ISSN:
2959-6513 - ISSN-L: 2959-6513
Volumen
5. No. 10 / Enero – Julio 2025
Páginas
676-688
Explorando
el rol transformador de la inteligencia artificial en la evaluación formativa
educativa
Exploring the
transformative role of artificial intelligence in formative educational
evaluation
Explorar o papel transformador da inteligência
artificial na avaliação formativa da educação
Julio Cesar Naveda Bautista
https://orcid.org/0000-0002-9886-8005
Universidad Nacional Mayor de San Marcos
Lima -Perú
http://doi.org/10.59659/revistatribunal.v5i10.134
Artículo recibido 25 de agosto de 2024 / Arbitrado 11 de septiembre de
2024 / Aceptado 30 octubre 2024 / Publicado 01 de enero de 2025
Resumen
En este estudio se examina críticamente el papel de la inteligencia
artificial (IA) en la evaluación formativa educativa. Al respecto, el objetivo
fue analizar exhaustivamente la literatura existente para comprender el impacto
y las contribuciones de la IA en este ámbito, resaltando mejoras sustanciales
como la personalización del aprendizaje, retroalimentación instantánea y
adaptación de métodos pedagógicos. La metodología aplicada fue la revisión
sistemática e incluyó el análisis documental de 8 artículos originales de
investigación. Los resultados revelaron avances significativos, desde la
eficiencia en la retroalimentación hasta la mejora en la evaluación de
tecnologías de análisis de texto automatizado en la evaluación y la eficacia de
herramientas como Lumen. Se destaca la diversidad metodológica y la
versatilidad de las técnicas de IA. En conclusión, este trabajo aporta valiosas
perspectivas y sugiere futuras investigaciones para seguir avanzando en la
aplicación efectiva de la IA en la evaluación formativa educativa.
Palabras
clave: Inteligencia Artificial;
Evaluación Formativa; Calidad educativa; Aprendizaje automático; Procesamiento
de lenguaje natural
Abstract
This study critically
examines the role of artificial intelligence (AI) in educational formative
assessment. In this regard, the aim was to comprehensively analyse
the existing literature to understand the impact and contributions of AI in
this area, highlighting substantial improvements such as personalisation
of learning, instant feedback and adaptation of pedagogical methods. The
methodology applied was systematic review and included documentary analysis of
8 original research articles. The results revealed significant advances, from
feedback efficiency to improved evaluation of automated text analysis
technologies in assessment and the effectiveness of tools such as Lumen. The
methodological diversity and versatility of AI techniques is highlighted. In
conclusion, this paper provides valuable insights and suggests future research
to further advance the effective application of AI in educational formative
assessment.
Keywords: Artificial
Intelligence; Formative Assessment; Educational Quality; Machine Learning;
Natural language processing.
Resumo
Este
estudo analisa de forma crítica o papel da inteligência artificial (IA) na
avaliação formativa educacional. Neste sentido, o objetivo foi analisar
exaustivamente a literatura existente para compreender o impacto e os
contributos da IA nesta área, destacando melhorias substanciais como a
personalização da aprendizagem, o feedback instantâneo
e a adaptação de métodos pedagógicos. A metodologia aplicada foi a revisão sistemática e incluiu a análise documental de 8
artigos de investigação originais. Os resultados revelaram avanços significativos,
desde a eficiência do feedback até à melhoria da
avaliação das tecnologias de análise automática de texto na avaliação e à
eficácia de ferramentas como a Lumen. A diversidade metodológica e a
versatilidade das técnicas de IA são realçadas. Em conclusão, este documento
fornece informações valiosas e sugere investigação futura para fazer avançar a
aplicação efectiva da IA na avaliação formativa da
educação.
. Palavras-chave: Inteligência Artificial; Avaliação Formativa; Qualidade Educativa; Aprendizagem
Automática; Processamento de Linguagem Natural.
INTRODUCCIÓN
La inversión en tecnologías, junto con medidas como la gratuidad y
obligatoriedad de la enseñanza, entre otros, configura un enfoque integral para
lograr una educación sostenible y accesible para todos. Al respecto, Objetivo 4
al 2030 de las Naciones Unidas señala que para garantizar una educación
inclusiva, equitativa y de calidad, es esencial priorizar la financiación
nacional para la educación (ONU, 2023). En este contexto, la integración estratégica de
tecnologías innovadoras, como la inteligencia artificial, emerge como un
componente clave (Ruiz-Miranda, 2023). En efecto, la inteligencia artificial puede
personalizar el aprendizaje, ofrecer retroalimentación instantánea y adaptar
los métodos pedagógicos para satisfacer las necesidades individuales (Tilton et al., 2023). Por consiguiente, la transformación digital,
respaldada por la inteligencia artificial, fortalece la calidad educativa y
responde a los desafíos cambiantes.
677
En esta coyuntura, garantizar una educación de calidad se erige como un
objetivo que une a los participantes en el ámbito educativo, buscando asegurar
una enseñanza destacada. Para lo cual, es imperativo que los educadores se
mantengan al día con las últimas tendencias, metodologías y técnicas de
enseñanza para proporcionar una educación de calidad a sus estudiantes (Kassa et al., 2015). Al respecto, La evaluación del aprendizaje
representa un desafío en la enseñanza. Efectivamente, La evaluación formativa –
EF proporciona beneficios significativos tanto para maestros como para
estudiantes. En relación con esto, los estudiantes, especialmente aquellos con
resultados más bajos, experimentan un aumento en la confianza en sus
habilidades al asumir la responsabilidad de mejorar su aprendizaje (Martínez, 2013; Quiñones et al. (2021).
Además, EF implica prácticas reflexivas, con un papel clave del docente
en establecer criterios de desempeño y fomentar la autorregulación (Ravela, 2015). También, Proporciona orientación y recomendaciones
claras y oportunas sobre qué y cuándo evaluar, generando confianza y evitando
ser percibida como amenazante (Hortigüela-Alcalá et al.,
2015), se distingue por su
enfoque ético (Anijovich, 2017). Por consiguiente, la EF tiene como objetivo
principal estimular la mejora constante del proceso de aprendizaje (Bizarro et al., 2019).
Sin embargo, los problemas identificados por los diversos autores
convergen en la necesidad de mejorar los enfoques de evaluación formativa a
través del uso de sistemas informáticos inteligentes. En efecto, se destacó la
limitación de la evaluación tradicional basada en exámenes y pruebas escritas,
enfatizando su subjetividad y la carencia de retroalimentación inmediata y
personalizada para los estudiantes, junto con la carga de trabajo elevada para
los profesores (Wu et al., 2021). Asimismo, existe la dificultad de analizar
eficientemente grandes cantidades de respuestas escritas (Haudek et al., 2011). También, se abordó la falta de sistemas de
evaluación formativa en línea que incorporen técnicas de inteligencia
artificial para recopilar información personalizada y ofrecer un sistema de
aprendizaje electrónico significativo (Choi & McClenen,
2020).
De la misma manera, es imperativo la necesidad de mejorar la evaluación
formativa de conocimientos atléticos mediante tecnologías de emergentes (Cao et al., 2022). Finalmente, es necesario mejorar la enseñanza de
la literatura mediante el análisis de sentimientos con técnicas de inteligencia
artificial y evaluación formativa (Jin, 2022). En conjunto, estos problemas subrayan la urgencia
de integrar la inteligencia artificial para perfeccionar la evaluación
formativa, adaptándola a diversas disciplinas educativas y superando desafíos
específicos en cada contexto.
Sobre el particular, la inteligencia artificial, en especial los
algoritmos de aprendizaje automático, desempeña un papel central en el documento
al proponer su aplicación para mejorar la comprensión (Jin, 2022), optimiza las herramientas colaborativas (Santos & Boticario,
2014) y potencia la evaluación
y el seguimiento (Cao et al., 2022) en el contexto del campo educativo.
678
Considerando todo lo señalado, se sustenta la necesidad crítica de
explorar y entender el papel transformador de la inteligencia artificial en la
evaluación formativa educativa. Dado que existen desafíos persistentes en la
educación y una creciente base de conocimientos que sugiere que la
incorporación estratégica de tecnologías innovadoras, como la inteligencia
artificial, puede ofrecer soluciones eficaces. Asimismo, se destaca la urgencia
de esta investigación en un contexto global, donde la personalización del
aprendizaje y la adaptación de métodos pedagógicos se han vuelto esenciales,
identificando desafíos específicos en diversas disciplinas educativas,
subrayando la necesidad imperante de soluciones basadas en inteligencia
artificial para mejorar la evaluación formativa y, por ende, impulsar la
calidad y la equidad en la educación.
Ante ello, el objetivo principal de este trabajo consistió en analizar de
manera exhaustiva la literatura existente para comprender y evaluar de manera
crítica el impacto y las contribuciones de la inteligencia artificial en la
evaluación formativa educativa. Así como resaltar las mejoras sustanciales y
las oportunidades que la inteligencia artificial puede ofrecer en términos de
personalización del aprendizaje, retroalimentación instantánea y adaptación de
métodos pedagógicos. Por consiguiente, la síntesis de evidencias tiene como
objetivo proporcionar una visión integral y actualizada del estado actual de la
integración de la inteligencia artificial en la evaluación formativa, con el
fin de guiar futuras investigaciones y prácticas educativas.
MÉTODO
En el marco de la metodología de esta revisión sistemática, se llevó a
cabo la extracción de artículos de tres bases de datos fundamentales: Scopus, Scielo y EBSCO. Para Scopus, se implementó
una búsqueda especializada en inglés utilizando la fórmula detallada "(TITLE-ABS-KEY("artificial
intelligence") AND TITLE-ABS-KEY("formative assessment" OR
"Formative evaluation")) AND (LIMIT-TO(OA, "all")) AND
(LIMIT-TO(SRCTYPE, "j")) AND (LIMIT-TO(LANGUAGE, "English"))
AND (LIMIT-TO(DOCTYPE, "ar"))". A pesar de no obtener
resultados en Scielo y EBSCO para el idioma español, Scopus emergió como la fuente principal, destacando su
importancia en brindar información actualizada y relevante en la intersección
crítica entre inteligencia artificial y evaluación formativa en la
investigación académica internacional.
679
En relación con esto, en el proceso de búsqueda y extracción de
artículos, se identificaron un total de 31 contribuciones relevantes en la
intersección de inteligencia artificial y evaluación formativa. La fecha límite
de búsqueda se estableció en el 31 de octubre de 2023, asegurando la inclusión
de las investigaciones más recientes en el campo. La identificación de los
artículos siguió rigurosamente la directiva 2023, la cual incluyó criterios de
elegibilidad específicos. Se priorizaron estudios que abordaran de manera
integral la relación entre inteligencia artificial y evaluación formativa, y se
excluyeron aquellos que no cumplían con los criterios predefinidos. Tras este
proceso, se logró identificar y seleccionar cuidadosamente 8 artículos que
proporcionarán una sólida base para la elaboración y fundamentación de la
revisión sistemática.
Figura 1. Flujograma de la selección de artículos
RESULTADOS
680
En la Tabla 1, permitió inferir que Wu et al.
(2021) y Haudek et al. (2011) adoptaron enfoques
cuantitativos para evaluar sistemas informáticos inteligentes. Mientras que, Kannampallil
et al. (2022) y Santos & Boticario (2014) destacaron la importancia de
metodologías mixtas, integrando datos cuantitativos y cualitativos en
evaluaciones formativas. A su vez, Choi & McClenen (2020) y Cao et al. (2022) optaron por
metodologías cuantitativas, centradas en mediciones numéricas. Brass et al. (2023) presentó un vacío al no especificar su
metodología, aunque sugiere elementos cualitativos. Jin
(2022) también carece de claridad, pero se infiere una metodología
cuantitativa. Se destacó la necesidad de mayor transparencia en Brass et al. (2023) y Jin (2022),
al no señalar una metodología clara y completa para fortalecer la validez y
aplicabilidad de los estudios en evaluación formativa con inteligencia
artificial.
Tabla 1. Metodología de investigación científica utilizada en los documentos
analizados
|
Autor |
Metodología |
|
(Wu et al.,
2021) |
Metodología utilizada fue cuantitativa. Se aplicó un
método experimental para comparar los enfoques de evaluación formativa
basados en un sistema informático inteligente que proporciona
retroalimentación automática. |
|
(Haudek et
al., 2011) |
No señala explícitamente. Sin embargo, la
metodología utilizada parece ser cuantitativa, dado que la investigación se
centra en el análisis de datos numéricos y el uso de técnicas estadísticas y
computacionales para el procesamiento de grandes conjuntos de datos. |
|
(Kannampallil
et al., 2022) |
En este trabajo se utilizó una metodología mixta,
que combina elementos cuantitativos y cualitativos. El estudio incluyó una
evaluación formativa del asistente virtual, que se basa en la recopilación de
datos cuantitativos y cualitativos para evaluar la experiencia del usuario,
la carga de trabajo relacionada con la tarea. Los datos cuantitativos se
recopilaron a través de encuestas, mientras que los datos cualitativos se
recopilan a través de entrevistas semiestructuradas. |
|
(Choi &
McClenen, 2020) |
En esta investigación se utilizó una metodología
cuantitativa, que se enfoca en la medición y análisis de datos numéricos para
responder a preguntas de investigación específicas. |
|
(Brass et
al., 2023) |
En este documento no se especificó una metodología
de investigación. Sin embargo, se pueden identificar elementos de una
metodología de investigación cualitativa, ya que se hace referencia a la
importancia de la reflexión y la autoeficacia en la toma de decisiones de
carrera, y se alienta a los investigadores a explorar el impacto de la
reflexión en los valores y actitudes de los estudiantes hacia la toma de
decisiones. |
|
(Cao et al.,
2022) |
En este trabajo utilizó la metodología de investigación
cuantitativa. El método utilizado es el análisis de datos y la aplicación de
técnicas de inteligencia artificial para la evaluación formativa de
conocimientos atléticos en entornos educativos. |
|
(Santos &
Boticario, 2014) |
Se utilizó una metodología mixta, que combina
elementos cuantitativos y cualitativos. Se realizaron dos evaluaciones
formativas con usuarios, una observacional con 56 participantes y otra con 17
participantes, en las que se aplicaron técnicas de análisis de datos cuantitativos
y cualitativos. |
|
(Jin, 2022) |
En este artículo no se especificó la metodología de
investigación utilizada. Sin embargo, se puede inferir que se utiliza una metodología
de investigación cuantitativa, ya que se mencionan técnicas de análisis de
datos y se presentan resultados numéricos de la precisión de los modelos de
análisis de sentimientos utilizados. |
681
En la Tabla 2, diversos estudios han incorporado diversas técnicas de
inteligencia artificial (IA) para la evaluación formativa, evidenciando la
versatilidad y aplicabilidad de estos enfoques. Al respecto, Wu et al. (2021) y Haudek et al.
(2011) destacaron por su aplicación de aprendizaje automático (ML) y
procesamiento del lenguaje natural (NLP), subrayando la importancia de la
automatización en la evaluación. En el trabajo de Kannampallil
et al. (2022), la combinación de técnicas cuantitativas y cualitativas se
enfocó en el procesamiento del lenguaje natural para un asistente virtual,
ofreciendo una experiencia más personalizada. Mientras tanto, Choi & McClenen (2020)
resaltaron pruebas adaptativas y redes bayesianas, aportando a la adaptabilidad
de las evaluaciones. Brass et al. (2023), utilizó
algoritmos de ML. Cao et al. (2022) exploraron lógica difusa y aprendizaje
profundo, abriendo oportunidades para la mejora continua. Santos &
Boticario (2014) aplicaron minería de datos y técnicas de aprendizaje
automático para detectar información emocional, ofreciendo una perspectiva
única en entornos colaborativos. Finalmente, Jin
(2022) empleó aprendizaje automático para análisis de sentimientos en
literatura, subrayando la aplicabilidad de la IA en disciplinas diversas.
Ante lo expuesto, La diversidad en las metodologías, desde pruebas
adaptativas hasta minería de datos, destaca la riqueza en enfoques, pero se
requiere una mayor claridad para comprender completamente la implementación y replicabilidad de estas técnicas en la evaluación
formativa. La falta de detalles específicos en algunos estudios podría limitar
la aplicación práctica de sus hallazgos y la capacidad de otros investigadores
para replicar y construir sobre estos enfoques, subrayando la importancia de la
transparencia y claridad en la descripción de las metodologías de investigación
con técnicas de IA.
682
Tabla 2. Técnicas de inteligencia artificial utilizados en los documentos
analizados
|
Autor |
Técnicas de inteligencia artificial |
|
(Wu et al.,
2021) |
Se identificó técnicas de inteligencia artificial
como el aprendizaje automático y el procesamiento del lenguaje natural.
Además, se menciona que el sistema de evaluación utilizó algoritmos
inteligentes para seleccionar y calificar preguntas de exámenes, lo que
sugiere la aplicación de técnicas de inteligencia artificial para la
generación y evaluación automática de pruebas. |
|
(Haudek et
al., 2011) |
En este artículo se exploraron varias técnicas de
inteligencia artificial para el análisis de texto automatizado, incluyendo el
uso de algoritmos de aprendizaje automático y procesamiento del lenguaje
natural. En particular, se mencionan dos herramientas de software que
contienen técnicas de aprendizaje automático para analizar respuestas de
texto libre: IBM SPSS Text Analytics for Surveys (STAS) y The Summarization Integrated Development Environment (SIDE). STAS utilizó técnicas de análisis
semántico y de clasificación de texto para identificar patrones en las
respuestas de los estudiantes, mientras que SIDE usó métodos de aprendizaje
automático para predecir la puntuación de expertos humanos en las respuestas
de los estudiantes. |
|
(Kannampallil
et al., 2022) |
Este documento describió el desarrollo de un
asistente virtual basado en voz llamado Lumen, que utilizó técnicas de
inteligencia artificial para ofrecer terapia de resolución de problemas a
pacientes con síntomas leves a moderados de depresión y ansiedad. El enfoque
de inteligencia artificial utilizado en Lumen se basa en el procesamiento del
lenguaje natural (NLP, por sus siglas en inglés) y en la generación de
diálogos conversacionales para ofrecer una interacción verbal personalizada y
accesible. Además, el estudio también mencionó el uso de técnicas de
aprendizaje automático para mejorar la precisión y la eficacia del asistente
virtual. |
|
(Choi &
McClenen, 2020) |
En este artículo se utilizaron dos técnicas de
inteligencia artificial: pruebas adaptativas computarizadas (CAT) y redes
bayesianas dinámicas (DBN). La funcionalidad adaptativa de CAT permitió
seleccionar de forma adaptativa un elemento para una prueba secuencial
alineada con un plan de estudios. Además, los DBN estimó el cambio en tiempo
real de la capacidad de un alumno en múltiples pruebas. |
|
(Brass et
al., 2023) Art 12 |
Se aplicó algoritmos de aprendizaje automático puede
permitir la generación de modelos predictivos a partir de datos del sistema
de gestión del aprendizaje, lo que a su vez puede permitió la generación de
retroalimentación basada en datos para los estudiantes. |
|
(Cao et al.,
2022) |
Se utilizó varias técnicas de inteligencia
artificial, incluyendo la lógica difusa y el aprendizaje profundo. En
particular, se utilizó un modelo de evaluación basado en la lógica difusa
para evaluar el rendimiento atlético de los estudiantes, y se sugiere que el
uso de modelos de aprendizaje profundo podría mejorar aún más los resultados
del sistema en el futuro. |
|
(Santos &
Boticario, 2014) |
Esta investigación aplicó técnicas de minería de
datos para la detección de información emocional en escenarios colaborativos.
Además, mencionó el uso de reglas y técnicas de aprendizaje automático, como
clasificación y clustering para facilitar la
gestión del soporte inteligente durante el diseño, conducción y análisis de
la experiencia de aprendizaje colaborativo. |
|
(Jin, 2022) |
Se utilizó métodos de inteligencia artificial,
específicamente el enfoque de aprendizaje automático, para llevar a cabo el
análisis de sentimientos en el contexto de la enseñanza de la literatura. Se
mencionaron técnicas como el modelo de clasificación integrada basado en el
modelo oculto de Markov y algoritmos de aprendizaje
automático como la red neurona. |
683
En la Tabla 3, Wu et al. (2021) destacaron la
mejora objetiva y la retroalimentación eficiente gracias a sistemas
informáticos inteligentes. Al respecto, Haudek et al.
(2011) resaltaron la eficiencia de tecnologías de análisis de texto
automatizado en la evaluación STEM. Mientras, Kannampallil
et al. (2022) enfatizaron la usabilidad de Lumen, con sugerencias para su
perfeccionamiento. A su vez, Choi & McClenen (2020) propusieron CAFT, demostrando eficacia y
validez en la evaluación estadística en línea. Brass
et al. (2023) abogaron por la transparencia en la analítica de aprendizaje,
desafiando las mentalidades convencionales. Cao et al. (2022) introdujeron la
IA en la evaluación atlética, mejorando la retroalimentación y la
identificación estudiantil. Santos & Boticario (2014) presentan el CLF como
una herramienta colaborativa eficaz. Finalmente, Jin
(2022) sugirió el uso de análisis de sentimientos respaldado por inteligencia
artificial en la enseñanza literaria. Este análisis resalta avances
significativos y ofrece perspectivas diversas en el uso de inteligencia
artificial para la evaluación formativa en la educación.
684
Tabla 3. Resultados y aportes principales
|
Autor |
Resultados y aportes principales |
|
(Wu et al.,
2021) |
El estudio resaltó que la implementación de sistemas
informáticos inteligentes en la evaluación formativa puede significativamente
mejorar la objetividad y brindar retroalimentación inmediata y personalizada
a los estudiantes. Destaca que los alumnos que utilizaron este sistema
obtuvieron puntuaciones más altas en comparación con aquellos que se
sometieron a evaluaciones en papel con retroalimentación tradicional. Además,
se enfatiza que el uso de la tecnología redujo la carga de trabajo docente y
mejoró la eficiencia evaluativa. |
|
(Haudek et
al., 2011) |
Los resultados y contribuciones fundamentales de
este estudio se centraron en la implementación y aplicación de tecnologías de
análisis de texto automatizado, como STAS y SIDE, para evaluar las respuestas
estudiantiles en el ámbito de la educación STEM. Estos enfoques automatizados
ofrecen eficiencia al analizar extensos conjuntos de datos de respuestas y revelar
conexiones entre conceptos subyacentes a las palabras clave. Se destaca la
utilidad del análisis léxico para agilizar la creación y mejora de pautas de
puntuación, así como para descubrir ideas innovadoras mediante el estudio del
lenguaje estudiantil. |
|
(Kannampallil
et al., 2022) |
El asistente virtual basado en voz - Lumen recibió
evaluaciones positivas en usabilidad pragmática y experiencia del usuario,
destacando la baja carga de trabajo durante las interacciones. Las
sugerencias de diseño se enfocaron en mejorar la personalización de las
conversaciones y ralentizar el ritmo. Además, se reconocieron las
limitaciones tecnológicas, como las dificultades en la comprensión del
lenguaje natural y la incapacidad para discernir matices emocionales. Estos
hallazgos resaltaron la valoración positiva de Lumen. |
|
(Choi &
McClenen, 2020) |
Se creó un sistema de evaluación formativa - CAFT,
que emplea técnicas de inteligencia artificial basadas en pruebas adaptativas
computarizadas y redes bayesianas dinámicas (DBN). Este sistema, implementado
en un curso de estadística en línea, demostró eficacia, validez y
confiabilidad a través de simulaciones y estudios de aplicación. Los resultados
indicaron que CAFT realizó una estimación precisa de la capacidad de los
estudiantes y una selección adaptativa eficiente de elementos de prueba.
Además, la mejora en la precisión al aplicar reglas de suspensión más
estrictas sugiere la posibilidad de optimizar la evaluación mediante ajustes
específicos. |
|
(Brass et
al., 2023) Art 12 |
Se estableció un marco teórico que fusiona la
inteligencia artificial y la evaluación formativa en el ámbito educativo y el
desarrollo profesional. Se priorizó la generación de modelos predictivos a
partir de datos del sistema de gestión del aprendizaje para proporcionar
retroalimentación basada en datos a los estudiantes. La transparencia en la
manipulación y procesamiento de datos en los sistemas de analítica de
aprendizaje se destacó como esencial. Se reconoció la necesidad de abordar la
confianza y las mentalidades convencionales asociadas con la inteligencia
artificial en el contexto educativo. Estos hallazgos profundizan en cómo la
inteligencia artificial y la analítica de aprendizaje pueden optimizar la
retroalimentación y el respaldo en programas de desarrollo profesional |
|
(Cao et al.,
2022) |
Se implementó un Sistema de Seguimiento de Enseñanza
de Educación Física Inteligente, basado en el análisis de datos multimedia y
la inteligencia artificial - IA, para la evaluación formativa de habilidades
atléticas. La aplicación de técnicas avanzadas de IA, como el modelado de eventos,
la lógica difusa y el aprendizaje profundo, destacaron entre las
contribuciones, mejorando la evaluación continua del
rendimiento atlético estudiantil. La propuesta de integrar tecnologías de
reconocimiento inteligente sugiere posibilidades para fortalecer la
identificación de estudiantes y mejorar la evaluación de su desempeño.
Además, se destacó la iniciativa de ofrecer retroalimentación más efectiva y
personalizada, enriqueciendo el proceso de enseñanza y aprendizaje en
educación física. |
|
(Santos &
Boticario, 2014) |
Este estudio presentó contribuciones clave al diseño
y la implementación de herramientas colaborativas en entornos educativos y de
formación. La creación del Collaborative Logical Framework (CLF) emergió como un hito
significativo, proporcionando un enfoque integral para facilitar el
aprendizaje a través de la interacción, exploración y construcción
colaborativa del conocimiento. La implementación exitosa del CLF como parte
de un marco de soporte adaptativo en un sistema de gestión del aprendizaje
destaca su aplicabilidad práctica. Las evaluaciones formativas con usuarios
han enriquecido el diseño del CLF y mejorado el soporte personalizado que
brinda esta herramienta colaborativa. |
|
(Jin, 2022) |
Este estudio propuso la aplicación de técnicas de
análisis de sentimientos, respaldadas por métodos de inteligencia artificial
y evaluación formativa, en la enseñanza de la literatura británica y
estadounidense. La propuesta incluyó el uso de algoritmos de aprendizaje
automático para analizar las emociones de los estudiantes y comprender las
tendencias emocionales en textos literarios, buscando enriquecer la
comprensión de las emociones transmitidas en obras literarias. |
CONCLUSIONES
685
Este documento revela una diversidad de enfoques metodológicos y técnicas
de inteligencia artificial (IA) aplicadas en estudios de evaluación formativa.
En cuanto a las técnicas de IA, diversos estudios incorporaron enfoques como
aprendizaje automático, procesamiento del lenguaje natural, pruebas
adaptativas, redes bayesianas, lógica difusa y minería de datos. Por
consiguiente, la diversidad en las metodologías y técnicas de IA destaca la
riqueza en enfoques, pero se requiere mayor claridad para comprender completamente
la implementación y replicabilidad de estas técnicas
en la evaluación formativa. La falta de detalles específicos en algunos
estudios podría limitar la aplicación práctica de sus hallazgos, subrayando la
importancia de la transparencia y claridad en la descripción de las
metodologías de investigación con técnicas de IA.
Asimismo, este trabajo ofrece contribuciones significativas al campo de
la evaluación formativa educativa mediante la síntesis crítica de estudios
previos. Destaca la diversidad metodológica observada, abarcando enfoques
cuantitativos, mixtos y cualitativos, proporcionando una visión integral de las
estrategias utilizadas en la evaluación de sistemas informáticos inteligentes.
Además, resalta la versatilidad de las técnicas de inteligencia artificial
empleadas, desde aprendizaje automático hasta procesamiento del lenguaje
natural, subrayando la riqueza de herramientas disponibles. Los impactos
positivos identificados, como la mejora en la objetividad y la
retroalimentación personalizada, ofrecen perspectivas valiosas sobre la
eficacia de la integración de la IA en la evaluación.
Con respecto a los posibles trabajos futuros sugeridos abarcan diversas
áreas para avanzar en la aplicación de sistemas informáticos inteligentes en la
evaluación formativa educativa. Entre ellos, se destaca la necesidad de
investigar la efectividad de la retroalimentación automática en diferentes
disciplinas y niveles educativos, comparándola con la proporcionada por
profesores. Además, se propone desarrollar sistemas que evalúen habilidades
prácticas, explorar la integración de sistemas inteligentes en el proceso de
enseñanza para brindar apoyo personalizado en tiempo real, y evaluar la
efectividad en la evaluación de habilidades socioemocionales. En resumen, los
trabajos futuros podrían abordar la diversidad metodológica, mejorar la
transparencia, y explorar nuevas aplicaciones y técnicas de inteligencia
artificial en la evaluación educativa.
REFERENCIAS
Anijovich, R. (2017). La evaluación formativa en la
enseñanza superior. Voces de La Educación, 2(1), 31–38.
https://www.revista.vocesdelaeducacion.com.mx/index.php/voces/article/view/32/30
Bizarro, W., Sucari, W., &
Quispe-Coaquira, A. (2019). Evaluación
formativa en el marco del enfoque por competencias. Revista Innova Educación,
1(3), 374–390. https://doi.org/10.35622/j.rie.2019.03.r001
Brass, T., Kennedy, J. P., Gabriel,
F., Neill, B., Devis, D., & Leonard, S. N. (2023). Learning analytics for lifelong career development: a framework to support
sustainable formative assessment and self-reflection in programs developing
career self-efficacy. Frontiers in Artificial Intelligence, 6,
1–10. https://doi.org/10.3389/frai.2023.1173099
686
Cao, F., Xiang, M., Chen, K., & Lei, M. (2022).
Intelligent Physical Education Teaching Tracking System Based on Multimedia
Data Analysis and Artificial Intelligence. Mobile Information Systems, 2022.
https://doi.org/10.1155/2022/7666615
Choi, Y., & McClenen, C. (2020). Development of adaptive
formative assessment system using computerized adaptive testing and dynamic
bayesian networks. Applied Sciences (Switzerland), 10(22), 1–17.
https://doi.org/10.3390/app10228196
Haudek, K. C., Kaplan, J. J., Knight, J., Long, T., Merrill,
J., Munn, A., Nehm, R., Smith, M., & Urban-Lurain, M. (2011). Harnessing
technology to improve formative assessment of student conceptions in STEM:
Forging a national network. CBE Life
Sciences Education, 10(2), 149–155.
https://doi.org/10.1187/cbe.11-03-0019
Hortigüela-Alcalá, D., Pérez-Pueyo, A., &
López-Pastor, V. (2015). Implicación y regulación del trabajo del alumnado en
los sistemas de evaluación formativa en educación superior. Revista
Electrónica de Investigación y Evaluación Educativa, 21(1), 1–15.
https://doi.org/10.7203/relieve.21.1.5171
Jin, Y. (2022). Sentiment Analysis in British and American
Literature Teaching under Formative Assessment and Machine Learning. Wireless
Communications and Mobile Computing, 2022. https://doi.org/10.1155/2022/7954166
Kannampallil, T., Ronneberg, C. R., Wittels, N. E., Kumar,
V., Lv, N., Smyth, J. M., Gerber, B. S., Kringle, E. A., Johnson, J. A., Yu,
P., Steinman, L. E., Ajilore, O. A., & Ma, J. (2022). Design and Formative
Evaluation of a Virtual Voice-Based Coach for Problem-solving Treatment:
Observational Study. JMIR Formative Research, 6(8), 1–13.
https://doi.org/10.2196/38092
Kassa, K., Tefera, Y., & Amdemeskel, Y. (2015). The
Practice of Teachers’ Continuous Professional Development (CPD) Programme in
Harari Regional State, Ethiopia. Middle Eastern & African Journal of
Educational Research, 48(15), 1–19. https://acortar.link/1Si4QY
Martínez, F. (2013). Dificultades para implementar la
evaluación formativa. Perfiles Educativos, 35(139), 128–150.
https://doi.org/10.22201/iisue.24486167e.2013.139.35716
ONU. (2023). Objetivo 4: Garantizar una educación
inclusiva, equitativa y de calidad y promover oportunidades de aprendizaje
durante toda la vida para todos. https://www.un.org/sustainabledevelopment/es/education/
Quiñones, L., Zárate-Ruiz, G., Miranda-Aburto, E.,
& Sosa, P. (2021). Enfoque por competencias (EC) y Evaluación formativa
(EF). Caso: Escuela rural. Propósitos y Representaciones, 9(1),
1–14. https://doi.org/10.20511/pyr2021.v9n1.1036
Ravela, P. (2015). Consignas, devoluciones y
calificaciones: los problemas de la evaluación en las aulas de educación
primaria en América Latina. Páginas de Educación, 49–89.
https://doi.org/10.22235/pe.v2i1.703
Ruiz-Miranda, E. (2023). La revolución de la
inteligencia artificial en la educación: una reseña de ChatGPT. Revista de
Estudios e Investigación En Psicología y Educación, 10(1), 156–160.
https://doi.org/10.17979/reipe.2023.10.1.9594
Santos, O. C., & Boticario, J. G. (2014). Involving users
to improve the collaborative Logical Framework. The Scientific World Journal,
2014(1). https://doi.org/10.1155/2014/893525
687
Tilton, Z., LaVelle, J. M., Ford, T., & Montenegro, M.
(2023). Artificial intelligence and the future of evaluation education:
Possibilities and prototypes. New Directions for Evaluation, 2023(178–179),
97–109. https://doi.org/10.1002/ev.20564
Wu, W., Berestova, A., Lobuteva, A., & Stroiteleva, N.
(2021). An Intelligent Computer System for Assessing Student Performance. International
Journal of Emerging Technologies in Learning, 16(2), 31–45.
https://doi.org/10.3991/ijet.v16i02.18739
688