Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
1
Retroalimentación formativa con inteligencia artificial
generativa: Un caso de estudio
Formative feedback with generative artificial intelligence: A case study
Ana Ma. Bañuelos Márquez
1
Eric Romero Martínez
2
RESUMEN
La inteligencia artificial generativa ha irrumpido en el proceso de enseñanza y aprendizaje en la
educación superior, donde uno de los desarrollos representativos es el ChatGPT de OpenIA.
Asimismo, entre los usos más socorridos de esta herramienta se encuentran los procesos
evaluativos donde permiten brindar retroalimentación automática y personalizada. Se presenta
un estudio de tipo exploratorio cuyo objetivo fue analizar la capacidad de la inteligencia artificial
generativa para ofrecer retroalimentación formativa a una actividad de aprendizaje de una
asignatura de la carrera de psicología de la Universidad Nacional Autónoma de México que se
imparte con el apoyo de una plataforma tecnológica. Como parte de la metodología del estudio,
se seleccionaron de manera aleatoria cuatro trabajos elaborados por el estudiantado que fueron
evaluados y retroalimentados por la profesora responsable de la asignatura, mismos con los que
fue alimentado el ChatGPT-4. Los resultados indican que el sistema inteligente identifica
parcialmente la calidad de las actividades realizadas, hubo discrepancia en las calificaciones
asignadas con la profesora responsable, no obstante, sobresale su capacidad de retroalimentar de
manera personalizada de acuerdo con el modelo seleccionado. Se concluye que es necesario
entrenar al sistema con mayor número de tareas y precisión en las instrucciones (prompts).
Palabras clave: Retroalimentación, evaluación, aprendizaje, inteligencia artificial,
autorregulación.
ABSTRACT
Generative artificial intelligence has burst into the teaching and learning process in higher
education, where one of the representative developments is OpenIA's ChatGPT. Likewise,
among the most useful uses of this tool are evaluative processes where they allow automatic and
personalized feedback to be provided. An exploratory study is presented whose objective was to
analyze the capacity of generative artificial intelligence to offer formative feedback to a learning
1
Universidad Nacional Autónoma de México (UNAM), Ciudad de México, México. Doctora. Profesora-
investigadora. Facultad de Psicología. Correo electrónico: bama@unam.mx ORCID: https://orcid.org/0000-
0002-2663-7400
2
Universidad Nacional Autónoma de México (UNAM), Ciudad de México, México. Maestro. Técnico
Académico. Facultad de Psicología. Correo electrónico: ericrm@unam.mx ORCID: https://orcid.org/0000-
0002-2527-1734
DOI: https://doi.org/10.15517/wl.v19i2.63262
Recepción:18/5/2024 Aceptación: 23/11/2024
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
2
activity of a subject of the psychology career of the National Autonomous University of Mexico
that is taught with the support of a Technological platform. As part of the study methodology,
four works prepared by the students were randomly selected and evaluated and provided
feedback by the teacher responsible for the subject, the same ones that the ChatGPT-4 was fed
with. The results indicate that the intelligent system partially identifies the quality of the activities
carried out, there was a discrepancy in the grades assigned with the responsible teacher, however,
its ability to provide personalized feedback in accordance with the selected model stands out. It
is concluded that it is necessary to train the system with a greater number of tasks and precision
in the instructions (prompts).
Keywords: Feedback, evaluation, learning, artificial intelligence, self-regulation.
Introducción
La integración de herramientas basadas en Inteligencia Artificial (IA) en el proceso
de enseñanza y aprendizaje es un tema de interés creciente en la educación superior. Son
varias las voces que hablan de los beneficios potenciales que ofrece esta herramienta en el
proceso educativo, desde acciones pedagógicas enfocadas a la planeación didáctica, la
evaluación y la retroalimentación de lo aprendido por el estudiantado, hasta algunas tareas
de corte administrativo como la automatización de actividades rutinarias, la redacción de
correos electrónicos o la corrección de exámenes.
En un contexto áulico, la revisión teórica permite afirmar que la personalización del
aprendizaje es el uso de mayor mención. Es posible adaptar el proceso de enseñanza a las
necesidades, estilos y preferencias del alumnado, optimizando la experiencia y mejorando la
comprensión de los temas. De hecho, es factible reconocer patrones de desempeño académico
deficientes y proporcionar intervenciones tempranas (recomendar materiales de estudio
adicionales o ejercicios) para evitar una eventual deserción o reprobación, abriendo la
posibilidad de emplear la tutoría virtual académica y retroalimentación automatizada (como
lo haría un docente), resolviendo dudas u ofreciendo explicaciones específicas sobre
conceptos difíciles de comprender, a partir de la identificación de dichas pautas de
desempeño
3
.
3
William Aparicio-Gómez, “La inteligencia artificial y su incidencia en la educación: Transformando el
aprendizaje para el Siglo XXI”, Revista Internacional de Pedagogía e Innovación Educativa 3, n.º 2 (2023):
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
3
Con respecto al diseño de la evaluación de los aprendizajes, la recomendación es
centrarse en valoraciones que fomenten el desarrollo de la creatividad del estudiantado o las
habilidades de pensamiento crítico. Asimismo, integrar evaluaciones auténticas que les sean
significativas y motiven intrínsecamente al grupo a poner en práctica sus conocimientos y
habilidades en contextos de aplicación real
4
. En otro orden de sugerencias, el profesorado
debe ajustar tanto la metodología de enseñanza como las estrategias de evaluación con la
intención de mejorar los resultados académicos del estudiantado, al mismo tiempo de
protegerse contra el uso ético de la IA
5
.
También es viable apoyarse en herramientas inteligentes para la creación de
contenidos educativos basados en los distintos estilos y ritmos de aprendizaje de un grupo,
adecuar materiales de estudio, o bien, proponer rutas de estudio diferenciado con el fin de
estimular el desarrollo de competencias particulares
6
.
Asimismo, se coincide con los autores supra citados en la importancia de anteponer
la dimensión pedagógica sobre la tecnológica, emplear la IA no implica dejar de lado una
correcta planeación didáctica en la que, a partir del objetivo general del curso y del contenido
temático, se determinen las estrategias de enseñanza, las actividades de aprendizaje, los
materiales y recursos de apoyo y los mecanismos de evaluación.
Por lo anterior, el propósito de esta aportación es presentar los resultados de un
estudio exploratorio a través de un caso donde se analiza la capacidad de una inteligencia
artificial generativa (ChatGPT-4) para brindar retroalimentación formativa al estudiantado
en una actividad de aprendizaje. El contexto de aplicación es una asignatura de la carrera de
217-229; Richard Macías, et al. “La inteligencia artificial; análisis del presente y futuro en la educación
superior”, Revista G-ner@ndo 4, n. º 1 (2023): 861– 887 y Fernando, Vera, “Integración de la Inteligencia
Artificial en la educación superior: Desafíos y oportunidades”, Revista Electrónica Transformar 4, n.º 1
(2023): 17-34.
4
Michal Bobula, “Generative Artificial Intelligence (AI) in Higher Education: A Comprehensive Review of
Challenges, Opportunities, and Implications”, Journal of Learning Development in Higher Education, nº 30
(2024): 1-27. https://doi.org/10.47408/jldhe.vi30.11
5
Daniel Lee, et al., “The impact of generative AI on higher education learning and teaching: A study of
educators’ perspectives”, Computers and Education: Artificial Intelligence 6, (2024):1-10.
https://doi.org/10.1016/j.caeai.2024.100221
6
Yinis Salmerón, et al. “El futuro de la inteligencia artificial para la educación en las Instituciones de Educación
Superior”, Revista Conrado 19, n. º 93 (2023): 27-34.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
4
psicología de la Universidad Nacional Autónoma de México, que se ofrece bajo la modalidad
abierta, una opción educativa flexible sustentada en un sistema semipresencial que brinda
facilidades para el estudio mediante el empleo de plataformas tecnológicas. En este tipo de
enseñanza es fundamental el estudio independiente, por lo que el alumnado debe aprender y
ponga en práctica los procesos de autorregulación del aprendizaje pertinentes, entre otras
razones, por la separación espacio-temporal entre la persona docente y el alumnado.
Inteligencia artificial generativa
La Inteligencia Artificial Generativa (IAG) se concibe como una rama de la
inteligencia artificial que automatiza la generación de contenido en respuesta a instrucciones
escritas, abarcando textos, imágenes, videos, música o código de software
7
. Esta tecnología,
como señala la UNESCO
8
, opera mediante interfaces conversacionales de lenguaje natural,
produciendo nuevo contenido en diversos formatos.
Un ejemplo emblemático de IAG, mencionado por González
9
, es el modelo ChatGPT,
desarrollado por OpenAI, que ha alcanzado gran popularidad. Esta plataforma está
transformando diversos campos al aprender y crear contenidos a partir del entrenamiento de
patrones de datos, capacidad considerada anteriormente exclusiva de los seres humanos.
Toda vez que el campo de interés del presente escrito es la retroalimentación del
aprendizaje, es momento de describir lo que ofrecen los sistemas inteligentes al respecto.
Para esto, es oportuno iniciar recordando los tipos de evaluación que se manejan en el ámbito
educativo, de acuerdo con el momento de aplicación
10
:
7
Universidad Nacional de Educación a Distancia. UNED. Guía para integrar las tecnologías basadas en
inteligencia artificial generativa en los procesos de enseñanza y aprendizaje (España: UNED, 2023), 6-7.
https://www.uned.es/universidad/inicio/institucional/areas-
direccion/vicerrectorados/innovacion/iaeducativa.html
8
UNESCO. Guía para el uso de la IA generativa en educación e investigación (Francia: UNESCO, 2024), 4.
https://unesdoc.unesco.org/ark:/48223/pf0000389227
9
Carina González-González, “El impacto de la inteligencia artificial en la educación: Transformación de la
forma de enseñar y de aprender”, Revista Qurriculum n.º 36 (2023): 51-60.
https://doi.org/10.25145/j.qurricul.2023.36.03
10
Melchor Sánchez Mendiola, “Evaluación del aprendizaje” en Evaluación del y para el aprendizaje:
instrumentos y estrategias, 17-39 (México: UNAM. 2020).
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
5
● Evaluación diagnóstica, es la realizada al inicio de un curso con el propósito de
identificar el nivel de conocimientos, habilidades o actitudes del alumnado. Puede
servirle al profesorado para realizar algunas adecuaciones al contenido o a las
actividades de enseñanza.
● Evaluación formativa, es usada para monitorear el progreso del aprendizaje, la que se
lleva a cabo durante el proceso de adquisición de conocimiento. El propósito es darle
retroalimentación al aprendiz sobre su avance y posibles carencias.
● Evaluación sumativa, es el conjunto de valoraciones realizadas de la materia cuyo fin
es determinar el grado de cumplimiento de los objetivos de aprendizaje y asignar una
calificación.
La mayoría de las propuestas que abordan los usos de sistemas inteligentes en los
procesos evaluativos se centran en la de tipo formativo, donde es posible ofrecer
retroalimentación instantánea y automática, ayudando al aprendiz a comprender su progreso
o las áreas que requiere mejorar. De hecho, la evaluación formativa es elemental en un
sistema no presencial, contexto de este estudio, es imperativo monitorear el desempeño del
estudiantado a lo largo del ciclo escolar, característica fundamental de una modalidad abierta.
De acuerdo con Luckin
11
, emplear la IA permite que el seguimiento del aprendizaje sea
más justo e inclusivo, facilitando el contar con más evidencias del desempeño de cada
estudiante, prolongar el periodo de acompañamiento y reducir la presión que la evaluación
ejerce sobre el sistema educativo. Por otro lado, el Blog del sitio Escuela 21
12
propone siete
ventajas al aplicar la IA en los procesos evaluativos:
1. Ayuda a reducir la burocracia. Se puede contribuir a minimizar el tiempo dedicado a
la corrección por parte del profesorado y facilitar la gestión del registro y seguimiento
de las evidencias de aprendizaje, potenciando que este tiempo se dedique al desarrollo
de estrategias para el acompañamiento del alumnado en su desarrollo.
11
Rose Luckin, “Towards artificial intelligence-based assessment systems”, Nature Human Behaviour 1, n.º 28
(2017): 1-3. https://doi.org/10.1038/s41562-016-0028
12
Escuela 21, “7 Ventajas de la aplicación de la Inteligencia Artificial para la evaluación del aprendizaje en la
escuela”, (blog), https://www.escuela21.org/blog/evaluacion-inteligente/
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
6
2. Evaluaciones más inclusivas. Contribuye a aumentar las posibilidades de mejorar la
accesibilidad, así como a diversificar las formas y tiempos de evaluación.
3. Evaluaciones integradas. Una evaluación continua y en segundo plano, reduce el
protagonismo y saturación de las pruebas de evaluación, permitiendo una valoración
auténtica.
4. Evaluaciones auténticas. El hecho de que la evaluación esté integrada en procesos
reales de actividad reducirá el efecto de “preparación para las pruebas” en los
procesos de enseñanza.
5. Retroalimentación personalizada. El acceso a información en tiempo real sobre el
avance del estudiantado puede facilitar la retroalimentación individualizada, para
mejorar su proceso de aprendizaje.
6. Retroalimentación proactiva. En el sentido de que se enfoca en el acompañamiento
para la toma de decisiones sobre cómo seguir avanzando en el aprendizaje.
7. Seguimiento a largo plazo. Facilita que el profesorado haga un seguimiento del
alumnado en plazos más largos que el curso, ayudándole a conocer sus estilos de
aprendizaje, identificar dificultades y a gestionar apoyos necesarios para reducir
posibles barreras.
En este tenor, la Universidad Nacional Autónoma de México
13
, sugiere aprovechar esta
oportunidad para ser creativos y repensar didácticamente las estrategias de evaluación en las
diferentes etapas del proceso educativo, en particular:
1. Analizar los efectos de la IAG en los instrumentos de evaluación. Solicitar como
evidencia de desempeño los típicos ensayos, preguntas de respuesta corta, pruebas de
opción múltiple o resúmenes, pueden ser los instrumentos más afectados por los
sistemas inteligentes. Sin embargo, es posible incorporar otras herramientas
evaluativas como los exámenes orales, portafolios, observación directa, reportes de
pares, registros de desempeño o las evaluaciones objetivas estructuradas.
13
Universidad Nacional Autónoma de México. UNAM. Recomendaciones para el uso de la inteligencia
artificial generativa en la docencia (México: UNAM, 2023), 18-20.
https://iagenedu.unam.mx/docs/recomendaciones_uso_iagen_docencia_unam_2023.pdf
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
7
2. Proporcionar retroalimentación efectiva. Se pueden emplear los sistemas generativos
como asistentes en la redacción para brindar retroalimentación al estudiantado en
documentos, así como solicitar propuestas o comentarios a los trabajos escritos.
Incluso, una vez que el aprendiz recibe su retroalimentación, se puede refinar esas
respuestas para que la IAG ofrezca explicaciones más específicas sobre su
desempeño.
3. Elaboración de exámenes de opción múltiple con retroalimentación automática. Esta
recomendación aplica tanto para el profesorado, como para el estudiantado. Para los
primeros, hoy día es posible crear este tipo de exámenes de manera ágil junto con el
texto que recibe el alumnado como retroalimentación a sus respuestas, mientras que
estos también pueden generar cuestionarios que sirvan de preparación o revisión de
los temas previo al examen oficial.
4. Creación de rúbricas. Con ayuda de la IAG es posible diseñar rúbricas como
estrategia para evaluaciones formativas y sumativas, de una forma más eficaz.
5. Construcción de preguntas de comprensión lectora. En la misma línea que la
recomendación anterior, las herramientas inteligentes posibilitan la redacción de
interrogantes que permitan comprobar la comprensión de un texto académico.
6. Mejorar la interacción docente-estudiante. Para la modalidad texto a texto, el
profesorado puede adaptar el tono de un documento escrito, siendo más amable, más
o menos técnico o comprensible de acuerdo con el nivel de conocimiento del grupo.
También, es factible extraer la idea principal de un trabajo (tarea) con errores
gramaticales o semánticos y pedir su corrección, permitiendo comparar el texto real
con la interpretación del alumnado.
Por último, la Universidad Nacional de Educación a Distancia española
14
propone
involucrar al estudiantado en el análisis y reflexión de respuestas arrojadas por la IAG. Esta
es una visión muy interesante, en tanto es posible fomentar el pensamiento crítico y otras
competencias cognitivas superiores. Al respecto, la Universidad recomienda las siguientes
cuatro acciones:
14
UNED, Guía para integrar las tecnologías basadas en inteligencia artificial generativa en los procesos de
enseñanza y aprendizaje, 24.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
8
1. Partir de una respuesta inicial generada por el sistema inteligente, solicitar,
argumentar en qué medida los contenidos objeto de estudio sustentan o no la respuesta
ofrecida por la IAG.
2. Con la generación de múltiples respuestas a una pregunta abierta, pedir una síntesis
y análisis crítico de las respuestas dadas por la IAG, con el objetivo de construir su
propia respuesta.
3. Requerir que, partiendo de una respuesta inicial proporcionada por la IAG a una
pregunta abierta, que vaya refinando gradualmente las instrucciones en diferentes
intentos hasta obtener una respuesta que abarque todas las consideraciones
especificadas en la tarea, justificando el proceso seguido hasta obtener la última
respuesta.
4. Emplear herramientas basadas en IAG para diseñar un escenario ficticio en el que el
grupo pueda aplicar los contenidos objeto de estudio.
Modelos de retroalimentación
La retroalimentación es un proceso esencial en la evaluación educativa, su relevancia
es de suma importancia porque a través de ella se orienta al estudiantado para reducir la
brecha entre el aprendizaje esperado y el estado actual. En este proceso se busca corregir o
ampliar los saberes de los aprendices, además de modificar su comportamiento y
motivaciones que le permitirán mejorar su desarrollo profesional e integral.
Es por ello por lo que se han planteado diversos modelos para brindar
retroalimentación bajo diferentes contextos, metodologías y metas. A continuación, se
mencionan los que se consideran más relevantes: Nicol y Macfarlane-Dick
15
proponen el
fomento al aprendizaje autónomo mediante siete principios centrados en la autoevaluación y
reflexión para modificar los saberes, comportamientos y creencias motivacionales del
estudiantado. Hummel
16
integra la retroalimentación en entornos digitales y tecnológicos,
15
David Nicol y Debra Macfarlane-Dick, “Formative assessment and self‐regulated learning: a model and seven
principles of good feedback practice”, Studies in Higher Education 31, n.º 2 (2006): 199–218.
https://doi.org/10.1080/03075070600572090
16
Hans Hummel, “Feedback model to support designers of blended learning courses”, The International Review
of Research in Open and Distributed Learning 7, n. º 3 (2006): 1-16. https://doi.org/10.19173/irrodl.v7i3.379
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
9
facilitando un enfoque iterativo en el aprendizaje mixto. Por su parte, Hattie y Timperley
17
enfocan este proceso en cuatro niveles: tarea, proceso, autorregulación y persona, es ideal
para estructurar claramente los objetivos de aprendizaje y alineación con el desempeño del
alumnado. Por último, el modelo de Boud y Molloy
18
promueve la autoevaluación y
participación activa y colaborativa de los y las estudiantes para generar y solicitar
retroalimentación.
De acuerdo con Moreno
19
, es relevante seleccionar y aplicar un modelo de
retroalimentación, ya que un enfoque adecuado puede transformar significativamente el
proceso de enseñanza y aprendizaje. Los modelos no solo facilitan la comunicación efectiva
entre profesorado y estudiantado, sino que promueven la autorreflexión y el aprendizaje
autónomo, esenciales para el desarrollo académico. Este autor subraya que el proceso de
retroalimentación debe ser un diálogo constructivo que permita al alumnado no solo recibir
información, si no también aprender a autoevaluarse y a utilizar críticamente las
observaciones para su propio desarrollo.
Como se mencionó líneas arriba, el contexto de aplicación de este estudio es la
modalidad abierta de la Universidad, lo que demanda principalmente del estudiantado su
capacidad para autorregular la construcción de su conocimiento. Por este motivo, se decidió
tomar el modelo de Nicol y Macfarlane-Dick
20
para la autorregulación del aprendizaje.
La Figura 1 representa el modelo supra citado el cual consta de siete principios, el
proceso comienza desde que (A) el profesorado establece la tarea a realizar especificando las
metas, criterios y los estándares de aceptación del trabajo, posterior a ello inicia el proceso
interno del estudiantado donde (B) interpreta cuál es el significado de la tarea así como los
requerimientos para su realización, de acuerdo con sus conocimientos del tema, estrategias y
17
John Hattie y Helen Timperley, “The Power of Feedback”, Review of Educational Research 77, n.º 1 (2007):
81-112. https://doi.org/10.3102/003465430298487
18
David Boud y Elizabeth Molloy, “Rethinking models of feedback for learning: the challenge of design”,
Assessment & Evaluation in Higher Education 38, n.º 6 (2013): 698–712.
https://doi.org/10.1080/02602938.2012.691462
19
Tiburcio Moreno. Evaluación formativa, retroalimentación y aprendizaje autorregulado. La
retroalimentación: Un proceso clave para la enseñanza y la evaluación formativa (México: Universidad
Autónoma Metropolitana, 2021), 60.
20
Véase la nota 11.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
10
creencias motivacionales (C) define cuáles son las metas que desea cumplir (en ocasiones
difieren de las metas del profesor) y (D) selecciona y aplica las técnicas y estrategias
necesarias para generar (E) resultados internos y (F) externos que son observables, son a
través de estos últimos que otros agentes educativos pueden brindar (G) retroalimentación
externa que le permita al estudiantado identificar el paso o paso a modificar y por
consecuencia aprender a autorregular su aprendizaje para tareas futuras.
Figura 1. Modelo de autorregulación del aprendizaje de Nicol y Macfarlane-Dick.
Fuente: Traducción propia, basado en el modelo de Nicol y Macfarlane-Dick
21
.
De acuerdo al modelo, los resultados internos se refieren a los cambios cognitivos,
afectivos o motivacionales que ocurren a lo largo del desarrollo de la tarea, mientras que los
resultados externos son las evidencias tangibles y observables a través de las cuales se puede
21
Véase la nota 11.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
11
comparar el progreso o avance actual con los objetivos esperados y con base en ello brindar
la retroalimentación que le permita al estudiantado valorar y decidir la modificación en su
proceso ya sea a nivel cognitivo, motivacional o conductual.
Una última razón para la decisión de este modelo obedece a que está concebido como
actores de retroalimentación el propio profesorado, los pares estudiantes, así como los
sistemas computacionales. De ahí su empleo con el ChatGPT-4 para promover la
autorregulación del aprendizaje del estudiantado, además de la retroalimentación
correspondiente.
Metodología
El objetivo general de este estudio fue analizar la capacidad de ChatGPT-4 para
brindar retroalimentación formativa a una actividad de aprendizaje de una asignatura de la
carrera de psicología de la UNAM, que se ofrece bajo la modalidad abierta. Dicha materia se
encuentra alojada en la plataforma Moodle y está planeada didácticamente para que el
estudiantado avance a su ritmo, cuenta con las lecturas básicas y con los recursos necesarios
para comprender los temas de cada unidad y se le indican las actividades de evaluación que
debe realizar para acreditar la asignatura. Además, la profesora responsable (quien escribe)
se mantuvo en constante comunicación atendiendo las dudas y retroalimentando las
actividades recibidas.
Actividad de evaluación
La actividad de evaluación, objeto de este estudio de caso, fue un cuestionario. En la
tarea aplicó la frase “Aprender a preguntar, preguntar para aprender” y consistió en la
elaboración de un cuestionario de diez preguntas abiertas con sus respectivas respuestas
(parafraseadas) que reflejaran la comprensión de los temas abordados. Se le indicó al
alumnado que imaginara que tuviera que elaborar un examen escrito para la unidad ¿qué
preguntas plantearía? La bibliografía fue un texto elaborado por la profesora responsable.
Cabe mencionar que la intención a mediano plazo es lograr que el ChatGPT-4 se
convierta en un asistente virtual cuando sea capaz de brindar retroalimentación formativa al
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
12
estudiantado, previo aviso y consentimiento del grupo, sobre todo cuando la población supera
los 50 alumnos.
Procedimiento
Del total de actividades de evaluación recibidas al momento de escribir estas líneas,
se seleccionaron al azar cuatro cuestionarios elaborados por el grupo. Es importante
mencionar que cada tarea seleccionada fue despersonalizada, es decir, se omitió información
que pudiera identificar al estudiante, así como sus características personales, asegurando la
confidencialidad de la información y evitando sesgos de acuerdo con la edad, sexo, etc. Esto
en concordancia con la normativa ética de investigación educativa y el empleo de
herramientas de inteligencia artificial en entornos educativos.
Se implementaron cuatro configuraciones distintas en el ChatGPT-4 para valorar las
retroalimentaciones arrojadas, proporcionando información diferente en cada caso. Se partió
del objetivo general de la asignatura, la consigna de la actividad de evaluación y, como
directriz de retroalimentación, el modelo de Nicole y Macfarlane-Dick
22
por razones
contextuales, la naturaleza de la propuesta y los logros esperados.
El proceso para explorar el rol que puede tomar ChatGPT-4 como herramienta de
apoyo para brindar retroalimentación formativa al aprendizaje del estudiantado constó de
siete pasos (Ver Figura 2).
Lo correspondiente a los pasos A, B y E (color azul) fueron indicaciones que no
cambiaron en ninguna de las cuatro configuraciones, el C y D (color naranja) variaron en las
distintas ocasiones y, los últimos dos pasos de color lila, F y G refiere a los procesos que
requirieron de una revisión y validez humana.
22
Véase la nota 11.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
13
Figura 2. Proceso del rol del desempeño del ChatGPT-4 como herramienta
para brindar retroalimentación.
Fuente: Elaboración propia.
A) Delimitación del conocimiento
La instrucción (prompt) dada al ChatGPT-4 para iniciar la conversación fue brindarle
el contexto de la asignatura, el objetivo y tema de la unidad en cuestión y se le indicó que
identificara los siete principios para una retroalimentación efectiva del modelo de Nicol y
Macfarlane-Dick.
B) Definición del aprendizaje esperado y consigna
Es de suma importancia que ChatGPT-4 tenga claridad de cuál es el aprendizaje
esperado y cómo se pretende llegar a él, por lo que se le mencionó la instrucción de la
actividad de aprendizaje a revisar (el cuestionario de diez preguntas abiertas con sus
respectivas respuestas).
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
14
C) Selección del rol de la herramienta
En este paso fue importante indicar al ChatGPT-4 que la retroalimentación que debía
proporcionar fuera de acuerdo al Modelo de autorregulación del aprendizaje antes citado,
para lo cual se le proporcionó el documento en cuestión, aunque también podía localizarlo
en Internet.
D) Selección y análisis de fuentes de conocimiento
Para hacer un comparativo en el desempeño de ChatGPT-4 como herramienta de
retroalimentación, se requiere de fuentes de información que le permitan medir la calidad y
pertinencia del trabajo del estudiantado, y aquí se tuvieron dos variantes: la primera fue que
utilizara la fuente de información de su base de datos que es obtenida de Internet y la segunda
que se basara únicamente en el contenido escrito por la profesora responsable.
E) Retroalimentación automática
Se hicieron cuatro configuraciones combinando información diferenciada, en el
primer chat se omitió proporcionar los principios de autorregulación del aprendizaje (Guía
de retroalimentación) y la lectura base elaborada por la profesora responsable de la asignatura
(Documento temático), por lo que la herramienta recibió únicamente las tareas estudiantiles
y basó el resultado en la información que obtiene de su base de datos para generar la
retroalimentación.
El segundo chat 2 tampoco contó con la Guía de retroalimentación, pero se le
proporcionó el Documento temático. En este caso, el ChatGPT-4 ajustó el proceso de
retroalimentación acorde a la guía proporcionada, lo que permitió tener una estructura
esperada, no obstante, al no tener el Documento temático podrían existir omisiones en la
calidad del contenido.
La siguiente combinación correspondiente al tercer chat, consistió en darle a la
herramienta la Guía de retroalimentación sin el Documento temático. La idea fue que
empleara como fuente de información del tema de estudio lo que encontrara en su base de
datos.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
15
Por último, el cuarto chat consistió en brindar tanto la Guía de retroalimentación
como el Documento temático. Esta configuración fue la más completa porque el ChatGPT-4
tuvo acceso a toda la información para poder arrojar una retroalimentación estructurada y
comprensible para el estudiantado, basándose en la lectura elaborada por la profesora
responsable. Las configuraciones del chat se resumen en la Tabla 1.
Tabla 1. Configuraciones en ChatGPT-4 para llevar a cabo la intervención.
Guía de
retroalimentación
Documento
temático
Chat 1
No
No
Chat 2
No
Si
Chat 3
Si
No
Chat 4
Si
Si
Fuente: Elaboración propia.
Una vez que las configuraciones del ChatGPT-4 contaban con los elementos
necesarios (contexto, objetivos de aprendizaje, consigna, herramientas de evaluación y fuente
de información) se le proporcionaron las cuatro actividades seleccionadas y se le solicitó que
realizara un análisis detallado con la finalidad de brindar un informe con dos componentes:
el puntaje asignado (calificación) a la actividad con su respectiva justificación y una
retroalimentación sobre las áreas de oportunidad para que el estudiantado mejorara la
autorregulación de su aprendizaje.
F) Análisis de la evidencia de aprendizaje
Una vez obtenidas las respuestas, la profesora responsable revisó las actividades de
aprendizaje de los estudiantes seleccionados de la manera habitual y valoró los resultados
arrojados por el ChatGPT-4 para evaluar su desempeño y calidad de resultados. Cabe
mencionar que la comparación se hizo sin conocer previamente cada una de las cuatro
configuraciones, evitando sesgos en la valoración.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
16
Resultados
Por último, en lo que corresponde al inciso G) Discusión sobre el resultado y
desempeño de la IAG, se puede afirmar que las evaluaciones realizadas por la profesora
responsable distan de lo valorado por el ChatGPT-4, presentándose incongruencias con las
puntuaciones otorgadas, de hecho, en aquella donde la experta otorgó una calificación de 10,
la IAG asignó 8.5.
En las cuatro actividades revisadas, la herramienta inteligente identifica parcialmente
la falta de claridad en las respuestas al cuestionario diseñado por el estudiantado, cuando la
opinión de la profesora es que dos de ellas estuvieron bien elaboradas. La diferencia
sobresaliente es en la retroalimentación sobre las áreas de oportunidad para la mejora de la
autorregulación del aprendizaje de los aprendices, a pesar de que dichas orientaciones fueron
hechas independientemente de las configuraciones diseñadas.
Un ejemplo de recomendación de mejora del ChatGPT-4 fue el siguiente:
1. Refuerza la comprensión de conceptos clave: Sería beneficioso revisar literatura
adicional sobre los temas tratados para obtener una comprensión más profunda y ser
capaz de discutir estos conceptos con mayor detalle.
2. Integración de ejemplos prácticos: Intenta vincular los conceptos teóricos con
ejemplos prácticos o estudios de caso que puedan ilustrar cómo estos principios se
aplican en situaciones reales.
3. Solicita retroalimentación formativa: Antes de entregar trabajos futuros, considera
discutir tus borradores con compañeros o tutores para obtener perspectivas
adicionales y mejorar la calidad de tus entregas.
El ChatGPT-4 fue capaz de ofrecer retroalimentación de acuerdo con el modelo
elegido, sin importar la Guía para tal fin, evidenciando que hizo uso de la información con la
que dispone en su base de datos de Internet. Resultado similar para el caso del Documento
temático proporcionado, no se visualiza diferencia en la respuesta de la IAG para el caso de
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
17
la configuración donde se omitió dicha lectura, de nuevo, es reflejo del empleo de la base de
información que maneja el propio sistema.
Conclusiones
En esta primera exploración sobre la independencia y capacidad de ChatGPT-4 para
brindar retroalimentación al alumnado tomando el modelo de retroalimentación sobre
autorregulación del aprendizaje de Nicol y Macfarlane-Dick
23
, se logra observar la eficacia
de la herramienta, no así sobre la calidad de la actividad de evaluación. Sin embargo, la
pequeña muestra de este estudio limita la generalización de los resultados porque no
representa, necesariamente, la diversidad de la población objetivo. Con el fin de fortalecer la
validez externa de los hallazgos, sería necesario realizar estudios posteriores con una mayor
cantidad de estudiantes y docentes, lo que permitirá obtener conclusiones más robustas y
aplicables a contextos diferentes del aquí trabajado.
Por otro lado, es necesario mayor entrenamiento al sistema inteligente con
instrucciones precisas, con un mayor número de casos, con el empleo de rúbricas de
evaluación o explorar otros modelos de retroalimentación. Esto último es un elemento
fundamental en un sistema no escolarizado como la modalidad abierta, objeto de este estudio.
Es menester seguir investigando, con evidencia empírica, las posibilidades de la IAG
en el ámbito educativo, en particular como apoyo para tareas de evaluación y
retroalimentación formativa de manera automatizada. La importancia de que sea
personalizada en función de las respuestas individuales de desempeño del estudiantado es
que permite proporcionar orientaciones específicas, de acuerdo con las necesidades
particulares de cada uno. Lo anterior favorecería una experiencia de aprendizaje más
significativa y efectiva.
23
Véase la nota 11.
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
18
No obstante, no se descarta su utilidad para atender a un gran número de estudiantes
previa notificación y consentimiento informado. Es esencial que el alumnado esté enterado
si la persona docente hará uso de una inteligencia artificial generativa.
Por último, este estudio abre una línea de investigación de estas herramientas a la
vida universitaria, es momento de dejar las fobias de lado y trabajar en las filias para
enriquecer el proceso de enseñanza en beneficio del aprendizaje del estudiantado.
Referencias
Aparicio-Gómez, William. «La inteligencia artificial y su incidencia en la educación: Transformando
el aprendizaje para el Siglo XXI». Revista Internacional de Pedagogía e Innovación
Educativa 3, n.º 2 (2023): 217-229.
Bobula, Michal. «Generative Artificial Intelligence (AI) in Higher Education: A Comprehensive
Review of Challenges, Opportunities, and Implications». Journal of Learning Development
in Higher Education, nº 30 (2024): 1-27. https://doi.org/10.47408/jldhe.vi30.11
Boud, David, y Molloy, Elizabeth. «Rethinking models of feedback for learning: the challenge of
design». Assessment & Evaluation in Higher Education 38, n.º 6 (2013): 698–712.
https://doi.org/10.1080/02602938.2012.691462
Escuela 21. 7 Ventajas de la aplicación de la Inteligencia Artificial para la evaluación del
aprendizaje en la escuela (blog). https://www.escuela21.org/blog/evaluacion-inteligente/ s.f.
González-González, Carina. «El impacto de la inteligencia artificial en la educación: Transformación
de la forma de enseñar y de aprender». Revista Qurriculum n.º 36 (2023): 51-60.
https://doi.org/10.25145/j.qurricul.2023.36.03
Hattie, John, y Timperley, Helen. «The Power of Feedback». Review of Educational Research 77, n.º
1 (2007): 81-112. https://doi.org/10.3102/003465430298487
Hummel, Hans. «Feedback model to support designers of blended learning courses». The
International Review of Research in Open and Distributed Learning 7, n. º 3 (2006): 1-16.
https://doi.org/10.19173/irrodl.v7i3.379
Lee, Daniel, Arnold, Matthew, Srivastava, Amit, Plastow, Katrina, Strelan, Peter, Ploeckl, Florian,
Lekkas, Dimitra, Palmer, Edward. «The impact of generative AI on higher education learning
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
19
and teaching: A study of educators’ perspectives». Computers and Education: Artificial
Intelligence 6, (2024):1-10. https://doi.org/10.1016/j.caeai.2024.100221
Luckin, Rose. «Towards artificial intelligence-based assessment systems». Nature Human Behaviour
1, n. º 28 (2017): 1-3. https://doi.org/10.1038/s41562-016-0028
Macías, Richard, Solorzano, Luis, Choez, Cindy y Blandón, Byron. «La inteligencia artificial; análisis
del presente y futuro en la educación superior». Revista G-ner@ndo 4, n. º 1 (2023): 861–
887.
Moreno, Tiburcio. Evaluación formativa, retroalimentación y aprendizaje autorregulado. La
retroalimentación: Un proceso clave para la enseñanza y la evaluación formativa. México:
Universidad Autónoma Metropolitana, 2021.
Nicol, David y Macfarlane-Dick, Debra. «Formative assessment and self‐regulated learning: a model
and seven principles of good feedback practice». Studies in Higher Education 31, n.º 2
(2006): 199–218. https://doi.org/10.1080/03075070600572090
Salmerón, Yinis, Luna, Heriberto, Murillo, Wilvir y Pacheco, Víctor. «El futuro de la inteligencia
artificial para la educación en las Instituciones de Educación Superior». Revista Conrado 19,
n.º 93 (2023): 27-34.
Sánchez Mendiola Melchor. «Evaluación del aprendizaje». En Evaluación del y para el aprendizaje:
instrumentos y estrategias, editado por la Universidad Nacional Autónoma de México, 17-
39. México: UNAM. 2020.
UNESCO. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. Guía
para el uso de la IA generativa en educación e investigación. Francia: UNESCO, 2024.
https://unesdoc.unesco.org/ark:/48223/pf0000389227
Universidad Nacional Autónoma de México. UNAM. Recomendaciones para el uso de la
inteligencia artificial generativa en la docencia. México: UNAM, 2023.
https://iagenedu.unam.mx/docs/recomendaciones_uso_iagen_docencia_unam_2023.pdf
Universidad Nacional de Educación a Distancia. UNED. Guía para integrar las tecnologías basadas
en inteligencia artificial generativa en los procesos de enseñanza y aprendizaje. España:
UNED, 2023. https://www.uned.es/universidad/inicio/institucional/areas-
direccion/vicerrectorados/innovacion/iaeducativa.html
Wimb lu, Rev. Estud. de Psicología UCR, 19(2) 2024 (Jul-Dic, publicación continua): 1-20
ISSN: 1659-2107 ISSNe: 2215-6712
20
Vera, Fernando. «Integración de la Inteligencia Artificial en la educación superior: Desafíos y
oportunidades». Revista Electrónica Transformar 4, n.º 1 (2023): 17-34.
Esta obra está disponible bajo una licencia https://creativecommons.org/licenses/by-nc-
sa/4.0/
