Investigar y publicar en FP // parte III · uso de la ia

12 · IA y evaluación del alumnado

Revisado el 18 de noviembre de 2026.

Guía informativa, no fuente oficial. Las fechas, plazos, cuantías y requisitos cambian cada curso y según la comunidad: comprueba siempre en la fuente oficial enlazada. Si ves un error, avísame.

Cuando el alumnado puede obtener en segundos un texto correcto sobre casi cualquier tema, la evaluación basada en documentos escritos deja de ser fiable por sí sola. En FP el problema es distinto del de la universidad, porque lo que se evalúa es un saber hacer (Los resultados de aprendizaje: preguntas y respuestas), pero los informes, las memorias y los cuestionarios también cuentan. Este artículo resume lo que dice la investigación sobre detectar el uso de IA y sobre diseñar evaluaciones que resistan, propone cómo reforzar cada tipo de evidencia en un módulo, cómo fijar reglas claras, cómo actuar ante una sospecha y cómo usar la IA en tu propio trabajo de evaluar sin cometer errores. Continúa IA para escribir, revisar y citar y se apoya en Evaluación formativa y retroalimentación.

3.1 Qué ha cambiado

  • Los textos ya no prueban autoría. Un informe bien escrito puede haberse generado en minutos.
  • Lo que no ha cambiado: lo que se hace delante de ti (una práctica en el taller, una defensa oral, una demostración) sigue siendo difícil de delegar.
  • El reto no es solo trampa. Hay alumnado que la usa para aprender (explicaciones, ejemplos, corrección de estilo) y alumnado que la usa para evitar aprender. La evaluación debe distinguirlo en lo posible, y las reglas deben decir qué se permite.

3.2 Lo que dice la investigación

PreguntaQué se ha encontradoFuente
¿Funcionan los detectores de texto generado por IA?En una prueba con 12 herramientas públicas y dos sistemas comerciales muy usados, no fueron ni precisos ni fiables, tendían a dar por humano un texto de IA, y las técnicas para disfrazar el texto empeoraban su rendimientoWeber-Wulff et al., 2023
¿Son justos?Los detectores clasifican con frecuencia como generados por IA los textos de personas que no tienen el inglés como lengua maternaLiang et al., 2023
¿Puede el profesorado notarlo al corregir?En experimentos en dos universidades británicas, quienes corregían en general no distinguían los trabajos con apoyo de IA de los que no, y la sospecha a veces cambiaba cómo corregían, con falsos positivos y falsos negativosKofinas et al., 2025
¿Basta con evaluaciones «auténticas» (casos reales, contexto profesional)?No por sí solas: en ese estudio, el grado de autenticidad no protegía ni ayudaba a detectar el uso de IAKofinas et al., 2025
¿Qué se recomienda?Poner la atención en el diseño de la evaluación: evaluar más el proceso y la relevancia para el trabajo, y usar pruebas interpersonales y en directo, más que redacciones asíncronasKofinas et al., 2025
¿Qué cuenta como falta?No lo define el uso en sí, sino que el uso se declare y lo que establezca la política de la instituciónPerkins, 2023

Rudolph et al. (2023), en una de las primeras revisiones sobre el tema, concluyen con recomendaciones para estudiantes, docentes e instituciones, muchas centradas en la evaluación.

3.3 Detectar o diseñar

La conclusión práctica de lo anterior es diseñar mejor en lugar de intentar vigilar:

  1. No dependas de detectores.
  2. Diseña evidencias que pidan presencia del alumno: hacer, explicar, defender, decidir.
  3. Evalúa el proceso, no solo el producto final: borradores, decisiones, registro del trabajo, puntos de control.
  4. Deja claras las reglas (apartado 3.5).
  5. Habla con el alumnado de por qué importa aprender a hacer las cosas.

3.4 Cómo reforzar cada tipo de evidencia en un módulo

EvidenciaVulnerabilidad a la IACómo reforzarla
Prueba práctica en el taller o el laboratorioBajaMantenla como evidencia principal de los resultados de aprendizaje procedimentales
Observación directa (rúbrica, lista de cotejo)BajaObserva también cómo toma decisiones y cómo resuelve imprevistos
Defensa oral breve de un trabajoBajaPreguntas sobre sus decisiones: «¿por qué elegiste esto?, ¿qué pasaría si…?»
Examen escrito presencialBaja si es sin dispositivosPreguntas de aplicación y de análisis de casos, no solo de memoria
Informe o memoria de prácticaAltaAñade registro de proceso, una defensa oral corta y datos propios (mediciones, fotos de tu trabajo)
Trabajo en casa (tareas, cuestionarios)AltaÚsalos como práctica formativa con poco peso en la nota, no como evidencia única
Proyecto intermodularMediaSeguimiento por hitos, reuniones de tutoría y defensa final
Cuaderno o portafolioMediaEvidencias con fecha, borradores y reflexión sobre lo aprendido

Estas ideas coinciden con la de evaluar proceso y relevancia laboral y con pruebas en directo que recomiendan los estudios citados. Cada resultado de aprendizaje y criterio de evaluación del módulo pide un tipo de evidencia: elige, para cada uno, la que solo pueda aportar quien ha aprendido (Evaluación formativa y retroalimentación).

3.5 Reglas claras: qué se puede y qué no

Las normas confusas generan injusticias. Una forma sencilla es fijar, por tarea, qué uso de IA se permite:

NivelQué significaEjemplo
No se permiteLa tarea mide lo que el alumno sabe hacer soloPrueba práctica, examen presencial
Se permite con declaraciónSe puede usar, indicando cómoInforme en el que se usa para revisar el estilo
Se anima a usarlaForma parte del aprendizajeComparar una respuesta de IA con la norma y señalar sus errores
  • Escríbelo en la programación y en el enunciado de cada tarea, y comprueba que no choca con las normas de tu centro.
  • Pide una declaración corta de uso: qué herramienta, para qué y qué revisó el alumno.
  • Aplícalo igual a todo el grupo.
  • Revisa las reglas cada curso: la tecnología cambia.

3.6 Qué hacer ante una sospecha

  1. No te fíes de un detector ni de tu intuición como prueba.
  2. Habla con el alumno, sin acusar: pídele que explique su trabajo, que lo amplíe o lo rehaga en tu presencia.
  3. Comprueba el proceso: historial de versiones, borradores, notas.
  4. Si hay una falta clara, sigue el procedimiento del centro y deja constancia por escrito.
  5. Evita consecuencias desproporcionadas sin pruebas: una acusación infundada daña (Ética docente).
  6. Mejora el diseño de la tarea para que no vuelva a pasar.

3.7 La IA en tu trabajo de evaluar

La IA también puede ayudar a quien enseña, con cuidado. En una experiencia de formación con 52 docentes de FP, un programa breve sobre planificación de clases y creación de recursos con IA, con una biblioteca de instrucciones y atención a la protección de datos, mejoró la capacidad del profesorado para diseñar instrucciones y valorar críticamente lo que la IA puede hacer, aunque se detectó la necesidad de más práctica y de guía (Schmitt y Brutzer, 2025).

Usos razonables:

  • Proponer ideas de actividades o casos.
  • Redactar un primer borrador de enunciados o de rúbricas, que tú revisas y ajustas a tus resultados de aprendizaje y criterios de evaluación.
  • Ayudar a redactar retroalimentación a partir de tus notas, que tú personalizas.

Cuidados:

  • Datos del alumnado: no introduzcas nombres, notas ni trabajos identificables en herramientas externas (Ética docente).
  • La calificación es tuya: no delegues la decisión final en una herramienta. La normativa de protección de datos limita las decisiones basadas únicamente en tratamiento automatizado; si dudas, consulta al delegado de protección de datos de tu centro.
  • Comprueba que la rúbrica o el enunciado que genera se ajusten al currículo y no contengan errores técnicos o de seguridad.
  • Sesgos: pueden penalizar estilos o lenguas distintas (apartado 3.2).

3.8 Enseñar a usarla bien

Prohibir la IA no prepara para un mercado de trabajo donde se usa. Para el alumnado de FP, saber cuándo usarla, cuándo no, y cómo comprobar lo que dice es una competencia profesional:

  • Actividades para criticarla: comparar una respuesta de IA con una norma, un manual o una medición real y encontrar sus errores.
  • Usarla con un propósito y declararlo, como en un entorno profesional.
  • Conocer sus límites: inventa, no siempre es actual y no sabe de tu taller.
  • Competencia digital como parte del currículo (Competencia digital del profesorado).

La investigación sobre IA en FP, una revisión sistemática de 26 estudios, muestra efectos positivos consistentes en la competencia procedimental y la motivación con entornos de realidad extendida inteligentes, y resultados prometedores en autorregulación con asistentes conversacionales, pero con un soporte metodológico limitado (solo cinco estudios experimentales aleatorizados) y con predominio de enfoques de práctica repetitiva y retroalimentación adaptativa, mientras que la autonomía del alumno y la reflexión crítica están poco representadas (Deutscher et al., 2026). Es una buena razón para sacar partido a la IA sin dejar que sustituya lo que más importa: el criterio y el saber hacer.

3.9 Lista de comprobación

  1. ¿Mis evidencias principales exigen presencia o proceso y no solo un texto final?
  2. ¿He escrito qué uso de IA se permite en cada tarea?
  3. ¿Pido declaración de uso?
  4. ¿Evito basarme en detectores?
  5. ¿Tengo un procedimiento ante sospechas?
  6. ¿Cuido los datos del alumnado cuando uso IA para mi trabajo?
  7. ¿Enseño a comprobar y criticar lo que dice la IA?

En resumen

  • Los detectores no son fiables y se equivocan más con quien no tiene el inglés como lengua materna; el profesorado tampoco distingue bien los trabajos con IA.
  • Las evaluaciones «auténticas» no bastan por sí solas: hay que cuidar el diseño, el proceso y las pruebas en directo.
  • En FP, las pruebas prácticas, la observación y la defensa oral resisten mejor; las memorias y tareas en casa, peor.
  • Fija reglas por tarea (no permitido, con declaración, animado) y aplícalas igual a todos.
  • Ante una sospecha: habla, comprueba el proceso y sigue el procedimiento; no sancionar por un detector.
  • Usa la IA en tu trabajo sin delegar la calificación ni introducir datos personales.
  • Enseña a usarla con criterio: es una competencia profesional.

Referencias

Deutscher, V. K., Thomann, H., Zlatkin-Troitschanskaia, O., Weyland, U., Abele, S., Danek, A. H., Greiff, S., Rausch, A., Seeber, S., Seifried, J., & Winther, E. (2026). Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness. Computers and Education: Artificial Intelligence, 11, Artículo 100628. https://doi.org/10.1016/j.caeai.2026.100628

Kofinas, A. K., Tsay, C. H.-H., & Pike, D. (2025). The impact of generative AI on academic integrity of authentic assessments within a higher education context. British Journal of Educational Technology, 56(6), 2522-2549. https://doi.org/10.1111/bjet.13585

Liang, W., Yüksekgönül, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Artículo 100779. https://doi.org/10.1016/j.patter.2023.100779

Perkins, M. (2023). Academic integrity considerations of AI large language models in the post-pandemic era: ChatGPT and beyond. Journal of University Teaching and Learning Practice, 20(2). https://doi.org/10.53761/1.20.02.07

Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of traditional assessments in higher education? Journal of Applied Learning & Teaching, 6(1). https://doi.org/10.37074/jalt.2023.6.1.9

Schmitt, C., & Brutzer, A. (2025). Generative artificial intelligence in vocational education and training: A framework for sustainable teacher competence development. Vocation Technology & Education, 3(3). https://doi.org/10.54844/vte.2025.0940

Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19, Artículo 26. https://doi.org/10.1007/s40979-023-00146-z

Texto bajo licencia CC BY-NC-SA 4.0. Las citas de normas y de otras obras se reproducen solo en lo imprescindible, con su referencia. Si ves algún error, avísame.