¿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.

Está reescribiendo una hoja de asignación y la frase que tiene delante dice que se permite la IA con reconocimiento, lo que no le dice al estudiantado nada sobre si la herramienta puede aportar el argumento. Un colega ha propuesto una prohibición para todo el curso y usted sospecha que recae con más fuerza sobre quienes escriben en varias lenguas en esa aula. O un lote de ensayos volvió más pulido que la discusión del seminario que los sustentaba, y necesita una regla que pueda defender en la próxima reunión de plan de estudios.

La conclusión de fondo: nombre el trabajo intelectual que la asignación existe para producir, mantenga ese paso en manos del estudiante y dé a la herramienta encargos que devuelvan algo que el estudiante tenga que juzgar. Una regla escrita así le dice al estudiante qué paso protege.

La versión breve

1. Escriba una sola frase que nombre el pensamiento que la asignación califica y colóquela donde el estudiantado vaya a leerla.

2. Haga que el estudiante se comprometa con una tesis, una interpretación o un borrador antes de que la herramienta vea la tarea.

3. Fije el límite paso a paso. Permita la IA donde el paso no es lo que usted califica; restrínjala donde sí lo es.

4. Dé a la IA la silla del crítico y luego califique qué hace el estudiante con la respuesta.

5. Reserve un texto que la herramienta no toque nunca y lea el trabajo asistido a la luz de ese texto.

6. Diga de antemano qué efecto tiene la declaración de uso sobre la calificación.

Nombre el pensamiento al que sirve la asignación

El límite de la IA es la segunda pregunta, y la mayoría de las hojas de asignación la responden primero. Antes de decidir qué se permite, complete esta frase: esta asignación existe para mostrar que el estudiante sabe hacer X. Si X es la argumentación, el estudiante tiene que formular y defender la tesis. Si es la interpretación disciplinar, el estudiante tiene que emitir el juicio interpretativo. Si es el razonamiento científico, el estudiante tiene que conectar la evidencia con una conclusión. Una IA que realiza ese trabajo rompe la inferencia que usted quiere extraer del ensayo, y una prosa excelente no la repara. La validez de la evaluación trata esto como un problema de validez y no de conducta, y por eso la enseñanza de la escritura y la integridad académica acaban defendiendo reglas por tarea en lugar de prohibiciones por curso.

Nash y Burriss muestran con qué facilidad se tuerce la frase. En 27 políticas de aula sobre IA de docentes de inglés en formación inicial, 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. Los mismos docentes describían la ideación y la revisión como "pensamiento" mientras situaban el pensamiento real en el texto escrito final. Si el pensamiento recorre la planificación, la redacción, la revisión y la evaluación, una política que solo protege el último producto protege el paso equivocado, y la lectura necesita una regla tan explícita como la escritura.

Escriba la regla como una frase sobre un paso: "Puede usar IA para poner a prueba objeciones a una tesis que ya ha formulado. No puede usarla para generar la tesis ni la evidencia que la sostiene." Un estudiante puede actuar con eso. "Se permite la IA con reconocimiento" no le da nada con lo que actuar.

Haga que el estudiante se comprometa antes de que la herramienta responda

El orden de las operaciones es la decisión de diseño más útil de esta literatura. El estudio de Chen sobre capas con 168 estudiantes de grado en seis clases intactas separó cuatro tipos de delegación: de superficie, estructural, de ideas y de razonamiento. La colaboración abierta con IA produjo la mejor escritura asistida y el peor desempeño independiente posterior. Delegar el razonamiento fue la capa más asociada negativamente con el pensamiento de orden superior independiente. Una condición acotada, que restringía qué podían delegar los estudiantes y les exigía explicar cómo habían aceptado, modificado o rechazado cada sugerencia de la IA, obtuvo mejores resultados en escritura independiente, profundidad argumental y revisión.

Trate con cuidado la afirmación causal. Es cuasiexperimental, con seis clases intactas y sin asignación aleatoria del estudiantado, así que las diferencias entre aulas quedan enredadas con el tratamiento. La dirección encaja con la literatura más amplia sobre descarga cognitiva, y por eso vale la pena actuar sobre ella, pero el tamaño del efecto no es algo que convenga citar en un comité.

En la hoja cuesta una línea: el estudiante aporta una interpretación, una hipótesis, un argumento o un análisis, y a la IA se le pide que lo ataque. "Aquí hay tres objeciones a mi argumento" mantiene el pensamiento en quien escribe. "Escribe mi argumento" no lo mantiene, haga lo que haga después el estudiante con la salida.

Trate el primer borrador como el paso caro

La asistencia en distintas etapas hace daños distintos. En un estudio con 253 autores, cualquier asistencia de IA redujo la percepción de autoría del trabajo, la asistencia en la redacción la redujo más y la asistencia en la planificación la redujo menos. Más texto e ideas aportados por la IA se asociaron con mejor calidad del ensayo y menor sensación de autoría en la misma entrega (el estudio sobre autoría desde la planificación hasta la revisión). Esa combinación es la que hay que prever: un ensayo más fuerte y una sensación de autoría más débil llegan juntos, y la segunda es aquello en lo que se apoya la agencia en la escritura.

Si la autoría importa en su curso, divida los permisos. Una IA que estimula la planificación, pregunta qué evidencia tiene ya el estudiante o nombra un contraargumento que se le ha pasado es defendible casi en cualquier parte. Una IA que genera párrafos es difícil de defender donde componer es la habilidad objetivo. Donde componer no es el objetivo, el cálculo cambia.

Fije la regla en cada paso

Una secuencia que vale la pena tomar prestada mantiene a la IA en un papel de consulta y sitúa el razonamiento en el estudiante:

Etapa	El estudiante hace	La IA puede	Artefacto que puede recoger
1. Encontrar la evidencia	Leer, observar, anotar, calcular, ejecutar el experimento	Nada, o solo aclaraciones	Notas, anotaciones, observaciones
2. Formar una postura	Generar interpretación, pregunta, hipótesis, tesis	Hacer preguntas, cuestionar supuestos	Memorando de tesis o hipótesis
3. Planificar	Decidir evidencia, secuencia, audiencia, género	Criticar un esquema, sugerir alternativas	Esquema con justificación
4. Redactar	Producir prosa y razonamiento sustantivos	Restringida según el objetivo de aprendizaje	Borrador e historial de versiones
5. Respuesta humana	Dar y recibir retroalimentación de pares o del docente	Nada necesario	Comentarios de pares
6. Retroalimentación de la IA	Pedir una crítica referida a criterios	Crítico, lector, generador de contraargumentos, verificador de claridad	Transcripción de la retroalimentación de la IA
7. Evaluar la retroalimentación	Comparar sugerencias de pares, del docente y de la IA, aceptar o rechazar con razones	Su salida es ahora el objeto de la evaluación	Memorando de decisión sobre la retroalimentación
8. Revisar	Hacer y justificar cambios sustantivos	Probar la claridad, ofrecer alternativas	Revisión
9. Verificar	Comprobar toda afirmación fáctica o dependiente de fuentes	No puede verificar su propia salida	Fuentes y evidencia
10. Reflexionar y declarar	Explicar el papel de la IA y qué cambió en su pensamiento	Nada	Breve reflexión sobre el proceso
11. Comprobación independiente	Explicar o aplicar el razonamiento sin IA	Nada	Defensa oral, escritura rápida, caso nuevo

Esto es PAIRR ampliado: borrador, retroalimentación humana, retroalimentación de la IA, comparación, revisión, reflexión, con una línea de base independiente y un límite más ajustado en torno al razonamiento. Use la columna central como la asignación y la columna de la derecha como aquello en lo que puede apoyarse una calificación.

Once filas son más de lo que necesitan la mayoría de las asignaciones. Reduzca la tabla a los pasos que realmente puede distinguir en clase: encontrar la evidencia, formar una postura, redactar y revisar. En esa versión más corta, el encuentro y la postura son donde vive el constructo, la redacción es el paso en disputa, y el formato o la comprobación de referencias pueden permitirse sin más. Escribir la tabla es la forma de encontrar los dos o tres puntos en los que su regla tiene que decir algo, así que una regla con tres cláusulas que un estudiante puede seguir supera a una matriz que nadie lee.

Mantenga la retroalimentación humana en el circuito

El mayor estudio de aula de este conjunto es PAIRR: 654 estudiantes en diez cursos de escritura y tres cursos intensivos en escritura de STEM. Redactaron, completaron una evaluación entre pares, obtuvieron retroalimentación de la IA basada en rúbricas, compararon y evaluaron ambas fuentes, escribieron planes de revisión, revisaron y reflexionaron. El 58% prefirió la combinación de retroalimentación de pares y de IA. El 6% prefirió solo la retroalimentación de la IA. El estudiantado encontró útil la IA para consejos generales de revisión orientados por la rúbrica, y los pares aportaron conocimiento contextual y una respuesta de audiencia auténtica.

Sea exacto con la afirmación. PAIRR midió la experiencia y la evaluación que el estudiantado hace de la retroalimentación, no ganancias de aprendizaje a largo plazo, así que es evidencia sólida para un diseño de retroalimentación y evidencia más débil de que la escritura mejore meses después. Mantenga el paso de pares incluso cuando el paso de la IA sea más rápido. Buena parte del trabajo de retroalimentación ocurre en la comparación entre las dos fuentes, y eliminarlo suprime la parte que el estudiantado dijo valorar.

La propia herramienta puede diseñarse para proteger el paso de razonamiento. Favero et al. (2026) construyeron MAIKE, un chatbot socrático que diagnostica argumentos y hace preguntas dirigidas sin generar el texto del ensayo. En un estudio de aula con 65 estudiantes de secundaria, quienes usaban MAIKE dedicaron más turnos al diálogo a nivel de ideas que quienes estaban en el grupo control (56% frente a 44%) y se movieron entre la discusión y la edición; alrededor del 40% del estudiantado mejoró sus puntuaciones de ensayo. El estudio no mostró una ventaja global de calificación frente al control, así que trátelo como una demostración de diseño sobre cómo conectar la conversación con la revisión, y no como prueba de que el chatbot eleva la calidad de la escritura.

Califique qué hizo el estudiante con la retroalimentación

La alfabetización en retroalimentación es la capacidad de buscar retroalimentación, juzgar su calidad, gestionar la propia reacción ante ella y convertirla en revisión. Quienes la tienen más desarrollada se benefician mucho más de la retroalimentación de la IA. Quienes tratan la salida como autoritativa ganan menos (calidad de la retroalimentación con IA).

Una breve tabla de decisiones hace visible esa capacidad, con una fila por sugerencia: la sugerencia de la IA, aceptar, rechazar o modificar, por qué, y el criterio de la rúbrica o la evidencia que respalda la decisión. Cuatro columnas, sin necesidad de ensayo. Convierte la salida del modelo en material para el juicio evaluativo y le da algo calificable que no es la prosa.

Describa una fila fuerte con el mismo cuidado con que describe una tesis: nombra el criterio de la rúbrica, señala un pasaje o una pieza de evidencia y explica un cambio que el estudiante hizo de verdad. Una fila que dice "buen punto, de acuerdo" no vale nada. El estudiantado escribe imitando el ejemplo que tiene delante, así que el ejemplo es la instrucción.

Haga que declarar el uso sea barato y específico

El estudiantado oculta el uso de IA cuando las políticas son ambiguas, punitivas o estigmatizantes, y la honestidad puede atraer sospechas (declaraciones de uso y divulgación de IA; investigación sobre la racionalización del estudiantado). Lo que hace pedagógicamente útil la declaración es que registra decisiones: para qué se usó la herramienta, qué le entregó el estudiante, qué sugerencias importaron, qué aceptó o rechazó.

Mohamed y Temimi aportan el mecanismo. Declarar se vuelve la opción atractiva solo cuando el costo de la honestidad se mantiene bajo. Los detectores también producen falsos positivos contra estudiantes honestos, así que una vigilancia más intensa puede hacer relativamente más atractivo ocultar. Su consejo es diseñar para el estudiante con más tentación de ocultar y leer un uso declarado como contexto y no como confesión.

Dos detalles hacen casi todo el trabajo en el formulario. Pida usos específicos en lugar de una categoría, y declare cómo afectará una declaración a la calificación. Un estudiante que no lo sabe supondrá lo peor.

Cuatro preguntas bastan para la mayoría de las asignaciones: en qué paso del trabajo se usó la herramienta, qué le aportó el estudiante, qué sugerencias cambiaron el borrador y cuáles se rechazaron y por qué. Esa última pregunta es la más informativa, porque un rechazo con razones es evidencia de juicio y una lista de sugerencias aceptadas no lo es.

Ajuste la regla a lo que su campo llama escritura

Cursos de composición y de escritura

Quienes enseñan composición tienen la razón más fuerte para proteger el proceso, porque la redacción, las decisiones retóricas, la revisión, la conciencia de la audiencia y la voz son los objetivos de aprendizaje y no su exhibición. Recoja varias muestras independientes al inicio del semestre, para que usted y el estudiante sepan qué puede hacer hoy quien escribe. Introduzca la IA como audiencia, crítica y socia de revisión: pregunte dónde pierde el hilo un lector, genere objeciones a una tesis, compare un borrador con la rúbrica, señale afirmaciones sin respaldo, explique por qué un párrafo se siente incoherente. El estudiante juzga cada sugerencia.

Mantenga la revisión entre pares junto a la retroalimentación de la IA, ya que los pares aportan conocimiento contextual y de audiencia que al modelo le falta, y evaluar la diferencia entre ambas fuentes es en sí mismo entrenamiento de escritor. Sea prudente con que la IA genere tramos largos de un primer borrador cuando el objetivo es aprender a componer, por las razones de autoría y descarga cognitiva expuestas antes. Evite las prohibiciones generales sobre gramática, fraseo o asistencia lingüística, que crean barreras innecesarias para quienes escriben en varias lenguas. Separe el apoyo lingüístico de la autoría intelectual: la ayuda con la expresión está bien, y el estudiante sigue siendo responsable de las ideas, la evidencia, las decisiones retóricas y el significado. Audite la retroalimentación misma, porque Tan et al. encontraron que un texto idéntico recibía más elogios y menos crítica sustantiva cuando se incluían atributos demográficos o educativos del estudiante en el mensaje, lo que sitúa la mitigación de sesgos dentro del diseño de la retroalimentación.

Cursos de humanidades y ciencias sociales

La interpretación suele ser la capacidad objetivo, así que haga que el encuentro con la fuente preceda al encuentro con la IA. El estudiantado anota el texto primario, la fuente histórica, la obra de arte, el documento de archivo, la entrevista o el pasaje teórico y forma una lectura inicial antes de consultar nada. Después el modelo funciona como contrapunto: ofrece una lectura alternativa, dice qué evidencia cuestionaría esta interpretación, nombra los supuestos que el argumento da por sentados, genera una lectura desde una perspectiva teórica contrastante. El estudiante decide qué lectura sostiene realmente el texto.

Encargue la crítica del modelo como trabajo disciplinar. Dé al estudiantado una interpretación de la IA sobre un poema, un acontecimiento, un argumento o un fenómeno social y pregunte qué advierte, qué se le escapa, qué evidencia respalda sus afirmaciones, qué perspectiva está ausente y dónde colapsa la ambigüedad en una respuesta pulida. Eso mantiene el juicio interpretativo como aquello que un curso de humanidades existe para enseñar. Evalúe las decisiones interpretativas y su justificación probatoria, y use una pregunta breve de tutoría como "¿Por qué leyó este pasaje así y no según la alternativa que rechazó?". Adivinar si una frase parece escrita por una máquina es una medida más débil, como explica la detección de IA.

Cursos de STEM e informes de laboratorio

Una precisión primero: esta base de conocimiento reúne evidencia mucho más sólida sobre la escritura académica asistida por IA en general que sobre la escritura de informes de laboratorio en particular. La pedagogía práctica y de laboratorio sigue estando poco cubierta, también en la literatura sobre educación en ingeniería, así que lo que sigue aplica hallazgos sobre escritura, descarga cognitiva, validez e ingeniería a un contexto que esos estudios no probaron.

Trace el límite en torno al razonamiento científico y no en torno 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 evidencia y conclusión. Una vez que eso existe, la IA puede ayudar razonablemente con la organización, la legibilidad, las transiciones y las convenciones disciplinares, que es la misma división entre superficie y razonamiento del estudio de Chen.

Un paquete de informe para un curso de laboratorio de la era de la IA incluye el informe más una selección de datos brutos, cálculos o 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 informes de alto impacto, haga una o dos preguntas individualizadas de seguimiento sobre un gráfico, un resultado anómalo, una decisión metodológica o una limitación. No deje que la fluidez de escritura sustituya a la comprensión conceptual: la calificación automatizada en física puede subestimar la comprensión conceptual cuando la expresión lingüística es más débil, y eso recae con más fuerza sobre el estudiantado multilingüe (calificación automatizada de ensayos). Si el razonamiento y la escritura son ambos objetivos, califíquelos por separado.

Cursos de ingeniería

La responsabilidad profesional cambia la formulación. Una revisión de 99 estudios empíricos sobre educación en ingeniería identificó la transparencia, la supervisión humana, la independencia del estudiantado, la privacidad, la autoría, la equidad y la beneficencia como preocupaciones éticas recurrentes, y sostuvo que la ética de la IA pertenece a la formación profesional y no solo al cumplimiento de reglas. En un informe de laboratorio o de diseño, pida al estudiantado que declare la asistencia y certifique que ha verificado los cálculos, las fuentes, los supuestos y las afirmaciones relevantes para la seguridad.

Reserve una muestra que la herramienta no toque nunca

El desempeño asistido no es capacidad independiente, y necesita al menos una lectura de la segunda. Bastan condiciones ocasionales de retirada: escritura breve sin IA, interpretación en clase, una explicación oral, una tutoría, una revisión espontánea o un problema de seguimiento que transfiera el mismo razonamiento a un caso nuevo. Esto importa sobre todo cuando el trabajo final tiene un peso considerable en la calificación. No significa vigilar cada asignación. Unas pocas muestras bien colocadas le dan a usted y al estudiante una línea de base para interpretar el trabajo asistido, que es el caso específico de la escritura del argumento que se desarrolla en ¿Cómo puedo rediseñar la evaluación para que una calificación siga diciéndome algo defendible sobre lo que el estudiante sabe o puede hacer?.

Lea las dos piezas una junto a la otra y pregunte si el razonamiento visible en la asistida también lo está en la no asistida. Donde lo está, el ensayo cumple su función como evidencia. Donde no lo está, la calificación asistida mide lo que aportó la herramienta. Esa comparación es también lo que hay que mostrarle a un estudiante que impugna una nota, porque apunta a una pieza concreta de pensamiento y no a una impresión sobre la prosa.

Decida qué puede calificar la IA

Dos resultados que parecen contradictorios son compatibles. Los sistemas cuidadosamente calibrados, con rúbricas detalladas y ejemplos, pueden puntuar bien tareas concretas, y la calificación con LLM sin ajuste se aparta sustancialmente del juicio humano. Mathew et al. encontraron una concordancia débil entre humanos y LLM que varía de manera sistemática con la calidad del ensayo: los modelos sobrerremuneran los ensayos cortos y superficialmente legibles, subrremuneran los ensayos más largos y más sólidos con errores superficiales menores, y se concentran hacia el centro de la escala. Ese patrón respalda la IA para retroalimentación formativa de bajo impacto, redacción de comentarios y triaje mucho más que para calificación sumativa autónoma (calificación automatizada de ensayos).

El estudiantado traza una línea parecida por su cuenta. En un curso de grado de comunicación técnica donde ChatGPT puntuó textos escritos a mano y se les dijo a los estudiantes, los 13 participantes encontraron la retroalimentación clara y útil para la revisión superficial. La mayoría separó la utilidad de la retroalimentación de la autoridad evaluativa: aceptaban la crítica e insistían en que el docente decidiera la nota (Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education). Diseñe la supervisión humana como el punto donde la salida de la IA se convierte en calificación, y no como una cortesía que se ofrece cuando resulta cómodo.

Juzgue la evidencia antes de reescribir el programa

El caso a favor de estos diseños es prometedor y todavía no es lo bastante sólido para justificar una política universal sobre escritura con IA. Parte de la mejor evidencia proviene de estudios de aula considerables como PAIRR, con sus 654 estudiantes. Mucho del resto se apoya en cuasiexperimentos, muestras experimentales pequeñas, análisis conceptuales y trabajos de 2025 y 2026 todavía recientes: el estudio de Chen sobre escritura acotada tenía 168 estudiantes pero solo seis clases intactas, el estudio sobre autoría usó una tarea experimental de escritura breve, y un estudio que informa mejoras inmediatas de calidad tras practicar con ChatGPT involucró 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). Lo que la base de conocimiento sobre IA en la educación respalda es un conjunto de principios de diseño, y 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 mientras se usa la IA para ampliar el acceso a la crítica, la práctica, el apoyo a la revisión y la asistencia lingüística.

Esa mezcla tiene una consecuencia práctica. Cambie una asignación, conserve el artefacto y compare la siguiente cohorte con esta en la misma medida. Una regla que puede revisar después de un semestre vale más que una política que no puede poner a prueba, y los estudios pequeños citados arriba no le dirán qué ocurre en su curso.

En qué se equivocan los docentes

Un detector aclarará si el texto es del estudiante. No lo hará. En un estudio de campo encubierto, el 94% de las entregas de examen generadas por IA pasó inadvertido y superó en puntuación a estudiantes reales, y un estudio controlado encontró que los detectores marcaban la edición ligera y conforme de IA en un 38-80% mientras dejaban pasar 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). La detección responde a una pregunta de detección, y la validez es otra pregunta.

Una política de curso es más clara que una regla por asignación. Las políticas de Nash y Burriss eran documentos de curso, y 22 de 27 permitían la lluvia de ideas, 22 restringían o enturbiaban la composición y 22 callaban sobre la lectura. Un documento que lo cubre todo tiende a ser específico en el paso que preocupa al docente y vago en el resto.

Si la prosa mejora, la enseñanza de la escritura funcionó. El estudio sobre autoría encontró mejor calidad del ensayo y menor sensación de autoría en la misma entrega, y la condición de colaboración abierta de Chen produjo la mejor escritura asistida con el peor desempeño independiente posterior. La calidad de la prosa es una medida de producto. Aquello a lo que el curso sirve es una medida de capacidad.

Basta con acceso ilimitado y un buen mensaje. Quienes tratan la retroalimentación de la IA como autoritativa obtienen menos de ella que quienes tienen una alfabetización en retroalimentación desarrollada. El acceso a la crítica y la capacidad de usarla son activos distintos.

Prohibir la IA protege el proceso de escritura. Una prohibición responde a una pregunta que cambia según el paso, y crea barreras para quienes escriben en varias lenguas y necesitan apoyo lingüístico que no tiene nada que ver con la autoría. Una división viable discurre entre la expresión y la responsabilidad intelectual.

Lo que le van a responder

"No tengo tiempo para leer otro artefacto." Entonces haga pequeño el artefacto: cuatro columnas de tabla de decisiones, o cinco minutos de escritura en clase como muestra independiente. El corpus no informa datos de tiempo de corrección para estos diseños, así que el argumento sobre la carga de trabajo tiene que probarse en una asignación y no darse por supuesto a partir de esta página.

"Mi estudiantado usará IA diga lo que diga la regla." Lo hará, y la pregunta de diseño es qué respuesta facilita más su asignación. Una declaración que no cuesta nada y una rúbrica que paga por el proceso hacen de la declaración el camino más barato. Ese mecanismo proviene de la modelización y no de un ensayo de una política de divulgación, así que trate la predicción como razonable y no confirmada.

"Una prohibición es más simple y protege el proceso." Más simple, sí. Las políticas descritas arriba muestran cómo una sola regla de curso se desplaza hacia el silencio en los pasos que importan, y las restricciones lingüísticas generales recaen sobre quienes más las necesitan.

"La revisión entre pares es redundante ahora que la IA responde en segundos." El 58% del estudiantado de PAIRR prefirió la combinación y el 6% prefirió solo la IA, y la razón que dieron fue el conocimiento contextual y de audiencia que aportaban los pares. Eso mide experiencia, así que llega menos lejos de lo que llegaría un resultado sobre ganancias de aprendizaje.

"El modelo califica esta tarea tan bien como yo." Los sistemas calibrados con rúbricas detalladas y ejemplos resueltos pueden puntuar bien tareas concretas. La calificación genérica no, y Mathew et al. muestran que el desacuerdo sigue la calidad del ensayo en lugar de dispersarse al azar, que es el tipo de error más difícil de notar. Pruebe la herramienta con su propio conjunto corregido antes de que toque una calificación.

"Esto penaliza a quien tiene un inglés académico más débil." Puede hacerlo, si la regla trata la expresión y la autoría como una sola cosa. Sepárelas, y audite la retroalimentación de la IA para detectar el patrón que encontraron Tan et al., donde un texto idéntico recibía más elogios y menos crítica sustantiva en cuanto los atributos demográficos o educativos entraban en el mensaje. El corpus documenta ese sesgo. No informa de una solución probada, así que su propia comparación es la comprobación.

Qué hacer esta semana

1. Escriba la frase de capacidad para su próxima asignación importante y póngala en la hoja.

2. Añada una línea que exija la tesis, la interpretación o el borrador del estudiante antes de cualquier uso de IA, y diga qué va a recoger.

3. Marque cada paso de esa asignación como portador o no del constructo, y reescriba la regla de IA para que permita la herramienta donde el paso no se califica.

4. Añada a la rúbrica una tabla de decisiones sobre la retroalimentación de cuatro columnas, con puntos asignados.

5. Programe un texto breve que ninguna herramienta toque y decida ahora a qué asignación pertenece.

Adónde ir después

El lado evaluativo de este argumento, incluido el diseño de pasos autenticados, está en ¿Cómo puedo rediseñar la evaluación para que una calificación siga diciéndome algo defendible sobre lo que el estudiante sabe o puede hacer?. Para el documento de política que el estudiantado lee realmente, véase ¿Cómo redacto una política de IA para un curso y la comunico al estudiantado?, y para las herramientas de retroalimentación en sí, Calidad de la retroalimentación de la IA. ¿Cómo enseño a los estudiantes a verificar los resultados de la IA? cubre qué debería comprobar el estudiantado cuando el modelo aporta una afirmación o una fuente, y la página de concepto Coach not crutch: Evidence that AI can improve writing skill despite reducing effort formula el límite al que esta página vuelve una y otra vez.