Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
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.
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.
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.
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.
RESULTADOS
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.
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.
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.
CONCLUSIONES
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.
