¿La IA mejora la "rentabilidad del estudio"? "La misma puntuación con menos esfuerzo": la eficiencia del aprendizaje observada en clases con IA permitida

¿La IA mejora la "rentabilidad del estudio"? "La misma puntuación con menos esfuerzo": la eficiencia del aprendizaje observada en clases con IA permitida

2025年10月30日 01:24

La Universidad de Massachusetts Amherst (UMass Amherst) en EE.UU. ha publicado un experimento longitudinal del semestre que compara una "clase con permiso para usar IA" y una "clase con prohibición de IA" bajo el mismo plan de estudios y exámenes. La conclusión es provocativa: no hubo diferencias significativas en las calificaciones de los exámenes y las notas finales. Sin embargo, al mismo tiempo, la participación en clase, la autoeficacia, la satisfacción y la eficiencia de aprendizaje mejoraron consistentemente en la clase con permiso para usar IA. La investigación se ha publicado como preimpresión en SSRN y ha sido reportada por el comunicado de la universidad y Phys.org. SSRNumass.edu


Puntos clave de la investigación: ¿Qué se comparó y cómo?

  • El objeto de estudio fueron dos sesiones consecutivas (incluida la tarde) de un curso avanzado de economía antimonopolio. Las conferencias, tareas y calificaciones fueron las mismas, y en una de ellas (n=29) se permitió el uso estructurado de IA generativa (con directrices de uso y requisitos de divulgación claros), mientras que en la otra (n=28) se prohibió el uso de IA. Los exámenes se realizaron con papel y lápiz, sin permitir notas ni IA. Como diseño conservador, se asignó el permiso de IA al grupo de la tarde, que históricamente tenía un rendimiento ligeramente inferior. Phys.org

  • Resultados: No se detectaron diferencias significativas en las calificaciones de los exámenes proctorados y las notas finales. Por otro lado, la participación en clase, la confianza en el aprendizaje, la sensación de eficiencia y la satisfacción fueron más altas en la clase con permiso para usar IA. Además, se observó un aumento en la orientación hacia carreras relacionadas con IA y un crecimiento en comportamientos metacognitivos como editar las salidas de IA, detectar errores y priorizar sus propias respuestas. SSRN

  • Desde la perspectiva de los docentes, se enfatiza el mensaje de que si se permite, se debe proporcionar "andamiaje (scaffolding)" y reglas de divulgación.umass.edu

  • Limitaciones: Los propios investigadores advierten sobre el tamaño pequeño de la muestra y la inclusión de indicadores de auto-reporte.Phys.org

¿Qué significa que "las calificaciones no mejoran pero la satisfacción sí"?

La IA cambia la "sensación del aprendizaje" más que la "cantidad de aprendizaje"—así se puede interpretar el hallazgo. Los estudiantes utilizaron IA en sesiones concentradas de 15 a 30 minutos y fortalecieron su tendencia a preferir sus propias respuestas a través de la verificación y edición de las salidas. Esto es un cambio de actitud que surge cuando la IA funciona no como una "máquina de respuestas" sino como un **copiloto del pensamiento**. SSRN


También es importante que la evaluación se centrara en exámenes en papel. La filosofía de diseño de volver a evaluaciones centradas en el esfuerzo humano y presencial, mientras se permite el uso de IA en el proceso de aprendizaje, es ampliamente apoyada en comunidades de ingeniería.Hacker News


Consistencia con otros estudios y casos recientes

  • En el campo de la evaluación, se ha informado que GPT-4 mostró un rendimiento equivalente al de evaluadores humanos en la clasificación relativa de respuestas escritas. La IA está ampliando su aplicabilidad como "asistente de evaluación".Phys.org

  • Por otro lado, los riesgos operativos de la evaluación con IA también son reales. En el examen estatal de Massachusetts (MCAS), alrededor de 1,400 ensayos fueron calificados incorrectamente debido a fallos técnicos en la evaluación con IA, lo que llevó a una recalificación posterior. La supervisión humana y el diseño maduro son indispensables. Boston.com

  • La desconfianza y los problemas de detección errónea relacionados con el manejo del fraude con IA en las universidades se han convertido en un gran tema de discusión en los periódicos ingleses y comunidades desde el año pasado. La incertidumbre de los detectores, los daños a los estudiantes debido a identificaciones erróneas, y la necesidad de revisar los métodos de evaluación siguen siendo debatidos. The Guardian

Reacciones en redes sociales (observación inicial)

Dado que la publicación es reciente, la cantidad de publicaciones individuales es limitada, pero en noticias relacionadas y hilos de discusión existentes, se han reavivado los siguientes puntos:

  • "Se puede usar para aprender, pero la evaluación debe ser presencial"—una voz que ve una "solución realista" en el diseño actual. Es consistente con el argumento de que el enfoque del diseño de las clases debe estar en exámenes y pruebas orales. Hacker News

  • "La evaluación con IA es conveniente pero arriesgada"—citando el caso de calificación errónea de MCAS, se argumenta que la introducción de IA debe basarse en una "duplicación humana". Boston.com

  • "La mejora de la experiencia estudiantil no se puede ignorar"—los informes locales de Boston enfatizan el punto de que **"con la misma puntuación, la experiencia en clase mejora". La frase "lo mismo con menos esfuerzo (the same for less)"** se está extendiendo. CBS News

  • "Ansiedad por el fraude y detección errónea con IA"—dudas sobre la fiabilidad de los detectores de IA, voces de estudiantes obligados a "probar su inocencia". Exigen una renovación en el diseño de la evaluación. The Guardian

※ La observación en redes sociales de este artículo se basa en publicaciones públicas relacionadas y grandes hilos existentes para resumir una "tendencia inicial", y no tiene como objetivo principal una recopilación exhaustiva de respuestas individuales al estudio en cuestión.


Sugerencias para la práctica:"Si se permite, se debe diseñar"

Los investigadores de UMass recomiendan el conjunto de tres puntos de "permiso + andamiaje (scaffolding) + divulgación". Clarificar el papel, el alcance de aplicación, los procedimientos y el formato de divulgación de la IA en clase, y medir el logro del aprendizaje con evaluaciones menos influenciadas por la IA, como exámenes en papel, pruebas orales y demostraciones. El diseño de dos capas de **"aprender con IA, demostrar sin IA"** es clave. umass.edu


Estrategias específicas (lista de verificación)

  1. Especificar la política de IA en el plan de estudios (tareas permitidas/prohibidas/plantillas de divulgación).

  2. Presentación de indicaciones y anexos de justificación (qué, por qué y cómo se instruyó a la IA).

  3. Presentación de registros de edición/auto-evaluación (trazas de verificación, corrección y examen de salidas).

  4. Centrar la evaluación en el aula (exámenes en papel, preguntas orales, codificación en pizarra, mini-presentaciones). Esto también es ampliamente apoyado por la comunidad. Hacker News

  5. Si se utiliza IA para la evaluación, se debe aplicar una "doble evaluación" (IA + humano). Refleja la lección del caso MCAS. Boston.com

En el contexto de Japón

, el Ministerio de Educación, Cultura, Deportes, Ciencia y Tecnología ha estado avanzando en la capacitación sobre IA generativa para docentes entre octubre de 2024 y marzo de 2025, desarrollando conocimientos sobre diseño de clases, creación de materiales y apoyo a la evaluación. ##HTML_TAG

← Volver a la lista de artículos