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 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 IA generativa está remodelando 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 encuentra que los calificadores automatizados discrepan de los calificadores humanos. 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 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. 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 (Cvengros et al., 2026).
  • La concordancia de resultados puede sobrevivir a una puntuación imprecisa por ítem. Frente a las notas oficiales moderadas, un LLM multimodal que calificó 10.364 páginas manuscritas de la Olimpiada de Física y de universidad correlacionó entre r = 0,93–0,96 y recuperó el mismo equipo internacional de cinco estudiantes, aunque la concordancia exacta por apartado de pregunta alcanzó el 70%: a un puntuador se le juzga por las decisiones que informa (Pathak et al. (2026)).
  • 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.
  • Quien rinde el examen y quien lo puntúa son la misma capacidad. En las pruebas y el examen del propio curso de introducción a la programación orientada a objetos en Java, cinco sistemas de 2026 calificados con la rúbrica del estudiantado superaron la media de la cohorte en todos los casos menos uno (14,61 frente a 13,76 en la prueba 1; 14,87 frente a 13,39 en la prueba 2). A menudo obtenían la puntuación completa en las tareas más largas y aun así fallaban en interfaces, clases abstractas y preguntas con imágenes (Lepp y Kaimre (2026)).
  • 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.
  • El estudiantado no distingue de forma fiable los ítems redactados por IA. En un examen de Medicina de Familia con créditos, Vogt et al. (2026) no encontraron diferencias significativas en la atribución de la fuente entre 30 ítems de opción múltiple generados por IA y 30 de exámenes de licencia, con un acierto medio de reconocimiento del 68,6% al 77,5%, y el 18,2% de los ítems generados se eliminó en la revisión humana.

Formatos sumativos resistentes a la IA

Un tema clave de la investigación 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.

Los formatos resistentes a la IA defienden la nota en lugar de repensarla: los exámenes y orales supervisados estabilizan los valores y las prácticas existentes, así que la reforma se detiene en el expediente académico y no en lo que representa una nota (Nieminen et al. (2026)).

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 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.
  • El error de calificación también depende de la nota: en 32 entregas de exámenes de salud pública, los LLM evitaron los extremos de la escala —no apareció ninguna E ni F en modo rápido—, mientras que el mejor modelo coincidió exactamente con la nota humana en el 50,0% y dentro de ±1 punto de la nota en el 90,6% (Brevik et al. (2026)).
  • 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.

Concepciones erróneas

  • «Un LLM no puede calificar con los estándares oficiales.» Frente a calificaciones oficiales moderadas, un LLM multimodal que calificó 10.364 páginas manuscritas de la Olimpiada de Física y de exámenes universitarios mostró una correlación fuerte. La concordancia en los resultados puede sobrevivir a una puntuación imprecisa ítem por ítem, lo que significa que la pregunta útil es dónde se exige realmente precisión a nivel de ítem.
  • «La inflación de notas por IA es especulación.» El cuasiexperimento de Chirikov (2026) sobre más de 500.000 calificaciones concreta el mecanismo: tras el lanzamiento de ChatGPT, los cursos con más tareas expuestas a la IA vieron subir la proporción de notas altas. El efecto se concentró donde las tareas estaban expuestas, que es el patrón que predeciría un mecanismo.
  • «No se puede distinguir a quien usa IA de quien no, así que la procedencia es un callejón sin salida.» El hallazgo de que no había diferencias significativas en la atribución de la fuente entre ítems generados por IA e ítems de exámenes con licencia, con un reconocimiento correcto del 68,6-77,5 por ciento y una tasa de atribución errónea del 18,2 por ciento, trata de un fallo del reconocimiento, no de que la procedencia sea innecesaria. Si acaso, eleva la exigencia de una procedencia verificada.

Conceptos conectados

Artículos conectados

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.