Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) – 2024, pp.

12-44

Artículo Original https://doi.org/10.56152/reped2024-vol5num1-art2

IA generativa y ChatGPT en Educación: Un reto para la

evaluación y ¿una nueva pedagogía?
Generative AI and ChatGPT in Education: A challenge for evaluation and
a new pedagogy?
Miguel Zapata Ros
Revista de Educación a Distancia (RED), España
https://orcid.org/0000-0003-4185-5024
E-mail: [email protected]

Resumen
En el presente artículo se aborda la influencia de la inteligencia artificial (IA) generativa, específicamente
el modelo ChatGPT, en el ámbito educativo. Se inicia con la exploración de la naturaleza de los programas
generativos, como los modelos Transformer AI, y su impacto en la educación. Se examina la pregunta fundamental
sobre qué son estos programas y cómo utilizan estadísticas de grandes conjuntos de datos para generar texto. El
artículo destaca tanto las repercusiones positivas como las negativas de la presencia de ChatGPT en la educación.
En el ámbito positivo, se destaca su utilidad en la asistencia tutorizada, acceso constante a la información y
evaluación sofisticada. Las repercusiones negativas se destacan especialmente cuando se trata del acceso
sistemático a información y servicios disponibles las 24 horas del día. Se advierte que esto puede llevar a
aprendizajes no deseados o perjudiciales debido a la falta de intervención educativa humana. Una sección
importante del artículo se centra en la evaluación formativa y su supuesta inmunidad al ChatGPT. La autenticidad,
la confianza y la definición de la evaluación formativa se exploran detalladamente. Se argumenta que la verdadera
evaluación educativa de calidad no puede ser reemplazada por la inteligencia artificial, y se discuten los principios
de demostración y confianza en este contexto. Finalmente, el artículo propone una reflexión sobre la necesidad de
desarrollar una pedagogía específica para la IA generativa, destacando la importancia de una teoría del aprendizaje
adaptada a estas tecnologías emergentes. Se explora el concepto de aprendizaje inteligente en este contexto y se
sugiere la necesidad de una adaptación constante en la pedagogía para incorporar eficazmente la IA generativa en
los procesos educativos.

Palabras clave: Inteligencia artificial generativa, ChatGPT, impacto educativo, evaluación formativa, pedagogía
adaptativa.

Abstract
This article delves into the impact of generative artificial intelligence (AI), specifically focusing on the
ChatGPT model, within the educational sphere. It initiates by exploring the essence of generative programs, such
as Transformer AI models, and their implications for education. The fundamental inquiry into what these programs
entail and how they utilize statistics from extensive datasets to generate text is thoroughly examined. The article
underscores both the positive and negative consequences arising from the integration of ChatGPT in education.
On the positive spectrum, its efficacy in tutoring assistance, continual access to information, and advanced
assessment capabilities are emphasized. Negative repercussions come into focus, particularly concerning
systematic access to information and services available 24/7, cautioning against potential unwanted or detrimental
learning outcomes due to the absence of human educational intervention. A significant section of the article centers
on formative assessment and its purported resilience against ChatGPT. Authenticity, trust, and the definition of
formative assessment are scrutinized in detail, arguing that genuine and high-quality educational assessment
cannot be supplanted by artificial intelligence. Principles of demonstration and trust are further discussed in this
context. Finally, the article proposes a contemplation on the necessity of formulating a specific pedagogy for
generative AI, emphasizing the importance of an adaptive learning theory tailored to these emerging technologies.
The concept of intelligent learning is explored in this context, highlighting the need for continuous pedagogical
adaptation to effectively incorporate generative AI into educational processes.

Keywords: Generative artificial intelligence, ChatGPT, educational impact, formative assessment, adaptive
pedagogy.

Recibido: 18/09/2023 Aceptado: 02/11/2023

Este es un artículo de acceso abierto bajo la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.es ).

 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

1. ChatGPT

Programas generativos y ChatGPT: La aparición del ChatGPT y su impacto

Tras su aparición, los medios de comunicación, los negocios y las finanzas se han hecho
eco, con gran alarde de titulares, del impacto del ChatGPT, así Forbes1 y NBC se reseñan el
último informe del Bank of American sobre la importancia de la IA, que compara con la de la
electricidad. Y lo hace a partir de un hecho: La aparición de este programa generador y
transformador de textos.
Por otra parte, ha llevado a reputados expertos en la sociedad digital, y en la tecnología
educativa en particular, a un gran entusiasmo y a la manifestación de expresiones de arrebato
como hace tiempo no se habían visto. Así en el campo de la educación digital, Donald Clark ha
llegado a decir (2023) que

ChatGPT podría pasar a ser tutor, profesor, formador, instructor, experto, mentor,
entrenador sobre cualquier tema imaginable. Tendrán fines educativos específicos;
personalizado, experiencia en el tema, apropiado para la edad, sensibilidad cultural y
ser infinitamente útil y paciente las 24 horas del día, los 7 días de la semana. Ideas que
después ha ampliado en su blog Plan B, en febrero de 2023, diciendo que ChatGPT es
un sistema de diálogo y no solo un productor de piezas de texto monolíticas, puede
producir cosas maravillosas. Esta es una nueva habilidad para los diseñadores de
aprendizaje: la IA generativa permite todo tipo de indicaciones complejas mediante
iteraciones, lógica y parámetros que mejoran el resultado. También que permite mejorar
el diseño [instruccional]inicial, haciendo funcionar los trabajos y proyectos con sólo las
partes interesantes, conseguir objetivos, adquirir competencias y habilidades deseadas,
planes de estudio e incluso títulos para sus iniciativas de aprendizaje. Para crear
contenido, uno puede solicitar contenido completo con el nivel adecuado de detalle y
matiz, resúmenes, imágenes, todo en diferentes estilos y voces, adecuado para diferentes
audiencias. Puede crear evaluaciones y tareas con rúbricas completas para corregir,
también actividades de aprendizaje para debates, escenarios y juegos de roles.

En esta línea ha elaborado “una lista de 100 ideas rápidas para profesionales del
aprendizaje para permitir que estos amplíen su perspectiva sobre esta tecnología.
Por último, asegura que éste es solo el comienzo de las herramientas de IA que
mejorarán drásticamente la productividad de los docentes, los diseñadores de aprendizaje y
los alumnos.
Todo ello sin experimentación alguna y sin evidenciar nada de lo que dice.
Hay otros autores. Entre ellos, en el plano español, es igualmente optimista, Andrés
Pedreño2 que llega a decir como ideas fundamentales para la enseñanza universitaria las
siguientes:
Como herramientas de un enorme potencial a corto plazo, ChatGPT basado en GPT3 es
solo el inicio de una serie de herramientas con un enorme potencial para la docencia y
la investigación; En la a docencia, ChatGPT es objeto (sic) de disrupción. Los alumnos
llevan en sus bolsillos una herramienta que puede superar al profesor que está en la
tarima si éste se limita a dar información convencional sobre los temas de la
asignatura. La IA obliga a redefinir la enseñanza. (…) Los exámenes y los sistemas de

1 Fuente: Forbes. Suplementó de negocios del 1 de marzo de 2023.

https://www.blogger.com/blog/post/edit/9065073132855231377/1764959125079006163
2 https://www.blogger.com/blog/post/edit/9065073132855231377/1764959125079006163
13
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

evaluación convencional también deberán ser profundamente revisados. La educación

personalizada se erige como fundamental para impedir brechas relevantes entre alumnos
(incluso entre profesores).
También es una oportunidad y reto. En conclusión, ChatGPT representa una
oportunidad para transformar la educación en las universidades y mejorar la experiencia
de los estudiantes. Al utilizar tecnología avanzada para procesar y comprender el
lenguaje humano, ChatGPT también abre la puerta a nuevos horizontes en la educación,
brindando a los estudiantes la oportunidad de aprender de manera más personalizada y
adaptativa. A los investigadores les puede ayudar a romper los límites para procesar y
asimilar grandes cantidades de información.

Más allá de lo que diremos extensamente en este trabajo, cabe plantearse la gran
responsabilidad que supone atribuir en una fase tan temprana unos juicios no suficientemente
justificados y temerarios sobre la atribución de todos esos “poderes” y capacidades a ChatGPT.
Con un poco más de base empírica, tras someter a ChatGPT a algunas preguntas que
dieron respuestas contradictorias cuando no incorrectas pero que serían resueltas por alumnos
de Primaria o de Secundaria que indudablemente echarían mano de recursos elementales de
pensamiento abstracto, simbólico, matemático o lógico, llegamos a formularnos algunas
preguntas. ¿Cómo, en un contexto real, de clase, con alumnos reales, ChatGPT va a enseñar?
¿Cómo va tutelar, evaluar, … y hacer todo eso que presuponen esos autores en sus
visiones? ¿Cómo va a realizar esas tareas (tutoría, evaluación, diseño instruccional, …), una
aplicación que respondía así a problemas simples?
Obviamente quienes atribuyen a ChatGPT todas estas propiedades y capacidades lo
hacen no sólo sin ninguna evidencia en que apoyarse, sino de una forma precipitada. ¿Por qué
ese interés en que la IA generativa tenga éxito en presupuestos tan ambiciosos? ¿Qué y quién
está detrás de estas situaciones?
En la Figura 1 reproducimos un volcado de pantalla con los resultados de Google
Scholar cando preguntamos por Generative AI education “empirical evidence”.

Figura 1. Consulta en Google Scholar sobre Generative AI education “empirical evidence”

14
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Google Scholar da resultados por exceso, es decir es generosa atribuyendo el carácter

de investigación a TFM, TFG y ensayos evaluativos, pero en este caso el único resultado
apreciable es de otro tema, del Teorema de Bayes y deep learning.
La consulta está hecha el 14 de septiembre de 2023. La conclusión es: Si bien todo lo
que se dice sobre IA generativa y ChatGPT en relación con educación y aprendizaje merece
respeto, demostrado lo que se dice demostrado, no hay nada.

¿Qué son los programas generativos “Transformer” AI, o los generadores de texto a
partir de estadísticas de grandes cantidades de datos?

Para lo que nos ocupa conviene destacar en primer lugar que cuando se habla de
ChatGPT se habla de dos cosas. Aunque de forma banal, en nuestro entorno casi todos hablan
de la primera e ignoran, se supone que no deliberadamente, la segunda. Lo cual es grave, sobre
todo cuando se habla desde una perspectiva educativa.
En primer lugar, se trata de un modelo de predicción de texto transformador y
generativo. Es una enciclopedia. Pero también es un modelo conversacional basado en un
modelo instruccional. Es decir, es un modelo que se basa en la conversación para su
aprendizaje propio, mediante el cual incorpora criterios. Esto es lo que todo el mundo desconoce
u olvida.
En la primera acepción, GPT son las siglas de Generative Pre-trained Transformer.
Es un modelo de predicción de texto gigante. Está entrenado por OpenAI en el uso de 500 mil
millones de palabras. Su precedente, el GPT-3, y él no solo son capaces de escribir
correctamente en varios idiomas, sino que sobre todo es un modelo enciclopédico, en esta
acepción, que integra una gran cantidad de referencias y datos del mundo real (personas,
eventos, conocimiento científico). Hasta ahora, su precedente GPT-3 nunca se abrió al público
en general por razones de riesgo. GPT-3 no tenía un mecanismo de inhibición real basado en
experiencia y valores humanos y podía generar cualquier disparate, siempre que el texto sea
solo superficialmente coherente.
Según la segunda acepción, ChatGPT se basa en InstructGPT,
un modelo conversacional de aprendizaje. Lo importante, para nuestro propósito y nuestro
enfoque del tema, es que está basado en el aprendizaje por refuerzo a partir de la
retroalimentación humana (RLHF). Es una affordance creada a partir de la anotación de textos
generados. Pero lo importante es que el modelo incorpora toda una serie de recompensas y
penalizaciones con la función de reforzar la coherencia del texto generado, evitar falsedades
flagrantes, pero también moderar por anticipación de posibles derivas tóxicas. Mediante estas
funciones, ChatGPT, de entre todo inmenso repertorio de de respuestas lingüísticamente
correctas que se podrían generar, ChatGPT opta por aquellas que son más correctas en un
contexto de chat: esto se llama “alineación de IA”. Basado en este mismo principio, ChatGPT
a veces también se niega rotundamente a responder.
Esta doble naturaleza condiciona y hace comprender la esencia y las limitaciones de
ChatGPT. La distinción entre modelo textual y modelo conversacional es fundamental para
entender cómo funciona:
▪ El modelo lingüístico no está actualizado y no se alimenta de las sugerencias de los
usuarios. La formación, la actualización de las bases de datos es muy cara y solo se
renovará una vez al año por término. Esta es la razón por la que hasta muy recientemente
(Langlais, 7 febrero 2023) no hacía referencias al mundo después de 2021. No obstante,
hemos comprobado que algunas aportaciones hechas en discusiones recientes han sido
incorporadas, pero ha sido más en temas de discusiones procedimentales que en nuevos
datos (enfoque conversacional).

15
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

▪ El modelo conversacional continúa refinándose en función de las contribuciones de los

usuarios cada 3 o 4 semanas en promedio. Con ellas OpenAI mejora la alineación del
modelo con la intención del usuario o la plataforma. Ante la paralización del modelo
textual, el modelo conversacional hace generaciones de mayor calidad y,
como consecuencia, de su metodología de refuerzo, penaliza más a las generaciones
no deseadas. La última versión, fechada el 30 de enero último, penaliza más
“alucinaciones”. Término utilizado para designar generaciones puramente poco o nada
reales o posibles).

¿Qué son?

Los programas transformadores en IA son una modalidad de arquitectura de redes

neuronales que ha ido ganando popularidad. A su vez, las redes neuronales son redes de nodos
que simulan las redes de neuronas biológicas (no necesariamente humanas). Y tienen la virtud
de aprender de una determinada forma: Las redes neuronales aprenden (o son entrenadas)
procesando ejemplos, cada uno de los cuales contiene una "entrada" y un "resultado"
computables como sucesos probabilísticos, de manera que se pueden establecer asociaciones
ponderadas de probabilidad entre los dos (en esto tiene mucha importancia el análisis
bayesiano), que se almacenan dentro de la estructura de datos de la propia red.
Los transformadores han sido puestos de moda por OpenAI en los modelos de lenguaje
precedentes de ChatGPT, la serie GPT, y en el propio ChatGPT, pero también fueron utilizados
antes sin tanta resonancia, como por ejemplo por DeepMind para AlphaStar, su programa que
derrotó a un jugador profesional de Starcraft.
En general los programas transformadores IA se desarrollaron para resolver el problema
conocido como de la transducción de secuencias (Graves, 2012) (transdution sequence en
inglés) o traducción automática neuronal. Eso tiene que ver con cualquier tarea automática de
dispositivo digital que transforme una secuencia de entrada en una secuencia de salida de
carácter distinto. Esto incluye reconocimiento de voz, transformación de texto a voz,
reconocimiento de imágenes, etc.
El transformador IA GPT-3, y después ChatGPT, no suponen ninguna novedad
conceptual más allá de la potencia de sus bases de datos y la capacidad de sus algoritmos para
procesar esa gran cantidad de datos rápidamente. De ahí lo de grande en large language
models (LLM) como de otra forma se llaman. Funcionan como un completador de texto
altamente capacitado, similar al que se encuentra en los teléfonos móviles y las interfaces de
correo electrónico. Lo que sucede es que en lugar de mirar hacia atrás a los últimos caracteres
y usarlos para predecir la próxima palabra o dos, presta atención a las 700 u 800 palabras
anteriores que ha escrito, para continuar escribiendo una historia corta completa, un blog o un
ensayo de estudiante. Ese mismo tipo de programa también puede resumir un artículo científico
en un lenguaje más simple, escribir una reseña, traducir idiomas y responder preguntas
generales. En resumen, un Transformer AI es una herramienta de lenguaje de propósito general.
Y éste va a ser su gran déficit para lo que estamos tratando, la educación.
“Los grandes modelos de lenguaje preentrenados no se basan en otros dominios de la
experiencia, como el video o la interacción física del mundo real, y por lo tanto carecen de una
gran cantidad de contexto sobre el mundo” (Brown et al., 2020, p. 34). Los transformadores
son modelos de lenguaje, no de conocimiento a través de la experiencia, la asignación de sentido
o los valores. No están diseñados para ser humanos reflexivos, ecuánimes y éticos, o en
particular para ser académicos, para verificar referencias académicas y garantizar que la
evidencia esté basada en hechos. En términos humanos, son esencialmente inexpertos,
irreflexivos y amorales. No tienen la capacidad de reflexionar sobre lo que han escrito, ni de
juzgar si es exacto y decente.
16
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Conclusiones generales sobre ChapGPTG y otros Large language models

Coincidiendo con Sharples (2022), pensamos que las características enunciadas en el

apartado anterior harán que ChatGPT tenga poco futuro en la Educación. No podemos poner
en las manos de un agente deseablemente educativo, sea chatbot u otro, la posibilidad de que
suministre a los alumnos un contenido hipotéticamente inapropiado o del que no podemos
garantizar que no lo sea. En todo caso lo podríamos poner en manos de profesionales
consolidados con un juicio, capacidad profesional y experiencia que le permita discernir y
evaluar los contenidos ofrecidos por ChatGTP más allá de lo que ofrece como resultado de una
consulta.
Consciente de ello, OpenAI ha proporcionado un complemento para GPT-3 que filtra el
lenguaje inapropiado. Sin embargo, es poco probable por el costo que supone en relación con
la rentabilidad que la empresa produzca herramientas para verificar la precisión de los
resultados en relación en todo caso con la exactitud de las fuentes de donde se toman los datos
o las afirmaciones evaluando su rigor como lo podría hacer un humano. De esta manera, como
hemos dicho, el enfoque y la aplicación estaría en la inteligencia artificial general apoyando
trabajos profesionales, no en la educación.
Quizás otras empresas, en un futuro, podrían suministrar herramientas para verificar la
precisión y la fiabilidad de las referencias generadas o para agregar referencias específicas para
un artículo. Pero en todo caso estas herramientas no superarían la limitación fundamental de los
modelos de los lenguajes Transformer, como ChatGPT: que no tienen un modelo interno
evaluable y accesible para modificar en función de cómo funciona el mundo, proporcionando
una base de conocimientos para que el sistema reflexione sobre la precisión y la sapiencia de
su trabajo generado.
Gunning et al (2019) están realizando investigaciones para desarrollar una IA neuronal
explicable y Garcez y Lamb (2020) están investigando sistemas híbridos de IA
neuronal/simbólica que podrían abordar este problema.
En todo caso coincidimos con Sharples (2023) cuando en un tuit dice:

He visto a algunos académicos desconcertados sobre por qué ChatGPT inventa

referencias académicas y por qué su "base de datos" se detiene en 2021. Ese es un
malentendido fundamental de cómo funciona. Es un modelo de lenguaje, no una base
de conocimiento. Produce "continuaciones" no "hechos". Necesitamos una nueva
alfabetización en IA.

Como ideas generales pensamos que además de lo dicho esta línea de desarrollo, para
ser realmente eficiente y para su puesta en práctica de forma generalizada, más allá de las
intenciones enunciadas por los posts y notas de prensa de sus departamentos de comunicación
y marketing, debe profundizar en
A) Utilizar como herramientas más finas las que se derivan del nuevo pensamiento
bayesiano que expusimos (Zapata-Ros, M. & Palacios, Y. B., 2021), para seleccionar en función
de una analítica de datos, para la cual tienen ya potentes bases, las respuestas en los informes a
las preguntas que se les hacen.
B) Tener presente elementos más finos de lo que son procesos cognitivos de aprender y
sobre qué es aprender.
Respecto de lo primero, el análisis y razonamiento probabilístico es un subcampo del
aprendizaje automático aplicado al procesamiento del lenguaje natural (PNL). Y, en su
contexto, un campo de Probabilidad, la estadística bayesiana, puede ofrecer técnicas únicas para
el PNL.

17
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Como en el resto de la tradición bayesiana, pero ahora apoyada por el análisis de grandes
conjuntos de datos, la asignación de probabilidad a un suceso se basa en la probabilidad de su
inverso (probabilidad a priori), a través del resultado en experimentos conocidos (probabilidad
inversa, probabilidad compuesta y teorema de Bayes). En contraposición a la otra gran escuela
clásica, la asignación a través de la frecuencia (probabilidad determinista o frecuentista) (Drury,
agosto 2019):

Cohen (2019) afirma que el objetivo de la estimación puntual bayesiana es: "resumir la
parte posterior de los parámetros en un conjunto fijo de parámetros", y vincula este
objetivo a un enfoque frecuentista conocido como estimación de máxima verosimilitud.

En otro trabajo Barrow (2019), glosando el libro de Cohen (2019) dice:

El procesamiento del lenguaje natural (PNL) experimentó una profunda transformación

a mediados de la década de 1980 cuando cambió para hacer un uso intensivo de corpora
y de técnicas basadas en datos orientadas al análisis del lenguaje. Desde entonces, el uso
de técnicas estadísticas en PNL ha evolucionado de varias formas. Un ejemplo de
evolución tuvo lugar a finales de la década de 1990 o principios de la de 2000, cuando
se introdujeron las herramientas bayesianas, en toda regla, en el PNL. Este enfoque
bayesiano del PNL ha llegado a suplir resolviendo varias deficiencias en el enfoque
frecuentista enriqueciéndolo, especialmente en el entorno no supervisado, donde el
aprendizaje estadístico se realiza sin ejemplos de predicción de objetivos.

En esquema, este proceso de asignación bayesiana de la probabilidad apoyada con

analítica de grandes datos sería:

Figura 2. Proceso de asignación bayesiana de la probabilidad

Fuente: Imagen obtenida de Zapata-Ros, M. & Palacios, Y. B. (2021)

Hemos visto este uso de la probabilidad bayesiana en la pandemia, en modelos de

epidemiología, para determinar modelos de evolución de datos sobre contagio y fallecimientos
en el COVID y en el procesamiento del lenguaje natural. Pero igualmente podríamos verlo en
multitud de casos en los más variados ampos científicos y de análisis de procesos. De esta
forma, con la automatización de los métodos bayesianos y el uso de modelos gráficos
probabilísticos es posible identificar patrones y anomalías en voluminosos conjuntos de datos
en campos tan diversos como son los corpus lingüísticos, los mapas astronómicos, añadir

18
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

funcionalidades a la práctica de la resonancia magnética, o a los hábitos de compra con tarjeta,

online o smartphones. Esto por señalar sólo algunos casos, como son los que se asocian con el
análisis de grandes datos y la teoría bayesiana. Pero hay muchos más (Bundy, 2007 y Wing,
2008, a través de Zapata-Ros, 2020 agosto).
Este esquema está presente en multitud de casos. A lo dicho en anteriores ocasiones hay
que añadir ahora la idea de pensamiento computacional generalizado (pervasive computational
thinking) como avance y desarrollo de lo tratado en el pensamiento computacional simple, el
que Wing (2006) plantea en su primera aproximación.
Abundan evidencias sobre la influencia del pensamiento computacional apoyado por el
análisis bayesiano en otros campos: Está transformando las estadísticas, donde con el
aprendizaje automático, la automatización de los métodos bayesianos y el uso de modelos
gráficos probabilísticos es posible identificar patrones y anomalías en voluminosos conjuntos
de datos. Esto sería deseable que se incorporase también en futuros Large language models y
otros modelos de transformadores de lenguaje
Respecto de lo segundo, y a propósito del ejemplo del pez y de su cabeza, convendría
tener presente y como base de estudios y desarrollos un tratamiento más riguroso y detallado
de los avances de la psicología cognitiva, y no quedarse en teorías obsoletas como son las del
aprendizaje por refuerzo, y de las teorías instruccionales sobre lo que son procesos cognitivos
de aprender y sobre qué es aprender y cómo se utilizan en el diseño educativo. Lo hemos visto
antes y también lo veremos más adelante, cuando hablemos de condiciones del aprendizaje,
comprender, atribuir sentido, incorporación, autonomía y transferencia. Y de cómo ello debe
ser garantizado por una autentica evaluación, de manera formativa y con dominio en el
aprendizaje.

Repercusiones para la educación y el aprendizaje

Repercusiones positivas

Bastantes cosas de las que se han dicho sobre las ventajas del ChatGPT en educación,
matizadas y contextualizadas adecuadamente, son ciertas.
Así por ejemplo es obvio que este transformer como el resto forman parte de la IA de
asistencia educativa tutorizada. De cuya naturaleza educativos participan. También es
previsible que compartan esa naturaleza las versiones sucesivas ChatGPT-n. Lo que se dice de
esta AI es cierto para ellos: proporcionarían acceso de forma sistematizada a la información
existente y a autoservicios de ese tipo, de forma permanente las 24 horas del día, los 7 días de
la semana. Todo ello si no entramos más en detalle de como lo hacen, con qué fiabilidad, etc
tal como lo hemos visto y lo seguiremos viendo.
También serán útiles para cierto tipo de evaluación. Sobre todo, si consideramos que
unas pruebas “objetivas” del tipo de respuesta múltiple o de verdadero y falso, más sofisticadas
que las actuales en el sentido de tener más en cuenta condiciones de contexto, se pueden
considerar evaluación de aprendizajes y de logros.
Así, a lo largo de muchos años, la IA que apoya a los estudiantes se ha desarrollado para
incluir, por ejemplo, herramientas de aprendizaje adaptativo “para dominios complejos como
lenguajes de programación, matemáticas, medicina, física, solución de problemas de aviónica
y electrónica” (Wasson 1997:572); también para la captura y el análisis de una amplia gama de
señales en el aula (por ejemplo, medir la atención, la empatía y la emoción), el uso de una gama
cada vez mayor de hardware (desde teléfonos móviles hasta auriculares EEG), en cuyo contexto
y con cuya ayuda se han diseñado chatbots para brindar a los alumnos soporte todo el tiempo,
y por último , para incluir organizadores de redes de aprendizaje diseñados para construir
comunidades de estudiantes, evaluación automática de escritura, etc.
19
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

En general en las últimas tres décadas, la mayor parte del enfoque de investigación sobre
IA y Educación (AIED) se ha centrado en el apoyo que la IA puede suministrar al del alumno,
pensando en aquella que, por definición, tiene como objetivo automatizar las funciones del
docente, de modo que los alumnos puedan aprender independientemente que tengan profesor o
no. Es decir, que tengan su propio tutor personal artificial y puedan aprovechar en sentido muy
relajado lo que se sostiene acerca de la enseñanza mentorizada a partir de las conclusiones del
estudio conocido como problema de dos sigmas de Bloom.
Sin embargo, gran parte de todo esto adopta un enfoque bastante tosco y primitivo de la
pedagogía y, con demasiada frecuencia, se centra en la automatización de prácticas pedagógicas
poco eficientes para satisfacer a usuarios poco exigentes, cuando no banales, en lugar de la
esforzarse por una innovación de pedagogía científica de calidad, como es por ejemplo de idear
formas innovadoras de evaluar y acreditar el aprendizaje, en lugar de facilitar exámenes sin
abandonar la idea del propio examen como verificación de registro memorístico o de
información, pero cada vez con recursos de verificación de esa información, en vez de
considerar la verificación como evaluación del aprendizaje real.
Un beneficio claro está siendo la emergencia y la constatación de la necesidad de otras
ideas positivas alternativas para utilizar los transformers o con ellos. Así podemos ver que en
los próximos tiempos podrían ocurrir algunas de estas cosas:
El ensayo, trabajo fin de máster (TFM), de Grado (TFG), de asignatura, o como quiera
que se le llame o se utilice, perdería vigencia. Los profesores podrían restringir las asignaciones
por estos conceptos, en las ponderaciones que se hagan para superar estudios, a los trabajos
informes o de ensayos, en favor de otro tipo de pruebas como son exámenes supervisados, o
trabajos y prácticas muy supervisadas con entrevistas. El problema es que estos procedimientos
no generan pruebas, son poco formales, y consumen mucho tiempo.
Otra alternativa que podría generarse es la de establecer tareas escritas reflexivas y
contextualizadas que la IA no podría generar. Para esto es clave la interacción. De manera que
los sucesivos refinamientos tengan que hacer alusión a las propuestas de mejora específicas de
profesor. Por ejemplo, el tutor podría asignarle a cada estudiante un proyecto de investigación
independiente, luego solicitar un informe escrito sobre ese proyecto concreto, dar
retroalimentación al estudiante sobre el informe y luego pedirle que escriba una reflexión crítica
sobre la retroalimentación y los problemas planteados por el proyecto a los que aludió en su
primer informe de revisión.
En fin, existen muchas formas imaginativas y nuevas, algunas de las cuales pueden
integrar incluso los programas Transformers. La cuestión es que en todas estas como en las
anteriores se exigen un considerable esfuerzo por los profesores y un pacto tácito de confianza
y de colaboración por parte de alumnos y familias.
Así, una forma imaginativa de incorporar texto generado por estos procedimientos en
las tareas educativas podría ser que el profesor emplee un Transformer AI para generar un
conjunto de ensayos alternativos sobre un tema, luego pida a los estudiantes que los critiquen y
escriban sus propias versiones mejores.
O que establezca una pregunta compleja y luego pida a cada estudiante que genere
respuestas de IA a la pregunta y que sea el estudiante el que evalúe estas respuestas en relación
con los criterios de evaluación.
Seguro que en la literatura y en las prácticas experimentales aparecerán opciones de uso
educativo de los Transformers, pero nunca tendrán los efectos taumatúrgicos que ahora se les
otorgan.

20
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Repercusiones negativas

Se puede decir que tiene tantas repercusiones negativas como positivas hemos visto,
siempre que no se no se satisfagan unas mínimas condiciones de intervención educativa
humana.
Así cuando hablamos de acceso de forma sistematizada a información existente o de
proporcionar autoservicios que funcionan las 24 horas del día, los 7 días de la semana las
consecuencias pueden no ser educativas, sino que se pueden incluso derivar en aprendizajes no
deseados o perjudiciales, a consecuencia de ausencia de metacognición o de criterios adecuados
de administrar la información y de valorarla críticamente. Este efecto también puede producirse
a consecuencia de una ausencia de elaboración propia del alumno, con la falta de una adecuada
atribución de sentido y, la ya señalada, de interacción que valide la corrección de las respuestas.
Cuestión que, como hemos visto, en sentido educativo, ChatGPT no tiene ni se espera que lo
tenga próximamente, por no estar en la agenda y ser muy caro. Lo primero como consecuencia
de lo segundo.

Cuestiones en las que ChapGPT participa de las características de la IA educativa

Por último, no conviene olvidar que los Transformers y el ChatGPT participan de todos
aquellos factores que hacen criticables la IA por tomar decisiones basadas en resultados
algorítmicos. Es decir, de todos los inconvenientes que en general tienen que ver con la IA
como generadora de ideas sin mediación ni validación humana intermedia.

En educación, esto es aplicable igualmente a ChatGPT

Surden (2019) identifica problemas de la sociedad contemporánea que incluyen el sesgo

en la toma de decisiones algorítmicas, en la interpretabilidad de sistemas de muy variada
naturaleza a través de la IA. Y que son derivados de la falta de transparencia sobre cómo los
sistemas de IA toman sus decisiones y en la deferencia que se hace hacia ellos como con una
especie de respeto y de reverencia que los hace como no cuestionables. Todos ellos
considerados como problemas en línea con los desafíos reconocidos para la IA y su aplicación
en general.
Este razonamiento y estas conclusiones las hace Surden cuando describe la aplicación
de la IA en el uso y estudio de las leyes. Pero cada uno de estos temas contemporáneos es, de
forma análoga, extremadamente relevante para comprender y evaluar el uso de la IA en la
educación, en particular a la luz de lo que pueda surgir con ChatGPT.
No olvidemos que en su origen es un producto de la psicología conductista más pura,
del aprendizaje por refuerzo
Cuando creíamos que los modelos simplistas y mecanicistas de la psicología conductista
y del aprendizaje humano por refuerzo ya se habían extinguido y se consideraban como una
cosa del pasado, ahora resucitan con los Transformers GPT.
Recordemos que, según toda la literatura suministrada por Open AI, ChatGPT se basa
en InstructGPT, un modelo conversacional de aprendizaje por refuerzo a partir de la
retroalimentación humana (RLHF)). Es una versión “rectificada” de GPT-3, creada a partir de
procesos de anotación genérica de textos, que genera otros textos. De esta forma, el modelo
incorpora para ello toda una serie de recompensas y penalizaciones que cumplen varias
funciones: reforzar la coherencia del texto generado, evitar falsedades flagrantes, pero también
moderar por anticipación posibles derivas tóxicas.
Así pues, el avance de ChatGPT sobre los GPT3 y anteriores se basa en que, de todo el
universo de respuestas lingüísticamente correctas que podrían generar los predecesores,
21
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

chatGPT opta por aquellas que son más correctas en un contexto de chat: esto se llama
“alineación de IA”. Utilizando este mismo principio, chatGPT a veces también se niega
rotundamente a responder.
Éste es el esquema:

Figura 3. Pasos para alinear modelos lingüísticos para seguir instrucciones

Fuente: Ryan Lowe & Jan Leike (January 27, 2022). Aligning language models to follow instructions. Language, Human
feedback, Safety & Alignment, Responsible AI, Milestone, Publication. https://openai.com/research/instruction-following

Este trabajo (Ryan Lowe & Jan Leike, January 27, 2022) enlaza con otro documento
del propio Open IA3, Aligning language models to follow instructions, que hace referencia al
aprendizaje por refuerzo: InstructGPT.
En este documento y en otros se señala que, para enseñar a los tres modelos (Chap GPT,
GPT 3 e InstructGPT), se utilizaron formas semejantes a las conductistas o de aprendizaje por
condicionamiento o por refuerzo para enseñar a los programas, para que aprendiesen por estos
métodos desfasados.
Dando por supuesto eso, nos podemos plantear ¿se puede enseñar sin saber aprender?
¿Podrían estos programas actuar como educadores si están hechos sin conocer los modelos y
teorías vigentes y probadas del aprendizaje? ¿Qué garantías ofrecen?
Eso cuestionaría todo el uso educativo o al menos como tutor o instructor o evaluador de
ChatGPT.
De hecho, el aprendizaje por refuerzo hace que el ChatGPT esté en una fase histórica
del desarrollo del aprendizaje previa a las ideas y a los planteamientos cognitivos.
Al programa se le enseña por refuerzo, pero carece de habilidades, métodos o formas de
operar (de hecho, los programadores ni se lo plantean en sus algoritmos, no hay una pedagogía
y mucho menos una pedagogía cognitivista) que tengan en cuenta:
• La atribución de sentido
• La experiencia o experiencias vividas e incorporadas.
• Los valores.

3 https://openai.com/research/instruction-following
22
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Tampoco cuestiones, desarrollos y condiciones que implican considerar el

conocimiento estructurado por relaciones de significación necesarias para ensamblar, integrar
y cohesionar los nuevos conocimientos con los previos. Es lo que se llama el andamiaje
cognitivo, los conceptos inclusores, los conceptos previos, las relaciones de significación, etc.
En definitiva, a ChatGPT le falta el alma o lo que Siemens consideraba el “beingness”

Este procedimiento, el de recurrir a la imitación humana del aprendizaje por refuerzo,

lo podemos ver en las propias declaraciones de OpenIA:
En Introducing ChatGPT dice, en el apartado “métodos”:

Entrenamos este modelo usando Aprendizaje por refuerzo a partir de retroalimentación

humana (RLHF), usando los mismos métodos que InstructGPT , pero con ligeras
diferencias en la configuración de recopilación de datos. Entrenamos un modelo inicial
mediante un ajuste fino supervisado: los entrenadores humanos de IA proporcionaron
conversaciones en las que jugaron en ambos lados: el usuario y un asistente de IA. Les
dimos a los capacitadores acceso a sugerencias escritas en modelos para ayudarlos a
redactar sus respuestas. Mezclamos este nuevo conjunto de datos de diálogo con el
conjunto de datos InstructGPT, que transformamos en un formato de diálogo.
Para crear un modelo de recompensa para el aprendizaje por refuerzo, necesitábamos
recopilar datos de comparación, que consistían en dos o más respuestas del modelo
clasificadas por calidad. Para recopilar estos datos, tomamos conversaciones que los
entrenadores de IA tuvieron con el chatbot. Seleccionamos al azar un mensaje escrito
por un modelo, probamos varias finalizaciones alternativas e hicimos que los
entrenadores de IA las clasificaran. Usando estos modelos de recompensa, podemos
ajustar el modelo usando la Optimización de Política Proximal . Realizamos varias
iteraciones de este proceso.

En la descripción que se hace de InstructGPT en el documento Aligning language

models to follow instructions de OpenIA, dice:

Para hacer que nuestros modelos sean más seguros, más útiles y más alineados,
utilizamos una técnica existente llamada aprendizaje por refuerzo a partir de la
retroalimentación humana (RLHF) . En las solicitudes enviadas por nuestros clientes a
la API, nuestros etiquetadores brindan demostraciones del comportamiento deseado del
modelo y clasifican varios resultados de nuestros modelos. Luego usamos estos datos
para ajustar GPT-3.
Los modelos InstructGPT resultantes son mucho mejores para seguir instrucciones que
GPT-3. También inventan hechos con menos frecuencia y muestran pequeñas
disminuciones en la generación de productos tóxicos. Nuestras etiquetadoras prefieren
las salidas de nuestro modelo 1.3B InstructGPT a las salidas de un modelo 175B GPT-
3, a pesar de tener más de 100 veces menos parámetros. Al mismo tiempo, demostramos
que no tenemos que comprometer las capacidades de GPT-3, según lo medido por el
rendimiento de nuestro modelo en las evaluaciones académicas de PNL.”

Y también, en ese mismo documento, sobre InstructGPT () dice

Para entrenar modelos de InstructGPT, nuestra técnica central es el aprendizaje por

refuerzo a partir de la retroalimentación humana (RLHF) , un método que ayudamos a
ser pionero en nuestra investigación de alineación anterior. Esta técnica utiliza las
preferencias humanas como una señal de recompensa para ajustar nuestros modelos, lo
23
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

cual es importante ya que los problemas de seguridad y alineación que buscamos

resolver son complejos y subjetivos, y no se capturan completamente mediante métricas
automáticas simples.

Por último, en el documento “Learning from human preferences“, dan una vuelta de
tuerca más al decir que se basan en los mecanismos simples, que utilizan los humanos para
discernir entre dos procedimientos, que utilizan los juegos de Atari, en un alarde de
conductismo primario:

Hemos probado nuestro método en una serie de tareas en los dominios de robótica
simulada y Atari (sin tener acceso a la función de recompensa: en Atari, sin tener acceso
a la puntuación del juego). Nuestros agentes pueden aprender de los comentarios
humanos para lograr un rendimiento sólido y, a veces, sobrehumano en muchos de los
entornos que probamos. En la siguiente animación puedes ver agentes entrenados con
nuestra técnica jugando a una variedad de juegos de Atari.

Para a continuación ilustrar el tema con animaciones de juegos elementales del tipo:

Imagino que tanto Clark como Pedreño habrán visto esto antes de realizar las
declaraciones que señalábamos al principio de este documento (serie de posts).
No todo es descartable, en “aprender de las preferencias humana” hay un esquema
interesante al menos la parte suficiente para justificar que es compendio de métodos e ideas
conductistas los que se utilizan para enseñar a ChatGPT. Es un ciclo de retroalimentación de 3
pasos entre el ser humano, la comprensión del objetivo por parte del agente y la capacitación
por RL (aprendizaje por refuerzo restringido al mundo de los videojuegos, Reinforcement
Learning RL) (Figura 4).

Figura 4. Ciclo de retroalimentación del ChatGPT

24
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Que nos sugiere este otro:

Ensayos. TFM, TFG, tesis doctorales y artículos científicos. La evaluación con informes,
ensayos y proyectos

Los ensayos, trabajos o informes han formado parte de la evaluación educativa, y

principalmente académica y universitaria, desde principios del siglo XIX, cuando los
estudiantes de algunas universidades europeas debían escribir artículos académicos para su
discusión en seminarios (Kruse, 2006).
Hoy los ensayos académicos continúan siendo un pilar de la evaluación en escuelas,
colegios y universidades muy aceptables porque superan las limitaciones de los exámenes,
restringidos a lo que un alumno sabe o es capaz de recordar en un momento determinado. Han
triunfado y constituyen los conocidos TFM, TFG y trabajo final de cualquier curso o asignatura.
Incluso una disertación de tesis doctoral no escapa a este formato. Son fáciles de establecer,
permiten evaluar la profundidad de la comprensión e hipotéticamente demuestran la capacidad
de los estudiantes sobre cómo expresar un argumento. En los últimos años, el alcance de los
trabajos escritos se ha ampliado para incluir trabajos narrativos, argumentativos, reflexivos,
expresivos, receptivos y analíticos.
Sin embargo, no todo es bueno, la práctica generalizada de establecer tareas escritas
como trabajo de curso ha sido criticada como laboriosa e injusta (Race, 2018). Pero sobre todo
está sujeto a trampas, imposturas y fraudes en general. Prácticas que actualmente se han
constituido en un lucrativo negocio con contratos de encargo a través de "fábricas de TFM,
TFG y trabajos en general", que venden tareas de este tipo escritas por encargo, a tarifas de
hasta 500 euros por escribir un ensayo de 20 páginas. Un estudio de Newton (2018) encontró
que el 15,7% de los estudiantes encuestados admitió haber pagado a otra persona para que
escribiera una tarea.

25
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Ahora la cosa con ChatGPT da un salto cualitativo: Una consecuencia, no deseada ni

perseguida como objetivo, de estos sistemas es que democratizan el fraude. Un estudiante puede
generar un ensayo completo en segundos, a un costo de alrededor de 50 centavos de dólar.
Peor aún, si cabe, es que los aspirantes a investigadores científicos puedan recurrir a
estos sistemas para generar artículos y enviarlos a congresos y revistas.
Desde el lanzamiento de ChatGPT, los investigadores han estado lidiando con los
problemas éticos que rodean su uso, porque según Holly Else en Nature, “gran parte de su
producción puede ser difícil de distinguir del texto escrito por humanos”.
Se pueden citar distinto casos y experimentos:
Uno es el de los investigadores Blanco-González et al. (2022) y O'Connor y
ChatGPT (2023) que han publicado un preprint y un editorial escrito por ChatGPT.
Otro es un grupo dirigido por Catherine Gao en la Universidad Northwestern en
Chicago, que ha utilizado ChatGPT para generar resúmenes de trabajos de investigación
artificiales para probar si los científicos pueden detectarlos. Son interesantes los planteamientos
y resultados.
Los investigadores le pidieron a ChatGPT que escribiera 50 resúmenes de investigación
médica basados en una selección publicada en JAMA , The New England Journal of
Medicine , The BMJ , The Lancet y Nature Medicine . Luego los compararon con los
resúmenes originales pasándolos por un detector de plagio y un detector de salida de IA,
también le pidieron a un grupo de investigadores médicos que detectaran los resúmenes
artificiales.
El resultado que dio sobre los resúmenes generados por ChatGPT el verificador de
plagio sobre la originalidad fue del 100 %, lo que indica que no se detectó plagio. El detector
de salida de IA detectó el 66 % de los resúmenes generados. Pero los revisores humanos no lo
hicieron mucho mejor: identificaron correctamente sólo el 68 % de los resúmenes generados y
el 86% de los resúmenes genuinos. Identificaron incorrectamente el 32 % de los resúmenes
generados como reales y el 14 % de los resúmenes genuinos como generados. Todo ello muy
elocuente.
Las conclusiones de los autores del preprint, Gao y sus colegas, son
• “ChatGPT escribe resúmenes científicos creíbles”
• “Quedan por determinarse los límites del uso ético y aceptable de grandes modelos
lingüísticos para ayudar a la redacción científica”.
Otros trabajos sobre el tema los podemos encontrar en (Stokel-Walker, 2022) AI bot
ChatGPT writes smart essays — should professors worry? y en (Grove, 2023) The ChatGPT
revolution of academic research has begun.
En enero de 2023, Nature informó sobre dos preprints y dos artículos en los campos de
la ciencia y la salud que incluyeron a ChatGPT como autor firmado. Cada uno de estos incluye
una afiliación para ChatGPT, y uno de los artículos incluye una dirección de correo electrónico
para el "autor" no humano. Según Nature, la inclusión de ChatGPT en ese artículo en la firma
del autor fue un "error que pronto se corregirá" (Stokel-Walker, 2023). Sin embargo, estos
artículos y sus “autores” no humanos ya han sido indexados en PubMed y Google Scholar.
Experiencias como ésta han llevado a las instituciones, revistas y editoriales a tomar
medidas. De entre las más importantes podemos destacar lo que sigue.
Nature ha definido una política para guiar el uso de modelos de transformadores de
lenguaje a gran escala en la publicación científica: prohíbe nombrar herramientas como "autor
acreditado en un artículo de investigación" porque "la atribución de autoría conlleva
responsabilidad por el trabajo, y Las herramientas de IA no pueden asumir tal responsabilidad”.
La política editorial también aconseja a los investigadores que utilizan estas
herramientas que documenten este uso en las secciones Métodos o Agradecimientos de los
manuscritos.
26
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Otras revistas (Science y Taylor & Francis) y organizaciones (WAME) están

desarrollando urgentemente políticas que prohíben la inclusión de estas tecnologías no humanas
como "autores". Van desde prohibir la inclusión de texto generado por ChatGPT o similares en
los originales, a exigir total transparencia, responsabilidad y rendición de cuentas sobre cómo
se utilizan y se informan dichas herramientas en publicaciones académicas.
La Conferencia Internacional sobre Aprendizaje Automático (ICML Fortieth
International Conference on Machine Learning) también ha anunciado una nueva política: “Los
artículos que incluyen texto generado a partir de un modelo de lenguaje a gran escala (LLM)
como ChatGPT están prohibidos a menos que el texto producido se presente como parte del
análisis experimental del artículo”.
Y así sucesivamente.
Un ejemplo de normas concretas nos lo presenta JAMA, sobre responsabilidades de
autores, materiales a publicar, etc. (Instructions for Authors. JAMA. Updated January 30, 2023.)
En conclusión, con todo lo anterior, será difícil ignorar el creciente número de
estudiantes e investigadores que envían tareas escritas por ChatGPT o los programas similares
que vengan.
En el caso de estudiantes, ¿podrá hacerlo Turnitin u otros productos similares? Aquél
ha admitido que "ya estamos viendo los comienzos de la próxima ola de IA... cuando los
estudiantes pueden presionar un botón y la computadora escribe su trabajo" (Turnitin,
2020 ). Se adivina un horizonte donde no es descartable que resistirse a los trabajos generadas
por ChatGPT y similares y detectar cuáles están escritas por máquina sea un ejercicio
inútil. Entonces, ¿cómo podemos delimitar el uso de estas nuevas herramientas?
Ya hemos hablado de restringir la asignación en las ponderaciones por puntajes en estos
temas. Alternativamente, se podrían establecer tareas escritas reflexivas y contextualizadas que
la IA no podría generar. Pero esto requiere mucho tiempo y esfuerzo por los profesores
En todo caso, los profesores podrían y deberían explorar y penetrar con los estudiantes
en la ética y los límites de la IA generativa y hacerlo con cuestiones tales como:
• ¿Qué calificación y qué efectos tiene en los conceptos morales y por qué
interactuar con un agente experto en palabras que no tiene moral intrínseca ni
experiencia del mundo?
• ¿Escribir con ChatGPT equivale a plagio?
Pero más allá de esto hay una cuestión clave. Si restringimos la evaluación a lo que es
la lectura y la revisión de proyectos o ensayos en el marco exclusivo de esa lectura, damos la
entrada a la impostura porque en ese marco, como dice la revista Nature (Else, 2023), es
imposible distinguir lo que escribe un transformer de lo que escribe un humano. O, en todo
caso, la resolución de ese problema nos remite a una futura IA que discerniera que es un autor
humano a través del estilo, inflexiones y giros propios y en otros rasgos personales, y en todo
caso abundaría en algo que la inteligencia humana le lleva años luz a la IA, como sucede con
la psicología cognitiva con respecto al conductismo y al aprendizaje por refuerzo: el análisis de
la experiencia, la atribución de sentido través de la expresión escrita y la interacción que, de
ella, se pueda producir, como lo son las que se producen en la revisión y supervisión.
Se hace pues hoy más necesaria que nunca una visión de lo que ha de ser una evaluación
centrada en el aprendizaje, en los efectos que produce, en cuales son deseables y, sobre todo,
en cuáles de sus manifestaciones presentan una demostración de que el fenómeno de aprender
(comprender, atribuir sentido, incorporar, ejecutar autónomamente y transferir) se ha
producido. Y hacerlo en el transcurso del proceso. En definitiva, hoy es más urgente que nunca
contar con una buena evaluación educativa centrada en el aprendizaje y formativa.

27
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

2. Evaluación formativa. La auténtica evaluación educativa, la de calidad, es inmune al

ChatGPT

La auténtica evaluación educativa, la de calidad, es inmune al ChatGPT

La evaluación es un complejo de procedimientos que, en condiciones normales, se

distribuyen a lo largo de todo el proceso educativo a través de distintos recursos y
procedimientos y difícilmente, para que sea una evaluación de calidad, se hace en un único
momento o en unos pocos momentos a lo largo del curso, o utilizando una única técnica o
instrumento. Si se hace así, como se hacía, y aún se hace con demasiada frecuencia con la
evaluación, fiándola a un examen o a un proyecto, se corre el riesgo de tomar decisiones
sesgadas o arbitrarias. Además de crear en los alumnos una ansiedad que los desmotiva y
perturba su aprendizaje.
Actualmente tenemos el conocimiento de cómo se produce el aprendizaje y de cómo se
realizan las prácticas pedagógicas en las mejores condiciones. Lo hemos obtenido a través de
investigaciones que ha aportado resultados y evidencias. También lo tenemos para organizar
una evaluación de manera confiable sin necesidad de recurrir exclusivamente a las consabidas
pruebas de conocimiento o ensayos, a final de curso, ciclo, trimestre, cuatrimestre o materia.
Todo lo que se ha publicado en la literatura, como consecuencia de esas investigaciones y de
esa elaboración científica, nos proporciona esos procedimientos y esos métodos. Es papel de
los diseñadores de la instrucción en todos sus niveles el conocerlos y el aplicarlos en TODOS
LOS ESCENARIOS. Y su responsabilidad el no hacerlo así.
Como en otros casos y en otros procesos, ahora con ChatGPT y antes con la pandemia,
se están poniendo de relieve hábitos, tradiciones y procesos que estaban pasando desapercibidos
y que han manifestado por un lado su vulnerabilidad, sus insuficiencias y por otro las
alternativas que la teorías pedagógicas nos venían suministrando, siendo muchas veces
ignoradas, y por otro el papel que la tecnología y las redes digitales con sus affordances nos
estaban suministrando para la implementación de esos enfoque teóricos así como la oportunidad
de validarlos con la práctica.
Con respecto a la evaluación, la segunda cuestión clave que se ha de tener en cuenta es
que desde siempre la evaluación ha sido un proceso que, para ser de calidad, difícilmente se
puede desvincular del quehacer cotidiano del alumno. Pues bien, si siempre ha sido así, ahora
es más vital ese factor: Ahora con la amenaza de ChatGPT y Transformers IA y antes con la
pandemia, cuando no hay una interacción directa entre alumnos y profesores, es cuando
debemos ser conscientes de su importancia, de que esa interacción debe ser especialmente
detallada, en su práctica y programación, así como frecuente, de forma casi continua, en la
medida en que las condiciones físicas de presencia directa mediante entrevistas y supervisiones
o a través de la tecnología, lo permitan. Alguien planteará que eso es imposible o muy difícil.
Hoy no es así. Y no por la eficiencia de las herramientas tecnológicas, que también, sino porque
hay metodologías docentes que lo permiten. Desde hace ya tiempo. Y entre ellas, como después
veremos, la principal es la de Mastery learning (Zapata-Ros, 2018a).
Se trata pues de una cuestión de metodología docente, de cómo los profesores hacemos
las cosas.
La primera conclusión que he sacado, en toda mi experiencia, es que la evaluación e
incluso la acreditación de conocimientos o de habilidades no debe abordarse como algo aislado,
condicionado exclusivamente por variables limitadas a la coyuntura o por otros factores
recientes y directos. Si lo hacemos así se pueden derivar más males que beneficios, y además
los resultados van a ser irreparables.
La evaluación en todos sus aspectos debe de estar, en todas sus facetas y ejecuciones,
integrada en un proceso de diseño instruccional amplio y detallado lo más posible.
28
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Pero ¿qué es el diseño instruccional? Un diseño es, en general, un proyecto o un

plan que configura algo antes de su realización o de su desarrollo. Pero que también permite
saber en qué punto de él estamos en su ejecución, y cómo relacionar lo que estamos haciendo
con los resultados últimos de lo que hagamos. Pudiendo retomar y modificar decisiones, en
progreso, para cambiar la ejecución y que ésta se ajuste con nuestros objetivos en
un feedback continuo.
Los procesos y programas formativos, y la educación, también se diseñan.
En general el diseño instruccional, como veremos, se define como "un proceso
sistemático que se emplea para desarrollar programas de educación y capacitación de manera
continua y confiable".
Existe una amplia base de modelos de diseño instruccional y de desarrollos teóricos
considerados como marcos para el desarrollo de módulos formativos o clases que aumenten,
haciéndolo de acuerdo con sus pautas y preceptos, la posibilidad de aprender, de fomentar la
participación de los alumnos para que aprendan más rápido, y obtener de esta forma niveles
más profundos de entendimiento.
Los principales creadores e impulsores del diseño instruccional y de sus bases teóricas
ha sido David Merrill (2002 y 2012) y Charles M. Reigeluth.
Así la Teoría del Diseño Instruccional clásica de Reigeluth se considera, en general,
como un instrumento con un doble fin: facilitar el aprendizaje y el desarrollo humano, o mejor
dicho facilitar el desarrollo humano en la medida que se consigue un mejor aprendizaje. Es en
esencia una teoría situacional. Sostiene que los métodos y situaciones de aprendizaje son
esenciales para que el aprendizaje tenga lugar de forma efectiva. Está constituida por una serie
de principios para organizar la enseñanza en un esquema complejo de elementos más pequeños,
y por tanto más cerca de la comprensión individual, que posteriormente son insertados en
estructuras conceptuales interrelacionadas.
Los métodos del diseño instruccional suponen un ciclo continuo y una evaluación
formativa (Zapata-Ros, 2013) que permiten introducir mejoras sobre el proceso en el diseño del
programa educativo, sin necesidad de concluir.
El diseño instruccional permite pues partir, en un proceso inverso, desde la
consideración de cuáles son los resultados deseados del proceso de aprendizaje para organizar
las pautas, para distribuir en el tiempo todo lo demás, incluida la secuencia de acciones y de
contenidos. Permite distribuir no solo la entrega de materiales, de actividades y de ayuda, sino
de establecer cuáles son los logros parciales que, en una cadena, lleven al alumno a conseguir
los logros de la unidad didáctica, el módulo o la materia. De forma que su consecución sea
gradual, continua, sin saltos.
Hemos dicho que el diseño instruccional consiste también en la aplicación de los
principios teóricos que se conocen sobre como los individuos aprenden para organizar la
educación. Veamos particularmente cómo funciona esto, la aplicación de los principios
teóricos, en un punto concreto, el de la evaluación, que es el tema de este post. Lo hace a través
del principio de demostración.

La evaluación y el Principio de Demostración

Pero antes expliquemos un poco más qué son los principios del aprendizaje. Como
referencia teórica, hemos utilizado, en todo lo que hemos escrito aquí y en material que he
ofrecido en estas circunstancias para ayudar al diseño de enseñanza online y para la
evaluación, el trabajo de David Merrill (2002 y 2012) conocido como los “Primeros [o
principales] principios de la instrucción” (First principles of instruction, Prentice Hall). Todo
ello está desarrollado en el capítulo 2 y se puede ampliar allí con más detalle y en las referencias
que contienen enlaces a los documentos originales.
29
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Estos principios son una constante de la educación en todas las investigaciones, son
aceptados por todos los teóricos, hay un consenso sobre ellos.
Merrill estableció cinco principios: El aprendizaje ha de ser centrado en el problema, el
principio de activación, el de demostración, el de aplicación y el principio de integración o de
transferencia.
El principio que fundamenta la evaluación es el principio de demostración. Y es el que
debiéramos tener presente en todo momento en que hablásemos de ella. Simplificando consiste
en que el alumno ha de aportar evidencias de su aprendizaje, en un sentido pedagógico, es decir
ha de demostrar que comprende que atribuye sentido, que aplica las habilidades conseguidas de
forma autónoma y las transfiere a contextos distintos.

¿Qué dice?

En primer lugar, y para entender lo que sigue, hemos de tener en cuenta que los
principios de la instrucción están enunciados en forma de criterios que ha de cumplir la
enseñanza para que el aprendizaje sea eficiente, de calidad. Hemos de recordar que la
evaluación forma parte de la instrucción.

Principio 3-Demostración.-

El aprendizaje se promueve cuando la instrucción demuestra lo que se debe aprender en

lugar de simplemente decir información sobre lo que se debe aprender.
Así la demostración es un factor de consistencia: El aprendizaje se promueve cuando la
demostración es coherente con el objetivo de aprendizaje, con:
(a) ejemplos y contraejemplos de conceptos,
(b) demostraciones para procedimientos,
(c) visualización (evidenciar visualmente) para los procesos, y
(d) el modelado (presentación de modelos) para adquisición de valores y conductas

Obviamente ninguna de estas exigencias de la demostración se cumple con el ChatGPT

ni el propio GPT las demuestra.
Presentar un informe o un proyecto, por sí mismo no demuestra nada.
La repercusión del diseño instruccional en la evaluación tiene otro punto clave: La
cuestión inmaterial, pero sobre la que gira la docencia, el entregar ayuda y contenidos cuando
el alumno esté receptivo y los perciba como útiles, estriba en distribuir los logros parciales y
evaluar su consecución, y únicamente entonces proseguir. En esto juega un papel central el
diseño y, sobre todo, si finalmente los hay, el papel de los Teaching Assistant (TA). Más abajo
describiremos como ejemplo lo que hicimos en el curso investigativo de Alcalá.

La confianza

Por último, se trata también de una cuestión de confianza. En una educación de

estándares, a la que estamos acostumbrados y donde el ChatGPT, los proyectos a los que
sustituye y los exámenes, se han establecido medidas iguales para todos, los estándares, que en
su consecución acreditan al alumno para superar el curso o la asignatura. Es un sistema basado
en estándares iguales para todos, de superación de pruebas y de exámenes iguales para todos.
Esta dinámica permite trasladar la eficiencia al escrutinio de las pruebas y de sus
resultados por padres, familias e inspección, donde además con esa supuesta objetividad los
docentes se sienten seguros, aunque por contrapartida lo que se hace es sembrar la semilla de
la desconfianza, de que no haya equidad en el proceso. Esto es un caldo abonado para la
30
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

industria del fraude y la del ChatGPT como impostor del alumno para demostrar capacidades y
aprendizajes en general.
Este hecho viene a confirmar algo que planteamos desde hace tiempo, la necesidad de
una nueva educación, la basada en logros personales. En ese marco el entorno social del alumno
debe depositar la confianza en el modelo, personalizado a través de sistemas que como el de
Mastery learnig otorge en los maestros la confianza en valorar que se alcanza el dominio en el
aprendizaje. De confiar en el maestro y en su expertise docente, de igual forma como la deposita
en el médico, en su capacidad de diagnóstico y de decidir un tratamiento adecuado.

La evaluación formativa

En lo que sigue haremos un repaso de lo que se entiende por evaluación formativa, de

cómo la podemos relacionar con lo que está sucediendo con ChatGPT y lo que hemos dicho
sobre él. Es conveniente que todo ello lo tengamos en mente cuando veamos todo esto.
También veremos otros conceptos y otras formas de evaluación. Por último, haremos
un sucinto repaso de actividades que tienen un fuerte carácter de evaluación formativa y que se
sugieren como algo que proporciona información sobre el estudiante y sobre su progreso en el
camino hacia aprender y obtener el dominio en las destrezas que se pretende que consiga. Pero
no nos quedaremos en el mero enunciado o la sugerencia de actividades, veremos qué procesos
y que logros son los más importantes en ese camino.
Leer sólo lo que proporciona un informe o un ensayo, prescindiendo de todo lo que
estamos viendo y de lo que en general se sabe y se ha investigado, para evaluar a un estudiante,
aunque sepamos mucho sobre, él puede ser injusto por insuficiente. En definitiva, evaluar
teniendo en cuenta únicamente el texto, en el que como hemos visto, ahora con Chat GPT, es
imposible discernir entre un humano y un programa transformer, nos lleva al fracaso y al
malestar por vernos, como profesor4es, indefensos y desamparados en ese camino. Y lo que,
sin ser tan grave es muy negativo, a perder la confianza en la tecnología y en una visión positiva
de ella como apoyo nuevo e imprescindible para muchos aprendizajes.

Definiciones y validez de la evaluación formativa

Un trabajo básico pero muy completo es el que Terry Crooks (2001) hizo para la Unidad
de Investigación en Evaluación Educativa en la Universidad de Otago (Dunedin, Nueva
Zelanda), presentado en la Conferencia Anual de la Asociación Británica de Investigación
Educativa, Universidad de Leeds, 13-15 de septiembre de 2001, en la sección de Educación
online, titulado The Validity of Formative Assessments. Así Crooks (2001) define evaluación
como “Cualquier proceso que proporcione información sobre el pensamiento, los logros o el
progreso de los estudiantes”.
Para ello se valió de un importante concepto previo, el de validez Utilizó el trabajo y
definición de Messick (1989, p.13 Vigency) “La validez es un juicio evaluativo integrado del
grado en que la evidencia empírica y los fundamentos teóricos apoyan la idoneidad y
pertinencia de las inferencias y acciones basadas en los puntajes de las pruebas u otros modos
de evaluación”.
Frecuentemente se utiliza el concepto de evaluación sumativa, más acorde con lo que
habitualmente se hace y cómo se entiende la evaluación
De esta forma, la evaluación sumativa tiene la intención de resumir el logro del
estudiante en un momento particular, mientras que la evaluación formativa tiene como objetivo
promover una mayor mejora del logro del estudiante, además de asegurar, obviamente, lo
anterior.

31
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Es decir, se trata de contraponer evaluación de lo aprendido y evaluación para aprender

(Assessment OF learning versus assessment FOR learning) en el sentido más simple de las dos
expresiones:

Evaluación de lo aprendido Evaluación para aprender

Veamos ahora en este contexto algunas de las definiciones que hemos encontrado más
precisas de evaluación formativa
Para el Ministerio de Educación, Nueva Zelanda, 1994 (Assessment: policy to practice)
se trata de

Una gama de procedimientos de evaluación formales e informales (por ejemplo, el

seguimiento del desarrollo de la escritura de los niños, registros de hechos concretos y
observaciones [igual puede generalizarse a procedimientos seguidos en otros niveles y
etapas]4) realizados por los profesores en el aula [o en la actividad en línea] como parte
integral del proceso normal de enseñanza y aprendizaje para modificar y mejorar el
aprendizaje comprensión.

Para Bronwen Cowie & BeverleyBell (1999) (A model of formative assessment in

science education) es “el proceso utilizado por profesores y estudiantes para reconocer y dar
respuesta al proceso de aprendizaje de los estudiantes con el fin de mejorar ese aprendizaje
durante el aprendizaje”.

Para Black & Wiliam (1998a, p. 2) (Inside the black box) la

Evaluación se refiere a todas aquellas actividades realizadas por los profesores, y por
los estudiantes en la autoevaluación, que proporcionan información que se utilizará
como retroalimentación para modificar las actividades de enseñanza y aprendizaje en
las que participan. Dicha evaluación se convierte en "evaluación formativa" cuando la
evidencia obtenida se utiliza en la práctica docente para adaptar la enseñanza a las
necesidades detectadas.

Pero quizá la más completa es la definición que hacen Black & Wiliam (2009), de
evaluación formativa, acompañada de otra sobre lo que es instrucción.
Para lo primero se basa en sus definiciones (Black y Wiliam, 1998b) y la definición del
Grupo de Reforma de la Evaluación (ARG, 2002)

La práctica en el aula es formativa en la medida en que la evidencia sobre el rendimiento

del estudiante sea suscitada, interpretada y utilizada por los profesores, los alumnos o
sus compañeros, para tomar decisiones sobre los próximos pasos en la instrucción.
Próximos pasos que probablemente sean mejores, o mejor fundamentados, que las
decisiones que se tomarían se han tomado en ausencia de la evidencia que de esa forma
se ha obtenido.

Pero ¿qué es instrucción e instruccional? Aquí y en varios lugares más utilizamos este
término. Procede pues definirlo:

4 El añadido entre corchetes es mío.

32
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

En gran parte del mundo académico, este término tiene una connotación de formación,
o de enfoques didácticos de la enseñanza. Sin embargo, en otros y de forma mayoritariamente
aceptado, el término "instrucción" significa la combinación de enseñanza y aprendizaje, y es
este último sentido el que utilizaremos aquí. En esta definición, "instrucción" se refiere a
cualquier actividad que vaya destinada a crear aprendizaje. En España el término equivalente
sería pedagogía. Pero actualmente también, además de que el enfoque tradicional tiene
inconvenientes al sugerir una visión más limitada de la práctica de la enseñanza, no se ajusta
demasiado bien a términos y conceptos de la sociedad digital y del conocimiento. Por ejemplo,
parecería extraño referirse a los estudiantes como 'recursos pedagógicos unos para otros', parece
que hablamos de textos, pizarras, retroproyector, etc. No así si decimos “alumnos como
recursos instruccionales unos para otros”.
A esto podemos añadir una particular aportación de quien suscribe (Zapata-Ros, 2012)

La evaluación formativa o de proceso se exige para entender no sólo si un alumno ha

conseguido aprendizaje o no, sino por qué. Comprender las razones para el éxito o para
el fracaso depende de la profundidad del conocimiento que existe de lo que se ha hecho
o se está haciendo, y también de la relación apropiada entre el uso de la tecnología, las
actividades que se han hecho con ella y el área de conocimiento. Entendiendo como tal
la metodología docente para el área (las ideas pedagógicas) y los conocimientos propios
de la materia.

Por lo tanto, podemos concluir que, aunque el desarrollo de la evaluación formativa no

es la única manera, o incluso la mejor manera, para abrir una gama más amplia de cambios
deseables en el aprendizaje en el aula, puede ser particularmente eficaz, en parte porque la
calidad de la retroalimentación interactiva es un factor crítico característica para determinar la
calidad de la actividad de aprendizaje y, por lo tanto, es una característica central de pedagogía.
Después de esto creemos que el lector se habrá formado una idea cabal y actualizada de
lo que es la evaluación formativa. Pero no es sólo importante saber qué es sino cómo se practica:
las actividades.
En base a la literatura, las prácticas, en condiciones normales de trabajo en aula y online,
comunicadas por docentes y en base a la propia experiencia en la docencia de secundaria, grado
y postgrado y formación del profesorado en activo, también en condiciones normales online,
podemos establecer una clasificación en los principales tipos de actividad que señalamos.
Resumiendo lo consultado sobre evaluación formativa podemos ver que hay ocho tipos
principales de actividades o de prácticas docentes, sugeridos por evidencias (limitadas a la
propia experiencia) de su eficacia potencial, y desarrollado con y por profesores en condiciones
normales de trabajo en el aula, también sugeridos por la literatura sobre el tema (Wiliam, 2000,
Black et al., 2003; Wiliam, 2007):

• Compartir criterios de éxito con los alumnos

• Preguntar en el aula, o en el chat, o verbalmente en Zoom o similar, con anotaciones.
• Marcado de sólo comentarios
• Autoevaluación, con criterios explícitos
• Uso formativo de pruebas sumativas (muy importante).
• Revisiones, con observaciones y marcado de comentarios
• Supervisiones de los alumnos, con reuniones presenciales, videorreuniones o sesiones
de videollamada.

33
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

• Intervenciones en los foros con comentarios personales, otorgamiento de relevancia en

relación con la formatividad y con relación a los objetivos de aprendizaje, a los logros
esperados y a las habilidades desarrolladas, sobre todo conceptuales, en este caso.

De estos ocho, cinco se proponen y están estudiadas en Developing the theory of

formative assessment por Paul Black, King’s College London, and Dylan Wiliam, Institute of
Education, University of London.
Objeto aparte de estudio y de desarrollo puede ser el tratamiento de cada uno de estos
tipos de actividades.
Particular importancia tiene la evaluación de marcado sólo con comentarios (pruebas
comentadas) y la evalución formativa a partir de la evaluación sumativa (ver Using comment
only marking in a mathematics classroom in the Republic of Ireland: experience and learning
of a student teacher, por O’ Mahoney and Heinz (2016).
La calificación de sólo comentario es un método de evaluación formativa. Implica que
el profesor brinde retroalimentación constructiva y metas parciales vinculadas a los objetivos
para alentar y apoyar a los estudiantes a desarrollar los objetivos de aprendizaje establecidos
independientemente y sus habilidades de autoevaluación.
Este tipo de evaluación se considera una estrategia clave de aprendizaje, también, y
sobre todo, en el aula.
Como resultado, la información proporcionada por esta evaluación puede utilizarse
como retroalimentación para influir y modificar las actividades de enseñanza y aprendizaje.
Según Petty (2009), se puede utilizar esta forma de evaluación para motivar y animar al alumno
al mismo tiempo que mejora él y mejora su trabajo. Hay dos formas principales de evaluación,
evaluación sumativa y evaluación formativa.
Sobre lo segundo, las evaluaciones acumulativas se dan periódicamente para determinar
la comprensión de un estudiante del tema en un momento particular en relación con los
estándares de contenido. La frecuencia aumenta proporcionalmente la comprensión y la
adquisición, debido al dominio en aspecto parciales que aumenta la capacidad para aprender lo
siguiente.
El marcado de sólo comentarios y la relevancia suficiente de intervenciones en foros y
chats tienen, aparte de lo visto, una importancia determinante y clave en la metodología docente
y de evaluación conocida como mastery learning, como podemos ver en otros documentos.
Cuestiones muy importantes que nos planteamos a propósito de esta modalidad de
evaluación, sobre todo en su práctica:
¿Hasta cuándo haremos marcado de comentarios, durante qué tiempo o cuántas rondas
haremos? ¿en cuántas revisiones? ¿cómo sustituiremos la nota, la puntuación numérica
clásica, por la calificación, obviamente textual, para señalar la superación del módulo o de la
unidad de contenidos o la consecución [dominio] de la habilidad que tratemos?
A todas estas preguntas se da respuesta en la modalidad de “dominio del aprendizaje”
(Mastery learning). Modalidad en la que sucintamente se dice que sólo se pasara a la parte
siguiente cuando se consiga un dominio de la actual. Obviamente, en este contexto tienen un
papel esencial los Teaching Assistant.
Hay otra cuestión que también es clave: Este método, esta modalidad de evaluación,
supone la confianza y la conformidad en la capacidad del docente, su auctoritas, para
determinar cuándo se ha alcanzado el dominio. No en balde se llama maestría, evocando la
relación entre maestro y aprendiz que se establecía en otras etapas de la historia de la educación
y de la instrucción.

34
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

La evaluación sumativa es la que sólo proporciona los criterios de promoción del

alumno al final del módulo, la asignatura o el curso.
Por tanto, hay básicamente dos formas de evaluación, evaluación sumativa y evaluación
formativa.
Las evaluaciones acumulativas se ofrecen periódicamente para determinar el grado la
comprensión del tema de un estudiante en un momento particular en relación con los estándares
de contenido. Otra cuestión es si coincide con la evaluación del aprendizaje. Aprendizaje no
siempre supone sólo comprensión, para muchos de nosotros supones dominio.
De acuerdo con Garrison y Ehringaus (2007), la evaluación sumativa ocurre demasiado
poco y de forma distanciada en el camino de aprendizaje del estudiante para que pueda producir
ajustes instructivos durante el proceso de aprendizaje.
La evaluación formativa ocurre cuando los resultados de la evaluación se consideran y
se utilizan para modificar la enseñanza para satisfacer las necesidades de los estudiantes casi
instantáneamente. También se conoce como evaluación para el aprendizaje (Black y William,
1998). La evaluación formativa es útil tanto para estudiantes como para profesores. Proporciona
retroalimentación a los docentes sobre la efectividad de sus estrategias y enfoques de enseñanza,
que luego pueden ajustar para mejorar el aprendizaje de los estudiantes. En segundo lugar, la
evaluación formativa puede ser útil para los estudiantes ya que la retroalimentación es enfocada
y precisa para que tengan la capacidad de identificar áreas específicas que necesitan trabajar y
si necesitan ajustar su forma de pensar (Phelan et al., 2011).
Por último, más allá de definiciones, conceptos y actividades, conviene señalar el
sentido de los procesos y de otros aspectos de la evaluación formativa en un contexto más
amplio.
Para proporcionar una base amplia de la evaluación formativa, tres procesos son
centrales: establecer dónde se encuentran los estudiantes en su aprendizaje, establecer hacia
dónde se dirigen y establecer lo que se debe hacer para lograrlo y cómo ayudarlos a llegar allí
(Thompson y William, 2007 a partir de Ramaprasad (1983)). Con referencia a estos tres
procesos estableceremos los principales aspectos a considerar en la evaluación formativa en
todos los casos:

A dónde va el alumno Dónde está el alumno Cómo llegar allí

ahora mismo

El profesor 1 Aclarar el aprendizaje: 2 Construir una 3 Proporcionar

las arquitectura efectiva de comentarios y estímulos
intenciones y los la clase: Fomentar que
criterios para el éxito. discusiones en el aula y mueve a los alumnos
proponer tareas de hacia adelante, que
aprendizaje que hagan que progresen.
provoquen la evidencia
del estudiante propia de
la comprensión.

El igual Comprender y compartir 4 Activar a los estudiantes como recursos educativos

intenciones de entre sí.
aprendizaje y
criterios para el éxito

El alumno Entender el aprendizaje, 5 Activar a los estudiantes como dueños de su propio

las aprendizaje
intenciones y los
criterios para el éxito

35
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

En conclusión, un sistema educativo, que implemente estas ideas, es absolutamente

inmune al uso de ChatGPT como sustituto total o parcialmente en la demostración del
aprendizaje. Otra cuestión es su uso de forma crítica como recurso educativo, con un carácter
similar al que tiene actualmente cualquier buscador o enciclopedia digital.

3. Una pedagogía para la IA generativa

En esta parte recordaremos que el dominio y la práctica de IA es mucho más amplio que
la IA generativa y que, en la educación apoyada por la IA o que la integra. También que hay
visiones y orientaciones de la IA educativa distintas, como lo es un nuevo aprendizaje
adaptativo o que lo integra. Es el aprendizaje inteligente (Zapata-Ros, 2018b).
No obstante, no se podría ignorar el impacto que actualmente tiene el mundo de los
LLM y del ChatGPT. Tampoco los planteamientos que se hacen y a los que, por su alcance,
precisan una respuesta. Estos planteamientos son que la nueva IA tenga el potencial de
revolucionar los métodos de enseñanza, la evaluación y la ayuda al alumno, existentes. O que
la IA tenga la capacidad de crear un sistema educativo completamente nuevo
La modalidad de inteligencia artificial generativa se ha impuesto y avanza rápidamente.
Pero hay otra modalidad, como es la basada en la programación declarativa y en la
programación lógica, que cayó hace mucho en desuso más próxima a como el pensamiento
humano procesa la información.
No sabemos por qué, el devenir económico, cultural y humano de la sociedad actual,
entre las dos formas posibles de simular un cerebro humano, como las que expresa Noam
Chomsky (2023) en el párrafo siguiente, se ha elegido la de la IA generativa:
La mente humana no es, como ChatGPT y sus similares, un pesado motor estadístico
para la coincidencia de patrones, que se atiborra de cientos de terabytes de datos y extrapola
la respuesta conversacional más probable o la respuesta más probable a una pregunta
científica. Por el contrario, la mente humana es un sistema sorprendentemente eficiente y hasta
elegante que opera con pequeñas cantidades de información; no busca inferir correlaciones
brutas entre puntos de datos, sino crear explicaciones.
Por ejemplo, un niño pequeño que adquiere un idioma está desarrollando —
inconsciente, automática y rápidamente a partir de datos minúsculos— una gramática, un
sistema extraordinariamente sofisticado de principios y parámetros lógico.
Pero ésa ha sido la elección. Y tras décadas de investigación y desarrollos, ahora se ha
decidido por parte de Open AI, y después por otras empresas, que este tipo de IA, a la que en
lo sucesivo llamaremos para simplificar IA en vez de IA generativa, pase de los laboratorios a
la aplicación práctica en la sociedad. No sabemos si ha sido sólo efecto de una potente campaña
o porque la sociedad lo ha aceptado así, pero el hecho es que se ha producido un colosal
despliegue de esta IA.
La educación no ha sido indiferente a esa aceptación ni a ese despliegue.
En todo caso este hecho inevitable y el enunciado previo nos marcan las coordenadas
que nos plantean la necesidad de una nueva Pedagogía: La necesidad y la fluctuación entre los
dos polos que hay entre la elección que la sociedad realiza y el presupuesto de Chomsky.
Aun así, si optamos por tomar como referencia esta situación, la educación, hasta donde
se ha dicho (Dawson et al., 2023), se enfrenta a dos posibles resultados.
En primer lugar, los que se derivan de que la IA tenga el potencial de revolucionar los
métodos de enseñanza, la evaluación y la ayuda al alumno, existentes. De lo primero y lo
segundo hablaremos después.
En segundo lugar, según estos mismos autores y lo que parece ser un sentir común, la
IA también tiene la capacidad de crear un sistema educativo completamente nuevo. Y se cita
como justificación que el pensamiento creativo y la resolución de problemas son fundamentales
36
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

en entornos modernos y muy complejos. Y esta IA podría ayudar a los alumnos a enfrentarse a
esos problemas.
Estas tres cuestiones ya por sí solas plantean tres desafíos y otros tantos ejes de posibles
investigaciones y para su difusión en interesantes contribuciones.
Esto es en sentido positivo, pero hay otras cuestiones que pueden ser planteadas en
sentido negativo o como interrogantes:
Así nos planteamos cuáles son los impactos que se producirán cuando la IA comience
a servir como un socio activo5 en acciones sociales, creativas e intelectuales sostenidas a lo
largo del tiempo, no sólo puntuales o como repuesta a preguntas aisladas, que es lo que ahora
más frecuentemente se hace. En este momento esos impactos en las prácticas, que puedan
existir, son desconocidos. Ya hemos dicho que indagar esas prácticas también puede ser objeto
de investigación y de eventuales contribuciones.
Otras son preguntas que se abren sobre cómo del impacto de una dependencia excesiva,
en los sistemas de IA en la educación, se podría derivar una disminución de muchos de los
rasgos que nos hacen humanos. En este caso la pregunta es si ese impacto contribuiría a una
disminución de la formación “humana” de los alumnos.
Entre esos rasgos se incluyen, pensando a bote pronto, la autorregulación, la
metacognición, la orientación a objetivos, la planificación, las tormentas de ideas creativas y
una variedad de habilidades que podrían verse afectadas negativamente por la automatización
o la toma de control de las máquinas.
Paradójicamente estos rasgos, a más de ser humanos, son constitutivos de lo que se ha
llamado pensamiento computacional (Zapata-Ros, 2015 y 2022; Grover, 2018; Wing, 2006 y
2008), de manera que un uso no controlado podría derivar en una nula o una mala adquisición
de ese tipo de pensamiento que hoy se considera constitutivo de una nueva alfabetización en la
sociedad digital (Zapata-Ros, 2015 y 2022).
En particular para justificar el papel que tradicionalmente se asigna a la metacognición,
la autorregulación y la retroalimentación podemos citar las siguientes dos aportaciones como
más significativas:
Hilpert et al. (2023) abordan la necesidad de participación en el aprendizaje de STEM,
con una mayor necesidad de autorregulación de los estudiantes. Se basan en una extensa historia
de la ciencia de la investigación del aprendizaje que utiliza datos de seguimiento digital para
crear construcciones cognitivas que brindan información sobre el compromiso, las redes
sociales, la comunidad y la metacognición. En este documento, detallan la importancia de la
regularidad de la participación como un fuerte predictor del resultado del curso y los efectos
del uso de una intervención de la ciencia de aprender a aprender para fomentar el SRL de los
estudiantes y la participación continua. Sus resultados sugieren efectos prometedores y
sostenidos de este entrenamiento, lo que plantea la necesidad de considerar enfoques teóricos
que integren las observaciones del comportamiento con las construcciones cognitivas en la
educación digital.
Bauer et al. (2023) abordan un área crítica de aprendizaje relacionada con la
retroalimentación. La retroalimentación es fundamental para guiar el progreso de los
estudiantes y los enfoques tradicionales se basan principalmente en la observación humana.
Sin embargo, el mismo autor, señala un posible progreso del que después hablaremos,
cuando lo hagamos de aprendizaje inteligente como aprendizaje inclusivo:
Con el desarrollo de grandes modelos de lenguaje y el procesamiento del lenguaje
natural en general, existen nuevas oportunidades para ofrecer retroalimentación a los
estudiantes. Detallan cómo los artefactos textuales pueden mejorarse con la retroalimentación

5 En este punto nos planteamos si cabría decir “servir como socio”, o más bien “ser socio” o, por el contrario,
“servir como herramienta”.
37
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

de la IA. Ofrecen un marco para conectar los procesos de retroalimentación con el apoyo
estudiantil adaptativo. A medida que el aprendizaje digital crece en importancia en los
entornos educativos, la inclusión de artefactos más diversos y multimodales requerirá una
actualización similar de la teoría y las construcciones para garantizar la retroalimentación
como motor del éxito general de los estudiantes.

Una pedagogía y una teoría del aprendizaje de la IA

Para abordar estas preguntas que nos hacemos, y en general ante la realidad de un
despliegue efectivo de los sistemas de IA generativa en la educación, nos planteamos que es
preciso hacerlo desde un punto de vista teórico, más allá de los resultados que sobre las
interrogantes señaladas nos proporcione la investigación empírica. Un punto de vista teórico
que no guíe y dirija en nuevas rondas, no sólo en esta primera, tanto en la investigación como
la práctica.
Ese marco nos proporcionará los asideros y las andaderas para garantizar que los
principios, los valores y las construcciones confiables configuren el uso de la IA en la
educación. De esta forma nos aseguramos de que los valores, la investigación realizada hasta
ese momento, los intereses y preocupaciones de las partes interesadas y las contribuciones que
se vayan haciendo sigan integrándose de forma cohesionada en el escenario de la IA en la
educación. Al menos como deseo y horizonte.
Como consecuencia, en futuros desarrollos defenderemos la importancia crítica de la
teoría en el diseño, desarrollo y despliegue de la IA en la educación. Al hacerlo, nos planteamos
de forma igualmente crítica la relevancia y la continuidad de las teorías de aprendizaje ya
existentes, cuando la IA se constituya como una realidad en las aulas.
Así, hacemos una llamada a considerar nuevos marcos, modelos y formas de pensar.
A aquellos que incluyen la presencia de agentes no humanos. Es decir, a los que incluyan una
nueva tecnología, que se parece más a un socio activo que a una tecnología simple, como
sucedía hasta ahora, incluso con la tecnología digital, que respondía más a interrogantes lógicas
simples que a un agente con capacidad para tomar decisiones intermedias sin intervención
humana, del alumno o del profesor. En ese sentido cabe ahora hablar de un trinomio, más que
de un binomio, el formado por el profesor, el alumno y la IA generativa.
Es precisamente eso lo que genera también una serie de preguntas importantes para
considerar en elaboraciones teóricas futuras, precisamente sobre la revisión de las teorías de
aprendizaje basadas en las configuraciones existentes. Y cuáles serían en este caso sus
alternativas.
Ya hemos señalado que el uso de la teoría en la investigación educativa constituye la
lente, el filtro, a través del que vemos y explicamos lo que observamos (Biesta et al., 2011).
¿Pero es útil la lente que tenemos ahora?
Las teorías existentes se establecieron y se derivaron de un contexto educativo distinto
al de los enfoques de enseñanza emergentes y al de los sistemas técnicamente establecidos. Es
de prever más aún que, a medida que la adopción de la IA impacte en la enseñanza y el
aprendizaje, se produzcan dudas acerca de la idoneidad en continuar con las teorías de
aprendizaje existentes.
Sin embargo, como hemos dicho, la integración del desarrollo e implementación de
sistemas educativos basados en IA en marcos teóricos adecuados es esencial para avanzar y
lograr resultados de aprendizaje óptimos. En base a estas ideas, planteamos las siguientes
interrogantes:
▪ ¿La integración de la IA en la educación requiere modificaciones o revisiones
en la forma en que aprendemos?

38
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

▪ ¿O, por el contrario, se requiere una reestructuración completa, lo que conlleva

la necesidad de nuevas teorías?
▪ ¿Qué debería ofrecer la teoría a los educadores cuando se incluya la IA?
Con relación al modo en que se persiguen y abordan estas cuestiones, nos planteamos:
En los programas LLM, la facilidad de acceso a los contenidos y la capacidad de
producirlos, ¿disminuyen la importancia del conocimiento declarativo?
Se ha hablado mucho hasta ahora del constructivismo social vinculado al aprendizaje
apoyado por las tecnologías digitales y sociales. De hecho, es el paradigma imperante durante
mucho tiempo, con el que todos se sentían satisfechos, incluso impulsaba reformas de gran
calado como fue la reforma de Bolonia en la Educación Superior europea. Pues bien, del mismo
modo nos podríamos plantear si los puntos de vista existentes sobre el constructivismo social
¿avalan la IA como un agente social en el aprendizaje?
También podríamos hacer incursiones microteóricas. Como, por ejemplo, plantearnos
si los corpus teórico-prácticos existentes sirven suficientemente, o son los adecuados, para la
inclusión de la IA generativa en las aulas o es necesario actualizarlos o incluso repensarlos por
completo.

El aprendizaje inteligente

Todo esto podría servir para orientar el debate y la investigación en torno a la nueva
visión que se abre con la IA generativa. Pero hay unos planteamientos anteriores que ya hemos
citado y que no conviene olvidar: Es la consideración del llamado aprendizaje inteligente
(Zapata-Ros, 2018b; Hwang et al, 2008) como una fase superior del aprendizaje adaptativo.
El constructo de "entornos de aprendizaje inteligentes” puede considerarse, a partir de
la definición de Hwang et al (2008), como el de “entornos de aprendizaje apoyados por
la tecnología que realizan adaptaciones y brindan el soporte adecuado con la tecnología
de detección y de recomendación” (por ejemplo, orientación, retroalimentación, consejos
o herramientas a utilizar) en los lugares adecuados y en el momento oportuno, según las
necesidades individuales de cada alumno, determinados mediante el análisis de sus
comportamientos de aprendizaje, su trayectoria de rendimiento y los contextos en línea y del
mundo real en los que se encuentran, tanto grupales y sociales como compuesto por los
recursos de que se provee o a los que accede, descarga, lee o elabora.
Y aprendizaje inteligente podría considerarse consecuentemente (Zapata-Ros, 2018)
como aquel aprendizaje que pueden desencadenar y producir los sistemas de aprendizaje
inteligente, y que se puede entender de forma diferenciada por las funciones y efectos que no
se pueden realizar sólo en ambientes de aprendizaje adaptativo y de aprendizaje
contextualizado, pero sin excluirlas. El aprendizaje social y el aprendizaje colaborativo de esta
forma se puede entender como una subcategoría del aprendizaje contextualizado.
Resumiendo, se puede decir pues que el aprendizaje inteligente es el aprendizaje
adaptativo y contextualizado con mecanismos de detección, de respuesta y de recomendación.

Entonces Zapata-Ros (2018) se planteaba

La presencia y el avance de las tecnologías de detección y de recomendación están

ofreciendo grandes y determinantes oportunidades para desarrollar nuevos entornos
de aprendizaje. Definitivamente el aprendizaje inteligente es un concepto
extremadamente innovador, como en otros ámbitos, para desarrollar visiones y
planteamientos distintos. En este caso para crear entornos de aprendizaje más potentes
y útiles que los enfoques de aprendizaje ayudados por la tecnología ya existentes,
mediante la incorporación de nuevas herramientas y nuevos criterios para el aprendizaje.
39
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

La cuestión ahora sería: Cuál es el estado ahora de aquello que se abrió como un
desarrollo del aprendizaje adaptativo y cuyas primeras y muy contadas experiencias, en relación
con la Educación Superior, se vieron en el trabajo citado (Zapata-Ros, 2018). Qué experiencias
y qué conclusiones se han obtenido de las investigaciones en esta línea, no sólo en la Educación
Superior, si es que las ha habido. Y finalmente cuál es su estado y cuáles son sus perspectivas
en relación con la IA de nuevo cuño, la de los sistemas generativos.
Con todo lo dicho se abre un espacio, solo iniciado de forma tímida e incipiente en
relación con la relevancia que se le atribuye a este fenómeno, a posibles trabajos que
esencialmente incluyan investigaciones empíricas y/o el desarrollo y prueba de tecnologías en
relación con los LLM generativos, estudios de casos o desarrollos teóricos sobre aprendizaje
con IA, ChatGPT y sistemas transformadores LLM y Educación. Y también a desarrollos y
experiencias sobre aprendizaje inteligente y evaluación formativa en contextos de IA.
Tras ellos la creación de una teoría y de una pedagogía de la IA educativa que vaya más
allá de las exégesis y de las interpretaciones.

REFERENCES

ARG. (2002). Assessment for Learning: 10 principles. Available on the Assessment Reform Group web-
site : www.assessment-reform-group.org.uk.
Barrow, B. (2019). Bayesian Analysis in Natural Language Processing: Cohen.
https://linguistlist.org/issues/30/30-1843/
Bauer, E., Greisel, M., Kuznetsov, I., Berndt, M., Kollar, I., Dresel, M., Fischer, M. R., Fischer,
F. (2023). Uso del procesamiento del lenguaje natural para respaldar la retroalimentación entre pares
en la era de la inteligencia artificial: un marco interdisciplinario y una agenda de
investigación. Revista británica de tecnología educativa. https://doi.org/10.1111/bjet.13336
Biesta, G., Allan, J., & Edwards, R. (2011). The theory question in research capacity building in
education: Towards an agenda for research and practice. British Journal of Educational
Studies, 59(3), 225-239.
Black, E. (1995). Behaviorism as a learning theory. Retrieved from
http://129.7.160.115/inst5931/Behaviorism.html
Black, P., & Wiliam, D. (1998a). Assessment and classroom learning. Assessment in Education, 5, 7-
74.
Black, P., & Wiliam, D. (1998b). Inside the black box: Raising standards through classroom
assessment. Phi Delta Kappan, 80, 139-149.
Black, P., & Wiliam, D. (2003). ‘In praise of educational research’: Formative assessment. British
educational research journal, 29(5), 623-637.
Black, P., & Wiliam, D. (2009). Developing the theory of formative assessment. Educational
Assessment, Evaluation and Accountability (formerly: Journal of Personnel Evaluation in
Education), 21(1), 5-31.
Blanco-González, A., et al. (2022). Preimpresión en arXiv https://doi.org/10.48550/arXiv.2212.08104.
Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as
one-to-one tutoring. Educational researcher, 13(6), 4-16.
https://www.jstor.org/stable/pdf/1175554.pdf
Bloom, B. (1968). Learning for Mastery. Instruction and Curriculum.
https://files.eric.ed.gov/fulltext/ED053419.pdf
Bloom, B. S. (1976). Human characteristics and school learning. McGraw-Hill.

40
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Bloom, B. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as effective as
One-to-One Tutoring, Educational Researcher, 13:6 (4-16).
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P. …,& Amodei, D. (2020).
Language models are few-shot learners. Advances in Neural Information Processing Systems, 33,
1877–1901 Clark, D. (2023) Twitter. https://twitter.com/DonaldClark/status/1618422817590243333
Bundy, A. (2007). Computational thinking is pervasive. J. Scient. Pract. Comput.1, 67–69.
CIT (Center for Intructional Technologie). (2013). Building a Coursera Course Version 2.0
https://docs.google.com/document/d/1ST44i6fjoaRHvs5IWYXqJbiI31muJii_iqeJ_y1pxG0/edit?pli
=1
Chomsky, N., Roberts, I., & Watumull, J. (2023). Noam Chomsky: The False Promise of ChatGPT. The
New York Times, 8.
Clark, D. (2023). OpenAI releases massive wave of innovation.
https://donaldclarkplanb.blogspot.com/2023/02/
Clark, D. (2023b). https://twitter.com/DonaldClark/status/1618422817590243333
Cohen, S. (2019). Bayesian analysis in natural language processing. Synthesis Lectures on Human
Language Technologies, 12(1), 1-343.
Cowie, B., & Bell, B. (1999). A model of formative assessment in science education. Assessment in
Education: Principles, Policy & Practice, 6(1), 101-116.
Crooks, T. (2001). The validity of formative assessments. In British Educational Research Association
Annual Conference, University of Leeds (pp. 13-15).
http://www.leeds.ac.uk/educol/documents/00001862.htm (en documentos
http://www.leeds.ac.uk/bei/Education-line/browse/all_items/119155.html )
Crosslin, M. (2014). Designing a Dual Layer cMOOC/xMOOC.
http://www.edugeekjournal.com/2014/05/04/designing-a-dual-layer-cmoocxmooc
Dawson, S., Joksimovic, S., Mills, C., Gašević, D., & Siemens, G. (2023). Advancing theory in the age
of artificial intelligence. British Journal of Educational Technology.
Driscoll, M. (1994). Gagne’s theory of instruction. Psychology of Learning for Instruction. Boston, MA,
Allyn and Bacon, 329-358. https://psycnet.apa.org/record/1993-99148-000
http://ocw.metu.edu.tr/pluginfile.php/9013/mod_resource/content/1/driscoll-ch10%20(1).pdf
Driscoll, M. (2000). Psychology of learning for instruction. Needham Heights, MA: Allyn & Bacon.
Drury, B. (2019). Bayesian Analysis in Natural Language Processing, in Review: Computational
Linguistics; Text/Corpus Linguistics: Cohen (2019). https://linguistlist.org/issues/30/30-4380/
Else, H. (2023). Abstracts written by ChatGPT fool scientists. Nature, 613(7944), 423-423.
Fink, L. D. (2003). A Self-Directed Guide to Designing Courses for Significant Learning.
http://www.deefinkandassociates.com/GuidetoCourseDesignAug05.pdf
Gagné, R. M. (1965). The conditions of learning and theory of instruction (1st ed.). New York, NY:
Holt, Rinehart & Winston.
Gagné, R. M., & Briggs, L. J. (1974). The principles of instructional design (1st ed.). New York, NY:
Holt.
Gagné, R. M. (1985). The conditions of learning and theory of instruction (4th ed.). New York, NY:
Holt, Rinehart & Winston.
Gagne, R. M., & Medsker, K. L. (1996). The conditions of learning: Training applications. Fort Worth,
TX: Harcourt Brace College Publishers.
Garrison, C., & Ehringhaus, M. (2007). Formative and summative assessments in the classroom.

41
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Gao, C. A. et al. (2022). Preimpresión en bioRxiv https://doi.org/10.1101/2022.12.23.521610

Garcez, A. D. A., & Lamb, L. C. (2020). IA neurosimbólica: la tercera ola. preimpresión de arXiv
arXiv:2012.05876
Graves, A. (2012). Sequence transduction with recurrent neural networks. arXiv preprint
arXiv:1211.3711. https://arxiv.org/abs/1211.3711 Graves, 2012
Graves, A. (2012). Sequence transduction with recurrent neural networks. arXiv preprint
arXiv:1211.3711. https://arxiv.org/abs/1211.3711
Grove, J. (2023). The Chat GPT revolution of academic research has begun. Times Higher Education.
Grover, S. (2018, March 13). The 5th 'C' of 21st century skills? Try computational thinking (not coding.
Retrieved from EdSurge News: https://edtechbooks.org/-Pz
Gunning, D., Stefik, M., Choi, J., Miller, T., Stumpf, S., & Yang, GZ (2019). XAI—Inteligencia
artificial explicable. Ciencia Robótica, 4 (37), eaay7120.
Hilpert, J. C., Greene, J. A., & Bernacki, M. (2023). Leveraging complexity frameworks to refine
theories of engagement: Advancing self‐regulated learning in the age of artificial intelligence. British
Journal of Educational Technology. https://doi.org/10.1111/bjet.13340
Kruse, O. (2006). The origins of writing in the disciplines: Traditions of seminar writing and the
Humboldtian ideal of the research university. Written Communication, 23(3), 331–352.
Langlais, P.C. (2023). ChatGPT: comment ça marche? Sciences Communes, Blog de Hypotheses,
https://scoms.hypotheses.org/1059
Merrill, M. D. (1991). Constructivism and instructional design. Educational technology, 31(5), 45-53.
Merrill, M. D. (2002a). First principles of instruction. Educational technology research and
development, 50(3), 43-59.
Merrill, M. D. (2002b). First principles of instruction. Educational Technology Research and
Development, 50(3), 43-59. Instructional-Design Theories and Models, Volume III: Building a
Common Knowledge Base.
Merrill, M. D. (2009). First Principles of Instruction. In C. M. Reigeluth & A. Carr (Eds.), Instructional
Design Theories and Models: Building a Common Knowledge Base (Vol. III). New York: Routledge
Publishers.
Merrill, M. D. (2012). First principles of instruction. John Wiley & Sons.
Messick, S. (1989). Validity. In R. L. Linn (Ed.), Educational measurement (3rd ed., pp. 13–103). New
York, NY: Macmillan.
Ministry of Education, New Zealand. (1994). Assessment: policy to practice. Wellington, New Zealand:
Learning Media.
Newton, P. M. (2018). How common is commercial contract cheating in higher education and is it
increasing? A systematic review. Frontiers in Education, 3(67),
https://doi.org/10.3389/feduc.2018.00067
O'Connor, S. & ChatGPT. (2023) Educación en enfermería. Practica 66, 103537
O'Mahoney, K. & Heinz, M. (2016). Using comment only marking in a mathematics classroom in the
Republic of Ireland: experience and learning of a student teacher. Journal of Teacher Action
Research, 2(2), 58-69.
Pedreño. A. (2023). ChatGPT y las universidades. https://www.universidadsi.es/chatgpt-y-las-
universidades/

42
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

Petty, G. (2009). Evidence Based Teaching – a practical approach (2nd edition). Cheltenham: Nelson
Thornes. http://155.0.32.9:8080/jspui/bitstream/123456789/91/1/%5BGeoff_Petty%5D_Evidence-
based_Teaching_A_Practical%28BookFi.org%29.pdf
Phelan, J., Choi, K., Vendlinski, T., Baker, E., & Herman, J. (2011). Mejora diferencial en la
comprensión de los estudiantes de los principios matemáticos después de una intervención de
evaluación formativa. The Journal of Educational Research, 104 (5), 330-339.
Race, P. (2018). Is the ‘time of the assessed essay’ over? University of Sussex blog article.
https://blogs.sussex.ac.uk/business-school-teaching/2018/11/14/is-the-time-of-the-assessed-essay-
over/
Ramaprasad, A. (1983). On the definition of feedback. Behavioral Science 28(1), 4-13.
Reigeluth, C. M., Ed. (1999). Instructional-Design Theories and Models: A New Paradigm of
Instructional Theory. Mahwah, NJ, Lawrence Erlbaum Associates Publishers.
Reigeluth, C. (2012). Teoría instruccional y tecnología para el nuevo paradigma de la educación. RED,
Revista de Educación a Distancia. 32. http://www.um.es/ead/red/32
Saul, D. (2023). ‘AI Is The New Electricity’: Bank Of America Picks 20 Stocks To Cash In On ChatGPT
Hype. Forbes BUSINESS. https://www.forbes.com/sites/dereksaul/2023/03/01/ai-is-the-new-
electricity-bank-of-america-picks-20-stocks-to-cash-in-on-chatgpt-hype/
Science, Technology, and Public Policy. (2022). Parthasarathy discusses implications of Large
Language Models. https://stpp.fordschool.umich.edu/news/2022/parthasarathy-discusses-
implications-large-language-models
Sharples, M. (2022) Automated Essay Writing: An AIED Opinion. Int J Artif Intell Educ. 32, 1119–
1126. https://doi.org/10.1007/s40593-022-00300-7
Sharples. (2023). Twitter https://twitter.com/sharplm/status/1615607290320519169
Shepard, L. A. (2005). Formative assessment: Caveat emptor. In ETS Invitational Conference The
Future of Assessment: Shaping Teaching and Learning, New York.
https://web.archive.org/web/20111007220347/http://www.cpre.org/ccii/images/stories/ccii_pdfs/sh
epard%20formative%20assessment%20caveat%20emptor.pdf
Siemens, G. (2014, May). Multiple pathways: Blending xMOOCs & cMOOCs.
http://www.elearnspace.org/blog/2014/05/06/multiple-pathways-blending-xmoocscmoocs/
Stokel-Walker, C. (2022). AI bot ChatGPT writes smart essays—Should professors worry?[published
online ahead of print December 9, 2022]. Nature News.
Stokel-Walker, C. (2023). ChatGPT listed as author on research papers: many scientists
disapprove. Nature, 613(7945): 620-621. https://doi.org/10.1038/d41586-023-00107-z
Surden, H. (2019). "Inteligencia artificial y derecho: una descripción general", Revista de derecho de la
Universidad Estatal de Georgia, vol.
35. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3411869#.
Tennyson, R. D., Schott, F., Dijkstra, S., & Seel, N. M. (Eds.). (1997). Instructional Design:
International Perspectives. Theory, research, and models. Vol. 1 (Vol. 1). Routledge.
Thompson, M., & Wiliam, D. (2007). Tight but loose: A conceptual framework for scaling up school
reforms. In annual meeting of the American Educational Research Association. Chicago, IL.
https://cpb-ap-se2.wpmucdn.com/global2.vic.edu.au/dist/d/30223/files/2017/01/Tight-but-Loose-
AERA-07-2di57v1.pdf
Turnitin (2020). How Teachers Can Prepare for AI-Based Writing. Turnitin blog
article. https://www.turnitin.com/blog/how-teachers-can-prepare-for-ai-based-writing
Weller, M. (2013). Good post by Martin Weller [@mweller] on Coursera's new plans - The Ed Techie:
You can stop worrying about MOOCs now.
43
 Revista Paraguaya de Educación a Distancia, FACEN-UNA, Vol. 5 (1) - 2024

http://nogoodreason.typepad.co.uk/no_good_reason/2013/05/you-can-stop-worrying-about-moocs-
now.html
Wiliam, D. (2000). Integrating summative and formative functions of assessment.
https://discovery.ucl.ac.uk/id/eprint/1507176/1/Wiliam2000IntergratingAEA-
E_2000_keynoteaddress.pdf
Wiliam, D. (2007). Keeping learning on track: Formative assessment and the regulation of
learning. Nature, 1, 20.
Wing, J. M. (2006). Computational thinking. it represents a universally applicable attitude and skill set
everyone, not just computer scientists, would be eager to learn and use. Commun.
ACM 49(3). https://doi.org/10.1109/vlhcc.2011.6070404
Wing, J. M. (2008). Computational thinking and thinking about computing. The Royal Society
Publishing. https://doi.org/10.1098/rsta.2008.0118
Zapata-Ros, M. (2012). Calidad en entornos ubicuos de aprendizaje. Revista de Educación a Distancia
(RED), (31). https://revistas.um.es/red/article/view/232871
Zapata-Ros, M. (2012). Teorías y modelos sobre el aprendizaje en entornos conectados y ubicuos. Bases
para un nuevo modelo teórico a partir de una visión crítica del “conectivismo”.
http://eprints.rclis.org/17463/
Zapata-Ros, M. (2013). Charles Reigeluth: la personalización del aprendizaje y el nuevo paradigma de
la educación para la sociedad postindustrial del conocimiento., http://eprints.rclis.org/19406/
Zapata-Ros, M. (2013). Enseñanza Universitaria en línea, MOOC y aprendizaje divergente.
Academia.edu (preprint)
https://www.academia.edu/6190225/Ense%C3%B1anza_Universitaria_en_l%C3%ADnea_MOOC
_aprendizaje_divergente_y_creatividad_Online_Higher_Education_MOOC_divergent_learning_an
d_creativity
Zapata-Ros, M. (2013). La evaluación en el nuevo paradigma de la educación en la Sociedad
Postindustrial del Conocimiento. http://eprints.rclis.org/20157/
Zapata-Ros, M. (2013b). El “problema de 2 sigma” y el aprendizaje ayudado por la tecnología. E-Lis
Repository. http://eprints.rclis.org/18866/8/MOOCs.pdf
Zapata-Ros, M. (2013c). Las teorías del aprendizaje y el diseño instruccional. El esquema incompleto.
http://redesabiertas.blogspot.com.es/2013/04/las-teorias-del-aprendizaje-y-el-diseno.html
Zapata-Ros, M. (2015). El diseño instruccional de los MOOC y el de los nuevos cursos abiertos
personalizados. Revista de Educación a Distancia, (45).
https://revistas.um.es/red/article/download/238661/181351
Zapata-Ros, M. (2018a). El modelo educativo de Singapur y el «mastery learning» de Bloom. Blog
académico RED. El aprendizaje en la sociedad del conocimiento. https://red.hypotheses.org/1261
Zapata-Ros, M. (2018b). La universidad inteligente. RED. Revista de Educación a Distancia, 57(10).
http://www.um.es/ead/red/57/zapata2.pdf http://dx.doi.org/10.6018/red/57/10
Zapata-Ros, M. (2020). ¿Qué tienen de común Jeff Bezos y Benjamin Bloom? / What do Jeff Bezos and
Benjamin Bloom have in common? 10.13140/RG.2.2.14749.26085
Zapata-Ros, M. (2022). El pensamiento computacional, la competencia clave en una nueva
alfabetización. New York: Create Space Independent Publishing.
Zapata-Ros, M., & Palacios, Y. B. (2021). El pensamiento bayesiano, un pensamiento computacional
omnipresente. Revista de Educación a Distancia (RED), 21(68).

44