¿Es esa tarea un "trabajo" o un "aprendizaje"?—La evaluación escolar tambalea en la era de la IA

Texto bien estructurado. Composición lógica. Materiales atractivos.

Cuando un niño presenta un informe así, los adultos podrían pensar que "ha estudiado bien". Sin embargo, en la actualidad, donde la IA generativa puede crear textos y estructuras, ese nivel de acabado no siempre refleja la profundidad de comprensión del estudiante.

Este problema no se resuelve solo con tecnología para detectar fraudes. Se cuestiona el criterio de lo que las escuelas reconocen como resultados de aprendizaje y lo que las familias consideran evidencia de esfuerzo.

En el periódico irlandés "The Irish Times" del 14 de octubre de 2026, Conor Murphy expresó su profunda preocupación por el sistema educativo a través de su participación en la conferencia educativa "ResearchEd".

El artículo no solo aborda la IA. Memoria, revisión, atención y el aula donde se puede fallar. La pregunta común es si estamos confundiendo "aparentar haber aprendido" con "aprender realmente".

¿De quién es el mérito de un trabajo bien presentado?

Bradley Busch, quien presentó conocimientos psicológicos en la conferencia, mencionó la dificultad de identificar de manera consistente si se ha utilizado IA en los escritos de los estudiantes.

Murphy relaciona esto no solo con las tareas, sino también con las evaluaciones ampliadas en el examen de calificación de Irlanda "Leaving Certificate".

Este examen también influye en el acceso a la universidad. Los "Componentes Adicionales de Evaluación (AACs)" introducidos en la reforma incluyen informes basados en investigaciones y proyectos.

Según la explicación publicada por el sindicato de profesores ASTI en marzo de 2026, los AAC representarán al menos el 40% de la calificación final en nueve materias nuevas o revisadas en el examen de 2027. Al mismo tiempo, los profesores señalaron la dificultad de verificar si las tareas presentadas son realmente trabajo del estudiante.

Es valioso evaluar habilidades que son difíciles de captar en exámenes escritos. Sin embargo, cuanto más influyen en las calificaciones, más importante es tener un sistema para verificar cuánto ha investigado, pensado y juzgado el estudiante por sí mismo.

Aquí es importante distinguir entre usar la IA como apoyo para la investigación y crear productos finales sin que el estudiante comprenda. Si se agrupan ambos, tanto el uso adecuado como la evaluación justa se vuelven difíciles.

Las limitaciones de esperar que "los profesores puedan detectarlo"

Un estudio de la Universidad de Reading en el Reino Unido ofrece material para reflexionar sobre esta preocupación.

En el estudio publicado en 2024, se mezclaron respuestas generadas por IA en exámenes de materias de psicología para ver cómo se manejaban en el proceso de calificación real. El resultado fue que el 94% de las respuestas de IA no fueron detectadas y, en promedio, obtuvieron calificaciones más altas que las respuestas reales de los estudiantes.

Sin embargo, este resultado es específico de ciertas universidades, materias y condiciones de examen. No significa que la misma proporción se aplique a todas las escuelas en Japón, ni refleja el rendimiento de todas las tecnologías de detección de IA.

Aun así, se transmite el peligro de sostener el sistema solo con la expectativa de que "un profesor experimentado puede darse cuenta al leer el texto".

Lo que se debe considerar como sistema de evaluación es combinar el producto final con explicaciones orales breves, trabajo en clase y registros de etapas intermedias. No se debe considerar una sola prueba como prueba universal, sino confirmar la comprensión del estudiante desde múltiples perspectivas.

¿Por qué al subrayar con un marcador fluorescente sentimos que "hemos estudiado"?

Lo que impresiona del artículo original es cómo conecta el tema de la IA con métodos de estudio tradicionales.

Subrayar en el libro de texto. Organizar bien los apuntes. Leer muchas páginas.

Estas acciones son visibles, por lo que el esfuerzo se comunica fácilmente tanto al estudiante como a su entorno. Sin embargo, colorear las páginas y poder recordar el contenido son cosas diferentes.

En la revisión de estudios sobre métodos de aprendizaje de Dunlosky y sus colegas, las pruebas prácticas y el aprendizaje espaciado fueron altamente valorados, mientras que el subrayado y la relectura se consideraron de baja utilidad en condiciones amplias.

Esto no significa que no se deba usar un marcador fluorescente. Es necesario tener la oportunidad de extraer por uno mismo lo que es importante después de subrayar.

Por ejemplo, cerrar el libro de texto y enumerar tres puntos clave. Resolver problemas sin mirar las respuestas. Explicar brevemente lo aprendido ayer. Comprobar lo que no se pudo hacer y volver a intentarlo.

Incluso al leer explicaciones claras generadas por IA, se debe plantear la misma pregunta. ¿Solo se ha convencido al leer? ¿O puede explicarlo incluso después de cerrar la pantalla?

Lo que se puede hacer hoy no siempre se podrá hacer la próxima semana

En la conferencia también se habló de la importancia de distinguir entre el rendimiento inmediato después de la clase y el aprendizaje que perdura a largo plazo.

Uno puede responder justo después de escuchar una explicación. Puede resolver un problema similar justo debajo de un ejemplo. Sin embargo, unos días después, al abordar el problema sin pistas, se queda atascado. Estas experiencias no son raras.

El artículo original presentó un método para dispersar el aprendizaje y combinar contenidos relacionados mientras se verifica repetidamente. Aunque se mencionan tiempos de estudio cortos de alrededor de 30 minutos, no se trata de que "30 minutos sean siempre óptimos para todos".

En casa, se podría volver un poco al contenido aprendido hoy al día siguiente y verificarlo nuevamente el fin de semana. En matemáticas, en lugar de continuar solo con problemas del mismo tipo, se podrían mezclar diferentes tipos de problemas ya aprendidos.

Lo importante es no considerar solo la sensación de fluidez como el criterio de éxito. Sin embargo, no se trata de hacer las cosas más difíciles para causar problemas. Se necesitan tareas que se puedan abordar y explicaciones que puedan corregir errores.

En las redes sociales se cruzan "la preocupación por la autoría" y "las dudas sobre una única oportunidad"

El debate en línea sobre este problema no se divide simplemente en pro o contra de la IA.

A continuación, se presentan opiniones confirmadas en debates relacionados en Reddit sobre la reforma educativa de Irlanda y la IA, no reacciones directas al artículo de The Irish Times. Son publicaciones anónimas y no representan una encuesta de opinión pública.

En un hilo sobre el uso de IA en tareas de investigación en diciembre de 2024, se expresó la preocupación de quedado que se otorgan altas puntuaciones, incluso si se prohíbe por reglas, algunos estudiantes podrían hacer que la IA realice sus tareas.

En la misma publicación, se explicó que no se niega toda evaluación que no sea un examen escrito, como exámenes orales o prácticas musicales. Lo que se cuestiona es cómo se diseña la confirmación de la capacidad del estudiante según el tipo de tarea.

En otro hilo relacionado, se expresaron preocupaciones sobre las diferencias en el apoyo familiar y la carga de tareas acumuladas. Por otro lado, también hubo opiniones que cuestionaban la concentración de calificaciones en un solo gran examen y sugerían que dividir la evaluación en partes más pequeñas podría reducir la presión sobre los estudiantes.

Lo que se vislumbra en este debate es que no es un problema que se pueda resolver solo con la dicotomía "examen o tarea".

La evaluación de tareas tiene el valor de reconocer la investigación a largo plazo. Sin embargo, si el apoyo que se puede recibir en casa varía y es difícil confirmar la comprensión del estudiante, puede generar otra forma de desigualdad. Ambos métodos tienen ventajas que deben protegerse y debilidades que deben compensarse.

Incluso en las escuelas japonesas, primero se debe decidir "qué evaluar"

Esta pregunta también se aplica a los ensayos de lectura, investigaciones, actividades de exploración y reportes universitarios en Japón.

Por ejemplo, incluso en una tarea como "resumir los problemas de la comunidad", el propósito no es único. ¿Se quiere desarrollar la capacidad de recopilar información? ¿La habilidad de comparar materiales? ¿La habilidad de escribir? Dependiendo de esto, las tareas que se pueden delegar a la IA cambian.

Si se genera todo el texto en una tarea para practicar la expresión escrita, se pierde el enfoque del ejercicio. Por otro lado, en una tarea para comparar información, se podría considerar una actividad para investigar las discrepancias entre las explicaciones de la IA y los documentos oficiales.

La segunda edición de las directrices revisadas por el Ministerio de Educación, Cultura, Deportes, Ciencia y Tecnología en diciembre de 2024 también se basa en el uso centrado en el ser humano y el desarrollo de habilidades de uso de la información teniendo en cuenta la existencia de la IA. En el uso por parte de los estudiantes, se considera el nivel de desarrollo, la situación de desarrollo de habilidades y las medidas contra los riesgos.

Para implementar esta dirección en las clases, no basta con simplemente decir "se permite el uso de IA". Es necesario indicar qué uso se permite en cada tarea, ya sea como apoyo para ideas, corrección de expresiones o generación de texto.

Además del producto final, hacia una evaluación que muestre "las huellas del pensamiento"

Entonces, ¿qué tipo de tarea facilita verificar el aprendizaje del estudiante? A continuación se presentan propuestas basadas en el artículo original y materiales relacionados.

Una forma es compartir el proceso hasta la entrega poco a poco. La pregunta inicial, los materiales consultados, los cambios de opinión a mitad de camino, la conclusión final. No es necesario registrar todo en detalle. Incluso solo los puntos de inflexión importantes pueden capturar decisiones que no se ven en el producto final.

Otra es una breve explicación después de la entrega.

"¿Por qué elegiste este material?"
"¿Qué cambió respecto a tu idea inicial?"
"¿Llegarías a la misma conclusión bajo otras condiciones?"

Estas preguntas no solo sirven para controlar el uso de la IA, sino que también son una oportunidad para profundizar en la comprensión.

Sin embargo, no se debe evaluar solo la rapidez de respuesta o la habilidad para hablar en público. Es necesario proporcionar tiempo para pensar y permitir explicaciones con frases cortas o diagramas, según los objetivos de aprendizaje.

Además, si toda la verificación recae como carga adicional en los profesores, no será sostenible. Revisar la cantidad y el volumen de tareas y asegurar tiempo en clase para verificar el proceso también es parte de la reforma de la evaluación.

En un aula donde no se puede fallar, tampoco se ve el proceso de pensamiento

Al final del artículo original, se destaca la importancia de poder fallar en un entorno seguro.

Esto está profundamente relacionado con la educación en la era de la IA. Si solo se evalúan las respuestas correctas terminadas y las dudas o errores en el camino son motivo de vergüenza, los estudiantes no tendrán razón para mostrar sus ideas imperfectas.

Por el contrario, si se reconoce lo que se ha corregido a partir de un error, tiene sentido mostrar el proceso de pensamiento.

"Hasta aquí he entendido"
"No pude entender esta parte incluso leyendo la explicación de la IA"
"El material que usé al principio tenía problemas"

En un aula donde tales declaraciones se tratan como puntos de partida para el aprendizaje, los profesores también pueden identificar más fácilmente las áreas que necesitan apoyo.

Las prácticas de los profesores presentadas en el artículo original también intentaban captar la atención de los estudiantes y conectarlos con un tiempo de reflexión profunda. Aunque los métodos y generaciones sean diferentes, compartían la confianza en que los estudiantes tienen potencial para aprender.

Lo que queremos preguntar después de "¿Cuántas páginas hiciste?"

Hay cosas que se pueden cambiar en casa.

Además de "¿Cuántas páginas hiciste?", intenta preguntar "¿Qué aprendiste hoy?". No solo "¿Terminaste todo?", sino también "¿Qué partes aún no entiendes?".

No es necesario hacer un examen oral cada vez. Incluso cuando el niño se queda sin palabras al explicar, no debe usarse como un motivo de reproche, sino como una oportunidad para verificar juntos.

La IA generativa puede crear productos atractivos en poco tiempo. Sin embargo, el hecho de que se haya creado ese producto y que el conocimiento o la capacidad de juicio permanezcan en el aprendiz no son lo mismo.

Lo que queremos verificar en la educación futura no es solo el nivel de acabado de las páginas presentadas. Queremos saber qué ha entendido el niño, qué ha cuestionado y qué podrá hacer por sí mismo la próxima vez.

El valor de las escuelas en la era de la IA reside en observar cuidadosamente esas diferencias.

Fuentes y materiales de referencia

1. The Irish Times:
   Descripción sobre la IA y la evaluación de tareas, memoria, atención y un entorno donde se puede fallar.
   https://www.irishtimes.com/ireland/education/2026/10/14/we-are-walking-our-way-into-a-fundamentally-flawed-education-system-and-we-have-been-warned/

2. ASTI: Explicación sobre la encuesta de profesores publicada el 31 de marzo de 2026.
   Referencia a la puntuación de AAC, verificación de la creación de tareas por parte del estudiante y preocupaciones sobre la carga.Association of Secondary Teachers Ireland
   https://www.asti.ie/news-campaigns/latest-news/the-student-or-ai-teachers-warn-of-verification-issues-in-new/

3. ##HTML