Evaluación sumativa

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

La evaluación sumativa — la evaluación que se usa para valorar y certificar lo que quien aprende ha aprendido al final de una unidad, un curso o un programa, en contraste con la evaluación formativa, que apoya el aprendizaje durante la enseñanza. La evaluación sumativa suele adoptar la forma de exámenes de alto riesgo —escritos, orales, supervisados o con libros cerrados— que asignan notas, condicionan la progresión y certifican la competencia. En la era de la IA, la evaluación sumativa se ha convertido en un campo de batalla central en torno a la integridad académica y la validez: la IA generativa puede inflar el rendimiento en tareas no supervisadas o para hacer en casa, lo que convierte la elección del formato sumativo —y su resistencia a la sustitución por IA— en una decisión de diseño fundamental.

Preguntas para reflexionar

• La evaluación sumativa certifica lo que el estudiantado ha aprendido al final de un curso, mientras que la evaluación formativa apoya el aprendizaje durante el curso. ¿Dónde ha visto difuminarse la línea entre ambas, y por qué puede importar que cumplan funciones distintas?
• La página enmarca la IA generativa como una fuerza que remodela la evaluación sumativa en dos direcciones a la vez: la IA puntúa exámenes y el estudiantado usa la IA para eludir la medición basada en exámenes. ¿Cuál de estas dos presiones cree usted que es la mayor amenaza para la validez, y por qué?
• Si las tareas no supervisadas o para hacer en casa pierden validez porque la IA puede producir las respuestas, ¿qué implica eso para cómo deberían diseñarse las evaluaciones, y qué podría sacrificarse en el proceso?
• La investigación citada en la página encuentra que los LLM no califican los ensayos como lo hacen las personas. Si la puntuación automatizada es rápida y consistente pero califica de otra manera, ¿es un problema de equidad, una oportunidad o ambas cosas?
• ¿Qué significa un resultado de alto riesgo (una nota, una credencial, la admisión) si el trabajo que hay detrás podría haber sido producido por IA? ¿Cómo diseñaría usted una evaluación en la que pudiera confiar de verdad?

Introducción

La evaluación sumativa cumple una función fundamentalmente distinta de la evaluación formativa: mide y certifica el logro en lugar de orientar los siguientes pasos. Incluye pruebas de final de unidad, exámenes finales, pruebas estandarizadas y de alto riesgo (por ejemplo, exámenes de admisión), defensas orales y evaluaciones acumulativas del desempeño. Como los resultados sumativos conllevan consecuencias reales (notas, progresión, credenciales, admisión a la universidad), afrontan presiones particulares en la era de la IA, tanto como objetivos de la puntuación automatizada como en calidad de medidas vulnerables que el estudiantado puede intentar burlar con IA generativa.

Lo que está en juego en la era de la IA: validez e integridad

La investigación de la base de conocimiento documenta cómo la IA generativa ha remodelado de raíz el panorama de la evaluación sumativa en dos direcciones: la IA se usa para puntuar exámenes a escala, y el estudiantado puede usar la IA para eludir la medición basada en exámenes de su propio aprendizaje.

• La IA como puntuadora. La evaluación sumativa depende cada vez más de la puntuación automatizada de exámenes, ensayos y respuestas breves. La investigación sobre la calificación de ensayos con LLM encuentra que los LLM no califican los ensayos como lo hacen las personas, lo que plantea cuestiones de validez y equidad para la puntuación automatizada de alto riesgo. Los LLM que evalúan las autoexplicaciones del estudiantado y la calificación automática de respuestas breves exploran la fiabilidad de la puntuación con LLM en contextos sumativos, mientras que los marcos con conciencia psicométrica buscan que la puntuación automatizada siga siendo fiable y adaptativa. Un examen manuscrito de química general con 296 estudiantes ilustra por qué se requiere una supervisión selectiva: la concordancia de la puntuación total de un LLM multimodal con la calificación de los ayudantes fue alta (R² = 0,91), pero la fiabilidad a nivel de ítem varió mucho según el formato, y los falsos positivos (la IA que da por buenas respuestas realmente incorrectas) tienden a pasar desapercibidos porque el estudiantado rara vez los impugna, así que un puntuador de IA uniforme que «califique todo» no es defendible para un uso de alto riesgo sin una deferencia basada en la confianza hacia las personas (Assisting the grading of a handwritten general chemistry exam with artificial intelligence).
• La IA como evasión. Como la IA generativa puede producir respuestas a preguntas escritas, las tareas sumativas no supervisadas y para hacer en casa pierden validez: las medidas supervisadas y sin asistencia son esenciales porque la IA infla el rendimiento no supervisado, y las herramientas con barreras de protección (que dan pistas y no respuestas) pueden eliminar la penalización en el examen que causa la IA sin barreras. El cuasiexperimento de Chirikov (2026) sobre más de 500.000 notas concreta el mecanismo: tras el lanzamiento de ChatGPT, los cursos con más tareas expuestas a la IA vieron subir la proporción de notas A en 13 puntos porcentuales, y el efecto se concentró en los cursos con mucha carga de deberes (16 puntos porcentuales adicionales en la estimación de triples diferencias), evidencia directa de que es en los deberes no supervisados, y no en ganancias de aprendizaje genuinas, donde la IA infla los resultados sumativos.
• Exámenes generados por IA. Un estudio de campo a gran escala y la investigación sobre la evaluación de inglés como lengua extranjera examinan si la IA puede generar exámenes y tareas de evaluación de alta calidad: un uso emergente de la IA en el diseño sumativo.

Formatos sumativos resistentes a la IA

Un tema clave de la base de conocimiento es que el formato sumativo determina la resistencia a la IA: cuanto más exige una tarea un desempeño en vivo, presencial e indagado individualmente, más difícil le resulta al estudiantado sustituir con IA su propio aprendizaje.

• Exámenes y evaluaciones orales. Fenton (2025) sostiene que el examen oral es un formato sumativo de baja tecnología e intrínsecamente resistente a la IA: su diálogo interactivo en tiempo real evalúa la comprensión, el pensamiento crítico y el razonamiento en lugar de la memorización, impide que el estudiantado use la IA para generar y memorizar respuestas, y refleja la práctica profesional. Las pruebas socráticas y las entrevistas de revisión de código amplían esto a una evaluación sumativa dinámica, conversacional y basada en entrevistas.
• Medidas con libros cerrados, supervisadas y sin asistencia. La evidencia y los datos de campo a gran escala muestran que los exámenes supervisados y con libros cerrados —y no los deberes inflados o el trabajo para hacer en casa— son la señal fiable del aprendizaje real cuando el estudiantado usa IA. Los marcos de evaluación responsable integran estas medidas sin asistencia en un rediseño guiado por la validez. Cuando los exámenes siguen siendo en línea, la supervisión remota asume ese papel, y las dos revisiones del corpus sobre supervisión automatizada encuentran preocupaciones de privacidad y equidad junto a mejoras en la detección (Ensuring Academic Integrity through Automated Online Exam Proctoring: A Decade-Long Systematic Review, A Comprehensive Review of the Changing Landscape of Academic Dishonesty in Automated Proctoring in the Era of Artificial Intelligence).

Evaluación sumativa de alto riesgo y estandarizada

La evaluación sumativa de alto riesgo —exámenes de admisión, pruebas estandarizadas y certificación— conlleva consecuencias desproporcionadas y es un foco de preocupación en la era de la IA. El estudio sobre la penalización de aprendizaje de la IA generativa midió los resultados en los exámenes de admisión de secundaria (Zhongkao) y de acceso a la universidad (Gaokao), y encontró que las puntuaciones de admisión cayeron entre un 18% y un 24% tras un uso prolongado de la IA. La trampa sin esfuerzo y la investigación sobre rendimiento frente a aprendizaje advierten de que las ganancias en tareas asistidas por IA no se transfieren a las medidas de alto riesgo sin asistencia.

Sumativa frente a formativa en la era de la IA

La literatura sobre evaluación de la base de conocimiento insiste en que la evaluación es más eficaz cuando combina funciones formativas y sumativas, pero la era de la IA agudiza la distinción. Como la IA infla el rendimiento en tareas de bajo riesgo, no supervisadas y con el proceso oculto, las medidas sumativas (especialmente las supervisadas, con libros cerrados y presenciales) se convierten en la comprobación crucial de si el aprendizaje se produjo de verdad. Esto motiva un rediseño de la evaluación que mantenga tareas sumativas auténticas y resistentes a la IA (exámenes orales, entrevistas de revisión de código, exámenes supervisados, portafolios basados en el proceso) como ancla de la integridad, a la vez que usa la evaluación formativa para apoyar el aprendizaje por el camino. Véase evaluación auténtica para la respuesta de diseño constructiva.

Implicaciones para la IA en la educación

• El formato sumativo es una palanca de validez e integridad: los formatos sumativos resistentes a la IA (orales, supervisados, con libros cerrados, presenciales) preservan la conexión entre el desempeño evaluado y el aprendizaje real.
• Las medidas supervisadas y sin asistencia son la señal fiable: cuando el estudiantado usa IA, los exámenes sumativos sin asistencia —y no los deberes— revelan el aprendizaje genuino.
• La puntuación automatizada necesita escrutinio psicométrico: usar LLM para calificar exámenes de alto riesgo exige evaluar la fiabilidad, la equidad y la validez, y no solo la exactitud.
• La IA también puede generar exámenes: la generación de exámenes y tareas asistida por IA es una aplicación emergente del diseño sumativo que a su vez necesita evaluación de calidad.
• Replantear el propósito de la calificación, no solo el formato. Mesny, Roberge-Maltais y Galy (2026) critican la calificación sumativa tradicional y referida a la norma por fomentar un aprendizaje superficial y fragmentado, dar al estudiantado poco control o transparencia, dañar la motivación intrínseca, alimentar el estrés y la ansiedad y perpetuar desigualdades, mientras evalúa en gran medida el recuerdo y no la aplicación en el mundo real. Sitúan la reevaluación, la calificación basada en estándares y la descalificación como innovaciones centradas en la calificación que pueden suavizar una práctica muy cargada de sumativa, aunque reconocen que siguen siendo marginales en la educación en gestión por barreras normativas —la calificación en curva, la señalización externa (rankings, prácticas, acreditación) y la mentalidad instrumental del estudiantado— y recomiendan una experimentación incremental con apoyo institucional.

Conceptos conectados

• Supervisión remota de exámenes
• Evaluación
• Evaluación formativa
• Evaluación auténtica
• Evaluación automatizada
• Validez de la evaluación
• Integridad académica
• Evaluación de la IA en educación
• Educación superior
• K-12

Artículos conectados

• A Comprehensive Review of the Changing Landscape of Academic Dishonesty in Automated Proctoring in the Era of Artificial Intelligence
• Ensuring Academic Integrity through Automated Online Exam Proctoring: A Decade-Long Systematic Review
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Replantear los exámenes orales como evaluación sumativa auténtica y resistente a la IA
• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — El 90% de las evaluaciones de psicología se aprueban con un esfuerzo mínimo (Ivory et al. 2026)
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — La penalización de aprendizaje de la IA generativa: evidencia de exámenes supervisados y con libros cerrados
• Artificial Intelligence and Grade Inflation — El desplazamiento de tareas hacia la IA como mecanismo de inflación de notas; cursos con mucha carga de deberes (Chirikov 2026)
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Finalización más rápida, menos aprendizaje: las medidas supervisadas son esenciales
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — La IA generativa sin barreras de protección daña el aprendizaje
• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Evaluar la calidad de los exámenes generados por IA
• LLMs Do Not Grade Essays Like Humans — Los LLM no califican los ensayos como las personas
• Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education — LLM para la evaluación automatizada de las autoexplicaciones del estudiantado
• Confidence Estimation in Automatic Short Answer Grading with LLMs — Calificación automática de respuestas breves
• PsyScore: A Psychometrically-Aware Framework for Trait-Adaptive Essay Scoring and ZPD-Scaffolded Feedback — Puntuación de ensayos adaptativa por rasgo con conciencia psicométrica
• The Theoretical Foundation of Socratic Tests: Dynamic, Multimodal, Conversational Examinations — Pruebas socráticas: evaluación dinámica, conversacional y multimodal
• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — Entrevistas de revisión de código en CS1
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Evaluación responsable en la era de la IA
• Test-Driven, AI-Assisted Learning: Replacing Lectures with Weekly Closed-Book Tests — Aprendizaje asistido por IA guiado por pruebas
• Revisiting the Performance of Generative Artificial Intelligence on Introductory Object-Oriented Programming — Rendimiento de la IA generativa en evaluaciones de programación orientada a objetos
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — La trampa sin esfuerzo: el esfuerzo productivo y la ilusión de aprendizaje
• AI-Generated versus Human-Developed Assessment Tasks in EFL Context: Insights from TPCK Model — Tareas de evaluación generadas por IA frente a desarrolladas por personas en inglés como lengua extranjera
• 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)
• Large Scale AI Grading of Handwritten Physics Assessments: Score Agreement and Olympiad Team Selection Outcomes — Calificación con IA de evaluaciones manuscritas de física (Olimpiada)
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Assisting the grading of a handwritten general chemistry exam with artificial intelligence