¿Cuáles son las mejores prácticas para la enseñanza de la escritura en el contexto de la IA?

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

Esta FAQ está escrita para el profesorado que tiene que decidir, curso a curso y tarea a tarea, qué debería poder hacer la IA en la escritura del estudiantado. Se basa en la base de conocimiento IA en educación, en especial en sus síntesis sobre IA en la educación en escritura, carga cognitiva y delegación cognitiva, calidad de la retroalimentación de IA, alfabetización en retroalimentación y integridad académica.

La investigación apunta a un principio consistente:

Use la IA para aumentar la retroalimentación, la reflexión, la crítica y la revisión, y no para eliminar el trabajo intelectual que la escritura está destinada a desarrollar.

Ese principio importa porque la escritura no es la producción de un texto pulido, sino un proceso cognitivo, retórico y social. La IA puede mejorar el producto y a la vez debilitar los procesos de razonamiento, autoría, evaluación de fuentes y revisión que su tarea existe para enseñar. Todo lo que sigue es una forma de aplicar esa distinción.

Ocho prácticas fundamentadas en la investigación para el profesorado

1. Decida primero qué trabajo intelectual debe conservar el estudiantado y después fije el límite de la IA. Antes de decidir si se "permite" la IA, nombre el constructo que la tarea desarrolla o evalúa. Si el objetivo es la argumentación, el estudiantado debe formular y defender afirmaciones. Si es la interpretación disciplinar, debe emitir juicios interpretativos. Si es el razonamiento científico, debe conectar la evidencia con las conclusiones. El uso de IA que reemplaza ese trabajo socava la validez de la tarea incluso cuando la prosa resultante es excelente: el producto ya no respalda la inferencia que usted quiere extraer de él. Esta es la lógica central de la educación en escritura y la integridad académica, y es la razón por la que las normas a nivel de tarea superan a las prohibiciones a nivel de curso.

Nash y Burriss muestran lo difícil que es trazar bien ese límite. En 27 políticas de aula sobre IA de docentes de inglés en formación, 22 permitían la IA para la ideación y la lluvia de ideas, 22 prohibían o dejaban sin aclarar el uso de la IA para componer frases, párrafos o trabajos, y 22 no decían nada en absoluto sobre la lectura. La contradicción que los autores sacan a la luz es instructiva: los mismos docentes llamaban "pensamiento" a la ideación y la revisión, mientras situaban el pensamiento real solo en el texto escrito final. Si el pensamiento se distribuye entre la planificación, el borrador, la revisión y la evaluación, como sostiene la investigación sobre composición en la que se basa el artículo, entonces una política que solo protege el producto final está protegiendo el paso equivocado, y la lectura merece el mismo tratamiento explícito que la escritura.

2. Prefiera "el estudiante piensa, la IA responde" frente a "la IA escribe, el estudiante edita". Este es el principio más aplicable de la base de evidencia. El estudio sensible a las capas de Chen sobre 168 estudiantes universitarios en seis clases intactas distinguió la delegación superficial, estructural, de ideas y de razonamiento: la colaboración abierta con la IA produjo la escritura asistida por IA más sólida pero el desempeño independiente posterior más débil, y delegar el razonamiento fue lo que se asoció de forma más negativa con el pensamiento de orden superior independiente. Una condición acotada que restringía la delegación y exigía al estudiantado explicar cómo aceptaba, modificaba o rechazaba las sugerencias de la IA obtuvo mejores resultados en escritura independiente, profundidad argumentativa y revisión. El estudio es cuasiexperimental y solo con seis clases intactas, así que la afirmación causal debe tratarse con cautela, pero el patrón coincide con la literatura más amplia sobre delegación cognitiva.

De aquí se sigue una regla práctica: exija al estudiantado establecer su propia interpretación, hipótesis, argumento o análisis antes de pedir a la IA que los critique o los desarrolle. A la IA se le puede pedir: "Aquí tienes tres objeciones a mi argumento". Rara vez debería pedírsele: "Escríbeme el argumento".

3. Sea especialmente prudente con los primeros borradores generados por IA. En un estudio con 253 escritores, cualquier asistencia de IA redujo la sensación de autoría, pero la asistencia en el borrador fue la que más la redujo y la asistencia en la planificación la que menos; más texto e ideas aportados por la IA se asociaron con una mejor calidad del ensayo pero con una menor autoría (el estudio sobre autoría de la planificación a la revisión). La disyuntiva es real: puede obtener un mejor ensayo y una sensación más débil de autoría en la misma entrega. Si preservar la autoría importa en su curso, separe la IA que guía la planificación de la IA que genera párrafos: la primera es defendible casi en cualquier parte, la segunda rara vez lo es cuando la composición es la habilidad objetivo.

4. Use la IA como uno más entre los interlocutores de retroalimentación y mantenga la retroalimentación humana en el sistema. La evidencia de aula más sólida en este punto es PAIRR, con 654 estudiantes de diez cursos de escritura y tres cursos de STEM con gran carga de escritura: el estudiantado redactó, completó la evaluación entre pares, obtuvo retroalimentación de IA basada en rúbricas, comparó y evaluó ambas fuentes, elaboró planes de revisión, revisó y reflexionó. El 58% prefirió la retroalimentación combinada de pares e IA frente a solo el 6% que prefirió la retroalimentación de IA por sí sola. El estudiantado encontró útil la IA para consejos generales de revisión orientados por la rúbrica, mientras que los pares aportaban conocimiento contextual y respuesta de una audiencia auténtica. Sea preciso sobre lo que esto muestra: PAIRR midió la experiencia y la evaluación de la retroalimentación por parte del estudiantado, y no ganancias de aprendizaje a largo plazo, así que es evidencia sólida para un diseño de retroalimentación y más débil para una mejora duradera de la escritura.

5. Enseñe al estudiantado a evaluar la retroalimentación, no solo a pedirla. El acceso a una buena retroalimentación no basta. El estudiantado necesita alfabetización en retroalimentación: la capacidad de buscar retroalimentación, juzgar su calidad, gestionar su reacción ante ella y convertirla en revisión. El estudiantado con mayor alfabetización en retroalimentación se beneficia mucho más de la retroalimentación de IA, mientras que quienes la tratan como autorizada obtienen menos (calidad de la retroalimentación de IA). Un componente útil de la tarea es una breve tabla de decisiones de retroalimentación: sugerencia de la IA → aceptar / rechazar / modificar → por qué → el criterio de la rúbrica o la evidencia que respalda la decisión. Eso convierte el resultado de la IA en material para el juicio y no en instrucciones que obedecer, y le da algo calificable que no es la propia prosa.

6. Mantenga parte de la escritura y el razonamiento observables de forma independiente. El desempeño asistido por IA no es capacidad independiente. Conserve condiciones ocasionales de retirada: escritura breve sin IA, interpretación en clase, explicación oral, una tutoría, revisión espontánea o un problema de seguimiento que exija transferir el mismo razonamiento a un caso nuevo. Esto importa sobre todo cuando el trabajo final tiene un peso considerable en la calificación. No significa convertir cada tarea en un examen vigilado: unas pocas muestras independientes colocadas estratégicamente dan tanto a usted como al estudiante una línea base con la que interpretar el trabajo asistido (carga cognitiva y delegación cognitiva; el estudio de Chen). Este es el caso específico de la escritura del argumento general sobre el rediseño de la evaluación en rediseñar la evaluación en la era de la IA.

7. Use la divulgación como reflexión, no como trampa. La divulgación no es neutra: el estudiantado oculta el uso de IA cuando las políticas son ambiguas, punitivas o estigmatizantes, y la honestidad puede incluso atraer sospechas. La divulgación funciona pedagógicamente cuando hace visible la toma de decisiones: para qué se usó la IA, qué se le proporcionó, qué sugerencias importaron y qué aceptó o rechazó en última instancia el estudiante (declaraciones de uso y divulgación de IA; investigación sobre la racionalización del estudiantado). Una orientación específica para cada tarea es mejor que una norma general de "IA permitida" o "IA prohibida", porque el límite correcto difiere entre la lluvia de ideas, el desarrollo de argumentos, la edición de frases, el trabajo con fuentes y la composición final. Indique cómo afectará la divulgación a la calificación, o el estudiantado supondrá lo peor.

La modelización del diseño de evaluación de Mohamed y Temimi aporta el mecanismo: la divulgación se convierte en la opción atractiva solo cuando el costo de la honestidad se mantiene bajo, y como los falsos positivos de un detector también recaen sobre estudiantes honestos, una vigilancia más intensa puede hacer que ocultarse resulte relativamente más atractivo. Su consejo es diseñar para el estudiante con más tentación de ocultar y leer un uso declarado como contexto y no como confesión.

8. No trate el juicio genérico de un Large Language Models (LLMs) como sustituto de su propio juicio, sobre todo en la evaluación sumativa. Dos resultados aparentemente contradictorios son compatibles: los sistemas cuidadosamente calibrados con rúbricas detalladas y ejemplos pueden puntuar bien tareas concretas, mientras que la calificación con LLM sin ajustes diverge sustancialmente del juicio humano. Mathew et al. encontraron una concordancia débil entre humanos y LLM que varía sistemáticamente con la calidad del ensayo: los LLM recompensan en exceso los ensayos cortos y superficialmente legibles y recompensan de menos los ensayos más largos y sólidos con errores superficiales menores, agrupándose hacia el centro de la escala. Por lo tanto, la IA es mucho más fácil de justificar para la retroalimentación formativa de bajo riesgo, la redacción de comentarios o el triaje que como calificador final autónomo (puntuación automatizada de ensayos).

El propio estudiantado traza una versión de esta línea. En un curso universitario de comunicación técnica en el que ChatGPT puntuaba escritura manuscrita y se lo dijeron al estudiantado, los 13 participantes consideraron la retroalimentación clara y útil para la revisión superficial, y aun así la mayoría separó la utilidad de la retroalimentación de la autoridad evaluativa, aceptando la crítica y a la vez insistiendo en que el docente decidiera la calificación (perspectivas del estudiantado sobre la calificación de la escritura con IA). Ese patrón de dos juicios aboga por diseñar la supervisión humana como el punto en el que el resultado de la IA se convierte en una calificación, en lugar de tratarla como una cortesía opcional.

Un flujo de trabajo predeterminado que puede adoptar o adaptar

Una secuencia sólida de escritura en la era de la IA mantiene el razonamiento con el estudiante y pone la IA en un papel de consultora:

Etapa	Responsabilidad del estudiantado	Papel apropiado de la IA	Qué puede recoger
1. Encontrar la evidencia	Leer, observar, anotar, calcular, realizar el experimento	Normalmente ninguno, o solo aclaraciones	Notas, anotaciones, observaciones
2. Formar una posición inicial	Generar interpretación, pregunta, hipótesis, afirmación	Puede hacer preguntas o cuestionar supuestos	Memorando de afirmación o hipótesis
3. Planificar	Decidir evidencia, secuencia, audiencia, género	Puede criticar un esquema o sugerir alternativas; el estudiante decide	Esquema + justificación
4. Redactar	Producir prosa y razonamiento sustantivos	Restringido según el objetivo de aprendizaje	Borrador e historial de versiones
5. Respuesta humana	Dar y recibir retroalimentación de pares o del docente	Ninguno necesario	Comentarios de los pares
6. Retroalimentación de IA	Pedir una crítica referida a criterios	Crítico, lector, generador de contraargumentos, verificador de claridad	Transcripción de la retroalimentación de IA
7. Evaluar la retroalimentación	Comparar las sugerencias de pares, docente e IA; aceptar o rechazar con razones	El resultado de la IA se convierte en objeto de evaluación	Memorando de decisión sobre la retroalimentación
8. Revisar	Hacer cambios sustantivos y justificarlos	Probar la claridad, ofrecer alternativas	Revisión
9. Verificar	Comprobar cada afirmación factual o dependiente de fuentes	La IA no puede verificar su propio resultado	Fuentes y evidencia
10. Reflexionar y divulgar	Explicar el papel de la IA y qué cambió en su pensamiento	Ninguno	Breve reflexión sobre el proceso
11. Comprobación independiente cuando sea necesaria	Explicar o aplicar el razonamiento sin IA	Ninguno	Defensa oral, escritura rápida, caso nuevo

Esto es esencialmente PAIRR ampliado: borrador → retroalimentación humana → retroalimentación de IA → comparación crítica → revisión → reflexión, con una línea base independiente y límites más claros en torno al razonamiento.

Orientación específica por disciplina

Cursos de composición y escritura

El profesorado de composición tiene la razón más sólida para proteger el propio proceso de escritura, porque el borrador, la toma de decisiones retóricas, la revisión, la conciencia de la audiencia y el desarrollo de una voz no son solo formas de mostrar el aprendizaje: son los objetivos de aprendizaje. Enseñe el uso de la IA de forma progresiva y no como algo binario. Al principio del curso, recoja varias muestras independientes para que tanto usted como el estudiante sepan qué puede hacer el escritor en ese momento. Luego introduzca la IA principalmente como audiencia, crítica e interlocutora de revisión: pídale que identifique dónde pierde el hilo un lector, que genere objeciones a una tesis, que compare un borrador con la rúbrica, que señale afirmaciones sin respaldo o que explique por qué un párrafo parece incoherente. El estudiantado juzga las sugerencias por sí mismo.

Mantenga la revisión entre pares incluso cuando haya retroalimentación de IA disponible: los pares aportan conocimiento contextual y de audiencia que la IA no tiene, y evaluar la diferencia entre ambos es en sí mismo una formación como escritor. Sea conservador con la IA que genera tramos largos de un primer borrador cuando aprender a componer es el objetivo, como indican tanto la evidencia sobre autoría como la evidencia sobre delegación. Al mismo tiempo, evite las prohibiciones generales de la asistencia gramatical, de expresión o lingüística: crean barreras innecesarias para el estudiantado multilingüe. La mejor jugada es separar el apoyo lingüístico de la autoría intelectual: el estudiantado puede recibir ayuda con la expresión y seguir siendo responsable de las ideas, la evidencia, las decisiones retóricas y el significado. Tenga en cuenta que la retroalimentación de IA no es neutral desde el punto de vista lingüístico: Tan et al. encontraron que una escritura idéntica recibía más elogios y menos crítica sustantiva cuando se incluían atributos demográficos o educativos del estudiante en la indicación, así que la auditoría de sesgo corresponde a su diseño de retroalimentación.

Cursos de humanidades y ciencias sociales

La interpretación es con frecuencia la capacidad objetivo aquí, así que haga que el encuentro con la fuente preceda al encuentro con la IA. El estudiantado debería anotar el texto primario, la fuente histórica, la obra de arte, el documento de archivo, la entrevista o el pasaje teórico y formular una interpretación inicial antes de consultar la IA. Después, la IA resulta educativamente útil como contrapunto: "Ofrece una lectura alternativa"; "¿Qué evidencia cuestionaría mi interpretación?"; "¿Qué supuestos hace mi argumento?"; "Genera una interpretación desde una perspectiva teórica contrastante". El estudiante decide qué lectura merece el texto real.

Las tareas también pueden convertir la crítica de la IA en sí misma en parte del aprendizaje disciplinar: dé al estudiantado una interpretación de IA de un poema, un acontecimiento, un argumento o un fenómeno social y pregúntele qué advierte, qué se le escapa, qué evidencia respalda sus afirmaciones, de quién está ausente la perspectiva y dónde aplana la ambigüedad en una respuesta fluida. Eso preserva el juicio interpretativo que enseñan las humanidades en lugar de tratar un LLM como un oráculo. Evalúe las decisiones interpretativas y la justificación con evidencia, y no el pulido: una breve pregunta en una tutoría como "¿Por qué leíste este pasaje así y no según la alternativa que descartaste?" es una evidencia de comprensión mucho más sólida que adivinar si una frase "parece generada por IA" (detección de IA).

Cursos de STEM e informes de laboratorio

Primero una matización: la base de conocimiento contiene evidencia mucho más sólida sobre la escritura académica apoyada por IA en general que sobre la IA en la escritura de informes de laboratorio en concreto; la pedagogía práctica y de laboratorio sigue estando poco cubierta, incluso dentro de la literatura sobre educación en ingeniería. La orientación que sigue es una aplicación razonada de la evidencia sobre escritura, delegación cognitiva, validez e ingeniería, y no una conclusión extraída de una literatura amplia sobre informes de laboratorio.

Trace el límite de la IA en torno al razonamiento científico y no a la prosa en su conjunto. El estudiantado sigue siendo responsable de las observaciones, los datos brutos, los cálculos, la incertidumbre, las figuras, las decisiones de análisis, los resultados y el razonamiento que conecta afirmaciones y evidencia. Una vez que eso existe, la IA puede ayudar razonablemente con la organización, la legibilidad, las transiciones y las convenciones disciplinares, la misma distinción entre superficie y razonamiento de antes (el estudio de Chen).

Un paquete sólido de informe de laboratorio para la era de la IA incluye por lo tanto el informe más datos brutos seleccionados, cálculos o la salida del cuaderno, una figura con una interpretación escrita por el estudiante, y una breve declaración de cómo la conclusión central se sigue de la evidencia. Para los informes de alto riesgo, haga una o dos preguntas de seguimiento individualizadas sobre un gráfico, un resultado anómalo, una elección metodológica o una limitación. No deje que la fluidez de la escritura sustituya la comprensión conceptual: la base de conocimiento informa de que la puntuación automatizada de física puede subestimar la comprensión conceptual cuando la expresión lingüística es más débil, lo que recae con más dureza sobre el estudiantado multilingüe (puntuación automatizada de ensayos). Si el razonamiento científico y la escritura científica son ambos objetivos, puntúelos por separado.

Los cursos de ingeniería añaden responsabilidad profesional. Una revisión de 99 estudios empíricos de educación en ingeniería identificó la transparencia, la supervisión humana, la independencia del estudiantado, la privacidad, la autoría, la imparcialidad y la beneficencia como preocupaciones éticas recurrentes, y sostuvo que la ética de la IA corresponde a la formación profesional y no solo al cumplimiento de normas. En un informe de laboratorio o de diseño, pida al estudiantado no solo que divulgue la asistencia de la IA, sino que certifique que ha verificado los cálculos, las fuentes, los supuestos y las afirmaciones relevantes para la seguridad.

Lo que hay que dejar de hacer

• Exigir una prosa pulida e ignorar el proceso. Hace que el producto sea cada vez más difícil de interpretar como evidencia de aprendizaje.
• Apoyarse en los detectores de IA. La detección aborda la detección, no el aprendizaje ni la validez de la evaluación, y su historial probatorio es pobre: en un estudio de campo encubierto, el 94% de las entregas de examen generadas por IA pasaron desapercibidas y obtuvieron mejores puntuaciones que estudiantes reales, mientras que un estudio controlado encontró que los detectores señalaban la edición ligera con IA permitida en un 38-80% pero pasaban por alto más del 96% de las reescrituras humanizadas (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI; Why AI Detection Fails for Academic Integrity).
• Dar acceso ilimitado a la IA sin enseñar a evaluar la retroalimentación. Eso presupone la alfabetización en retroalimentación que mucho estudiantado aún no ha desarrollado.
• Sustituir la retroalimentación de IA por la interacción con pares y con el docente. Elimina la información contextual y relacional que el estudiantado dice valorar de forma constante.
• Escribir "IA permitida" y dejarlo ahí. El estudiantado lo interpreta razonablemente como que cubre todo, desde la corrección ortográfica hasta la generación del argumento central. Las expectativas a nivel de tarea son más claras y hacen que la divulgación sea menos un juego de adivinanzas (declaraciones de uso y divulgación de IA).

Una regla rápida para decidir qué puede hacer la IA

Para cada tarea, haga tres preguntas:

Pregunta	Si la respuesta es sí
¿Esta actividad cognitiva es en sí misma un objetivo de aprendizaje?	Mantenga una responsabilidad sustancial en el estudiantado.
¿El estudiantado tendrá que desempeñar esta capacidad de forma independiente más adelante?	Añada práctica independiente y algo de evaluación sin IA.
¿Puede la IA ayudar al estudiantado a evaluar, practicar o revisar la capacidad sin desempeñarla por él?	Normalmente el caso más sólido para integrar la IA.

Aplicado: si el objetivo es la argumentación, la IA puede cuestionar un argumento pero no debería proporcionarlo habitualmente. Si el objetivo es la interpretación histórica, la IA puede ofrecer una lectura competidora que el estudiante critica. Si el objetivo es la comunicación en informes de laboratorio, la IA puede mejorar la prosa después de que el estudiante haya hecho el análisis y el razonamiento. Este es el límite de entrenador antes que muleta en la práctica.

¿Qué solidez tiene la evidencia?

Prometedora, pero todavía no lo bastante sólida como para justificar una única política universal sobre la escritura con IA. Parte de la mejor evidencia procede de estudios de aula auténticos y sustanciales como PAIRR con sus 654 estudiantes. Otros hallazgos se apoyan en cuasiexperimentos, muestras experimentales pequeñas, análisis conceptuales y trabajos emergentes de 2025-2026: el estudio de escritura acotada de Chen incluyó a 168 estudiantes pero solo seis clases intactas; el estudio sobre autoría usó una tarea de escritura experimental breve; y un estudio que informaba de ganancias inmediatas de calidad tras practicar con ChatGPT incluyó solo a 21 estudiantes internacionales de primer año y no estableció transferencia a largo plazo (Leveraging ChatGPT in academic writing: ChatGPT enhances students' writing quality, writing experience, and ownership).

Trate el consenso como principios de diseño y no como prescripciones resueltas. El hallazgo más fiable entre estudios es preservar la agencia del estudiante, el juicio evaluativo, la competencia independiente, el razonamiento disciplinar y la retroalimentación humana, y usar la IA para ampliar la disponibilidad de crítica, práctica, apoyo a la revisión y asistencia lingüística.

La versión breve para un programa de curso o un taller de profesorado: el estudiantado hace primero el trabajo intelectual; la IA sobre todo pregunta, critica, explica y apoya la revisión; el estudiantado evalúa en lugar de limitarse a implementar su resultado; y la evaluación incluye suficiente proceso o evidencia independiente para mostrar qué puede hacer realmente el estudiante.