Los profesores universitarios desarrollan nuevos criterios de calificación ante la proliferación de la IA

Los modelos generativos ya han entrado en las aulas universitarias con la misma naturalidad con que antes lo hicieron los motores de búsqueda y las bibliotecas electrónicas. Los estudiantes los utilizan para tomar notas, hacer borradores y estructurar ideas, mientras que los docentes se plantean cada vez más una pregunta que hace apenas unos años habría sonado teórica: ¿qué evalúa exactamente la universidad si parte del trabajo intelectual lo realiza un algoritmo? Los investigadores canadienses proponen no combatir la tecnología como una amenaza externa, sino reconstruir la propia lógica de la evaluación.

Un punto de inflexión para la educación superior

Docentes e investigadores de la Universidad de Calgary y de la Universidad Brock llevaron a cabo un estudio cualitativo con 28 educadores de universidades y colegios de Canadá, desde bibliotecarios hasta profesores de ingeniería. Todos los participantes coinciden en una cosa: el sistema educativo está atravesando un punto de inflexión, ya que herramientas como ChatGPT ponen al alcance de todos aquella parte del trabajo cognitivo que hasta ahora se consideraba exclusivamente humana. La pregunta principal resulta muy concreta: si un algoritmo puede estructurar un texto, ofrecer argumentos e incluso imitar el estilo de la escritura académica, ¿el docente está evaluando los conocimientos del estudiante o simplemente su capacidad para eludir las prohibiciones? Con esta formulación, el problema deja de ser técnico y se convierte en metodológico.

La IA generativa como herramienta de doble filo

Los participantes en el estudio describen la inteligencia artificial generativa en el entorno académico como una herramienta de doble filo:

• Por un lado, los modelos escriben cada vez de forma más "humana" y los métodos habituales de detección de plagio van perdiendo gradualmente su eficacia. Los algoritmos formulan textos con seguridad que parecen convincentes, aunque contengan errores factuales, lagunas lógicas o reproduzcan sesgos presentes en los datos de entrenamiento.
• Por otro lado, esas mismas tecnologías amplían el acceso a la educación: ayudan a estudiantes con discapacidades (por ejemplo, problemas visuales), simplifican el trabajo de quienes aprenden en un idioma no nativo, agilizan la búsqueda de información y permiten centrarse en el contenido en lugar de en los detalles técnicos del formato. En esta lógica, las universidades se enfrentan a un dilema: es imposible e incluso poco ético prohibir una herramienta que, al mismo tiempo, facilita las trampas y apoya el aprendizaje.

Una estrategia basada únicamente en "atrapar infractores" no funcionará. En cambio, los investigadores proponen establecer normas claras para el uso de la IA y una formación sistemática en la interacción responsable con ella, de modo que la asistencia refuerce la comprensión del material en lugar de sustituirla.

¿Dónde está el nuevo límite de la evaluación?

Los participantes en el estudio destacan tres ámbitos en los que los límites de lo permitido y de lo evaluable son hoy especialmente claros.

1. El primer ámbito es el prompting, es decir, la capacidad de formular una tarea para el algoritmo. Los educadores lo consideran una competencia académica legítima. Para obtener una respuesta significativa, el estudiante debe comprender el tema, descomponer un problema complejo en partes y formular instrucciones precisas. Una solicitud deficiente genera un resultado vago y obliga a precisar los parámetros de la tarea, lo que en sí mismo demuestra el nivel de comprensión del material. En este sentido, la calidad de la solicitud refleja la profundidad del trabajo intelectual previo.
2. El segundo ámbito es el pensamiento crítico. Dado que los modelos generativos son capaces de crear textos plausibles con imprecisiones, el estudiante debe verificar los hechos, evaluar la lógica de la argumentación y la fiabilidad de las fuentes. Algunos docentes ya utilizan las respuestas de la IA como material didáctico: proponen analizar los "argumentos" del algoritmo, identificar manipulaciones y conclusiones no demostradas. Los expertos subrayan que ignorar este aspecto es inútil, ya que la información algorítmica formará inevitablemente parte del entorno profesional de los egresados (y muy pronto).
3. El tercer ámbito es la escritura, y es aquí donde los debates son más acalorados. El enfoque de compromiso tiene este aspecto: el estudiante puede usar la IA para una lluvia de ideas o para encontrar una estructura, pero formula los argumentos y las ideas principales de forma independiente. Se permite la edición lingüística de un texto ya redactado siempre que el autor sea capaz de evaluar críticamente las sugerencias del modelo y preservar su propia postura. Sin embargo, cuando el algoritmo crea los párrafos clave y las conexiones lógicas, muchos docentes consideran que se vulnera una etapa importante: aquella en la que nace el pensamiento. En lugar del estudiante, lo "crea" la IA.

La "era post-plagio" y los nuevos estándares de honestidad

De estos debates surge la idea de la llamada era post-plagio, en la que la cocreación de textos con IA no se equipara automáticamente a deshonestidad académica; sin embargo, la transparencia y la honestidad, así como la capacidad de trabajar con el material generado, se convierten en condiciones obligatorias. Los docentes intentaron formular los principios de una "evaluación válida" en el contexto de los asistentes digitales:

• En primer lugar, las universidades deben anunciar con antelación las normas para el uso de la IA en tareas específicas, de modo que los estudiantes comprendan los límites de lo permitido: dónde se puede usar una red neuronal y dónde está estrictamente prohibido.
• En segundo lugar, los docentes podrán evaluar no solo el texto final, sino también el proceso: borradores, notas, versiones intermedias y la reflexión del autor sobre cómo trabajó con el material. Este enfoque desplaza el foco del resultado a los pasos cognitivos.
• Además, las tareas deben centrarse en el juicio humano y el contexto: en la capacidad de conectar la teoría con la experiencia personal, una situación profesional o datos locales que el algoritmo no puede reproducir sin la participación del autor. Se espera que los estudiantes desarrollen un pensamiento evaluativo con respecto a las respuestas de la IA y preserven su voz autoral, porque no solo importa el contenido del conocimiento, sino también la comprensión de sus fuentes y los límites de su aplicabilidad.

En última instancia, las universidades occidentales se enfrentan a una elección estratégica: percibir los modelos generativos como una amenaza que hay que contener mediante prohibiciones, o como una oportunidad para revisar los estándares de integridad académica y fortalecer el aprendizaje real. Los participantes del estudio canadiense se inclinan por la segunda opción, convencidos de que es la que permite preservar el sentido de la educación superior en la era de los algoritmos.