Machine Translated by Google

Revista EURASIA de Educación en Matemáticas, Ciencias y Tecnología, 2023, 19(8), em2307 ISSN:1305­8223 (en línea)
https://doi.org/10.29333/ejmste/
ACCESO ABIERTO Artículo de revisión 13428

Explorando el potencial de las herramientas de inteligencia artificial en la

medición y evaluación educativa
1 1
Valentín José Owan 1,2* , Hermano Kinsgley Bekom , Delicia Omoji Idika ,
3 1
Eugenio Honor Etta , Bassey Asuquo Bassey

1
Departamento de Fundamentos Educativos, Universidad de Calabar, Calabar, Estado de Cross River, NIGERIA
2 Ultimate Research Network, Calabar, estado de Cross River, NIGERIA
3
Departamento de Administración Pública, Universidad de Calabar, Calabar, Estado de Cross River, NIGERIA

Recibido el 8 de mayo de 2023 ▪ Aceptado el 14 de junio de 2023

Abstracto

La inteligencia artificial (IA) está transformando diversas industrias y la educación no es una excepción. Los rápidos avances en la
tecnología de IA se han vuelto esenciales para que los educadores y profesionales de la evaluación educativa mejoren las
experiencias de enseñanza y aprendizaje. Las herramientas de evaluación educativa impulsadas por IA brindan numerosos
beneficios, incluida la mejora de la precisión y la eficiencia de las evaluaciones, la generación de comentarios personalizados para
los estudiantes y la posibilidad de que los profesores adapten sus estrategias de enseñanza para satisfacer las necesidades únicas
de cada estudiante. Por lo tanto, la IA tiene el potencial de revolucionar la forma en que se imparte y evalúa la educación, lo que en
última instancia conducirá a mejores resultados educativos para los estudiantes. Este artículo explora las diversas aplicaciones de
las herramientas de IA en la medición y evaluación educativa. Específicamente, analiza la integración de modelos de IA de lenguaje
grande en la evaluación en el aula, en áreas específicas como la determinación y especificación del propósito de la prueba, el
desarrollo, el modelo de prueba, la generación/desarrollo de elementos de prueba, la preparación de instrucciones de prueba, el
ensamblaje/selección de elementos, la administración de pruebas, puntuación de pruebas, interpretación de resultados de pruebas,
análisis/evaluación de pruebas e informes. Analiza el papel de los docentes en la evaluación basada en IA y los desafíos que plantea
el uso de herramientas impulsadas por IA en la evaluación educativa. Finalmente, el artículo presenta estrategias para abordar estos
desafíos y mejorar la eficacia de la IA en la evaluación educativa. En conclusión, el uso de la IA en la evaluación educativa tiene
beneficios y limitaciones. Como tal, los educadores, los formuladores de políticas y las partes interesadas deben trabajar juntos para
desarrollar estrategias que maximicen los beneficios de la IA en la evaluación educativa y al mismo tiempo mitiguen los riesgos
asociados. La aplicación de la IA en la evaluación educativa puede, en última instancia, transformar la educación, mejorar los
resultados del aprendizaje y dotar a los estudiantes de las habilidades necesarias para tener éxito en el siglo XXI.

Palabras clave: ChatGPT, evaluación educativa, confiabilidad, habilidades, tecnología, validez.

Funciones inteligentes típicamente asociadas con los seres humanos. La IA

INTRODUCCIÓN
La inteligencia artificial (IA) es un campo tecnológico en rápida evolución
que implica el desarrollo de máquinas inteligentes que pueden realizar tareas
que normalmente requieren inteligencia humana, como comprender el
lenguaje natural, reconocer patrones y tomar decisiones basadas en datos.
La IA es la capacidad de las máquinas para adaptarse a situaciones nuevas
y emergentes, resolver problemas, responder preguntas, crear planes y
realizar otras
se refiere al campo de la informática que implica la creación de programas
informáticos capaces de imitar un comportamiento inteligente e idealmente
mejorar habilidades similares a las humanas (Naqvi, 2020). La IA, una
disciplina en rápida expansión, abarca el desarrollo de robots inteligentes
capaces de emular procesos de pensamiento y acciones humanos,
encontrando utilidad en diversas áreas como el diagnóstico médico, los
vehículos autónomos y la educación (Wardat et al., 2023). Herramientas
impulsadas por IA y

© 2023 por los autores; licenciatario Modestum. Este artículo es un artículo de acceso abierto distribuido bajo los términos y condiciones de la Licencia de Atribución Creative
Commons (http://creativecommons.org/licenses/by/4.0/).
owanvalentine@gmail.com (*Correspondencia) bekomabang@gmail.com delightoidika@yahoo.com eugeneetta@gmail.com babssey67@gmail.com
Machine Translated by Google

Owan et al. / Inteligencia artificial y medición educativa

Contribución a la literatura.

• El artículo amplía la comprensión de cómo la IA puede transformar el proceso de evaluación en la educación al examinar el uso de la IA en
diferentes etapas del desarrollo de las pruebas, como la determinación del propósito de la prueba, la generación de ítems de la prueba,
la administración de la prueba, la calificación, la interpretación de los resultados de la prueba y informes. • El
artículo contribuye a la literatura al enfatizar la relación de colaboración entre la IA y los docentes para mejorar la evaluación educativa.
Específicamente, arroja luz sobre el papel cambiante de los docentes en el contexto de la evaluación basada en IA, que puede ser útil
para que los docentes adapten sus estrategias de enseñanza y atiendan las necesidades individuales de los estudiantes.

• El artículo añade profundidad a la literatura existente sobre las complejidades involucradas en la integración de la IA en la educación al
discutir las posibles limitaciones y riesgos relacionados con la privacidad de los datos, el sesgo y la necesidad de supervisión humana.
El trabajo presenta estrategias prácticas para abordar los desafíos y optimizar el uso de la IA en la evaluación educativa. Estas
estrategias ofrecen información valiosa para educadores, formuladores de políticas y partes interesadas que buscan maximizar los
beneficios de la IA y al mismo tiempo mitigar los riesgos asociados.

Las aplicaciones se están utilizando ahora en muchas industrias (Suh &
Ahn, 2022), incluida la educación, para mejorar la calidad de los servicios
prestados a estudiantes y profesores. Se ha hecho referencia a las
herramientas de inteligencia artificial como Bing y ChatGPT como
objetos con los que las personas pueden pensar, especialmente en la
situación de enseñanza­aprendizaje, para que los estudiantes mejoren
su capacidad de pensar de manera crítica y reflexiva, fomenten la
creatividad, adquieran habilidades de resolución de problemas y
comprendan conceptos de manera efectiva. (Vasconcelos et al., 2023)
La integración de la IA en la enseñanza logró efectivamente un
efectividad instruccional. A medida que esta tecnología continúa
evolucionando, tiene el potencial de transformar la educación al brindar
instrucción personalizada basada en datos a los estudiantes y permitir a
los maestros optimizar sus estrategias de enseñanza para mejorar los
resultados de los estudiantes.
Sin embargo, el uso de la IA en la enseñanza y el aprendizaje tiene sus
limitaciones. Por ejemplo, existe la preocupación de que los estudiantes
puedan practicar copiar y pegar texto de fuentes sin someterse a un
análisis crítico, descuidando atribuir el trabajo a las fuentes originales, lo
que resultaría en plagio (Halaweh, 2023).

aprendizaje centrado en el alumno (Huang, 2018). Las herramientas y

aplicaciones impulsadas por IA mejoran la medición educativa, incluidas
las pruebas, la valoración y la evaluación. Estas herramientas pueden
proporcionar a los educadores información valiosa sobre el desempeño
de los estudiantes, los resultados del aprendizaje y la eficacia de la
instrucción. Por ejemplo, las herramientas de evaluación basadas en
inteligencia artificial pueden analizar las respuestas de los estudiantes a
las tareas y proporcionar comentarios personalizados para ayudarlos a
identificar áreas de fortalezas y debilidades (Nazaretsky et al., 2022).
Además, la preocupación por la privacidad de los usuarios es otro
asunto importante (Elliott & Soifer, 2022; Hu & Min, 2023; Saura et al.,
2022). Además, han surgido preocupaciones con respecto a la detección
de plagio en el contenido producido por ChatGPT, así como el desafío
de distinguir entre el texto factual y ficticio generado (Chatterjee &
Dethlefs, 2023; King & ChatGPT, 2023).

Estas herramientas también pueden proporcionar a los docentes
información sobre la eficacia de su instrucción e identificar áreas en las
que pueden necesitar ajustar sus estrategias de enseñanza. Además,
las herramientas impulsadas por IA pueden ayudar a automatizar
muchos aspectos del proceso de evaluación, ahorrando tiempo y
reduciendo la carga de los profesores. Por ejemplo, las herramientas de
calificación basadas en inteligencia artificial pueden analizar los ensayos
de los estudiantes y proporcionar retroalimentación sobre la gramática,
la estructura y el contenido, lo que reduce el tiempo que los profesores
dedican a calificar las tareas (Huang et al., 2023b).
A los profesores les preocupa cada vez más que los estudiantes
puedan utilizar ChatGPT para completar sus tareas escritas, ya que las
herramientas de detección de plagio pueden generar informes en
segundos sin ser detectados (Halaweh, 2023). Otros problemas limitan
con la detección de texto escrito por herramientas de IA utilizando otras
herramientas de IA. Más específicamente, se han planteado dudas
sobre la precisión con la que las herramientas de IA pueden discriminar
entre texto escrito por humanos y texto escrito por herramientas de IA.
Esto se debe a que actualmente no existen métodos disponibles para
distinguir entre el contenido generado por dicha herramienta y el escrito
por humanos (Tovani­Palone, 2023).

Las herramientas impulsadas por IA también pueden ayudar a

identificar a los estudiantes en riesgo de quedarse atrás o beneficiarse
de asistencia o recuperación adicional (Delgado et al., 2020). Estas
herramientas pueden analizar datos de los estudiantes, como puntajes
de exámenes y registros de asistencia, e identificar patrones que pueden
indicar la necesidad de intervención. Esto puede ayudar a los profesores
a brindar apoyo específico a los estudiantes que más lo necesitan. Por
lo tanto, el desarrollo de herramientas y aplicaciones basadas en IA ha
revolucionado el campo de la educación al proporcionar a los educadores
información valiosa sobre el desempeño de los estudiantes, los
resultados del aprendizaje y la
¿Qué pasaría si escribiéramos el texto, pero un detector de IA dice
que es generado por una máquina (IA)? Sus defensores también han
argumentado que la IA ha llegado para quedarse y han advertido a los
instructores que busquen formas de guiar a los estudiantes sobre el uso
ético de las herramientas de IA para maximizar sus beneficios (por
ejemplo, Halaweh, 2023; Javaid et al., 2023; Mohamed et al., 2022;
Rudolph et al., 2023).
Siguiendo las huellas de estos académicos, el presente artículo
analiza la penetración de la IA y su utilidad específicamente en la
medición educativa, una sub­

2 / 15
Machine Translated by Google
Disciplina en el campo de la educación relacionada con la evaluación
en el aula. Este artículo también analiza algunas cuestiones que surgen
de la integración de la IA en la medición, valoración y evaluación
educativa.
Aplicaciones de herramientas de inteligencia artificial en
Medición y Evaluación Educativa
La IA ha estado transformando la educación en los últimos años.
Esta creciente importancia de la IA ha despertado el interés de
numerosos académicos que exploran activamente diversos métodos
para incorporar diversas herramientas de IA en el entorno del aula
(Halaweh, 2023; Mena­Guacas et al., 2023; Papapicco, 2020). Con la
creciente disponibilidad de datos y la creciente sofisticación de los
algoritmos de aprendizaje automático, la IA tiene el potencial de
revolucionar la forma en que aprendemos, enseñamos y evaluamos el
progreso de los estudiantes. Se han propuesto varios beneficios del uso
de la IA en la educación. Por ejemplo, Adiguzel et al. (2023) presentaron
algunos beneficios del uso de Al para administradores, profesores y
alumnos. Se ha descubierto que la IA desempeña un papel crucial a la
hora de motivar a los estudiantes (Lin et al., 2021; Xia et al., 2022),
aumentar sus niveles de participación (Huang et al., 2023a; Nazari et
al., 2021), mejorar su interés por aprender. (Hou et al., 2022), interacción
de los alumnos (Karsenti, 2019), reducción de la ansiedad (Hawes &
Arya, 2023; Ren, 2020), predicción de los resultados futuros de los
estudiantes (Kumar, 2019; Luo et al., 2022) y rendimiento académico
(Khan et al., 2021). Esta sección analiza cómo se pueden utilizar las
herramientas de IA en la medición y evaluación educativa. Las siguientes
son formas específicas en que se puede aplicar la IA en la evaluación
educativa.
1. Aprendizaje personalizado: Las herramientas y sistemas basados
en IA tienen el potencial de personalizar las experiencias de
aprendizaje, impulsar la productividad de los docentes y
aumentar la participación de los estudiantes (Mena­Guacas et
al., 2023). La IA puede ayudar a crear planes de aprendizaje
personalizados para estudiantes individuales en función de su
progreso de aprendizaje, fortalezas y debilidades. La IA puede
identificar las necesidades de aprendizaje de los estudiantes
mediante el análisis de datos de múltiples fuentes, como
evaluaciones, tareas y cuestionarios, y proporcionar comentarios
específicos. Además de preparar contenidos de lecciones y
experiencias de aprendizaje, las herramientas de inteligencia artificial
También se puede utilizar para instrucción individualizada
(Adiguzel et al., 2023). Esto puede ayudar a los estudiantes a
aprender a su propio ritmo y concentrarse en áreas donde
necesitan más apoyo. El software de aprendizaje adaptativo
impulsado por IA, como DreamBox y Knewton, utiliza el análisis
de datos para crear planes de aprendizaje personalizados para
los estudiantes en función de sus fortalezas y debilidades. Por
ejemplo, los estudiantes pueden completar una prueba de
evaluación previa que genera un plan de aprendizaje
personalizado con objetivos y recomendaciones específicas.
2. Sistemas de tutoría inteligentes (ITS): los sistemas de tutoría
basados en IA pueden proporcionar apoyo y retroalimentación
personalizados a los estudiantes. Estos sistemas
EURASIA J Matemáticas, ciencias y tecnología, 2023, 19(8), em2307
puede adaptarse a los estilos de aprendizaje de los estudiantes
y proporcionar instrucción y apoyo personalizados, ayudando a
los estudiantes a mejorar sus resultados de aprendizaje. Estos
sistemas pueden ayudar a los estudiantes a mantenerse
motivados y comprometidos con su aprendizaje al brindarles
retroalimentación inmediata. El sistema de tutoría de
matemáticas basado en inteligencia artificial de Carnegie
Learning proporciona retroalimentación inmediata y rutas de
aprendizaje personalizadas basadas en las fortalezas y
debilidades de los estudiantes. El sistema se adapta al ritmo de
aprendizaje de cada estudiante y proporciona instrucción
interactiva y problemas de práctica. Los educadores pueden
utilizar ITS para brindar instrucción individualizada, monitorear
el progreso de los estudiantes e identificar áreas donde los
estudiantes necesitan apoyo adicional. Los ejemplos incluyen
ALEKS, Carnegie Learning y Knewton.
3. Calificación automatizada: la IA puede ayudar a automatizar el
proceso de calificación, ahorrando tiempo a los profesores y
brindando a los estudiantes retroalimentación inmediata sobre
sus tareas. La IA puede proporcionar retroalimentación sobre
gramática, ortografía y sintaxis mediante el análisis de ensayos,
informes y otras tareas escritas. Al utilizar sistemas de
calificación automatizados, los profesores pueden
centrarse más en tareas esenciales como la planificación de
lecciones y el apoyo a los estudiantes, lo que genera importantes
ahorros de tiempo (Adiguzel et al., 2023).
Esto puede ayudar a los estudiantes a mejorar sus habilidades
de escritura y reducir la carga de trabajo de los profesores. Por
ejemplo, el software impulsado por IA de Turnitin utiliza
procesamiento del lenguaje natural (NLP) para analizar ensayos
y proporcionar comentarios sobre gramática, ortografía y
sintaxis. El software también puede detectar plagio, lo que
ayuda a los profesores a calificar las tareas de manera más
eficiente y precisa.
4. Análisis predictivo: la IA puede analizar los datos de asistencia,
participación y desempeño de los estudiantes para predecir
resultados futuros. Esta información se puede utilizar para
identificar a los estudiantes que puedan necesitar apoyo
adicional, lo que permitirá a los maestros brindar intervenciones
específicas. Por ejemplo, la Universidad del Sur de Florida
utiliza análisis predictivos para identificar estudiantes en riesgo
que puedan necesitar apoyo adicional. El Centro de Éxito
Estudiantil de la universidad utiliza análisis de datos para
monitorear el progreso de los estudiantes y proporcionar
intervenciones específicas.
5. Procesamiento del lenguaje natural: las herramientas de PNL
impulsadas por inteligencia artificial pueden ayudar a los
estudiantes a aprender idiomas y mejorar sus habilidades de
escritura al brindarles comentarios sobre gramática, ortografía y puntuación.
Estas herramientas también pueden ayudar a los estudiantes a
desarrollar sus habilidades de pensamiento crítico mediante el
análisis y la evaluación de argumentos y evidencia. Estas
herramientas también permiten a los educadores analizar e
interpretar datos del lenguaje natural, como ensayos, debates
y publicaciones en redes sociales de los estudiantes, para
obtener información sobre el aprendizaje y la participación de los estudiantes
3 / 15
Machine Translated by Google
Owan et al. / Inteligencia artificial y medición educativa
Por ejemplo, el software basado en PNL de Grammarly proporciona
comentarios en tiempo real sobre la escritura, incluidas sugerencias
de gramática, puntuación y estructura de oraciones. Esto puede
ayudar a los estudiantes a mejorar sus habilidades de escritura y
producir trabajos escritos de mayor calidad. Otros ejemplos incluyen
Google Cloud Natural Language, IBM Watson y Microsoft Azure
Cognitive Services.
6. Contenido inteligente: la IA puede ayudar a crear y seleccionar
materiales de aprendizaje adaptados a las necesidades y estilos de
aprendizaje de cada estudiante. Al analizar los datos de
comportamiento de los estudiantes, la IA puede identificar las
preferencias de aprendizaje de los estudiantes y crear materiales de
aprendizaje personalizados que sean atractivos y relevantes. Por
ejemplo, la startup de EdTech, Smart Sparrow, utiliza inteligencia
artificial para crear materiales de aprendizaje interactivos y
adaptables personalizados para las necesidades individuales de los
estudiantes. Por ejemplo, un curso de biología podría utilizar IA para
generar diferentes escenarios de laboratorio basados en el progreso
del aprendizaje y los intereses de los estudiantes.
7. Asistentes virtuales: los asistentes virtuales impulsados por IA pueden
ayudar a los estudiantes con tareas administrativas como
programación, recordatorios y gestión de tareas.
Estas herramientas ayudan a los estudiantes a mantenerse
organizados y concentrados, permitiéndoles administrar su tiempo y
completar sus trabajos de curso de manera más eficiente. Por
ejemplo, los asistentes virtuales impulsados por inteligencia artificial,
como Brainly, brindan a los estudiantes apoyo inmediato y respuestas
a sus preguntas académicas. La plataforma utiliza el aprendizaje
automático para brindar soporte personalizado y conectar a los
estudiantes con
tutores.
8. Transcripción y traducción automatizadas: la IA puede ayudar a
transcribir y traducir conferencias y otros materiales educativos,
haciéndolos accesibles a una gama más amplia de estudiantes. Esto
puede ayudar a los estudiantes que puedan tener dificultades para
comprender el idioma utilizado en sus trabajos de curso o que
tengan problemas de audición. También puede ayudar a que el
contenido educativo sea más inclusivo y accesible.
Por ejemplo, Otter.ai utiliza reconocimiento de voz basado en
inteligencia artificial para transcribir conferencias y otros materiales
educativos en tiempo real. El software también puede traducir
contenido hablado a varios idiomas, lo que hace que el contenido
educativo sea más accesible para los estudiantes que hablan
diferentes idiomas.
Otros ejemplos incluyen Amazon Transcribe, Dragon Naturally
Speaking y Google Voice.
9. Sistemas de gestión del aprendizaje (LMS): son plataformas que
permiten a los educadores crear, entregar y gestionar materiales de
aprendizaje, tareas, valoraciones y evaluaciones para los estudiantes.
Los educadores pueden utilizar plataformas LMS para administrar
evaluaciones en línea, monitorear el progreso de los estudiantes y
brindar comentarios sobre el desempeño de los estudiantes.
4 / 15
Los ejemplos incluyen Blackboard, Canvas y Moodle.
10. Software de puntuación automatizada de ensayos (AES): el software
AES utiliza algoritmos de PNL para evaluar y calificar ensayos y
tareas escritas. Los educadores pueden utilizar el software AES
para brindarles a los estudiantes retroalimentación inmediata sobre
su escritura, ahorrar tiempo en las calificaciones y garantizar una
evaluación consistente y objetiva. Los ejemplos incluyen e­rater,
Grammarly y Turnitin.
11. Herramientas de análisis de aprendizaje: las herramientas de análisis
de aprendizaje utilizan minería de datos y algoritmos de inteligencia
artificial para analizar los datos de aprendizaje de los estudiantes y
proporcionar información sobre el desempeño, la participación y los
resultados del aprendizaje de los estudiantes. Los educadores
pueden utilizar herramientas de análisis del aprendizaje para
monitorear el progreso de los estudiantes, identificar a los estudiantes
en riesgo y tomar decisiones basadas en datos para mejorar los
resultados del aprendizaje de los estudiantes. Los ejemplos incluyen
Learning Analytics and Knowledge (LAK) y Open Learning Analytics (OLA).
12. Plataformas de pruebas por computadora (CBT): las plataformas
CBT permiten a los educadores realizar evaluaciones en línea,
evaluaciones, incluidas preguntas de opción múltiple,
verdadero/falso y de ensayo. Los educadores pueden utilizar las
plataformas CBT para evaluar el conocimiento de los estudiantes,
ahorrar tiempo en las calificaciones y brindarles retroalimentación
inmediata (Bassey et al., 2020).
Los ejemplos incluyen ExamSoft, JAMB CBT, UNICAL Post Graduate
ProProfs y Questionmark.exámenes electrónicos,
13. Herramientas de gamificación: las herramientas de gamificación
utilizan elementos basados en juegos para motivar e involucrar a los
estudiantes en actividades de aprendizaje y evaluaciones. Los
educadores pueden utilizar herramientas de gamificación para
aumentar la participación de los estudiantes, promover el aprendizaje
de los estudiantes y brindarles retroalimentación inmediata sobre su
desempeño. Los ejemplos incluyen Classcraft, Kahoot! y Quizlet.
14. Herramientas de realidad virtual (VR) y realidad aumentada (AR): las
herramientas de realidad virtual y AR utilizan tecnologías inmersivas
para brindar a los estudiantes experiencias de aprendizaje
interactivas y experienciales. Los educadores pueden utilizar
herramientas de realidad virtual y realidad aumentada para
involucrar a los estudiantes en actividades de aprendizaje práctico,
brindarles experiencias del mundo real y mejorar los resultados del
aprendizaje de los estudiantes. Los ejemplos incluyen Google
Expeditions, Merge Cube y Nearpod VR.
15. Herramientas de evaluación formativa: las herramientas de evaluación
formativa permiten a los educadores monitorear el aprendizaje de
los estudiantes en tiempo real, brindar retroalimentación y ajustar la
instrucción en función de su desempeño. Los ejemplos incluyen
Mentimeter, Nearpod y Socrative.
16. Herramientas de encuestas en línea: las herramientas de encuestas en línea permiten
a los educadores recopilar comentarios de los estudiantes sobre temas específicos.
Machine Translated by Google
temas o preguntas. Los ejemplos incluyen Google Forms,
Kahoot! y Poll Everywhere.
17.Pizarras interactivas: las pizarras interactivas permiten a los
educadores presentar y anotar contenido digital, involucrar a los
estudiantes en actividades interactivas y colaborar con los
estudiantes en tiempo real.
Los ejemplos incluyen Google Jamboard, Promethean ActivPanel
y SMART Board.
18. Herramientas de videoconferencia: las herramientas de
videoconferencia permiten a los educadores facilitar sesiones
de aula virtual, brindar instrucción remota y conectarse con
estudiantes en ubicaciones remotas.
Los ejemplos incluyen Google Meet, Microsoft Teams y Zoom.
19. Portafolios digitales: los portafolios digitales permiten a los
estudiantes recopilar y mostrar su trabajo, reflexionar sobre su
aprendizaje y recibir comentarios de educadores y compañeros.
Los ejemplos incluyen Google Sites, Seesaw y WordPress.
20. Herramientas de visualización de datos: las herramientas de
visualización de datos permiten a los educadores analizar y
presentar datos en formatos visuales, como gráficos y tablas,
para obtener información sobre el desempeño de los estudiantes
y los resultados del aprendizaje. Los ejemplos incluyen Google
Data Studio, Infogram y Tableau.
21. Plataformas de redes sociales: las plataformas de redes sociales
permiten a los educadores conectarse con los estudiantes,
compartir recursos de aprendizaje y promover la participación
de los estudiantes en las actividades de aprendizaje. Los
ejemplos incluyen Facebook, Instagram y Twitter.
22. Detección de plagio: el software de detección de plagio basado
en inteligencia artificial utiliza algoritmos de PNL para analizar
el trabajo de los estudiantes y detectar casos de plagio. Los
ejemplos incluyen Copyscape, Grammarly y Turnitin.
23. Sistemas de respuesta en el aula: Los sistemas de respuesta en
el aula permiten a los educadores plantear preguntas y recibir
comentarios de los estudiantes en tiempo real mediante
dispositivos electrónicos. Los ejemplos incluyen iClicker, Poll
Everywhere y Top Hat.
24. Herramientas de evaluación digital: Las herramientas de
evaluación digital brindan a los educadores la capacidad de
evaluar los conocimientos y habilidades de los estudiantes
mediante una variedad de tipos de preguntas, incluidas las de
opción múltiple, de respuesta corta y de ensayo. Los ejemplos
incluyen Edulastic, ExamView y Google Forms.
ARTIFICIAL EN LENGUAJE GRANDE
MODELOS DE INTELIGENCIA Y
EVALUACIÓN EN EL AULA
Los modelos de lenguaje grande (LLM) son una forma especializada
de IA diseñada específicamente para comprender, generar y manipular
el lenguaje humano. Al aprovechar los principios de la PNL y los
principios del aprendizaje automático, los LLM están diseñados para
procesar e interpretar
EURASIA J Matemáticas, ciencias y tecnología, 2023, 19(8), em2307
grandes cantidades de datos de texto (Dergaa et al., 2023). El "grande"
de su nombre se refiere a los enormes conjuntos de datos en los que
están entrenados y a los numerosos parámetros que poseen, que les
permiten captar los sutiles matices y complejidades del lenguaje humano.
Los LLM pueden generar texto similar a un humano y están diseñados
para comprender y generar texto de una manera contextualmente
relevante y coherente.
Los LLM son parte de la familia de modelos generativos (Ingraham
et al., 2019), lo que significa que pueden generar texto nuevo basado en
los patrones y estructuras aprendidos a partir de los datos utilizados
para entrenarlos. Los LLM tienen muchas aplicaciones, incluida la PNL,
la inteligencia artificial conversacional, la generación de texto, la
traducción automática, el análisis de sentimientos y la creación de
contenido. Se pueden utilizar en diversas industrias, como la atención
médica, las finanzas, el servicio al cliente, el marketing y el
entretenimiento, para automatizar tareas, proporcionar información y
mejorar las experiencias de los usuarios. Una de las características
clave de los LLM es su capacidad para comprender y generar texto de
forma conversacional (Kasneci et al., 2023). Pueden entablar
conversaciones interactivas y dinámicas con los usuarios, responder
consultas, proporcionar información y generar respuestas relevantes y
coherentes. Los LLM están capacitados para comprender el contexto, el
tono y el estilo, lo que los hace capaces de generar texto que imita
fielmente una conversación humana. El desarrollo de LLM puede
considerarse uno de los mayores avances o avances científicos en IA.
Ejemplos de LLM incluyen BARD AI (Google), BERT (Google), Chat
GPT (OpenAI), DistillBERT (Hugging Face), ELECTRA (Google),
MarianMT (Microsoft Translator), Megatron (NVIDIA), RoBERTa
(Facebook), T5 ( Google/DeepMind), UniLM (Microsoft Research) y
XLNet (Universidad Carnegie Mellon/Google). Los LLM pueden
desempeñar un papel importante en varias etapas del proceso de
evaluación educativa, como la planificación de pruebas, la generación
de ítems, la preparación de la instrucción de la prueba, el ensamblaje/
selección de ítems, la administración de pruebas, la puntuación de
pruebas, el análisis de pruebas, la interpretación, la evaluación, la
generación de informes y el seguimiento. arriba. Se documentan más
detalles sobre cómo los LLM pueden tener propósitos útiles en la
medición educativa.
Determinación/especificación del propósito de la prueba
La determinación del propósito de la prueba es el paso más
importante en el ciclo de desarrollo de la prueba. Implica identificar
cuestiones educativas relevantes que deben abordarse o
áreas clave que requieren producir nuevos conocimientos o modificar
los existentes. Para Joshua (2012), algunos de los principales propósitos
de las pruebas giran en torno a evaluar la eficacia de los docentes y la
motivación de los estudiantes, juzgar la competencia en el aprendizaje
de los estudiantes, su adquisición de habilidades y conocimientos
esenciales, diagnosticar las dificultades de aprendizaje de los estudiantes,
clasificar los logros de aprendizaje de los estudiantes, y medir su
crecimiento a lo largo del tiempo.
Dado que el propósito de una prueba se construye a partir del contenido
o la materia del curso (Joshua, 2012), los LLM pueden ser útiles en la
especificación del propósito de la prueba al analizar el contenido del curso.
5 / 15
Machine Translated by Google

Owan et al. / Inteligencia artificial y medición educativa

e identificar temas o conceptos clave que deben evaluarse. Por ejemplo,
un LLM puede analizar una gran cantidad de datos de texto relacionados
con un curso o tema específico, identificar temas y conceptos principales
y sugerir elementos de prueba apropiados que midan con precisión la
comprensión de esos conceptos por parte de los estudiantes.
áreas y los niveles de objetivos de instrucción en el dominio cognitivo.
Pueden ayudar a los educadores a determinar qué objetivos de instrucción
son los más críticos para una prueba en particular y garantizar que la
prueba cubra todas las áreas de contenido necesarias. Los LLM pueden
ayudar a desarrollar un modelo de prueba analizando electrónicamente
textos relevantes para identificar los conceptos, habilidades y áreas de

Además, los LLM se pueden utilizar para crear pruebas adaptativas conocimiento clave que deben evaluarse y ayudar a determinar el peso o

que ajusten el nivel de dificultad de las preguntas en función de las la distribución adecuada de estos elementos en la prueba. Esto puede

respuestas de los estudiantes. Esto puede garantizar que los estudiantes ayudar a garantizar que la prueba esté alineada con los objetivos y la

sean desafiados adecuadamente y que la prueba mida con precisión sus estructura prevista.

conocimientos y habilidades. Los LLM también pueden generar elementos

de prueba que se alineen con objetivos y resultados de aprendizaje
Generación/desarrollo de elementos de prueba
específicos. Por ejemplo, un LLM puede analizar el contenido del curso,
identificar las habilidades o conocimientos clave que se espera que El desarrollo de elementos de prueba implica traducir el contenido del
adquieran los estudiantes y generar elementos de prueba que se alineen curso en elementos de prueba o preguntas que estimularán a los alumnos
con esos objetivos. Los LLM también pueden ayudar a determinar el y provocarán el comportamiento requerido especificado en los objetivos
método de prueba más apropiado para abordar estos propósitos y generar de instrucción del curso (Joshua, 2012). Los elementos de la prueba se
elementos de prueba que se alineen con cada propósito. Por ejemplo, los pueden clasificar en términos generales en dos categorías: (1) elementos
LLM pueden analizar grandes cantidades de datos de texto relacionados objetivos (elementos
con las dificultades de aprendizaje de los estudiantes y sugerir elementos
altamente estructurados que tienen una respuesta correcta clara y
de prueba que pueden diagnosticar esas dificultades.
específica, a menudo en forma de preguntas de opción múltiple,
verdadero/falso o de correspondencia) y (2) ensayo. ítems
De manera similar, los LLM pueden analizar los datos de crecimiento (pregunta abierta
de los estudiantes a lo largo del tiempo y sugerir elementos de prueba que
que requiere que el examinado proporcione una respuesta escrita que
midan con precisión ese crecimiento. Además, los LLM pueden ayudar a
demuestre su comprensión de un tema, su capacidad para
garantizar que los elementos de la prueba sean válidos, confiables y
articular ideas de manera clara y coherente y, a menudo, su
relevantes para los problemas educativos que se abordan. Al analizar
capacidad para analizar, sintetizar y evaluar información).
grandes cantidades de datos relacionados con el aprendizaje de los
estudiantes y cuestiones educativas, los LLM pueden sugerir elementos
de prueba apropiados que midan con precisión el conocimiento y las
Durante la fase de generación de ítems de la prueba, se espera que
habilidades de los estudiantes. Además, los LLM pueden ayudar a
garantizar que los elementos de la prueba sean justos e imparciales, lo se recopile una gran cantidad de ítems de fuentes relevantes, más que la
cantidad de ítems necesarios para la prueba. Los grupos de elementos
cual es esencial para garantizar que los resultados de la prueba reflejen
iniciales se pueden revisar con el apoyo de expertos en el dominio o pares
con precisión los conocimientos y habilidades de los estudiantes.
para identificar elementos de prueba relevantes, claros, específicos e

Desarrollo del plan de prueba inequívocos para su selección. Aquellos que no cumplan los criterios de
selección pueden ser reforzados o eliminados.
El modelo de prueba, también conocido como tabla de especificación,
es una tabla bidimensional que relaciona los niveles de objetivos de
Los LLM pueden ayudar a crear elementos de prueba relevantes,
instrucción de la taxonomía de Bloom en el dominio cognitivo con áreas
claros, específicos e inequívocos. Estos modelos pueden analizar el
de contenido cuidadosamente delineadas. Por lo general, los niveles de
contenido del curso y otras fuentes relevantes para generar un gran
objetivos de instrucción en el dominio cognitivo están organizados
conjunto de posibles elementos de prueba. Los expertos en el dominio o
horizontalmente en orden ascendente de complejidad en la columna
sus pares pueden luego revisar los elementos generados para identificar
superior. Por el contrario, las áreas de contenido están organizadas los elementos adecuados para su selección. Los LLM también pueden
verticalmente en la fila más a la izquierda de la tabla. El modelo de prueba
ayudar a desarrollar elementos de prueba objetivos, como preguntas de
especifica el número de elementos requeridos en cada celda formada por
opción múltiple, verdadero/falso o de correspondencia. Estos ítems
la intersección o tabulación cruzada de cada nivel de objetivo de instrucción
altamente estructurados tienen una respuesta correcta clara y específica
cognitivo y cada área del contenido del curso. Un modelo de prueba es
que se puede generar mediante LLM. La formación de LLM sobre textos
esencial para garantizar que una prueba mida con precisión los resultados
relevantes puede generar elementos que evalúen habilidades o áreas de
de aprendizaje previstos. Ayuda a garantizar que la prueba cubra todas
conocimiento específicas. Los LLM también pueden generar distractores
las áreas de contenido críticas y que las preguntas se alineen
u opciones incorrectas para preguntas de opción múltiple, lo que garantiza
adecuadamente con los objetivos de instrucción. Los LLM pueden ser
que sean plausibles pero incorrectas. Esto puede ayudar a crear un
extremadamente útiles en la especificación del propósito de la prueba para
conjunto de elementos diverso y equilibrado. Estos modelos pueden
crear planos de prueba o tablas de especificaciones. Pueden ayudar a
analizar el contenido del curso y generar opciones que se alineen con los
desarrollar planos de prueba analizando el contenido.
objetivos de instrucción. Además, los LLM también pueden ser útiles para
desarrollar elementos de prueba de ensayo. Estos abiertos

6 / 15
Machine Translated by Google
Las preguntas requieren que el examinado proporcione una respuesta escrita
que demuestre su comprensión de un tema, su capacidad para articular ideas
de forma clara y coherente y, a menudo, su capacidad para analizar, sintetizar
y evaluar información. Los LLM pueden ayudar a generar pautas de ensayos
que se alineen con los objetivos de instrucción y sean relevantes para el
contenido del curso.
En un experimento, un estudio encontró que las preguntas generadas por
la IA eran satisfactoriamente claras, aceptables y favorables para los estudiantes,
y relevantes para la materia (Nasution, 2023).
Preparación de la instrucción de prueba
Para lograr objetividad en las pruebas, se deben desarrollar instrucciones
de prueba simples, específicas y claras para guiar al administrador de la prueba
y a los encuestados. Según Joshua (2012), las instrucciones para los
procedimientos de prueba deben explicar por qué son necesarios. También
deben contener información sobre cómo organizar el entorno de prueba, distribuir
y recopilar materiales de prueba, administrar el tiempo, los procedimientos para
registrar las respuestas y abordar consultas anticipadas e imprevistas. Para los
examinados, las instrucciones deben incluir el propósito de la prueba, el tiempo
permitido para la prueba, la base para responder, las conductas éticas esperadas
(lo que se debe y no se debe hacer) y la disciplina que se debe otorgar en caso
de cualquier incumplimiento de dichas normas.
normas.
Los LLM pueden resultar extremadamente útiles en la preparación de
instrucciones de prueba. Estos modelos están diseñados para comprender y
procesar el lenguaje natural, lo que los hace ideales para tareas que requieren
comprensión y procesamiento del lenguaje similar al de los humanos. Con
respecto a las instrucciones de prueba, los LLM pueden ayudar a garantizar que
las instrucciones sean inequívocas. También pueden ayudar a identificar
confusión o malentendidos utilizando palabras o frases específicas.
Además, los LLM pueden sugerir frases o términos alternativos que pueden ser
más claros o más fáciles de entender.
Además, los LLM pueden ayudar a garantizar que las instrucciones sean
culturalmente apropiadas y sensibles a las diferentes audiencias. Pueden
identificar lenguaje potencialmente ofensivo o insensible y sugerir alternativas
más apropiadas. Los LLM también pueden ayudar con la localización de
instrucciones de prueba. Por ejemplo, si la prueba se traduce a un idioma
diferente, un LLM puede ayudar a garantizar que las instrucciones traducidas
transmitan con precisión el significado previsto de las instrucciones originales.
Montaje/selección de artículos
Los LLM pueden resultar muy útiles en el proceso de montaje de pruebas.
El montaje de la prueba implica seleccionar y organizar elementos o preguntas
de la prueba para crear una prueba que mida con precisión una construcción o
habilidad específica. Al analizar textos relevantes, los LLM pueden ayudar a
identificar los elementos más relevantes y apropiados del conjunto de elementos
según el modelo y los objetivos de la prueba. Esto puede ayudar a garantizar
que la prueba esté bien equilibrada, cubra el objetivo previsto
EURASIA J Matemáticas, ciencias y tecnología, 2023, 19(8), em2307
construir y es apropiado para la población objetivo.
Pueden ayudar en este proceso analizando el contenido de los elementos de la
prueba e identificando posibles problemas de redacción, fraseo o sesgos
culturales. Por ejemplo, un LLM puede identificar elementos con vocabulario o
sintaxis difíciles que pueden resultar confusos para los examinados o elementos
que utilizan un lenguaje coloquial que puede no ser familiar para todos los
examinados. Los LLM pueden analizar la coherencia y consistencia de los ítems
de la prueba para garantizar que evalúen el constructo o habilidad pretendida
de manera justa y válida. Pueden identificar posibles redundancias o
superposiciones en el contenido de los elementos de la prueba o identificar
elementos irrelevantes para la construcción o habilidad prevista. Además,
pueden ayudar a traducir los elementos de la prueba a diferentes idiomas,
garantizando que los elementos traducidos transmitan con precisión el significado
previsto de los elementos originales. Los LLM también pueden ayudar a
seleccionar y organizar elementos de prueba mediante el uso de técnicas de
PNL para identificar relaciones entre elementos.
Por ejemplo, un LLM puede analizar el contenido de elementos y agruparlos
según temas o conceptos compartidos. Todo esto se puede hacer en cuestión
de segundos.
Administración de pruebas
Según Joshua (2012), a todos los estudiantes se les debe permitir manifestar
el comportamiento deseado que se mide durante la administración de la prueba.
Durante la administración de la prueba, los examinadores deben anunciar la
prueba con anticipación, indicando a los examinados qué, cuándo, dónde y
cómo se administrará la prueba. Los examinadores también deben asegurar a
los examinados que las condiciones de la prueba serán satisfactorias. También
es necesario minimizar las trampas utilizando diversos enfoques, como ajustar
la disposición de los asientos para los exámenes realizados físicamente (Owan
et al., 2023) y supervisar los exámenes realizados electrónicamente (Owan,
2020; Owan et al., 2019). Los LLM pueden ser útiles de varias maneras durante
la administración de pruebas para garantizar que todos los estudiantes tengan
una oportunidad justa de manifestar el comportamiento deseado que se mide y
minimizar las trampas.
Los LLM pueden generar instrucciones de prueba claras y accesibles que los
estudiantes puedan entender fácilmente. Esto puede ayudar a garantizar que
todos los estudiantes tengan las mismas oportunidades de demostrar sus
conocimientos y habilidades, independientemente de su dominio del idioma u
otros factores que afecten su capacidad para comprender las instrucciones. Los
LLM pueden monitorear el comportamiento al tomar exámenes durante la
administración del examen para detectar patrones inusuales que puedan sugerir
trampas u otras malas conductas. Los LLM pueden capacitarse con datos de
administraciones de exámenes anteriores para identificar patrones de trampa
comunes y ayudar a los examinadores a identificar posibles casos de mala
conducta. Los LLM se pueden utilizar para respaldar la supervisión remota de
exámenes realizados electrónicamente. Esto puede incluir tecnología de
reconocimiento facial para verificar la identidad de los examinados, tecnología
de seguimiento ocular para detectar movimientos oculares inusuales y análisis
de pulsaciones de teclas para detectar patrones de escritura inusuales. Además,
los LLM pueden ayudar a garantizar la seguridad de las pruebas al proporcionar
funciones como contraseña
7 / 15
Machine Translated by Google
Owan et al. / Inteligencia artificial y medición educativa
Herramientas de protección, cifrado y monitoreo para evitar trampas y
acceso no autorizado al contenido de la prueba.
Los LLM se pueden utilizar en la administración de pruebas para
facilitar la entrega y gestión de evaluaciones. Por ejemplo, los LLM se
pueden emplear en entornos CBT para entregar elementos de prueba,
registrar las respuestas de los estudiantes y monitorear el progreso de las
pruebas. Los LLM también pueden adaptarse a estudiantes con
discapacidades, como capacidades de texto a voz o de voz a texto. El uso
de LLM en la administración de pruebas puede mejorar la calidad de la
experiencia de las pruebas y aumentar la precisión y confiabilidad de los
resultados de las pruebas.
Uno de los beneficios más importantes de los LLM en la administración de
exámenes es su capacidad para brindar retroalimentación inmediata a los
examinados. Esto puede ayudar a los estudiantes o encuestados a ver su
progreso y desempeño en tiempo real, aumentando la motivación y el
compromiso. La retroalimentación inmediata también puede ayudar a
identificar áreas donde el examinado necesita mejorar y brindar
oportunidades de corrección. Los LLM también pueden ayudar a realizar
exámenes a muchos examinados simultáneamente, lo que puede ser
particularmente útil en situaciones de exámenes de alto riesgo, como
exámenes de ingreso a la universidad o certificaciones profesionales.
Además, los LLM pueden proporcionar una experiencia de prueba más
atractiva e interactiva. Se pueden programar para proporcionar contenido
multimedia, como imágenes, vídeos y grabaciones de audio, mejorando la
experiencia de aprendizaje y ayudando a los examinados a comprender
mejor conceptos complejos.
Puntuación de la prueba
La puntuación de una prueba se refiere a evaluar y asignar una
puntuación o calificación numérica a una prueba o evaluación realizada
por un estudiante o grupo de estudiantes. La puntuación generalmente se
basa en la cantidad de respuestas correctas que dieron los estudiantes a
las preguntas del examen. Sin embargo, también puede considerar otros
factores como crédito parcial, respuestas de ensayo o evaluaciones
subjetivas por parte del evaluador o del maestro. La puntuación de los
exámenes es una práctica común en la educación que se utiliza para medir
el conocimiento, la comprensión y los niveles de habilidades de los
estudiantes y proporcionar retroalimentación y orientación para un mayor
aprendizaje.
Los LLM pueden ser útiles para calificar exámenes de varias maneras.
Se pueden utilizar para automatizar el proceso de calificación y puntuación
de pruebas, lo que puede ahorrar una cantidad significativa de tiempo y
esfuerzo a profesores e instructores. Esto es particularmente útil en casos
en los que es necesario calificar rápidamente pruebas a gran escala, como
en pruebas estandarizadas o evaluaciones en línea. Los LLM pueden
proporcionar calificaciones de pruebas más precisas y consistentes que
los calificadores humanos, ya que no están sujetos a sesgos o errores
derivados de la fatiga, la distracción o las preferencias personales. También
se pueden programar para reconocer y dar cuenta de errores o conceptos
erróneos comunes cometidos por los estudiantes, lo que puede ayudar a
identificar áreas donde puede ser necesaria más enseñanza o apoyo. Los
LLM pueden proporcionar comentarios y análisis más detallados de los
puntajes de las pruebas que
8 / 15
métodos tradicionales de puntuación. Se pueden programar para
proporcionar explicaciones o ejemplos de respuestas correctas y resaltar
áreas en las que un estudiante puede necesitar mejorar o centrar más
atención. Esto puede guiar un mayor aprendizaje y desarrollo y proporcionar
un apoyo más personalizado y específico para cada estudiante. La
formación de LLM en un gran corpus de texto se puede ajustar para
proporcionar puntuaciones para preguntas abiertas o ensayos basados en
diversos criterios, como contenido, uso del lenguaje y organización. La
puntuación automatizada con los LLM puede proporcionar resultados
rápidos y consistentes, particularmente para evaluaciones a gran escala.
Interpretación de los resultados de las pruebas
Interpretar los resultados de las pruebas significa analizar y dar sentido
a las puntuaciones o resultados obtenidos de una prueba o evaluación. La
interpretación de los resultados de las pruebas es una parte importante del
proceso de prueba. Permite sacar conclusiones significativas sobre los
conocimientos, habilidades y capacidades de un estudiante y puede
informar decisiones sobre la enseñanza, el aprendizaje y la evaluación
posterior. La interpretación de los resultados de las pruebas generalmente
implica comparar los puntajes obtenidos por un individuo o grupo de
individuos con normas o estándares establecidos, como los puntajes de
otros estudiantes en el mismo grado o materia, o con criterios
predeterminados de competencia o dominio. Esta comparación puede
ayudar a identificar áreas fuertes y débiles y proporcionar información
sobre el nivel general de conocimiento o logros de los examinados.
Además de comparar puntuaciones con normas o estándares establecidos,
interpretar los resultados de las pruebas puede implicar examinar patrones
o tendencias en las puntuaciones a lo largo del tiempo o comparar
puntuaciones en diferentes pruebas o subpruebas dentro de una evaluación
más amplia. Esto puede ayudar a identificar áreas donde puede ser
necesario un mayor aprendizaje o intervención y realizar un seguimiento
del progreso o la mejora.
Los LLM pueden ayudar a interpretar los resultados de las evaluaciones
al proporcionar información sobre el significado y las implicaciones de los
datos. Los LLM se pueden utilizar para analizar e interpretar los puntajes
de las pruebas, los niveles de desempeño y otros resultados de las
evaluaciones en el contexto de los objetivos, estándares y criterios de las
pruebas. Esto puede ayudar a los educadores y formuladores de políticas
a tomar decisiones informadas sobre el desempeño de individuos o grupos
de examinados. Además de su capacidad para automatizar la interpretación
de un gran volumen de resultados de pruebas en un tiempo récord, los
LLM pueden proporcionar un análisis de los resultados de las pruebas más
detallado y matizado que los métodos tradicionales. Se pueden programar
para reconocer patrones o tendencias en las puntuaciones que pueden no
ser inmediatamente evidentes para los calificadores o analistas humanos.
También pueden identificar relaciones entre elementos de prueba o
subpruebas relevantes para una mayor enseñanza o evaluación.
Los LLM pueden proporcionar comentarios y recomendaciones
personalizados basados en los resultados de las pruebas individuales, lo
que puede ayudar a guiar el aprendizaje y el desarrollo adicionales. Por
ejemplo, un LLM podría analizar los resultados de las pruebas de un
estudiante y proporcionar recomendaciones para
Machine Translated by Google
áreas específicas, donde pueden necesitar concentrarse más, o practicar
en función de sus fortalezas y debilidades.
Análisis/evaluación de pruebas
El análisis de pruebas se refiere al proceso de examinar los
resultados de una prueba para extraer información significativa sobre el
desempeño de los examinados.
El análisis de pruebas tiene como objetivo identificar áreas de fortalezas
y debilidades y proporcionar información sobre el nivel general de
conocimiento o logros de los examinados. El proceso de análisis de la
prueba generalmente implica recopilar las puntuaciones y otra información
relevante de la prueba y organizarla para permitir un análisis sencillo.
Calcular estadísticas descriptivas como media, desviación estándar y
distribuciones de frecuencia para resumir los puntajes de las pruebas y
proporcionar una descripción general de la distribución de los puntajes.
Examinar el desempeño a nivel de ítem mediante el análisis del
desempeño de ítems individuales de la prueba para identificar ítems que
fueron particularmente difíciles o fáciles para los examinados e identificar
ítems que pueden haber sido ambiguos o poco claros.
Identificar patrones o tendencias en los puntajes de las pruebas entre
diferentes subgrupos de examinados (p. ej., género, etnia o edad) y a lo
largo del tiempo (p. ej., comparar puntajes de diferentes administraciones
de pruebas). A partir de los resultados del análisis de la prueba, se
pueden sacar conclusiones sobre el desempeño de los examinados, así
como recomendaciones para una mayor enseñanza o evaluación. Varias
partes interesadas, incluidos los desarrolladores de pruebas, los
educadores y los responsables de la formulación de políticas, pueden
realizar evaluaciones de pruebas. El proceso generalmente implica el
uso de criterios o estándares establecidos para evaluar la prueba, como
los descritos por la Asociación Estadounidense de Psicología o el
Consejo Nacional de Medición en Educación. Los resultados de la
evaluación de una prueba se pueden utilizar para informar decisiones
sobre la selección, interpretación y uso de la prueba, así como para guiar
mejoras en los procesos de desarrollo y administración de la prueba.
Los LLM tienen el potencial de ser herramientas valiosas en las
evaluaciones de pruebas. Los LLM se pueden emplear para analizar
datos de evaluación, incluidas estadísticas de elementos, dificultad de
elementos, índices de discriminación y otras métricas de desempeño.
Los LLM pueden ayudar a identificar patrones, tendencias y anomalías
en los datos y proporcionar información sobre el desempeño general de
los examinados y la calidad de los elementos de la prueba. Los LLM
pueden ser útiles para brindar comentarios detallados a los estudiantes,
resaltar áreas donde necesitan mejorar o brindar explicaciones sobre las
respuestas correctas. Los análisis generados por los LLM pueden
proporcionar información sobre las fortalezas y debilidades de los
estudiantes, resaltar áreas donde puede ser necesaria instrucción
adicional y ayudar a los maestros y administradores a tomar decisiones
informadas sobre la instrucción y la asignación de recursos. Los LLM
también pueden identificar posibles fuentes de confusión o malentendidos
en las preguntas de la prueba, como significados de múltiples palabras o
frases. Esta información se puede utilizar para revisar preguntas o
proporcionar aclaraciones adicionales para garantizar que todos los
estudiantes tengan una participación justa y
EURASIA J Matemáticas, ciencias y tecnología, 2023, 19(8), em2307
comprensión precisa de lo que se pregunta. Los LLM también se pueden
utilizar en el análisis de elementos. El análisis de ítems implica analizar
el desempeño de ítems de prueba individuales para identificar áreas en
las que pueden tener fallas o ser ineficaces.
Los LLM pueden utilizar las respuestas de los estudiantes a elementos
específicos para resaltar áreas en las que el elemento puede ser
demasiado difícil, demasiado fácil o estar mal redactado. Los LLM
también pueden identificar patrones en las respuestas de los estudiantes
a tipos específicos de elementos, como preguntas de opción múltiple o
de ensayo. Esta información puede fundamentar decisiones sobre el
diseño y formato de evaluaciones futuras y garantizar que las evaluaciones
sean lo más efectivas y justas posible.
Informes
La presentación de informes se refiere a comunicar los resultados
de una prueba o evaluación a las partes interesadas relevantes, como
profesores, estudiantes, padres y administradores. Por lo general, implica
resumir los resultados de las pruebas de forma clara y concisa y
proporcionar información sobre cómo pueden contribuir a la instrucción y
la toma de decisiones. En las pruebas educativas, los informes a menudo
implican proporcionar puntuaciones o calificaciones que indican qué tan
bien se desempeñaron los estudiantes en la prueba. Por ejemplo, una
prueba se puede calificar en una escala de 0 a 100, y las puntuaciones
por encima de cierto umbral indican competencia en una habilidad o área
temática en particular. Los informes también pueden incluir información
sobre el desempeño de los estudiantes en diferentes elementos de la
prueba o su desempeño en comparación con otros estudiantes en su
clase o escuela. Los informes también pueden implicar proporcionar
comentarios a los estudiantes y maestros sobre áreas en las que los
estudiantes se desempeñaron bien y en las que pueden necesitar apoyo
o instrucción adicional. Esta retroalimentación puede informar la
instrucción y ayudar a los estudiantes a mejorar su desempeño en
evaluaciones futuras. Además de comunicar los resultados de una
prueba, los informes también pueden incluir información sobre la validez
y confiabilidad de la prueba. Esta información se puede utilizar para
evaluar la calidad de la prueba y garantizar que proporcione información
precisa y útil sobre el desempeño de los estudiantes.
Los LLM pueden ayudar en la generación de informes de prueba. Al
analizar los datos de la evaluación, los LLM pueden generar informes
completos que resumen los resultados de las pruebas, incluidas
estadísticas descriptivas, perfiles de desempeño y representaciones
gráficas. Los LLM también pueden generar informes interpretativos que
brindan información y recomendaciones basadas en los resultados de
las pruebas. Estos
Los informes pueden ser utilizados por educadores, formuladores de
políticas y otras partes interesadas para fines de toma de decisiones y
planificación.
PAPEL DE LOS DOCENTES EN ARTIFICIAL
EVALUACIÓN BASADA EN INTELIGENCIA
Las evaluaciones basadas en IA han ganado popularidad en los
últimos años debido a su capacidad para proporcionar una evaluación
rápida y eficiente del aprendizaje de los estudiantes. Sin embargo, el
papel de los docentes en las evaluaciones basadas en IA sigue siendo fundamental
9 / 15
Machine Translated by Google
Owan et al. / Inteligencia artificial y medición educativa
y no puede ser socavado. Según Dillenbourg (2016), el paso de la educación
tradicional a la educación digital no significa necesariamente que los docentes
se vuelvan obsoletos en el futuro. En lugar de debatir si la IA reemplazará a
los docentes, Hrastinski et al. (2019) sugieren que sería más sensato reconocer
los beneficios de la IA y cómo estos beneficios podrían transformar su
papel en el aula. Por lo tanto, en la evaluación educativa, los docentes todavía
tienen un papel fundamental a la hora de garantizar que la IA se utilice
adecuadamente con fines de medición y evaluación. Algunas de estas
funciones incluyen:
1. Diseño de la evaluación: Los profesores son responsables de diseñar
la evaluación y fijar los objetivos de aprendizaje. Entienden claramente
el plan de estudios y los resultados del aprendizaje y pueden diseñar
evaluaciones que se alineen con estos objetivos.
2. Proporcionar contexto: los profesores pueden proporcionar contexto a
las preguntas de evaluación, haciéndolas más relevantes y
significativas para los estudiantes. Hacerlo hace que sea más
probable que los estudiantes participen en la evaluación y comprendan
su propósito.
3. Interpretación de los resultados: si bien las evaluaciones basadas en IA
brindan retroalimentación inmediata, el papel del maestro es
interpretar los resultados y brindar retroalimentación práctica a los
estudiantes. Los profesores pueden utilizar su criterio profesional
para evaluar las respuestas de los estudiantes y brindar comentarios
personalizados en función de sus fortalezas y debilidades.
4. Mejora continua: los profesores pueden utilizar los resultados de las
evaluaciones basadas en IA para mejorar sus prácticas docentes. Al
analizar los datos, los profesores pueden identificar áreas de debilidad
y adaptar sus estrategias de enseñanza para satisfacer mejor las
necesidades de sus estudiantes.
5. Consideraciones éticas: Los docentes desempeñan un papel
fundamental a la hora de garantizar el uso ético de las evaluaciones
basadas en IA. Deben garantizar que la evaluación sea justa,
confiable y válida y que los datos de los estudiantes estén protegidos
y utilizados de manera responsable.
6. Proporcionar comentarios: los profesores pueden proporcionar
comentarios adicionales a los estudiantes más allá de los comentarios
automatizados generados por las evaluaciones basadas en IA. Esta
retroalimentación puede ser más personalizada y ayudar a los
estudiantes a comprender mejor sus fortalezas y debilidades e
identificar áreas de mejora.
7. Instrucción individualizada: los profesores pueden utilizar los resultados
de las evaluaciones basadas en inteligencia artificial para individualizar
la instrucción para los estudiantes en función de sus necesidades de
aprendizaje. Por ejemplo, si un estudiante tiene dificultades con un
concepto en particular, el maestro puede proporcionarle recursos
adicionales o trabajar con el estudiante para desarrollar un plan de
aprendizaje personalizado.
8. Monitorear el progreso: los maestros pueden usar evaluaciones basadas en
inteligencia artificial para monitorear el progreso de los estudiantes a lo largo de
10 / 15
tiempo. Al realizar un seguimiento del desempeño de los estudiantes,
los profesores pueden identificar tendencias y patrones y ajustar sus
estrategias de enseñanza en consecuencia.
9. Fomentar el pensamiento crítico: si bien las evaluaciones basadas en
inteligencia artificial están diseñadas para evaluar el conocimiento de
los estudiantes, los profesores pueden utilizarlas para fomentar las
habilidades de pensamiento crítico. Al pedir a los estudiantes que
reflexionen sobre sus respuestas y analicen la retroalimentación
proporcionada, los profesores pueden ayudarlos a desarrollar su
capacidad de pensar críticamente sobre su aprendizaje.
10. Garantizar la precisión: Por último, los profesores desempeñan un
papel crucial a la hora de garantizar la precisión de las evaluaciones
basadas en IA. Deben garantizar que los datos sean fiables y válidos
y que la evaluación mida lo que pretende. Los profesores también
pueden identificar y corregir cualquier error o inexactitud en el proceso
de evaluación.
DESAFÍOS DEL USO ARTIFICIAL
HERRAMIENTAS IMPULSADAS POR INTELIGENCIA EN
EVALUACIÓN EDUCATIVA
Las herramientas impulsadas por IA en la evaluación educativa pueden
ser beneficiosas de varias maneras, incluida la mejora de la precisión,
velocidad y eficiencia del proceso de evaluación.
Sin embargo, existen varios desafíos asociados con el uso de la IA en la
evaluación educativa. Algunos de estos desafíos incluyen:
1. Falta de participación de las partes interesadas en el desarrollo de
herramientas de inteligencia artificial: la falta de participación de las
partes interesadas en el desarrollo de herramientas de IA para la
educación puede ser un desafío importante en la adopción de la IA.
Cuando las herramientas de IA se desarrollan sin el aporte de
educadores, estudiantes, padres y otras partes interesadas, es
posible que las herramientas resultantes no se adapten a las
necesidades específicas del sistema educativo. Esto puede provocar
una falta de relevancia o de adopción de herramientas de IA en las
aulas.
Según Luckin y Cukurova (2019), los desarrolladores de IA tienen
conocimientos limitados sobre las ciencias del aprendizaje y una
comprensión pedagógica insuficiente para la integración exitosa de
la IA en la enseñanza. En consecuencia, los desarrolladores de IA
frecuentemente pasan por alto las expectativas de los docentes, que
son los usuarios finales de la IA en la educación (Cukurova & Luckin,
2018). Los docentes son muy importantes en la enseñanza basada
en IA (Seufert et al., 2020); por lo tanto, es esencial tener en cuenta
sus opiniones, experiencias pasadas y expectativas para garantizar
la integración exitosa de la IA en las escuelas (Holmes et al., 2019).
2. Falta de transparencia: Uno de los principales desafíos asociados con
la IA en la evaluación educativa es la falta de transparencia en la
toma de decisiones. Puede resultar complicado comprender cómo
los algoritmos de IA llegan a sus conclusiones, lo que hace que
Machine Translated by Google
A los educadores les resulta difícil evaluar la precisión y equidad de las
evaluaciones.
3. Sesgo: los algoritmos de IA pueden estar sesgados, lo que da lugar a
evaluaciones inexactas e injustas. Esto se debe a que los sistemas de
IA son tan buenos como los datos con los que se entrenan. Si los datos
utilizados para entrenar el sistema de IA están sesgados, entonces el
sistema producirá resultados sesgados.
4. Falta de interacción humana: el uso de la IA en la evaluación educativa
puede provocar una falta de interacción humana en el proceso de
evaluación, lo que puede ser perjudicial para las experiencias de
aprendizaje de los estudiantes. Los educadores pueden pasar por alto
señales y matices importantes que sólo pueden detectarse mediante
la interacción humana.
5. Alcance limitado: las herramientas impulsadas por IA generalmente están
diseñadas para centrarse en áreas de evaluación específicas, como
las habilidades cognitivas de orden inferior (como el conocimiento y la
comprensión, generalmente medidos con elementos de prueba
objetivos). Esto significa que pueden no ser adecuados para evaluar
otras áreas importantes del aprendizaje, como el pensamiento crítico,
la creatividad y la resolución de problemas.
Además, las herramientas de IA, debido a su naturaleza inanimada,
pueden no ser adecuadas para medir y calificar atributos afectivos
(como los sentimientos, actitudes, intereses y ansiedad de los
estudiantes) y habilidades psicomotoras (como conducir, jugar al fútbol,
cocinar, tejer). , trabajo de laboratorio y danza, entre otros). Por lo
tanto, el docente debe cubrir estas áreas y brindar la retroalimentación
relevante al modelo de IA.
6. Preocupaciones éticas: El uso de la IA en la evaluación educativa plantea
preocupaciones éticas, como cuestiones relacionadas con la privacidad
y la propiedad de los datos, así como preocupaciones sobre el uso de
la tecnología para reemplazar a los educadores humanos.
7. Comprensión limitada: Otro desafío con el uso de herramientas basadas
en IA en la evaluación educativa es que los educadores pueden tener
una comprensión limitada de cómo funciona la tecnología.
Es posible que los educadores carezcan de la experiencia técnica para
comprender plenamente los algoritmos utilizados en las herramientas de
inteligencia artificial y cómo afectan los resultados de las evaluaciones.
8. Capacitación inadecuada: Los educadores deben estar capacitados para
comprender cómo utilizar la tecnología e interpretar efectivamente los
resultados. Sin una formación adecuada, es posible que los educadores
no puedan utilizar las herramientas de forma eficaz, lo que da lugar a
evaluaciones inexactas.
9. Integración con sistemas existentes: integrar herramientas de evaluación
impulsadas por IA con sistemas existentes puede ser un desafío. Los
educadores deben invertir en nuevas tecnologías e infraestructura y
garantizar que las nuevas herramientas funcionen a la perfección con
los procesos de evaluación existentes.
EURASIA J Matemáticas, ciencias y tecnología, 2023, 19(8), em2307
10. Costo: El desarrollo y la implementación de herramientas de evaluación
basadas en IA pueden resultar costosos. Es posible que algunas
escuelas o instituciones educativas no tengan los recursos financieros
para invertir en estas tecnologías, lo que puede generar un acceso
desigual a estas herramientas.
11. Resistencia al cambio: La adopción de herramientas de evaluación
basadas en IA puede enfrentar resistencia por parte de educadores,
estudiantes y padres. Es posible que no confíen en la tecnología o
prefieran los métodos de evaluación tradicionales. Introducir estas
nuevas herramientas en el proceso de evaluación educativa puede
convertirlo en un desafío.
12. Motivación y compromiso de los estudiantes: las herramientas de
evaluación basadas en inteligencia artificial pueden afectar la motivación
y el compromiso de los estudiantes en el aprendizaje. Los estudiantes
pueden percibir las evaluaciones como impersonales o volverse
demasiado dependientes de la tecnología, lo que lleva a una falta de
esfuerzo en su aprendizaje.
13. Estandarización: las herramientas de evaluación basadas en inteligencia
artificial a menudo están diseñadas para proporcionar pruebas
estandarizadas que pueden usarse para comparar el desempeño de
los estudiantes. Pero centrarse en la estandarización puede no tener
en cuenta la diversidad de experiencias y antecedentes de aprendizaje
de los estudiantes, lo que lleva a un enfoque educativo único para
todos.
14. Dificultades técnicas: las herramientas de evaluación basadas en IA
requieren una infraestructura tecnológica estable y confiable. Las
dificultades técnicas, como cortes de energía, interrupciones de Internet
o mal funcionamiento del software, pueden interrumpir el proceso de
evaluación y provocar evaluaciones inexactas o incompletas.
15. Gestión de datos: las herramientas de evaluación impulsadas por IA
generan grandes cantidades de datos que deben almacenarse,
gestionarse y analizarse. Los educadores deben asegurarse de que
los datos sean precisos, seguros y cumplan con las normas de
privacidad.
16. Retroalimentación y apoyo: las herramientas de evaluación impulsadas
por IA pueden proporcionar retroalimentación rápida sobre el
desempeño de los estudiantes, pero es posible que no ofrezcan la
retroalimentación personalizada y el apoyo que los estudiantes
necesitan para mejorar su aprendizaje. Los educadores deben equilibrar
los beneficios de la retroalimentación rápida con la importancia de
brindar retroalimentación significativa que respalde el aprendizaje y el
desarrollo de los estudiantes.
ESTRATEGIAS PARA ABORDAR LA
DESAFÍOS DEL USO ARTIFICIAL
INTELIGENCIA EN EDUCACIÓN
EVALUACIÓN
Hay varias formas de abordar los desafíos que plantea el uso de
herramientas basadas en IA en la medición y evaluación educativa. A
continuación se presentan algunas formas en que los desafíos identificados
anteriormente podrían abordarse para
11 / 15
Machine Translated by Google

Owan et al. / Inteligencia artificial y medición educativa

promover la equidad, la transparencia y la calidad en la evaluación Es necesario mantenerse actualizado con los últimos avances en
educativa: el campo. Esto puede implicar evaluar y actualizar periódicamente

1. Desarrollar algoritmos de inteligencia artificial transparentes y la tecnología para garantizar que satisfaga las necesidades de los
estudiantes y educadores y siga siendo transparente, justa y
éticos: para garantizar que las herramientas impulsadas por la
IA sean transparentes, los educadores y desarrolladores deben cumpla con las normas de privacidad de datos.

trabajar juntos para desarrollar algoritmos libres de prejuicios y

discriminación. Esto puede implicar diseñar algoritmos basados 8. Garantizar la seguridad y privacidad de los datos de los estudiantes:
en diversos conjuntos de datos e incorporar consideraciones las herramientas basadas en inteligencia artificial en la evaluación
éticas en el proceso de diseño. educativa a menudo implican la recopilación y el análisis de datos
de los estudiantes. Es importante garantizar que los datos estén

2. Utilizar enfoques de evaluación personalizados y adaptativos: para seguros, protegidos y utilizados únicamente para el fin previsto.
captar los matices de las experiencias de aprendizaje de los Esto puede implicar la implementación de medidas de seguridad

estudiantes, los educadores deben considerar el uso de enfoques de datos adecuadas, como cifrado y controles de acceso, y

de evaluación personalizados y adaptativos que puedan tener en garantizar el cumplimiento de las regulaciones de privacidad de

cuenta las diferencias individuales en los estilos y necesidades datos, como la Ley de Privacidad y Derechos Educativos de la

de aprendizaje de los estudiantes. Familia (FERPA).

Esto puede implicar el uso de varios métodos de evaluación, 9. Educar a estudiantes y padres sobre el uso de herramientas
incluidas preguntas abiertas y tareas de desempeño, para impulsadas por inteligencia artificial: Para garantizar que los
comprender mejor los conocimientos y habilidades de los estudiantes y padres se sientan cómodos usando herramientas
estudiantes. impulsadas por IA en la evaluación educativa, los educadores

3. Proporcionar formación y apoyo a los educadores: para utilizar deben brindar educación y capacitación sobre la tecnología. Esto

eficazmente las herramientas impulsadas por la IA, los educadores puede implicar explicar cómo funciona la tecnología, qué datos se

necesitan formación y apoyo adecuados. Esto puede implicar recopilan y cómo mejora los resultados del aprendizaje.

brindar a los educadores oportunidades de desarrollo profesional

para utilizar la tecnología y apoyo continuo para garantizar que
puedan integrarla de manera efectiva en su práctica docente. CONCLUSIONES
En conclusión, este artículo ha explorado las diversas aplicaciones de
4. Colaborar con los estudiantes: para garantizar que las herramientas la IA en la evaluación educativa y los desafíos que deben abordarse para
impulsadas por IA satisfagan las necesidades de los estudiantes, mejorar su eficacia. El uso de la IA en la evaluación educativa tiene
los educadores deben colaborar con ellos para recopilar ventajas y limitaciones.
comentarios sobre sus experiencias con la tecnología. Esto puede
implicar solicitar la opinión de los estudiantes sobre la usabilidad
Por un lado, la evaluación basada en IA puede proporcionar
y eficacia de las herramientas e incorporar sus comentarios en el
calificaciones más precisas, objetivas y eficientes, liberando tiempo para
proceso de diseño y desarrollo.
que los profesores se concentren en interacciones más significativas con
sus alumnos. También puede identificar áreas de debilidad y fortaleza,
5. Garantizar la accesibilidad para todos los estudiantes: para permitiendo a los educadores adaptar sus métodos de enseñanza a las
garantizar que las herramientas impulsadas por la IA sean necesidades individuales. Sin embargo, la evaluación basada en IA no es
accesibles para todos los estudiantes, los educadores deben una panacea y no debería reemplazar por completo el juicio humano.
considerar las necesidades de los estudiantes con discapacidades
y proporcionar adaptaciones según sea necesario. Esto puede
Los algoritmos de IA pueden estar sesgados y es posible que no
implicar diseñar herramientas compatibles con la tecnología de
consideren factores no cognitivos que puedan influir en el rendimiento
asistencia, proporcionar formatos alternativos para los materiales
académico. Además, algunos estudiantes pueden sentirse incómodos al
y garantizar que las herramientas cumplan con los estándares de
ser evaluados por máquinas, lo que podría afectar su motivación y
accesibilidad.
compromiso.
6. Incorporar aportes y supervisión humanos: si bien las herramientas Por lo tanto, si bien la IA puede mejorar la evaluación educativa, debe
basadas en inteligencia artificial pueden proporcionar información utilizarse junto con el juicio humano y consideraciones éticas.
valiosa sobre el aprendizaje de los estudiantes, es importante
recordar que no son infalibles. Los educadores deben incorporar
Si bien el uso de herramientas basadas en IA en la evaluación
el aporte humano y la supervisión en el proceso de evaluación
educativa presenta varios desafíos, existen muchas formas de abordarlos
para garantizar que los resultados sean precisos y justos. Esto
y garantizar que la tecnología se utilice de manera ética y efectiva. Al
puede implicar revisar y verificar los resultados generados por el
incorporar la supervisión y el aporte humano, evaluar y actualizar
algoritmo de IA y ajustarlos según sea necesario para garantizar
periódicamente la tecnología y garantizar la seguridad y privacidad de los
que sean justos y precisos.
datos de los estudiantes, podemos crear un sistema de evaluación
educativa más equitativo y eficaz.
7. Evaluación y actualización periódica de la tecnología: la tecnología
de IA está en constante evolución y los educadores

12 / 15
Machine Translated by Google
Como tal, los educadores, los formuladores de políticas y las
partes interesadas deben trabajar juntos para desarrollar estrategias
que maximicen los beneficios de la IA en la evaluación educativa y al
mismo tiempo mitiguen los riesgos asociados. La IA en la evaluación
educativa puede, en última instancia, transformar la educación,
mejorar los resultados del aprendizaje y dotar a los estudiantes de
las habilidades necesarias para tener éxito en el siglo XXI.
Contribuciones de los autores: Todos los autores han contribuido suficientemente
al estudio y han estado de acuerdo con los resultados y conclusiones.
Financiamiento: No se informa ninguna fuente de financiamiento para este estudio.
Declaración ética: Los autores declararon que el estudio no requirió una aprobación
ética ya que se basa en la literatura existente.
Declaración de intereses: No se declara ningún conflicto de intereses por parte de
los autores.
Declaración de intercambio de datos: los datos que respaldan los hallazgos y las
conclusiones están disponibles previa solicitud al autor correspondiente.
REFERENCIAS
Adiguzel, T., Kaya, MH y Cansu, FK (2023).
Revolucionando la educación con IA: explorando el potencial
transformador de ChatGPT. Tecnología educativa
contemporánea, 15(3), ep429. https://doi.org/10.30935/cedtech/
13152
Bassey, BA, Ubi, IO, Anagbogu, GE y Owan, VJ
(2020). Permutación de elementos de la prueba de opción
múltiple UTME sobre el desempeño en el uso del inglés y las
matemáticas entre futuros estudiantes de educación superior.
La Revista de Investigación en Ciencias Sociales, 6(4),
483­493. https://doi.org/10.32861/jssr.64.483.493 Chatterjee,
J. y Dethlefs, N. (2023). Este nuevo modelo de IA conversacional
puede ser tu amigo, filósofo y guía... e incluso tu peor enemigo.
Patrones, 4(1), 100676. https://doi.org/10. 1016/
j.patrón.2022.100676
Cukurova, M. y Luckin, R. (2018). Medir el impacto de las tecnologías
emergentes en la educación: un enfoque pragmático. Saltador.
https://doi.org/10.1007/978­3­319­53803­7_81­1
Thin, HOK, de Azevedo Fay, A., Sebastiany, MJ, & Silva, ADC (2020).
Herramientas de aprendizaje adaptativo de inteligencia artificial.
BELT­Revista de Enseñanza del Idioma Inglés Brasileño, 11(2),
e38749­e38749. https://doi.org/10.15448/2178­3640.2020.2.38749
Derga, I., Chamari, K., Zmijewski, P. y Saad, HB
(2023). De la escritura humana al texto generado por
inteligencia artificial: examen de las perspectivas y amenazas
potenciales de ChatGPT en la escritura académica.
Biología del deporte, 40(2), 615­622. https://doi.org/10. 5114/
biolsport.2023.125623
Dillenbourg, P. (2016). La evolución de la investigación sobre
educación digital. Revista Internacional de Inteligencia Artificial
en Educación, 26(2), 544­560. https://doi.org/10.1007/
s40593­016­0106­z
EURASIA J Matemáticas, ciencias y tecnología, 2023, 19(8), em2307
Elliott, D. y Soifer, E. (2022). Tecnologías de IA, privacidad y
seguridad. Fronteras en Inteligencia Artificial, 5, 826737. https://
doi.org/10.3389/frai.2022.826737 Halaweh, M. (2023).
ChatGPT en educación: Estrategias para una implementación
responsable. Tecnología educativa contemporánea, 15(2),
ep421. https://doi.org/10.30935/cedtech/13036
Hawes, D. y Arya, A. (2023). Soluciones tecnológicas para reducir la
ansiedad y aumentar la disponibilidad cognitiva en los
estudiantes. Transacciones IEEE sobre tecnologías de
aprendizaje, 16(2), 278­291. https://doi.org/10.
1109/TLT.2023.3239985
Holmes, W., Bialik, M. y Fadel, C. (2019). Inteligencia artificial en la
educación: promesas e implicaciones para la enseñanza y el
aprendizaje. Centro de Rediseño Curricular. https://
curriculumredesign. org/wp­content/uploads/AIED­Book­Excerpt
­CCR.pdf Hou, J., Li, Z. y Liu, G. (2022). Enfoque de
macroeducación para mejorar el interés por el aprendizaje en el
contexto de la inteligencia artificial. Comunicaciones
inalámbricas y computación móvil, 2022, 4295887. https://
doi.org/10.1155/2022/4295887 Hrastinski, S., Olofsson, AD,
Arkenback, C., Ekström, S., Ericsson, E., Fransson, G.,
Jaldemark, J., Ryberg, T., Öberg, L.­M., Fuentes, A ., Gustafsson, U.,
Humble, N., Mozelius, P., Sundgren, M. y Utterberg, M. (2019).
Imaginarios críticos y reflexiones sobre inteligencia artificial y
robots en la educación post­digital K­12. Ciencia y educación
posdigitales, 1(2), 427­445. https://doi.org/10.1007/
s42438­019­00046­x
Hu, Y. y Min, HK (2023). El lado oscuro de la inteligencia artificial en
servicio: el efecto “ojo observador” y las preocupaciones sobre
la privacidad. Revista Internacional de Gestión Hotelera, 110,
103437. https://doi.org/10.1016/j.ijhm.2023.103437 Huang, AY,
Lu, OH y Yang, SJ (2023a). Efectos de las
recomendaciones personalizadas basadas en inteligencia sobre el
artificial compromiso, la motivación y los resultados de
aprendizaje de los alumnos en un aula invertida. Computadoras
y educación, 194, 104684. https://doi.org/10.1016/
j.compedu.2022.104684 Huang, S.­P. (2018). Efectos del uso
de un sistema de enseñanza de inteligencia artificial para la
educación ambiental sobre el conocimiento y la actitud ambiental.
Revista EURASIA de Educación en Matemáticas, Ciencias y
Tecnología, 14(7), 3277­3284. https://doi.org/10. 29333/ejmste/
91248 Huang, X., Zou, D., Cheng, G., Chen, X. y Xie, H.
(2023b). Tendencias, temas de investigación y aplicaciones de
la inteligencia artificial en
la educación de idiomas.
Tecnología educativa y sociedad, 26(1), 112­131. https://
doi.org/10.30191/ETS.202301_26(1).0009
13 / 15
Machine Translated by Google
Owan et al. / Inteligencia artificial y medición educativa
Ingraham, J., Garg, V., Barzilay, R. y Jaakkola, T. (2019).
Modelos generativos para el diseño de proteínas basado en gráficos.
En H. Wallach, H. Larochelle, A. Beygelzimer, F.
Alché­Buc, E. Fox y R. Garnett (Eds.), Avances en los
sistemas de procesamiento de información neuronal.
Curran asociados, Inc.
Javaid, M., Haleem, A., Singh, RP, Khan, S. y Khan, I.
H. (2023). Liberar oportunidades a través de la herramienta
ChatGPT para mejorar el sistema educativo. Transacciones
de BenchCouncil sobre puntos de referencia, estándares y
evaluaciones, 3(2), 100115. https://doi.org/10.1016/
j.tbench.2023.100115 Josué, MT (2012). Fundamentos
de las pruebas y la medición en educación. Prensa de la
Universidad de Calabar.
Karsenti, T. (2019). Inteligencia artificial en la educación: la
urgente necesidad de preparar a los docentes para las
escuelas del mañana. Formación y Profesiones [Educación
y Profesiones], 27(1), 112­116. https://doi.org/10. 18162/
fp.2019.a1 Kasneci,
E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D.,
Fischer, F., Gasser, U., Groh, G., Günnemann, S.,
Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A.,
Seidel, T., ...
Kasneci, G. (2023). ¿ChatGPT para siempre? Sobre
oportunidades y desafíos de los grandes modelos
lingüísticos para la educación. Aprendizaje y diferencias
individuales, 103, 102274. https://doi.org/10.1016/
j.lindif.2023.102274
Khan, I., Ahmad, AR, Jabeur, N. y Mahdi, MN
(2021). Un enfoque de inteligencia artificial para monitorear
el desempeño de los estudiantes y diseñar medidas
preventivas. Entornos de aprendizaje inteligentes, 8(1),
1­18. https://doi.org/10.1186/s40561­021­00161­y _ King,
MR y
ChatGPT. (2023). Una conversación sobre inteligencia artificial,
chatbots y plagio en la educación superior. Bioingeniería
celular y molecular, 16(1), 1­2. https://doi.org/10.1007/
s12195­022­00754­8 _
Kumar, NS (2019). Implementación de inteligencia artificial en la
impartición de educación y evaluación del desempeño de
los estudiantes. Revista de Inteligencia Artificial, 1(01), 1­9.
https://doi.org/10.36548/jaicn.2019.1. 001
Lin, PY, Chai, CS, Jong, MSY, Dai, Y., Guo, Y. y Qin, J. (2021).
Modelar la relación estructural entre la motivación de los
estudiantes de primaria para aprender inteligencia artificial.
Computadoras y educación: inteligencia artificial, 2, 100006.
https://doi.org/ 10.1016/j.caeai.2020.100006
Luckin, R. y Cukurova, M. (2019). Diseño de tecnologías
educativas en la era de la IA: un enfoque impulsado por las
ciencias del aprendizaje. Revista británica de
14 / 15
Tecnología educativa, 50(6), https://doi.org/ 2824­2838.
10.1111/bjet.12861 Luo, Y., Han, X. y
Zhang, C. (2022). Predicción de resultados de aprendizaje con
un algoritmo de aprendizaje automático basado en datos
de comportamiento de aprendizaje en línea en cursos
semipresenciales. Revisión de la educación de Asia
Pacífico. https://doi.org/10.1007/s12564­022­09749­6
Mena­Guacas, AF, Urueña Rodríguez, JA, Santana Trujillo, DM,
Gómez­Galán, J., & López­Meneses, E. (2023). Aprendizaje
colaborativo y desarrollo de habilidades para el crecimiento
educativo de la inteligencia artificial: una revisión
sistemática. Tecnología educativa contemporánea, 15(3),
ep428. https://doi.org/10.30935/cedtech/13123
Mohamed, MZB, Hidayat, R., Suhaizi, NNB, Sabri, NBM, Mahmud,
MKHB y Baharuddin, S.
NB (2022). Inteligencia artificial en la educación matemática:
una revisión sistemática de la literatura.
Revista Electrónica Internacional de Educación Matemática,
17(3), em0694. https://doi.org/10.29333 /iejme/12132
Naqvi, A.
(2020). Inteligencia artificial para auditoría, contabilidad forense
y valoración: una perspectiva estratégica. John Wiley e
hijos. https://doi.org/10.1002/978111960 1906
Nasución, NEA (2023). Uso de inteligencia artificial para crear
preguntas de opción múltiple sobre biología para la
educación superior. Educación Agrícola y Ambiental, 2(1),
em002. https://doi.org/10.29333/agrenvedu /13071
Nazaretsky, T., Ariely, M., Cukurova, M. y Alexandron, G. (2022).
La confianza de los profesores en la tecnología educativa
impulsada por la IA y en un programa de desarrollo
profesional para mejorarla. Revista Británica de Tecnología
Educativa, 53(4), 914­931. https://doi.org/10.1111/
bjet.13232 Nazari, N., Shabbir, MS y
Setiawan, R. (2021).
Aplicación de un asistente de escritura digital impulsado
por inteligencia artificial en la educación superior: ensayo
controlado aleatorio. Heliyon, 7(5), e07014. https://doi.org/
10.1016/j.heliyon.2021.e07014 Owan, VJ (2020).
Práctica de pruebas administradas por computadora en la
educación superior en una era de brotes de enfermedades
relacionadas con el síndrome respiratorio agudo severo.
En VC Emeribe, LU Akah, OA
Dada, DA Alawa y BA Akuegwu (Eds.), Cuestiones
multidisciplinarias en salud, cinética humana y prácticas de
educación general (págs. 429­442). Prensa de la
Universidad de Calabar. https://doi.org/10.2139/ssrn.
3906923
Owan, VJ, Duruamaku­dim, JU y Eneje, S. (2019).
Modo de administración de pruebas, variables de nacimiento
y rendimiento académico de los estudiantes en matemáticas
en el área del gobierno local de Obubra en Cross River
Machine Translated by Google
Estado, Nigeria. Revista Prestige de Consejería Psicológica,
2(2), 60­77.
Owan, VJ, Owan, MV y Ogabor, JO (2023). Disposición para sentarse
y conductas de mala práctica entre los examinados de
educación superior: sobre la evaluación educativa en Nigeria.
Revista de enseñanza y aprendizaje aplicados, 6(1), 1­15.
https://doi.org/10.37074/jalt. 2023.6.1.5
Papapicco, C. (2020). Google mini: ejemplo italiano de prosocialidad
artificial. Revista en línea de tecnologías de la comunicación y
los medios, 10(3), e202015. https://doi.org/10.29333/ojcmt/7995
Ren, X. (2020). Inteligencia artificial y depresión: cómo los
chatbots impulsados por IA en juegos de realidad virtual pueden
reducir los niveles de ansiedad y depresión. Revista de práctica
de inteligencia artificial, 3(1), 48­58.
Rudolph, J., Tan, S. y Tan, S. (2023). ChatGPT: ¿Tonterías o el fin de
las evaluaciones tradicionales en la educación superior? Revista
de Enseñanza y Aprendizaje Aplicados, 6(1), 1­22. https://
doi.org/10.37074/jalt. 2023.6.1.29
Saura, JR, Ribeiro­Soriano, D., & Palacios­Marqués, D.
(2022). Evaluación de problemas de privacidad de la ciencia de
datos conductuales en la implementación de inteligencia
artificial gubernamental. Información gubernamental trimestral,
39(4), 101679. https://doi.org/10.1016/j.giq.2022. 101679
Seufert, S., Guggemos, J. y Sailer, M. (2021).
Conocimientos, habilidades y actitudes relacionados con la
tecnología de los docentes en formación y en servicio: la actualidad
https://www.ejmste.com
EURASIA J Matemáticas, ciencias y tecnología, 2023, 19(8), em2307
situación y tendencias emergentes. Computadoras en el
comportamiento humano, 115 , 106552. https://doi.org/10.1016/
j.chb.2020.106552
Suh, W. y Ahn, S. (2022). Desarrollo y validación de una escala que
mide las actitudes de los estudiantes hacia la inteligencia
artificial. Sage Open, 12(2), 21582440221100463. https://doi.org/
10.1177/
21582440221100463
Tovani­Palone, SEÑOR (2023). Algunos desafíos y limitaciones del
uso de ChatGPT en medicina.
Revista Electrónica de Medicina General, 20(5), en 503. https://
doi.org/10.29333/ejgm/13263 Vasconcelos,
MAR y dos Santos, RP (2023).
Mejorar el aprendizaje STEM con ChatGPT y Bing Chat como
objetos para pensar: un estudio de caso.
Revista EURASIA de Educación en Matemáticas, Ciencias y
Tecnología, 19(7), em2296. https://doi.org/10.29333/equality/
13313 Wardat, Y., Tashtoush, MA, AlAli, R. y
Jarrah, AM
(2023). ChatGPT: una herramienta revolucionaria para la
enseñanza y el aprendizaje de matemáticas. Revista EURASIA
de Educación en Matemáticas, Ciencias y Tecnología, 19(7),
em2286. https://doi.org/10.29333/ejmste/13272 Xia, Q., Chiu,
TK F, Lee, M., Temitayo I., Dai, Y. y Chai, CS (2022). Un enfoque de
diseño de la teoría de la autodeterminación para la educación
K­12 con inteligencia artificial (IA) inclusiva y diversa.
Computadoras y Educación, 189, 104582. https://doi.org/
10.1016/j. compedu.2022.104582
15 / 15