en ejercicio que comprobaron que su trabajo escrito para llevar a casa ya no podía evidenciar aprendizaje alguno.
Cómo se ve la evidencia de proceso en la práctica
El vocabulario de diseño más explícito proviene de Thapa y Lewis, cuyos cuatro compromisos llevan el argumento al diseño de tareas: justificación reflexiva, diseño de tareas por etapas, participación dialógica y transparencia evaluativa. En la práctica, el estudiantado explica decisiones interpretativas en lugar de presentar solo conclusiones, entrega trabajo que se desarrolla a lo largo de puntos de control, participa en intercambios orales o dialógicos sobre su razonamiento y trabaja con criterios que puede aplicarse por sí mismo: el terreno de la alfabetización en retroalimentación y la autoevaluación. La propuesta de Boysen (2026) de prácticas de aprendizaje abierto traduce la misma lógica en un rastro de auditoría: un plan de aprendizaje compartido fijado antes de que empiece el proyecto, un plan de análisis del aprendizaje que nombra las fuentes obligatorias y las prohibidas, y borradores e historiales de versiones documentados, conservados mediante Control de cambios y versiones guardadas de los archivos, que exponen el proceso de trabajo y explican qué informó cada revisión. Lo enmarca como autorregulación hecha visible.
El rediseño de Alam y Jackson sitúa los mismos compromisos en un único módulo. Veintitrés aprendices del grado de Analista de Negocios de primer año en la Queen Mary University of London trabajaron en 11 equipos autoseleccionados en un ensayo de 1.500 palabras a partir de tres títulos preestablecidos. Se exigieron al menos dos etapas documentadas de desarrollo, y la iteración y la colaboración se escribieron en los criterios de calificación en lugar de solo recomendarse. Se permitió la IA generativa dentro de los límites fijados por el enunciado: ningún texto generado entregado, ninguna reescritura con funciones de herramientas gramaticales y ninguna lista de referencias formateada por IA. Los autores lo presentan como una intuición basada en la práctica de una primera puesta en marcha, no como un efecto medido (Alam y Jackson, 2026).
Una segunda respuesta estructural proviene de Webb-Davies, Ratner y Bassett, cuya Evaluación Escrita con la Voz Primero (Voice-First Written Assessment) asegura una línea de base autenticada e interpreta todo lo posterior contra esa línea de base. La etapa 1 es observada, no calificada y abierta en cuanto a modalidad; la etapa 2 se escribe en casa con la IA sin restricciones y se califica según cómo el estudiantado desarrolló el razonamiento anterior. Los autores califican la ambición de mínima: un punto de control más una defensa oral condicional, en lugar de un portafolio de artefactos de proceso (Webb-Davies et al., 2026).
El canal elegido para la evidencia de proceso cambia qué puede evidenciarse: en el mismo estudio de IA generativa con 79 estudiantes, el monitoreo y la planificación de mayor profundidad fueron más comunes en las unidades de pensamiento en voz alta, mientras que la regulación de mayor profundidad lo fue en los registros de interacción, de modo que ningún registro único capta todo el proceso (Li y Liu (2026)). Los rastros también pueden divergir de las puntuaciones sin más: en 150 conversaciones entre estudiantes e IA, el 41% llevaba una puntuación de tarea de exactamente 1,00 mientras la participación cognitiva observable variaba, de modo que puntuaciones iguales pueden ocultar procesos distintos (Fábrega, 2026). DraftTrace responde al mismo problema para la escritura integrada con IA alineando medidas de proceso a nivel de pulsación de tecla con el producto final y con los rastros de interacción con IA, y muestra que la copia y transcripción solo es identificable cuando producto y proceso se leen juntos (Chandarana et al. (2026)), un ejemplo concreto de la medición de rastros conductuales que aún le falta al campo.
Los relatos de profesionales y de marcos completan los artefactos. El marco LEARN de Uden y Hwang (2026), dirigido a la evaluación del aprendizaje basado en problemas, pide rúbricas centradas en el proceso, justificaciones orales, entregas por etapas y rastros de razonamiento con divulgación del uso de IA, y trata la reflexión mediante diarios de aprendizaje y protocolos de pensamiento en voz alta como el motor metacognitivo de la secuencia. Moganadas y sus colegas (2026) convierten la evaluación transparente en el uso de IA y orientada al proceso en una de cinco proposiciones investigables, que exige documentación, verificación y justificación reflexiva en lugar de prohibición o uso de detectores. Padhy (2026) recomienda capturar el historial de revisiones, los patrones de interacción y el tiempo en la tarea, junto con una divulgación transparente. Goldstein, Marae-Haj y Zidan (2026) informan de los mismos artefactos surgidos de la práctica tras una crisis de confianza: registros de prompts, historial de versiones de documentos, contribuciones grupales monitorizadas y «diarios de viaje» reflexivos llevados en cuadernos físicos, junto con el hallazgo llano de que el trabajo escrito para llevar a casa ya no podía evidenciar aprendizaje.
Están apareciendo herramientas concretas: Kim et al. (2026) dividen la resolución de problemas en cuatro etapas y ocho subhabilidades diagnósticas, lo que permite a un LLM escribir preguntas y rúbricas específicas de cada etapa; cinco docentes y 64 estudiantes lo probaron con 90 problemas y 720 subpreguntas, con una puntuación media de 83,5 en la Escala de Usabilidad del Sistema.
Las entregas de los puntos de control fueron rutinarias en la práctica: a lo largo de seis términos de la secuencia asíncrona de métodos de investigación de seis semanas que atendió a unos 440 docentes de K-12, promediaron un 96% de finalización, y las iteraciones posteriores que añadieron plantillas explícitas de prompts produjeron reflexiones más largas y visiblemente más sustantivas (Packard et al. (2026)).
- «La evidencia de proceso necesita un régimen de evaluación especial.» Parte de ella es una tarde de instrumentación: un estudio con 77 estudiantes universitarios de escritura usó un editor CodeMirror que registraba inserciones, eliminaciones, selecciones, cortes, copias y pegados con marcas de tiempo, junto a un panel de chat propio sobre la API predeterminada, y capturó 361 mensajes. Los mismos rastros mostraron que 14 respuestas a consultas de planificación se pegaron en los ensayos finales, algo que ningún informe a nivel de producto habría revelado. El límite honesto está en el instrumento: las palabras tecleadas cuentan como del estudiante incluso cuando se reformulan a partir de una respuesta, así que la frontera entre teclear y pensar es invisible. Registrar el proceso es más barato que diseñarlo.
Un rastro de proceso solo es retroalimentación si quien aprende lo lee contra la tarea. Xian et al. (2026) dieron a once estudiantes de traducción visualizaciones de Inputlog y de grabación de pantalla, más una única sesión de reflexión de 30 minutos. La proporción de revisiones de nivel de significado subió del 18,1% al 28,4% (t(10) = 4,259, p = 0,002) mientras que el total de revisiones no cambió de forma significativa, bajando de 1.292,91 a 1.052,36 (p = 0,248). El rastro no hizo que el estudiantado editara más, solo de otro modo, que es el argumento a favor de la evidencia de proceso en un solo resultado.
La declaración más clara de ese riesgo proviene de Winstone, Gravett y Elkington, que sostienen que una evaluación de proceso sin el error valorado junto a ella «corre el riesgo de volverse performativa, animando al estudiantado a presentar un producto pulido acompañado de un relato de su desarrollo curado a posteriori». Su respuesta es hacer que los errores y los cambios de dirección merezcan crédito por derecho propio, de modo que la evidencia de proceso sea un rastro de decisiones que tuvieron un coste y no una historia contada después (Winstone et al., 2026).
Un eje distinto del de la autenticidad y del de la calificación
Mantener los ejes separados importa, porque confundirlos es la manera de que un rediseño parezca terminado mientras la exposición permanece. Sharma (2026) establece la distinción complementaria entre autenticidad y diseño orientado a la integridad: la autenticidad pregunta si una tarea refleja una práctica que vale la pena, mientras que el diseño orientado a la integridad pregunta si quien aprende puede justificar sus decisiones y asumir responsabilidad en relación con los estándares disciplinares, razón por la cual las prácticas que ofrece —rastros de decisión anotados, verificación de las afirmaciones aportadas por la IA generativa, defensa oral, diferencias entre borradores con historial de versiones— se eligen por el juicio que hacen visible y no por su realismo. La revisión de diez años de Espino y Espino (2026) sobre la educación en negocios llega a la misma conclusión de diseño desde el lado de la literatura, y encuentra que el campo converge hacia tareas auténticas y de proceso visible que exigen interpretación, aplicación contextual y refinamiento iterativo, y trata la adopción aislada de herramientas dentro de estructuras de evaluación sin cambios como su fallo más persistente.
La matriz de Desvanecimiento y Visibilidad de Salameh (2026) cruza la misma pregunta de diseño con una segunda variable, si el apoyo de IA persiste o se desvanece, y nombra la combinación a la que recurren por defecto la mayoría de los cursos, un apoyo que nunca se desvanece evaluado solo por su producto, como Dependencia Silenciosa (Salameh, 2026).
El constructo también se distingue de la cuestión de cómo se puntúa la evidencia. El razonamiento sobre la validez es donde ambos se encuentran: Brunnström y Palmqvist (2026) sostienen que cuando un chatbot puede producir una respuesta de examen plausible, el producto entregado se convierte en un indicador más débil de lo que aprendió el estudiantado, un problema de validez de la evaluación y no solo de integridad. Es la misma inferencia en riesgo en el argumento de desempeño frente a aprendizaje de Yan, Greiff, Lodge y Gašević, donde las ganancias de desempeño que se reducen cuando se retira la asistencia muestran una ganancia que vive en la herramienta y no en quien aprende, y donde el remedio propuesto son medidas de proceso como las pruebas de retención y transferencia y no el éxito inmediato en la tarea.
Por qué la detección no puede cargar con esto
La evaluación orientada al proceso se propone normalmente como alternativa a la detección, y la evidencia sobre la detección explica por qué. La literatura sobre la detección encuentra tasas de error, dependencia de la tarea y sesgo sistemático contra quienes escriben en una segunda lengua y contra las personas con discapacidad, y el trabajo más reciente llega a una conclusión procedimental: una puntuación de detector puede motivar una revisión más atenta, pero no es un hallazgo. Munoz y sus colegas (2026) muestran lo que eso cuesta en la práctica. Al codificar 1.162 acusaciones de mala conducta con IA generativa, encontraron que los tipos de evidencia más sólidos los genera la investigación o la supervisión, que la evidencia de proceso —borradores, reuniones de supervisión, presentaciones— solo aparece donde esas prácticas ya existen, de modo que en una evaluación no rediseñada simplemente está ausente, y que la salida del detector obtuvo las valoraciones probatorias más bajas de todas las categorías. La consecuencia de diseño es de orden: la evidencia de proceso tiene que existir antes de que un caso la necesite, y el razonamiento de Weidlich (2026) sobre qué inferencia está en riesgo plantea lo mismo desde el lado de la validez, ya que los intentos de restaurar la seguridad de la evaluación mediante la detección introducen varianza irrelevante para el constructo en lugar de evidencia sobre quien aprende.
También los propios criterios de la rúbrica pueden reconstruirse en torno a la trayectoria. Oviedo y Díaz (2026) leen el modelo 3P de Biggs como tres dimensiones de calificación —agencia y supervisión crítica, andamiaje dialógico y soberanía cognitiva—, de modo que se califica la trayectoria y no el resultado estático.
Los costes de diseño y de carga de trabajo
Las fuentes son inusualmente francas en que esto es caro. Thapa y Lewis formulan la advertencia de equidad directamente: las tareas reflexivas y dialógicas pueden privilegiar al estudiantado con más confianza en la autoexpresión académica, a menos que se diseñen de forma inclusiva y con andamiaje. El trabajo relacional e intensivo en retroalimentación también intensifica el esfuerzo emocional y profesional del profesorado en contextos grandes o con recursos limitados, una contradicción con las expectativas institucionales de escalabilidad, estandarización y desempeño medible. Sharma añade la versión interpretativa: exigir razonamiento documentado privilegia a quienes aprenden con más fluidez en el discurso reflexivo, y el juicio como evidencia «sigue siendo relacional y situado en lugar de verificable mecánicamente».
Los costes operativos se detallan en otros lugares. Boysen enumera tecnología nueva, tareas y programas revisados, enseñar al estudiantado habilidades que no conoce y material adicional que recoger y calificar, advierte de que los créditos de bajo riesgo por el proceso pueden inflar las calificaciones y concede que el modelo se adapta mucho mejor a grandes proyectos de desarrollo de habilidades que al trabajo cotidiano de adquisición de conocimiento; también señala que el seguimiento del proceso es lo que algunos críticos llaman vigilancia con IA. Los participantes de Goldstein, Marae-Haj y Zidan informaron de que establecer la documentación del proceso costaba trabajo real, de que nueve de trece financiaron herramientas avanzadas de su propio bolsillo de un modo que podía profundizar la brecha digital, y de que varios recurrieron a exámenes supervisados y anticiparon defensas orales de tesis. La preocupación por la equidad tiene un matiz específico de la IA en el hallazgo de Brunnström y Palmqvist de que el uso de la herramienta sin guía exige una habilidad de gestión de la interacción que se distribuye de forma desigual, de modo que la IA «puede beneficiar sobre todo al estudiantado ya aventajado»: el mismo riesgo distributivo que conlleva pedir al estudiantado que gestione un proceso documentado. Lopez-López, Bru-Cordero y Correa-Álvarez (2026) encontraron que el estudiantado que invirtió más tiempo de estudio independiente juzgaba el uso de IA con más severidad, y recomiendan probar si las plantillas de divulgación, las defensas orales y la evaluación basada en el proceso reducen la incertidumbre ética: un estudio que el campo todavía necesita. El riesgo se adhiere al mecanismo que hace funcionar la evidencia de proceso: donde se califican la colaboración, la revisión y la reflexión, el estudiantado tiene razones para producir evidencia que se ajuste a lo que espera que quiera quien califica, de modo que los registros de proceso pueden volverse performativos en lugar de probatorios (Alam y Jackson, 2026).
Lo que sigue sin resolverse
El relato de Thapa y Lewis es conceptual: sin participantes, sin recogida de datos y sin ensayo de implementación, de modo que los cuatro principios se argumentan y no se prueban, y el propio artículo reclama trabajo empírico sobre la experiencia del estudiantado, la carga de trabajo del profesorado y la viabilidad a largo plazo. La factibilidad queda sin diferenciar entre contextos: no se aborda la transferencia a clases magistrales grandes, laboratorios, estudios o prácticas clínicas. El documento de posición de Lane (2026) señala el techo institucional: la evaluación basada en el proceso se ve amortiguada por estructuras de calificación y expedientes académicos que recompensan artefactos finales pulidos, de modo que el rediseño del aula por sí solo no cambia el incentivo. La medición también es escasa: la revisión de Jin y sus colegas (2026) sobre instrumentos de alfabetización en IA reclama evaluación basada en el desempeño y orientada al proceso y medición de rastros conductuales del diseño de prompts y la verificación, pero informa de que los instrumentos existentes se apoyan en el autoinforme. Ninguna fuente aquí informa de un ensayo controlado de un rediseño orientado al proceso frente a uno orientado al producto, lo que deja la afirmación central —que la evidencia de proceso es a la vez más difícil de falsificar y más justa de juzgar— argumentada desde principios, informes de profesionales y evidencia de expedientes de casos, y no demostrada a escala.
Concepciones erróneas comunes
- «Una puntuación alta implica que el estudiantado hizo el trabajo que diseñamos.» Los rastros pueden divergir de las puntuaciones de forma directa: en 150 conversaciones entre estudiantado e IA, el 41% tenía una calificación de la tarea de exactamente 1,00 mientras la participación cognitiva observable variaba. La puntuación se satura mientras que el proceso que se suponía que la producía no lo hace.
- «Los datos de proceso son inmanejables a escala.» La documentación exigida resultó viable a escala de curso a lo largo de seis semestres de cursos asíncronos de métodos de investigación de seis semanas para aproximadamente 440 docentes de K-12. La logística era resoluble; la objeción exagera el coste.
- «La resolución de problemas es demasiado holística para evaluarla por proceso.» Se puede operacionalizar como cuatro etapas y ocho subhabilidades diagnósticas, lo que permite a un LLM generar preguntas y rúbricas específicas de cada etapa, usadas con cinco docentes y 64 estudiantes. La descomposición es lo que hizo legible y evaluable el proceso.
Conceptos conectados
- Patrones pedagógicos — Puntos de control por etapas y evidencia de proceso como diseños secuenciados
- Evaluación
- Evaluación auténtica
- Detección de IA
- Validez de la evaluación
- Juicio evaluativo
- Evaluación formativa
- Evaluación sumativa
- Retroalimentación
- Autoevaluación
- Evaluación oral
- Portafolio electrónico
- Declaraciones de uso y divulgación de la IA
- Aprendizaje autorregulado
- Integridad académica
- Equidad
Artículos conectados
-
Process-Oriented Collaborative Essays: Empowering Undergraduate Students Through Assessment Redesign in the Age of Generative AI — Un ensayo de proceso calificado y escrito de forma colaborativa en un grado de aprendizaje basado en el trabajo: iteración y colaboración en la rúbrica, con la IA generativa permitida dentro de límites declarados (Alam y Jackson 2026)
-
Distinguishing performance gains from learning when using generative AI — el desempeño no es el aprendizaje: una agenda de investigación construida sobre medidas de proceso (Yan et al. 2026)
-
Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — formadores de docentes que piden tareas resistentes a la IA y basadas en el proceso, construidas sobre la justificación y la reflexión (Baran et al. 2026)
-
Educational integrity in GenAI-augmented assessment: making judgment visible — rastros de decisión anotados, defensa oral y diferencias entre borradores elegidos por el juicio visible
-
How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — qué contienen los expedientes de casos de mala conducta y qué evidencia de proceso les falta
-
Which inference is at risk? Assessment validity reasoning and generative AI — qué inferencia está en riesgo cuando se sustituye la evidencia de evaluación
-
Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — la autenticidad debe rediseñarse, no vigilarse
-
From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich higher education — productos auténticos y los procesos que los produjeron
-
Reconsidering the use of oral exams and assessments: An old way to move into a new future — el examen oral como formato resistente a la IA que hace vivo el razonamiento
-
Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — autenticidad epistémica y los cuatro compromisos de diseño detrás de la evaluación orientada al proceso (Thapa y Lewis 2026)
-
Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — Evidencia de proceso condicionada por el canal: los registros y el pensamiento en voz alta revelan procesos distintos
-
DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing — DraftTrace: un entorno de analítica multivista para la escritura integrada con IA
-
Same Performance, Different Process: Epistemic Ownership in AI-Mediated Education — Mismo rendimiento, proceso distinto: propiedad epistémica en la educación mediada por IA
-
STEPwise: Supporting Teachers in Diagnosing Students' Mathematical Problem-Solving Skills through LLM-Generated Questions and Rubrics — STEPwise: apoyo al profesorado en el diagnóstico de las habilidades de resolución de problemas matemáticos del estudiantado mediante preguntas generadas por LLM
-
Teaching with AI, Not Against It: A Thinking Partner Framework for Working Adult Learners in Compressed Online Formats — La documentación de los puntos de control del diálogo con IA mantuvo un 96% de finalización en seis semestres y unos 440 docentes
-
Rubrics and Generative AI: Towards Process-Based Assessment — Tres dimensiones de rúbrica a partir del modelo 3P de Biggs: agencia y supervisión, andamiaje dialógico y soberanía cognitiva (Oviedo y Díaz 2026)
-
The crisis of critical thinking in higher education: rethinking what universities should teach in an age of information abundance and generative AI — a critical narrative review of international evidence — Una revisión narrativa crítica que sostiene que el fallo por defecto es un apoyo de IA que nunca se desvanece combinado con una evaluación solo del producto (Salameh 2026)
-
An Empirical Study to Understand How Students Use ChatGPT for Writing Essays — Un editor CodeMirror más un panel de chat registrado convirtieron una sesión de ensayo en evidencia de proceso, con su límite entre teclear y pensar (Jelson et al. 2026)
-
Process visualization feedback in news translation: a controlled intervention study of human-AI interaction using multimodal process data — Las visualizaciones de proceso más una sesión de reflexión desplazaron la revisión de la superficie al significado sin aumentar el volumen de ediciones
-
Voice-First Written Assessment: Restoring Evidence of Reasoning Through Structural Redesign — Una evaluación escrita en dos etapas que asegura el razonamiento bajo observación antes de calificar una entrega escrita en casa, con una defensa oral condicional para vínculos poco claros (Webb-Davies, Ratner y Bassett 2026)
-
Black Box Assessment: Rethinking Integrity and Learning for a Time of Generative AI — Black Box Assessment: ventanas sobre el proceso, el error como evidencia y la integridad mediante la visibilidad (Winstone, Gravett y Elkington 2026)
Recursos relacionados
- Process FeedbackUna alternativa gratuita y basada en el proceso frente a la detección de IA: registra cómo se produjo un texto y lo convierte en un informe para una conversación sobre el aprendizaje, más que en un veredicto.
- Code VivaUna 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.
- Evaluación escrita a partir de la vozUn modelo de evaluación en dos etapas y una guía de implementación: una captura observada y no calificada del razonamiento de un estudiante ante un enunciado inédito, seguida de una entrega escrita calificada que se completa en casa con herramientas de IA sin restricciones, vinculada a la primera etapa mediante un juicio probatorio, con una defensa oral condicional para los casos en que ese vínculo no está claro.