¿Cómo puedo reducir las trampas con IA en mi curso?

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

Es la sexta semana. Un ensayo para casa vuelve fluido y hueco y usted no sabe si lo escribió el estudiante. O cuatro entregas comparten una forma que nadie en el aula produjo en septiembre, y la oficina de integridad académica quiere un informe escrito de qué estaba midiendo la tarea. O su departamento votó el mes pasado restringir la IA generativa en los cursos troncales y le dejó a usted la tarea de que la restricción signifique algo.

La respuesta que daría a un colega: deje de intentar probar quién escribió el trabajo y cambie las condiciones en las que se escribe. La detección es la palanca más débil que tiene. Las palancas que aguantan son una tarea en la que el atajo deja rastro, un paso único sin asistencia que usted pueda observar y una secuencia corta y enseñada que mantiene a los estudiantes dentro del trabajo cognitivo.

La versión breve

1. Saque la detección de la ruta crítica. La evidencia que sigue muestra que falla sobre la edición permitida y no ve la evasión deliberada.

2. Ponga un paso observable y sin asistencia en cada Evaluación de alto riesgo y déle peso real.

3. Fije el límite de la IA por paso de la tarea, no por curso, para que siga aquello que está calificando.

4. Si permite la IA, configúrela para que dé pistas en lugar de respuestas y exija un intento del estudiante antes de que responda.

5. Haga la declaración específica y libre de penalización. Las normas vagas y las punitivas empujan por igual al estudiantado hacia la ocultación.

La detección no sostendrá el caso

La síntesis Integridad académica informa de limitaciones sustanciales en la detección de texto de IA y sostiene que la integridad en la era de la IA generativa es cada vez más un problema de diseño de la evaluación y no simplemente un problema de detección. Lleve las cifras a la reunión en la que justifica esto ante alguien que ya compró una licencia.

En un estudio controlado de 642 resúmenes publicados en inglés, dos detectores comerciales señalaron la edición ligera con IA y conforme a las directrices en el 38% al 80% de los casos. Señalaron los originales sin modificar de 2023-25 en el 9% al 15%, con el trabajo no STEM muy por encima de STEM, p<0,001. Después de la "humanización" con IA, las mismas herramientas detectaron menos del 4% de las reescrituras etiquetadas como IA (Why AI Detection Fails for Academic Integrity). Lea esas tres cifras en orden. El uso permitido se señaló más a menudo que el uso prohibido, y el uso prohibido resultó casi invisible una vez que alguien lo pasó por un parafraseador. Ese es el catch-22 de la integridad: el detector castiga la ayuda honesta y a la vez facilita la evasión deliberada.

La evidencia de campo va en la misma dirección. En un estudio encubierto, el 94% de las entregas totalmente generadas por IA inyectadas en exámenes en línea reales de cinco módulos de psicología pasaron sin ser detectadas, y el trabajo de la IA superó por término medio al del estudiantado real (Detecting the undetectable? Reassessing academic misconduct procedures in the era of generative AI). La Universidad de Vanderbilt desactivó su detector con licencia tras no poder validar una tasa de falsos positivos anunciada del 1%, una tasa que implicaría aproximadamente 750 estudiantes mal etiquetados entre 75.000 entregas anuales.

Nada de eso demuestra que la detección no funcione nunca. Demuestra el perfil de error con el que hay que convivir. Un estudiante señalado es una persona con derecho a apelación, y el resultado de los 642 resúmenes dice que la señal recae con más fuerza sobre quienes hicieron lo permitido. El argumento completo sobre por qué esto cambia lo que una nota puede respaldar está en ¿Cómo puedo rediseñar la evaluación para que una calificación siga diciéndome algo defendible sobre lo que el estudiante sabe o puede hacer?.

Cambie lo que la tarea pone fácil

La síntesis Reducir el mal uso de la IA sitúa el rediseño en el Nivel 1 por una razón estructural: funciona tanto si el estudiante elige la conducta correcta como si no, porque constriñe el entorno en lugar de depender de la motivación.

Empiece por una etiqueta. La Escala de Evaluación con IA (AIAS) asigna a cada tarea un nivel de uso de IA, desde "sin IA" hasta "IA solo para generar ideas" y "asistencia de IA con atribución", hasta "uso pleno de IA", de modo que la expectativa sea explícita y exigible en lugar de inferida.

Después cambie el artefacto. Una revisión sistemática de 72 estudios sobre IA generativa en la enseñanza de la informática califica el rediseño como factible y de máximo apalancamiento, y destaca un movimiento: añadir un elemento oral o de otro tipo que haga visible el proceso en al menos una evaluación de alto riesgo por curso. Lo llama la intervención más eficaz del corpus. La detección es el área más débil que cubre la revisión, con solo 3 estudios, frente a un 60% al 80% del estudiantado de informática que declara usar IA generativa en el trabajo del curso, normalmente sin sanción explícita del docente, y un 70% de una muestra nacional de profesorado que pide explícitamente formación en diseño de evaluaciones resistentes a la IA (Generative AI in computing education: A systematic review and a framework for responsible integration).

Un curso de informática de tres años muestra hasta dónde puede mover la conducta un flujo de trabajo de declaración andamiado. Shakil et al. (2026) exigieron un borrador independiente con una lista de comprobación de cuatro ítems, un paso de refinamiento con IA sin reescritura, un formulario de declaración y una reflexión estructurada, con un borrador o formulario ausente puntuando cero. La adopción pasó de alrededor de dos tercios del estudiantado con una política voluntaria al 93% en el año andamiado; el 81% y el 84% de quienes usaban IA declararon haber rechazado o modificado sugerencias, quienes evaluaban codificaron el 77% al 81% de las entregas por compromiso crítico, y el uso de IA no predijo de forma independiente la calidad del ensayo una vez controlada la habilidad previa de escritura. Es el informe de experiencia de un solo curso y no un ensayo controlado, pero muestra el trabajo de integridad pasando de la detección a las condiciones en las que el estudiantado declara y revisa.

El menú, en un orden aproximado según lo bien que cada opción sobrevive a un grupo grande.

Sin asistencia, en clase, a libro cerrado: exámenes vigilados, cuestionarios, escritura cronometrada. Deles más peso que antes, porque los deberes son el artefacto que la IA infla. Los exámenes orales y las defensas funcionan por la misma razón, ya que el diálogo en tiempo real es difícil de externalizar (Reconsidering the use of oral exams and assessments: An old way to move into a new future).

Artefactos de proceso: borradores, trazas de razonamiento, "muestre su pensamiento" anotado, registros de revisión, para que el proceso sea visible y no solo el producto (From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich higher education). Las tareas auténticas funcionan junto a ellos: casos locales, material de prácticas, los datos del propio estudiante, cualquier cosa difícil de delegar (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It).

Variación de la tarea por estudiante, en la que cada uno recibe una versión superficialmente distinta pero equivalente en el constructo, hace que copiar sea estructuralmente inútil. Trate la garantía como condicional a la capacidad: VARIA encontró que los generadores de frontera solo alcanzaban de 0,81 a 0,88 en una puntuación conjunta de integridad, mientras que los modelos que no son de frontera caen a de 0,50 a 0,55. Si sus variantes no son equivalentes, ha comprado protección contra la copia junto con injusticia entre estudiantes.

Cierre la brecha entre la práctica y el examen

Esta es la parte que los docentes se saltan, y es donde la evidencia causal es más sólida.

En un ensayo controlado aleatorizado de campo, un tutor tipo ChatGPT sin barreras de seguridad elevó el rendimiento en la práctica asistida un 48% y redujo las puntuaciones del examen sin asistencia un 17%. Una versión con barreras, que da pistas en lugar de respuestas y está sembrada con información de problemas elaborada por el docente, eliminó el daño por completo (Generative AI without guardrails can harm learning: Evidence from high school mathematics). A mayor escala, un estudio de 26.811 estudiantes encontró que externalizar los deberes elevó las notas de deberes un 18% mientras bajaba las notas del examen a libro cerrado un 20% en seis meses (The generative AI learning penalty: Evidence from Chinese secondary education).

Fíjese en la forma de ambos resultados. La ganancia y la pérdida recaen en medidas distintas, y solo una de ellas es la que usted certifica. Un solo ECA no puede darle el tamaño del efecto en su curso. Le da la dirección, y ambos estudios apuntan al mismo lado.

Si va a dejar que los estudiantes usen un tutor, configúrelo antes del semestre y no después de la primera queja:

1. Ajustelo para que dé pistas incrementales y socráticas en lugar del siguiente paso de la respuesta.

2. Siémbrelo con soluciones correctas y concepciones erróneas frecuentes para que pueda apuntar a los errores en lugar de repetir el contenido.

3. Exija un intento antes de que aparezca cualquier salida.

4. Aplique la regla de la trampa de la facilidad: si dejar entrar a la IA hace que la tarea se sienta sin esfuerzo, está en el lugar equivocado.

Esa última regla es también donde el andamiaje y las barreras de seguridad se ganan su sitio, y donde un estudiante simulado resulta útil para probar su propia indicación antes de que el estudiantado real se enfrente a ella.

Pida a los estudiantes que muestren lo que saben hacer

Nunca establecerá cómo se produjo un archivo. Sí puede establecer, a bajo coste, si el estudiante sabe hacer lo que el archivo parece demostrar.

"La mejor respuesta al uso de IA por parte de los estudiantes no es la detección, es el diálogo" describe los mecanismos: una explicación de dos minutos, en persona o grabada, de un trabajo entregado; un cuestionario breve de seguimiento sobre el mismo material, respondido sin herramientas; la petición de revisar una muestra de su propio trabajo y explicar los cambios. La fuente es un relato de práctica profesional, así que trátelo como una práctica prometedora y no como prueba de efecto.

La verificación también decide si su proceso de mala conducta sobrevive a una apelación. Munoz et al. (2026) analizaron expedientes reales de denuncias de mala conducta con IA generativa y encontraron que la justicia natural exige que se informe al estudiante de la acusación y se le dé la oportunidad de responder antes de cualquier determinación, normalmente en una reunión de investigación o una entrevista ante un panel, y que todo lo que diga entre en el registro probatorio. Sus categorías de evidencia explican por qué esto tiene que estar incorporado en el curso: los rastros conductuales registrados por el sistema solo existen en la evaluación supervisada, y las pruebas de proceso más débiles, como borradores, reuniones de tutoría y presentaciones, solo existen donde ya eran rutina. Un hábito de verificación se convierte en evidencia en la que puede apoyarse más adelante.

Redacte la norma con precisión, también. Wright (2026) muestra que las prohibiciones que tratan la transcripción de voz a texto y la redacción generativa como el mismo "uso de IA" son demasiado amplias y arriesgan sancionar a estudiantes que no hicieron lo prohibido. Eso es un problema de equidad antes que uno legal, y Cuestiones y riesgos legales cubre el resto.

Mantenga a los estudiantes dentro del bucle mientras trabajan

Prohibir la herramienta y permitirla sin estructura producen el mismo resultado: estudiantes fuera del trabajo cognitivo.

La síntesis Reducir el mal uso de la IA expone ocho principios de diseño para la versión permitida, entre ellos: preservar la fricción cognitiva, situar la IA como socio de pensamiento provisional y no como autoridad, incorporar puntos de control evaluativos y exigir un diario metacognitivo y registros de indicaciones.

La secuencia que sostiene esos principios es lo bastante corta para imprimirla en la hoja de la tarea:

1. Pensar primero. Los estudiantes generan ideas, esquematizan o redactan de forma independiente antes de abrir nada.

2. La IA después. La usan para criticar, ampliar o generar alternativas frente a un pensamiento que ya tienen.

3. Reflexionar en tercer lugar. Registran para qué la usaron, qué aceptaron y rechazaron, y por qué. Una indicación más un registro de revisión basta.

Haga la declaración específica y barata de rellenar

Sustituya la casilla genérica "usé IA" por un marco de declaración específico de la disciplina que vincule el uso a etapas cognitivas, como la planificación estructural frente a la generación de contenido (Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education). Una hoja de cubierta que pregunta en qué etapas, con qué herramienta, con qué indicaciones y cómo se evaluó la salida hace más trabajo que un sí o un no.

Dos condiciones lo hacen honesto. La declaración tiene que ser segura, porque las políticas punitivas o vagas impulsan activamente la ocultación (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher), y los estudiantes sopesan el riesgo de decírselo frente al riesgo de no decírselo ("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education).

La aritmética también tiene que favorecer el decir. Mohamed y Temimi lo modelan como un problema de información imperfecta y no de moral. Declarar resulta atractivo solo mientras el coste de la honestidad sigue siendo bajo, y como los falsos positivos de un detector recaen también sobre estudiantes honestos, una vigilancia más fuerte puede hacer relativamente más atractiva la ocultación siempre que una sensibilidad extra produzca más falsos positivos nuevos que verdaderos positivos nuevos. Lea un uso declarado como contexto y no como confesión, y diseñe para el estudiante con más tentación de ocultar.

Enseñe la alfabetización que califica

La síntesis Reducir el mal uso de la IA sitúa la alfabetización en IA y la enseñanza de indicaciones en el Nivel 2, por debajo del cambio estructural.

El ejemplo medido es un módulo de K-12 que usa práctica de indicaciones basada en escenarios con un modelo de lenguaje que califica de forma automática. Mejoró la habilidad real para formular indicaciones y elevó la confianza en usar la IA para aprender un 10,4%, con un 87% que declaró haber aprendido a usar la IA de forma responsable (Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module).

Lo que los estudiantes creen de verdad es menos cínico de lo que sugiere el pánico. Entre 504 estudiantes de sociología, el 65% había usado IA generativa para el trabajo del curso, pero solo el 3% para generar texto de la tarea y el 2% para generar un borrador completo. El 81% había recibido alguna orientación sobre IA y solo el 46% la encontró muy clara (Student Use of and Views on GenAI for Writing). El problema práctico es la ambigüedad, no la rebeldía, y por eso una norma clara más una secuencia enseñada cambia más conducta que una advertencia. Mulisa y Mezgebu (2026) describen a estudiantes que se preguntan si la IA generativa es una herramienta que facilita las trampas o un socio que apoya el aprendizaje, y esa pregunta es la que sus expectativas deberían responder.

El daño que merece enseñarse explícitamente es la brecha entre rendimiento y aprendizaje: el rendimiento sube ahora, el aprendizaje cae después, y el estudiante solo experimenta lo primero. Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking y "It's OK Because.": The Wild West of Student Rationalization of AI Use in Academic Writing cubren el lado de la norma entre pares y la racionalización, incluida la defensa del "todos lo hacen" que una norma clara desinfla. Para ver qué tan sólida es esta base, consulte ¿Qué evidencia existe sobre las intervenciones de alfabetización en IA en la educación superior? y ¿Cuáles son los 10 hallazgos principales de la investigación sobre IA en educación que el profesorado debería conocer?.

En qué se equivocan los docentes

Un detector es un seguro. Cuente lo que cubre la prima: a la tasa que Vanderbilt no pudo validar, el 1% de 75.000 entregas anuales son 750 estudiantes mal etiquetados, y el estudio de 642 resúmenes muestra que las señales se agrupan en la edición permitida.

Una prohibición zanja la cuestión. Una prohibición redactada en el lenguaje del "uso de IA" atrapa la transcripción junto con la redacción, lo que significa que puede sancionar a un estudiante por dictar su propia frase (Wright, 2026). Tampoco le dice nada sobre lo que ese estudiante sabe hacer.

Copiar es un problema de motivación, así que las sanciones son la herramienta. La motivación es real, y no es la palanca con mejor evidencia. El rediseño ocupa el Nivel 1 porque no requiere que el estudiante elija bien, y el modelo de región de respuesta dice que hay que diseñar para el estudiante con más tentación de ocultar.

Si permito la IA, el mal uso deja de ser mi problema. El permiso sin barreras de seguridad produjo la ganancia del 48% en la práctica y la pérdida del 17% en el examen en el mismo estudio. Vuelva a poner la barrera y el daño desapareció.

Los estudiantes ya saben dónde está la línea. El 81% tenía orientación y menos de la mitad la encontró clara. Las cifras del 3% y el 2% dicen que la mayoría no está generando tareas enteras; el 46% dice que están adivinando sobre el resto.

Una casilla es una declaración. Una casilla registra que un estudiante hizo clic. Una declaración por etapas le dice qué hizo en cada paso, que es la única versión que le ayuda a usted o a él.

Lo que le van a responder

"No tengo tiempo para rediseñar un curso este semestre." No rediseñe el curso. Rediseñe una tarea: un paso sin asistencia, una línea de la rúbrica con puntos. Es un cambio de dos horas, y es el cambio que destaca la revisión de 72 estudios.

"Las defensas orales son imposibles con 300 estudiantes." Entonces no haga 300. Dé más peso al componente a libro cerrado, exija artefactos de proceso y haga comprobaciones orales por muestreo en las entregas que parecen incoherentes con el trabajo anterior. Trescientos estudiantes no necesitan 300 conversaciones para cambiar el cálculo.

"Necesito algo que mostrar a la oficina de integridad." La evidencia de proceso es más fuerte que la puntuación de un detector, porque Munoz et al. encontraron que la oportunidad de responder y los registros del propio curso son aquello en lo que se apoya el expediente. Un porcentaje señalado es una acusación. Una explicación grabada es un registro.

"Exigir declaraciones solo carga a los honestos." Lo hace, si declarar invita a la sospecha. Mantenga el coste de la honestidad cerca de cero: ninguna penalización por un uso declarado y una declaración leída como contexto. El modelo predice ocultación precisamente cuando la honestidad se vuelve cara.

"Los estudiantes usarán IA de todas formas." Lo harán, y la pregunta útil es qué respuesta facilita más su tarea. En un grupo donde el 65% declara uso y el 2% declara generar un borrador completo, la mayor parte del tráfico es asistencia que usted podría estar enseñando y no fraude que necesita atrapar.

"Apretar las normas atrapará a estudiantes que no hicieron nada malo." Ese es el modo de fallo documentado, no una hipótesis. La precisión es la protección: nombre el acto prohibido, no la herramienta.

Qué hacer esta semana

1. Reescriba la cláusula sobre IA de su tarea más disputada para que nombre pasos y actos concretos, y elimine la formulación genérica.

2. Añada un paso sin asistencia a esa tarea y déle peso suficiente para que importe.

3. Incluya un artefacto de proceso en la rúbrica con puntos asignados y describa cómo se ve un buen trabajo con la misma precisión con que describe el producto.

4. Si permite un tutor, revise esta semana su configuración frente a los cuatro ajustes anteriores.

5. Diga a los estudiantes, por escrito, que un uso declarado no se penalizará, y cúmplalo.

Adónde ir después

¿Cómo puedo rediseñar la evaluación para que una calificación siga diciéndome algo defendible sobre lo que el estudiante sabe o puede hacer? es el compañero de diseño de la evaluación, y el punto de partida si su pregunta es de qué es evidencia una nota. ¿Deberíamos usar detectores de IA? aborda directamente la decisión sobre los detectores, ¿Cómo redacto una política de IA para un curso y la comunico al estudiantado? cubre la redacción que los estudiantes leen de verdad, y 'A bit of chaos and madness': The AI Assessment Scale and the work of assessment reform aporta el esquema de etiquetas. En el lado de la enseñanza, ¿Qué evidencia existe sobre las intervenciones de alfabetización en IA en la educación superior? y Mal uso de la IA y daño al aprendizaje cubren cuánto vale el trabajo de alfabetización y por qué ocurre el daño.