Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
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.
© 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
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 & efectividad instruccional. A medida que esta tecnología continúa
Ahn, 2022), incluida la educación, para mejorar la calidad de los servicios evolucionando, tiene el potencial de transformar la educación al brindar
prestados a estudiantes y profesores. Se ha hecho referencia a las instrucción personalizada basada en datos a los estudiantes y permitir a
herramientas de inteligencia artificial como Bing y ChatGPT como los maestros optimizar sus estrategias de enseñanza para mejorar los
objetos con los que las personas pueden pensar, especialmente en la resultados de los estudiantes.
situación de enseñanzaaprendizaje, para que los estudiantes mejoren Sin embargo, el uso de la IA en la enseñanza y el aprendizaje tiene sus
su capacidad de pensar de manera crítica y reflexiva, fomenten la limitaciones. Por ejemplo, existe la preocupación de que los estudiantes
creatividad, adquieran habilidades de resolución de problemas y puedan practicar copiar y pegar texto de fuentes sin someterse a un
comprendan conceptos de manera efectiva. (Vasconcelos et al., 2023) análisis crítico, descuidando atribuir el trabajo a las fuentes originales, lo
La integración de la IA en la enseñanza logró efectivamente un que resultaría en plagio (Halaweh, 2023).
A los profesores les preocupa cada vez más que los estudiantes
Estas herramientas también pueden proporcionar a los docentes puedan utilizar ChatGPT para completar sus tareas escritas, ya que las
información sobre la eficacia de su instrucción e identificar áreas en las herramientas de detección de plagio pueden generar informes en
que pueden necesitar ajustar sus estrategias de enseñanza. Además, segundos sin ser detectados (Halaweh, 2023). Otros problemas limitan
las herramientas impulsadas por IA pueden ayudar a automatizar con la detección de texto escrito por herramientas de IA utilizando otras
muchos aspectos del proceso de evaluación, ahorrando tiempo y herramientas de IA. Más específicamente, se han planteado dudas
reduciendo la carga de los profesores. Por ejemplo, las herramientas de sobre la precisión con la que las herramientas de IA pueden discriminar
calificación basadas en inteligencia artificial pueden analizar los ensayos entre texto escrito por humanos y texto escrito por herramientas de IA.
de los estudiantes y proporcionar retroalimentación sobre la gramática, Esto se debe a que actualmente no existen métodos disponibles para
la estructura y el contenido, lo que reduce el tiempo que los profesores distinguir entre el contenido generado por dicha herramienta y el escrito
dedican a calificar las tareas (Huang et al., 2023b). por humanos (TovaniPalone, 2023).
2 / 15
Machine Translated by Google
Disciplina en el campo de la educación relacionada con la evaluación puede adaptarse a los estilos de aprendizaje de los estudiantes
en el aula. Este artículo también analiza algunas cuestiones que surgen y proporcionar instrucción y apoyo personalizados, ayudando a
de la integración de la IA en la medición, valoración y evaluación los estudiantes a mejorar sus resultados de aprendizaje. Estos
educativa. sistemas pueden ayudar a los estudiantes a mantenerse
motivados y comprometidos con su aprendizaje al brindarles
Aplicaciones de herramientas de inteligencia artificial en retroalimentación inmediata. El sistema de tutoría de
Medición y Evaluación Educativa matemáticas basado en inteligencia artificial de Carnegie
Learning proporciona retroalimentación inmediata y rutas de
La IA ha estado transformando la educación en los últimos años.
aprendizaje personalizadas basadas en las fortalezas y
Esta creciente importancia de la IA ha despertado el interés de
debilidades de los estudiantes. El sistema se adapta al ritmo de
numerosos académicos que exploran activamente diversos métodos
aprendizaje de cada estudiante y proporciona instrucción
para incorporar diversas herramientas de IA en el entorno del aula
interactiva y problemas de práctica. Los educadores pueden
(Halaweh, 2023; MenaGuacas et al., 2023; Papapicco, 2020). Con la
utilizar ITS para brindar instrucción individualizada, monitorear
creciente disponibilidad de datos y la creciente sofisticación de los
el progreso de los estudiantes e identificar áreas donde los
algoritmos de aprendizaje automático, la IA tiene el potencial de
estudiantes necesitan apoyo adicional. Los ejemplos incluyen
revolucionar la forma en que aprendemos, enseñamos y evaluamos el
ALEKS, Carnegie Learning y Knewton.
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 3. Calificación automatizada: la IA puede ayudar a automatizar el
alumnos. Se ha descubierto que la IA desempeña un papel crucial a la proceso de calificación, ahorrando tiempo a los profesores y
hora de motivar a los estudiantes (Lin et al., 2021; Xia et al., 2022), brindando a los estudiantes retroalimentación inmediata sobre
aumentar sus niveles de participación (Huang et al., 2023a; Nazari et sus tareas. La IA puede proporcionar retroalimentación sobre
al., 2021), mejorar su interés por aprender. (Hou et al., 2022), interacción gramática, ortografía y sintaxis mediante el análisis de ensayos,
de los alumnos (Karsenti, 2019), reducción de la ansiedad (Hawes & informes y otras tareas escritas. Al utilizar sistemas de
Arya, 2023; Ren, 2020), predicción de los resultados futuros de los calificación automatizados, los profesores pueden
centrarse más en tareas esenciales como la planificación de
estudiantes (Kumar, 2019; Luo et al., 2022) y rendimiento académico
(Khan et al., 2021). Esta sección analiza cómo se pueden utilizar las lecciones y el apoyo a los estudiantes, lo que genera importantes
herramientas de IA en la medición y evaluación educativa. Las siguientes ahorros de tiempo (Adiguzel et al., 2023).
son formas específicas en que se puede aplicar la IA en la evaluación Esto puede ayudar a los estudiantes a mejorar sus habilidades
educativa. 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
1. Aprendizaje personalizado: Las herramientas y sistemas basados
sintaxis. El software también puede detectar plagio, lo que
en IA tienen el potencial de personalizar las experiencias de
ayuda a los profesores a calificar las tareas de manera más
aprendizaje, impulsar la productividad de los docentes y
eficiente y precisa.
aumentar la participación de los estudiantes (MenaGuacas et
al., 2023). La IA puede ayudar a crear planes de aprendizaje 4. Análisis predictivo: la IA puede analizar los datos de asistencia,
personalizados para estudiantes individuales en función de su participación y desempeño de los estudiantes para predecir
progreso de aprendizaje, fortalezas y debilidades. La IA puede resultados futuros. Esta información se puede utilizar para
identificar las necesidades de aprendizaje de los estudiantes identificar a los estudiantes que puedan necesitar apoyo
mediante el análisis de datos de múltiples fuentes, como adicional, lo que permitirá a los maestros brindar intervenciones
evaluaciones, tareas y cuestionarios, y proporcionar comentarios específicas. Por ejemplo, la Universidad del Sur de Florida
específicos. Además de preparar contenidos de lecciones y utiliza análisis predictivos para identificar estudiantes en riesgo
experiencias de aprendizaje, las herramientas de inteligencia artificial que puedan necesitar apoyo adicional. El Centro de Éxito
También se puede utilizar para instrucción individualizada Estudiantil de la universidad utiliza análisis de datos para
(Adiguzel et al., 2023). Esto puede ayudar a los estudiantes a monitorear el progreso de los estudiantes y proporcionar
aprender a su propio ritmo y concentrarse en áreas donde intervenciones específicas.
necesitan más apoyo. El software de aprendizaje adaptativo 5. Procesamiento del lenguaje natural: las herramientas de PNL
impulsado por IA, como DreamBox y Knewton, utiliza el análisis impulsadas por inteligencia artificial pueden ayudar a los
de datos para crear planes de aprendizaje personalizados para estudiantes a aprender idiomas y mejorar sus habilidades de
los estudiantes en función de sus fortalezas y debilidades. Por escritura al brindarles comentarios sobre gramática, ortografía y puntuación.
ejemplo, los estudiantes pueden completar una prueba de Estas herramientas también pueden ayudar a los estudiantes a
evaluación previa que genera un plan de aprendizaje desarrollar sus habilidades de pensamiento crítico mediante el
personalizado con objetivos y recomendaciones específicas. análisis y la evaluación de argumentos y evidencia. Estas
herramientas también permiten a los educadores analizar e
2. Sistemas de tutoría inteligentes (ITS): los sistemas de tutoría interpretar datos del lenguaje natural, como ensayos, debates
basados en IA pueden proporcionar apoyo y retroalimentación y publicaciones en redes sociales de los estudiantes, para
personalizados a los estudiantes. Estos sistemas obtener información sobre el aprendizaje y la participación de los estudiantes
3 / 15
Machine Translated by Google
Por ejemplo, el software basado en PNL de Grammarly proporciona Los ejemplos incluyen Blackboard, Canvas y Moodle.
comentarios en tiempo real sobre la escritura, incluidas sugerencias
de gramática, puntuación y estructura de oraciones. Esto puede 10. Software de puntuación automatizada de ensayos (AES): el software
ayudar a los estudiantes a mejorar sus habilidades de escritura y AES utiliza algoritmos de PNL para evaluar y calificar ensayos y
producir trabajos escritos de mayor calidad. Otros ejemplos incluyen tareas escritas. Los educadores pueden utilizar el software AES
Google Cloud Natural Language, IBM Watson y Microsoft Azure para brindarles a los estudiantes retroalimentación inmediata sobre
Cognitive Services. su escritura, ahorrar tiempo en las calificaciones y garantizar una
evaluación consistente y objetiva. Los ejemplos incluyen erater,
6. Contenido inteligente: la IA puede ayudar a crear y seleccionar Grammarly y Turnitin.
materiales de aprendizaje adaptados a las necesidades y estilos de
aprendizaje de cada estudiante. Al analizar los datos de 11. Herramientas de análisis de aprendizaje: las herramientas de análisis
comportamiento de los estudiantes, la IA puede identificar las de aprendizaje utilizan minería de datos y algoritmos de inteligencia
preferencias de aprendizaje de los estudiantes y crear materiales de artificial para analizar los datos de aprendizaje de los estudiantes y
aprendizaje personalizados que sean atractivos y relevantes. Por proporcionar información sobre el desempeño, la participación y los
ejemplo, la startup de EdTech, Smart Sparrow, utiliza inteligencia resultados del aprendizaje de los estudiantes. Los educadores
artificial para crear materiales de aprendizaje interactivos y pueden utilizar herramientas de análisis del aprendizaje para
adaptables personalizados para las necesidades individuales de los
monitorear el progreso de los estudiantes, identificar a los estudiantes
estudiantes. Por ejemplo, un curso de biología podría utilizar IA para en riesgo y tomar decisiones basadas en datos para mejorar los
generar diferentes escenarios de laboratorio basados en el progreso resultados del aprendizaje de los estudiantes. Los ejemplos incluyen
del aprendizaje y los intereses de los estudiantes. Learning Analytics and Knowledge (LAK) y Open Learning Analytics (OLA).
7. Asistentes virtuales: los asistentes virtuales impulsados por IA pueden 12. Plataformas de pruebas por computadora (CBT): las plataformas
ayudar a los estudiantes con tareas administrativas como CBT permiten a los educadores realizar evaluaciones en línea,
programación, recordatorios y gestión de tareas. evaluaciones, incluidas preguntas de opción múltiple,
Estas herramientas ayudan a los estudiantes a mantenerse verdadero/falso y de ensayo. Los educadores pueden utilizar las
organizados y concentrados, permitiéndoles administrar su tiempo y plataformas CBT para evaluar el conocimiento de los estudiantes,
completar sus trabajos de curso de manera más eficiente. Por ahorrar tiempo en las calificaciones y brindarles retroalimentación
ejemplo, los asistentes virtuales impulsados por inteligencia artificial, inmediata (Bassey et al., 2020).
como Brainly, brindan a los estudiantes apoyo inmediato y respuestas Los ejemplos incluyen ExamSoft, JAMB CBT, UNICAL Post Graduate
a sus preguntas académicas. La plataforma utiliza el aprendizaje ProProfs y Questionmark.exámenes electrónicos,
automático para brindar soporte personalizado y conectar a los
estudiantes con
13. Herramientas de gamificación: las herramientas de gamificación
tutores.
utilizan elementos basados en juegos para motivar e involucrar a los
8. Transcripción y traducción automatizadas: la IA puede ayudar a estudiantes en actividades de aprendizaje y evaluaciones. Los
transcribir y traducir conferencias y otros materiales educativos, educadores pueden utilizar herramientas de gamificación para
haciéndolos accesibles a una gama más amplia de estudiantes. Esto aumentar la participación de los estudiantes, promover el aprendizaje
puede ayudar a los estudiantes que puedan tener dificultades para de los estudiantes y brindarles retroalimentación inmediata sobre su
comprender el idioma utilizado en sus trabajos de curso o que desempeño. Los ejemplos incluyen Classcraft, Kahoot! y Quizlet.
tengan problemas de audición. También puede ayudar a que el
contenido educativo sea más inclusivo y accesible.
14. Herramientas de realidad virtual (VR) y realidad aumentada (AR): las
herramientas de realidad virtual y AR utilizan tecnologías inmersivas
Por ejemplo, Otter.ai utiliza reconocimiento de voz basado en
para brindar a los estudiantes experiencias de aprendizaje
inteligencia artificial para transcribir conferencias y otros materiales
interactivas y experienciales. Los educadores pueden utilizar
educativos en tiempo real. El software también puede traducir
herramientas de realidad virtual y realidad aumentada para
contenido hablado a varios idiomas, lo que hace que el contenido
involucrar a los estudiantes en actividades de aprendizaje práctico,
educativo sea más accesible para los estudiantes que hablan
brindarles experiencias del mundo real y mejorar los resultados del
diferentes idiomas.
aprendizaje de los estudiantes. Los ejemplos incluyen Google
Otros ejemplos incluyen Amazon Transcribe, Dragon Naturally
Expeditions, Merge Cube y Nearpod VR.
Speaking y Google Voice.
15. Herramientas de evaluación formativa: las herramientas de evaluación
9. Sistemas de gestión del aprendizaje (LMS): son plataformas que formativa permiten a los educadores monitorear el aprendizaje de
permiten a los educadores crear, entregar y gestionar materiales de
los estudiantes en tiempo real, brindar retroalimentación y ajustar la
aprendizaje, tareas, valoraciones y evaluaciones para los estudiantes.
instrucción en función de su desempeño. Los ejemplos incluyen
Mentimeter, Nearpod y Socrative.
Los educadores pueden utilizar plataformas LMS para administrar
evaluaciones en línea, monitorear el progreso de los estudiantes y
16. Herramientas de encuestas en línea: las herramientas de encuestas en línea permiten
brindar comentarios sobre el desempeño de los estudiantes.
a los educadores recopilar comentarios de los estudiantes sobre temas específicos.
4 / 15
Machine Translated by Google
temas o preguntas. Los ejemplos incluyen Google Forms, grandes cantidades de datos de texto (Dergaa et al., 2023). El "grande"
Kahoot! y Poll Everywhere. de su nombre se refiere a los enormes conjuntos de datos en los que
17.Pizarras interactivas: las pizarras interactivas permiten a los están entrenados y a los numerosos parámetros que poseen, que les
educadores presentar y anotar contenido digital, involucrar a los permiten captar los sutiles matices y complejidades del lenguaje humano.
estudiantes en actividades interactivas y colaborar con los Los LLM pueden generar texto similar a un humano y están diseñados
estudiantes en tiempo real. para comprender y generar texto de una manera contextualmente
Los ejemplos incluyen Google Jamboard, Promethean ActivPanel relevante y coherente.
y SMART Board.
18. Herramientas de videoconferencia: las herramientas de Los LLM son parte de la familia de modelos generativos (Ingraham
videoconferencia permiten a los educadores facilitar sesiones et al., 2019), lo que significa que pueden generar texto nuevo basado en
de aula virtual, brindar instrucción remota y conectarse con los patrones y estructuras aprendidos a partir de los datos utilizados
estudiantes en ubicaciones remotas. para entrenarlos. Los LLM tienen muchas aplicaciones, incluida la PNL,
Los ejemplos incluyen Google Meet, Microsoft Teams y Zoom. 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
19. Portafolios digitales: los portafolios digitales permiten a los
médica, las finanzas, el servicio al cliente, el marketing y el
estudiantes recopilar y mostrar su trabajo, reflexionar sobre su
entretenimiento, para automatizar tareas, proporcionar información y
aprendizaje y recibir comentarios de educadores y compañeros.
mejorar las experiencias de los usuarios. Una de las características
Los ejemplos incluyen Google Sites, Seesaw y WordPress.
clave de los LLM es su capacidad para comprender y generar texto de
forma conversacional (Kasneci et al., 2023). Pueden entablar
20. Herramientas de visualización de datos: las herramientas de
conversaciones interactivas y dinámicas con los usuarios, responder
visualización de datos permiten a los educadores analizar y consultas, proporcionar información y generar respuestas relevantes y
presentar datos en formatos visuales, como gráficos y tablas, coherentes. Los LLM están capacitados para comprender el contexto, el
para obtener información sobre el desempeño de los estudiantes tono y el estilo, lo que los hace capaces de generar texto que imita
y los resultados del aprendizaje. Los ejemplos incluyen Google fielmente una conversación humana. El desarrollo de LLM puede
Data Studio, Infogram y Tableau. considerarse uno de los mayores avances o avances científicos en IA.
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 Ejemplos de LLM incluyen BARD AI (Google), BERT (Google), Chat
de los estudiantes en las actividades de aprendizaje. Los GPT (OpenAI), DistillBERT (Hugging Face), ELECTRA (Google),
ejemplos incluyen Facebook, Instagram y Twitter. MarianMT (Microsoft Translator), Megatron (NVIDIA), RoBERTa
22. Detección de plagio: el software de detección de plagio basado (Facebook), T5 ( Google/DeepMind), UniLM (Microsoft Research) y
en inteligencia artificial utiliza algoritmos de PNL para analizar XLNet (Universidad Carnegie Mellon/Google). Los LLM pueden
el trabajo de los estudiantes y detectar casos de plagio. Los desempeñar un papel importante en varias etapas del proceso de
ejemplos incluyen Copyscape, Grammarly y Turnitin. evaluación educativa, como la planificación de pruebas, la generación
de ítems, la preparación de la instrucción de la prueba, el ensamblaje/
23. Sistemas de respuesta en el aula: Los sistemas de respuesta en selección de ítems, la administración de pruebas, la puntuación de
el aula permiten a los educadores plantear preguntas y recibir pruebas, el análisis de pruebas, la interpretación, la evaluación, la
comentarios de los estudiantes en tiempo real mediante generación de informes y el seguimiento. arriba. Se documentan más
dispositivos electrónicos. Los ejemplos incluyen iClicker, Poll detalles sobre cómo los LLM pueden tener propósitos útiles en la
Everywhere y Top Hat. medición educativa.
incluyen Edulastic, ExamView y Google Forms. áreas clave que requieren producir nuevos conocimientos o modificar
los existentes. Para Joshua (2012), algunos de los principales propósitos
ARTIFICIAL EN LENGUAJE GRANDE de las pruebas giran en torno a evaluar la eficacia de los docentes y la
5 / 15
Machine Translated by Google
e identificar temas o conceptos clave que deben evaluarse. Por ejemplo, áreas y los niveles de objetivos de instrucción en el dominio cognitivo.
un LLM puede analizar una gran cantidad de datos de texto relacionados Pueden ayudar a los educadores a determinar qué objetivos de instrucción
con un curso o tema específico, identificar temas y conceptos principales son los más críticos para una prueba en particular y garantizar que la
y sugerir elementos de prueba apropiados que midan con precisión la prueba cubra todas las áreas de contenido necesarias. Los LLM pueden
comprensión de esos conceptos por parte de los estudiantes. 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.
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 construir y es apropiado para la población objetivo.
que demuestre su comprensión de un tema, su capacidad para articular ideas Pueden ayudar en este proceso analizando el contenido de los elementos de la
de forma clara y coherente y, a menudo, su capacidad para analizar, sintetizar prueba e identificando posibles problemas de redacción, fraseo o sesgos
y evaluar información. Los LLM pueden ayudar a generar pautas de ensayos culturales. Por ejemplo, un LLM puede identificar elementos con vocabulario o
que se alineen con los objetivos de instrucción y sean relevantes para el sintaxis difíciles que pueden resultar confusos para los examinados o elementos
contenido del curso. 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
En un experimento, un estudio encontró que las preguntas generadas por de la prueba para garantizar que evalúen el constructo o habilidad pretendida
la IA eran satisfactoriamente claras, aceptables y favorables para los estudiantes, de manera justa y válida. Pueden identificar posibles redundancias o
y relevantes para la materia (Nasution, 2023). 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,
Preparación de la instrucción de prueba garantizando que los elementos traducidos transmitan con precisión el significado
previsto de los elementos originales. Los LLM también pueden ayudar a
Para lograr objetividad en las pruebas, se deben desarrollar instrucciones
seleccionar y organizar elementos de prueba mediante el uso de técnicas de
de prueba simples, específicas y claras para guiar al administrador de la prueba
PNL para identificar relaciones entre elementos.
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
Por ejemplo, un LLM puede analizar el contenido de elementos y agruparlos
y recopilar materiales de prueba, administrar el tiempo, los procedimientos para
según temas o conceptos compartidos. Todo esto se puede hacer en cuestión
registrar las respuestas y abordar consultas anticipadas e imprevistas. Para los
de segundos.
examinados, las instrucciones deben incluir el propósito de la prueba, el tiempo
permitido para la prueba, la base para responder, las conductas éticas esperadas Administración de pruebas
(lo que se debe y no se debe hacer) y la disciplina que se debe otorgar en caso
de cualquier incumplimiento de dichas normas. 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
normas. prueba con anticipación, indicando a los examinados qué, cuándo, dónde y
cómo se administrará la prueba. Los examinadores también deben asegurar a
Los LLM pueden resultar extremadamente útiles en la preparación de
los examinados que las condiciones de la prueba serán satisfactorias. También
instrucciones de prueba. Estos modelos están diseñados para comprender y
es necesario minimizar las trampas utilizando diversos enfoques, como ajustar
procesar el lenguaje natural, lo que los hace ideales para tareas que requieren
la disposición de los asientos para los exámenes realizados físicamente (Owan
comprensión y procesamiento del lenguaje similar al de los humanos. Con
et al., 2023) y supervisar los exámenes realizados electrónicamente (Owan,
respecto a las instrucciones de prueba, los LLM pueden ayudar a garantizar que
2020; Owan et al., 2019). Los LLM pueden ser útiles de varias maneras durante
las instrucciones sean inequívocas. También pueden ayudar a identificar
la administración de pruebas para garantizar que todos los estudiantes tengan
confusión o malentendidos utilizando palabras o frases específicas.
una oportunidad justa de manifestar el comportamiento deseado que se mide y
minimizar las trampas.
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
Los LLM pueden generar instrucciones de prueba claras y accesibles que los
culturalmente apropiadas y sensibles a las diferentes audiencias. Pueden
estudiantes puedan entender fácilmente. Esto puede ayudar a garantizar que
identificar lenguaje potencialmente ofensivo o insensible y sugerir alternativas
todos los estudiantes tengan las mismas oportunidades de demostrar sus
más apropiadas. Los LLM también pueden ayudar con la localización de
conocimientos y habilidades, independientemente de su dominio del idioma u
instrucciones de prueba. Por ejemplo, si la prueba se traduce a un idioma
otros factores que afecten su capacidad para comprender las instrucciones. Los
diferente, un LLM puede ayudar a garantizar que las instrucciones traducidas
LLM pueden monitorear el comportamiento al tomar exámenes durante la
transmitan con precisión el significado previsto de las instrucciones originales.
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
7 / 15
Machine Translated by Google
Herramientas de protección, cifrado y monitoreo para evitar trampas y métodos tradicionales de puntuación. Se pueden programar para
acceso no autorizado al contenido de la prueba. proporcionar explicaciones o ejemplos de respuestas correctas y resaltar
Los LLM se pueden utilizar en la administración de pruebas para áreas en las que un estudiante puede necesitar mejorar o centrar más
facilitar la entrega y gestión de evaluaciones. Por ejemplo, los LLM se atención. Esto puede guiar un mayor aprendizaje y desarrollo y proporcionar
pueden emplear en entornos CBT para entregar elementos de prueba, un apoyo más personalizado y específico para cada estudiante. La
registrar las respuestas de los estudiantes y monitorear el progreso de las formación de LLM en un gran corpus de texto se puede ajustar para
pruebas. Los LLM también pueden adaptarse a estudiantes con proporcionar puntuaciones para preguntas abiertas o ensayos basados en
discapacidades, como capacidades de texto a voz o de voz a texto. El uso diversos criterios, como contenido, uso del lenguaje y organización. La
de LLM en la administración de pruebas puede mejorar la calidad de la puntuación automatizada con los LLM puede proporcionar resultados
experiencia de las pruebas y aumentar la precisión y confiabilidad de los rápidos y consistentes, particularmente para evaluaciones a gran escala.
La puntuación de una prueba se refiere a evaluar y asignar una puntuaciones en diferentes pruebas o subpruebas dentro de una evaluación
puntuación o calificación numérica a una prueba o evaluación realizada más amplia. Esto puede ayudar a identificar áreas donde puede ser
por un estudiante o grupo de estudiantes. La puntuación generalmente se necesario un mayor aprendizaje o intervención y realizar un seguimiento
basa en la cantidad de respuestas correctas que dieron los estudiantes a del progreso o la mejora.
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 Los LLM pueden ayudar a interpretar los resultados de las evaluaciones
exámenes es una práctica común en la educación que se utiliza para medir al proporcionar información sobre el significado y las implicaciones de los
el conocimiento, la comprensión y los niveles de habilidades de los datos. Los LLM se pueden utilizar para analizar e interpretar los puntajes
estudiantes y proporcionar retroalimentación y orientación para un mayor de las pruebas, los niveles de desempeño y otros resultados de las
aprendizaje. evaluaciones en el contexto de los objetivos, estándares y criterios de las
Los LLM pueden ser útiles para calificar exámenes de varias maneras. pruebas. Esto puede ayudar a los educadores y formuladores de políticas
Se pueden utilizar para automatizar el proceso de calificación y puntuación a tomar decisiones informadas sobre el desempeño de individuos o grupos
de pruebas, lo que puede ahorrar una cantidad significativa de tiempo y de examinados. Además de su capacidad para automatizar la interpretación
esfuerzo a profesores e instructores. Esto es particularmente útil en casos de un gran volumen de resultados de pruebas en un tiempo récord, los
en los que es necesario calificar rápidamente pruebas a gran escala, como LLM pueden proporcionar un análisis de los resultados de las pruebas más
en pruebas estandarizadas o evaluaciones en línea. Los LLM pueden detallado y matizado que los métodos tradicionales. Se pueden programar
proporcionar calificaciones de pruebas más precisas y consistentes que para reconocer patrones o tendencias en las puntuaciones que pueden no
los calificadores humanos, ya que no están sujetos a sesgos o errores ser inmediatamente evidentes para los calificadores o analistas humanos.
erróneos comunes cometidos por los estudiantes, lo que puede ayudar a subpruebas relevantes para una mayor enseñanza o evaluación.
identificar áreas donde puede ser necesaria más enseñanza o apoyo. Los Los LLM pueden proporcionar comentarios y recomendaciones
personalizados basados en los resultados de las pruebas individuales, lo
LLM pueden proporcionar comentarios y análisis más detallados de los
puntajes de las pruebas que 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
8 / 15
Machine Translated by Google
áreas específicas, donde pueden necesitar concentrarse más, o practicar comprensión precisa de lo que se pregunta. Los LLM también se pueden
en función de sus fortalezas y debilidades. utilizar en el análisis de elementos. El análisis de ítems implica analizar
el desempeño de ítems de prueba individuales para identificar áreas en
Análisis/evaluación de pruebas las que pueden tener fallas o ser ineficaces.
Los LLM pueden utilizar las respuestas de los estudiantes a elementos
El análisis de pruebas se refiere al proceso de examinar los
específicos para resaltar áreas en las que el elemento puede ser
resultados de una prueba para extraer información significativa sobre el
demasiado difícil, demasiado fácil o estar mal redactado. Los LLM
desempeño de los examinados.
también pueden identificar patrones en las respuestas de los estudiantes
El análisis de pruebas tiene como objetivo identificar áreas de fortalezas
a tipos específicos de elementos, como preguntas de opción múltiple o
y debilidades y proporcionar información sobre el nivel general de
de ensayo. Esta información puede fundamentar decisiones sobre el
conocimiento o logros de los examinados. El proceso de análisis de la
diseño y formato de evaluaciones futuras y garantizar que las evaluaciones
prueba generalmente implica recopilar las puntuaciones y otra información
relevante de la prueba y organizarla para permitir un análisis sencillo. sean lo más efectivas y justas posible.
9 / 15
Machine Translated by Google
y no puede ser socavado. Según Dillenbourg (2016), el paso de la educación tiempo. Al realizar un seguimiento del desempeño de los estudiantes,
tradicional a la educación digital no significa necesariamente que los docentes los profesores pueden identificar tendencias y patrones y ajustar sus
se vuelvan obsoletos en el futuro. En lugar de debatir si la IA reemplazará a estrategias de enseñanza en consecuencia.
los docentes, Hrastinski et al. (2019) sugieren que sería más sensato reconocer 9. Fomentar el pensamiento crítico: si bien las evaluaciones basadas en
los beneficios de la IA y cómo estos beneficios podrían transformar su 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
papel en el aula. Por lo tanto, en la evaluación educativa, los docentes todavía
reflexionen sobre sus respuestas y analicen la retroalimentación
tienen un papel fundamental a la hora de garantizar que la IA se utilice proporcionada, los profesores pueden ayudarlos a desarrollar su
adecuadamente con fines de medición y evaluación. Algunas de estas capacidad de pensar críticamente sobre su aprendizaje.
funciones incluyen:
10. Garantizar la precisión: Por último, los profesores desempeñan un
1. Diseño de la evaluación: Los profesores son responsables de diseñar papel crucial a la hora de garantizar la precisión de las evaluaciones
la evaluación y fijar los objetivos de aprendizaje. Entienden claramente basadas en IA. Deben garantizar que los datos sean fiables y válidos
el plan de estudios y los resultados del aprendizaje y pueden diseñar y que la evaluación mida lo que pretende. Los profesores también
evaluaciones que se alineen con estos objetivos. pueden identificar y corregir cualquier error o inexactitud en el proceso
de evaluación.
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 DESAFÍOS DEL USO ARTIFICIAL
probable que los estudiantes participen en la evaluación y comprendan
HERRAMIENTAS IMPULSADAS POR INTELIGENCIA EN
su propósito.
EVALUACIÓN EDUCATIVA
3. Interpretación de los resultados: si bien las evaluaciones basadas en IA
Las herramientas impulsadas por IA en la evaluación educativa pueden
brindan retroalimentación inmediata, el papel del maestro es
ser beneficiosas de varias maneras, incluida la mejora de la precisión,
interpretar los resultados y brindar retroalimentación práctica a los
estudiantes. Los profesores pueden utilizar su criterio profesional velocidad y eficiencia del proceso de evaluación.
Sin embargo, existen varios desafíos asociados con el uso de la IA en la
para evaluar las respuestas de los estudiantes y brindar comentarios
evaluación educativa. Algunos de estos desafíos incluyen:
personalizados en función de sus fortalezas y debilidades.
10 / 15
Machine Translated by Google
A los educadores les resulta difícil evaluar la precisión y equidad de las 10. Costo: El desarrollo y la implementación de herramientas de evaluación
evaluaciones. basadas en IA pueden resultar costosos. Es posible que algunas
3. Sesgo: los algoritmos de IA pueden estar sesgados, lo que da lugar a escuelas o instituciones educativas no tengan los recursos financieros
evaluaciones inexactas e injustas. Esto se debe a que los sistemas de para invertir en estas tecnologías, lo que puede generar un acceso
IA son tan buenos como los datos con los que se entrenan. Si los datos desigual a estas herramientas.
evaluación, lo que puede ser perjudicial para las experiencias de nuevas herramientas en el proceso de evaluación educativa puede
aprendizaje de los estudiantes. Los educadores pueden pasar por alto convertirlo en un desafío.
5. Alcance limitado: las herramientas impulsadas por IA generalmente están y el compromiso de los estudiantes en el aprendizaje. Los estudiantes
diseñadas para centrarse en áreas de evaluación específicas, como pueden percibir las evaluaciones como impersonales o volverse
las habilidades cognitivas de orden inferior (como el conocimiento y la demasiado dependientes de la tecnología, lo que lleva a una falta de
objetivos). Esto significa que pueden no ser adecuados para evaluar 13. Estandarización: las herramientas de evaluación basadas en inteligencia
otras áreas importantes del aprendizaje, como el pensamiento crítico, artificial a menudo están diseñadas para proporcionar pruebas
la creatividad y la resolución de problemas. estandarizadas que pueden usarse para comparar el desempeño de
los estudiantes. Pero centrarse en la estandarización puede no tener
Además, las herramientas de IA, debido a su naturaleza inanimada, en cuenta la diversidad de experiencias y antecedentes de aprendizaje
pueden no ser adecuadas para medir y calificar atributos afectivos de los estudiantes, lo que lleva a un enfoque educativo único para
(como los sentimientos, actitudes, intereses y ansiedad de los todos.
estudiantes) y habilidades psicomotoras (como conducir, jugar al fútbol, 14. Dificultades técnicas: las herramientas de evaluación basadas en IA
cocinar, tejer). , trabajo de laboratorio y danza, entre otros). Por lo requieren una infraestructura tecnológica estable y confiable. Las
tanto, el docente debe cubrir estas áreas y brindar la retroalimentación dificultades técnicas, como cortes de energía, interrupciones de Internet
relevante al modelo de IA. o mal funcionamiento del software, pueden interrumpir el proceso de
evaluación y provocar evaluaciones inexactas o incompletas.
garantizar que las nuevas herramientas funcionen a la perfección con herramientas basadas en IA en la medición y evaluación educativa. A
los procesos de evaluación existentes. continuación se presentan algunas formas en que los desafíos identificados
anteriormente podrían abordarse para
11 / 15
Machine Translated by Google
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.
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
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.
12 / 15
Machine Translated by Google
Como tal, los educadores, los formuladores de políticas y las Elliott, D. y Soifer, E. (2022). Tecnologías de IA, privacidad y
partes interesadas deben trabajar juntos para desarrollar estrategias seguridad. Fronteras en Inteligencia Artificial, 5, 826737. https://
que maximicen los beneficios de la IA en la evaluación educativa y al doi.org/10.3389/frai.2022.826737 Halaweh, M. (2023).
mismo tiempo mitiguen los riesgos asociados. La IA en la evaluación ChatGPT en educación: Estrategias para una implementación
educativa puede, en última instancia, transformar la educación, responsable. Tecnología educativa contemporánea, 15(2),
mejorar los resultados del aprendizaje y dotar a los estudiantes de ep421. https://doi.org/10.30935/cedtech/13036
las habilidades necesarias para tener éxito en el siglo XXI.
Contribuciones de los autores: Todos los autores han contribuido suficientemente Hawes, D. y Arya, A. (2023). Soluciones tecnológicas para reducir la
al estudio y han estado de acuerdo con los resultados y conclusiones.
ansiedad y aumentar la disponibilidad cognitiva en los
Financiamiento: No se informa ninguna fuente de financiamiento para este estudio.
estudiantes. Transacciones IEEE sobre tecnologías de
Declaración ética: Los autores declararon que el estudio no requirió una aprobación
aprendizaje, 16(2), 278291. https://doi.org/10.
ética ya que se basa en la literatura existente.
1109/TLT.2023.3239985
Declaración de intereses: No se declara ningún conflicto de intereses por parte de
los autores.
Holmes, W., Bialik, M. y Fadel, C. (2019). Inteligencia artificial en la
Declaración de intercambio de datos: los datos que respaldan los hallazgos y las educación: promesas e implicaciones para la enseñanza y el
conclusiones están disponibles previa solicitud al autor correspondiente.
aprendizaje. Centro de Rediseño Curricular. https://
curriculumredesign. org/wpcontent/uploads/AIEDBookExcerpt
CCR.pdf Hou, J., Li, Z. y Liu, G. (2022). Enfoque de
REFERENCIAS
Adiguzel, T., Kaya, MH y Cansu, FK (2023). macroeducación para mejorar el interés por el aprendizaje en el
Revolucionando la educación con IA: explorando el potencial contexto de la inteligencia artificial. Comunicaciones
transformador de ChatGPT. Tecnología educativa inalámbricas y computación móvil, 2022, 4295887. https://
contemporánea, 15(3), ep429. https://doi.org/10.30935/cedtech/ doi.org/10.1155/2022/4295887 Hrastinski, S., Olofsson, AD,
13152 Arkenback, C., Ekström, S., Ericsson, E., Fransson, G.,
Bassey, BA, Ubi, IO, Anagbogu, GE y Owan, VJ Jaldemark, J., Ryberg, T., Öberg, L.M., Fuentes, A ., Gustafsson, U.,
(2020). Permutación de elementos de la prueba de opción Humble, N., Mozelius, P., Sundgren, M. y Utterberg, M. (2019).
múltiple UTME sobre el desempeño en el uso del inglés y las Imaginarios críticos y reflexiones sobre inteligencia artificial y
matemáticas entre futuros estudiantes de educación superior. robots en la educación postdigital K12. Ciencia y educación
La Revista de Investigación en Ciencias Sociales, 6(4), posdigitales, 1(2), 427445. https://doi.org/10.1007/
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/ s4243801900046x
13 / 15
Machine Translated by Google
Ingraham, J., Garg, V., Barzilay, R. y Jaakkola, T. (2019). Tecnología educativa, 50(6), https://doi.org/ 28242838.
Modelos generativos para el diseño de proteínas basado en gráficos. 10.1111/bjet.12861 Luo, Y., Han, X. y
En H. Wallach, H. Larochelle, A. Beygelzimer, F. Zhang, C. (2022). Predicción de resultados de aprendizaje con
AlchéBuc, E. Fox y R. Garnett (Eds.), Avances en los un algoritmo de aprendizaje automático basado en datos
sistemas de procesamiento de información neuronal. de comportamiento de aprendizaje en línea en cursos
Curran asociados, Inc.
semipresenciales. Revisión de la educación de Asia
Javaid, M., Haleem, A., Singh, RP, Khan, S. y Khan, I. Pacífico. https://doi.org/10.1007/s12564022097496
H. (2023). Liberar oportunidades a través de la herramienta MenaGuacas, AF, Urueña Rodríguez, JA, Santana Trujillo, DM,
ChatGPT para mejorar el sistema educativo. Transacciones GómezGalán, J., & LópezMeneses, E. (2023). Aprendizaje
de BenchCouncil sobre puntos de referencia, estándares y colaborativo y desarrollo de habilidades para el crecimiento
evaluaciones, 3(2), 100115. https://doi.org/10.1016/
educativo de la inteligencia artificial: una revisión
j.tbench.2023.100115 Josué, MT (2012). Fundamentos sistemática. Tecnología educativa contemporánea, 15(3),
de las pruebas y la medición en educación. Prensa de la ep428. https://doi.org/10.30935/cedtech/13123
Universidad de Calabar.
Mohamed, MZB, Hidayat, R., Suhaizi, NNB, Sabri, NBM, Mahmud,
Karsenti, T. (2019). Inteligencia artificial en la educación: la MKHB y Baharuddin, S.
urgente necesidad de preparar a los docentes para las NB (2022). Inteligencia artificial en la educación matemática:
escuelas del mañana. Formación y Profesiones [Educación una revisión sistemática de la literatura.
y Profesiones], 27(1), 112116. https://doi.org/10. 18162/ Revista Electrónica Internacional de Educación Matemática,
fp.2019.a1 Kasneci, 17(3), em0694. https://doi.org/10.29333 /iejme/12132
E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Naqvi, A.
Fischer, F., Gasser, U., Groh, G., Günnemann, S., (2020). Inteligencia artificial para auditoría, contabilidad forense
Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., y valoración: una perspectiva estratégica. John Wiley e
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., hijos. https://doi.org/10.1002/978111960 1906
Seidel, T., ...
Kasneci, G. (2023). ¿ChatGPT para siempre? Sobre Nasución, NEA (2023). Uso de inteligencia artificial para crear
oportunidades y desafíos de los grandes modelos preguntas de opción múltiple sobre biología para la
lingüísticos para la educación. Aprendizaje y diferencias educación superior. Educación Agrícola y Ambiental, 2(1),
individuales, 103, 102274. https://doi.org/10.1016/ em002. https://doi.org/10.29333/agrenvedu /13071
j.lindif.2023.102274
Khan, I., Ahmad, AR, Jabeur, N. y Mahdi, MN Nazaretsky, T., Ariely, M., Cukurova, M. y Alexandron, G. (2022).
(2021). Un enfoque de inteligencia artificial para monitorear La confianza de los profesores en la tecnología educativa
el desempeño de los estudiantes y diseñar medidas impulsada por la IA y en un programa de desarrollo
preventivas. Entornos de aprendizaje inteligentes, 8(1), profesional para mejorarla. Revista Británica de Tecnología
118. https://doi.org/10.1186/s4056102100161y _ King, Educativa, 53(4), 914931. https://doi.org/10.1111/
MR y bjet.13232 Nazari, N., Shabbir, MS y
ChatGPT. (2023). Una conversación sobre inteligencia artificial, Setiawan, R. (2021).
chatbots y plagio en la educación superior. Bioingeniería Aplicación de un asistente de escritura digital impulsado
celular y molecular, 16(1), 12. https://doi.org/10.1007/ por inteligencia artificial en la educación superior: ensayo
s12195022007548 _ controlado aleatorio. Heliyon, 7(5), e07014. https://doi.org/
10.1016/j.heliyon.2021.e07014 Owan, VJ (2020).
Kumar, NS (2019). Implementación de inteligencia artificial en la Práctica de pruebas administradas por computadora en la
impartición de educación y evaluación del desempeño de educación superior en una era de brotes de enfermedades
los estudiantes. Revista de Inteligencia Artificial, 1(01), 19. relacionadas con el síndrome respiratorio agudo severo.
https://doi.org/10.36548/jaicn.2019.1. 001 En VC Emeribe, LU Akah, OA
Dada, DA Alawa y BA Akuegwu (Eds.), Cuestiones
Lin, PY, Chai, CS, Jong, MSY, Dai, Y., Guo, Y. y Qin, J. (2021). multidisciplinarias en salud, cinética humana y prácticas de
Modelar la relación estructural entre la motivación de los educación general (págs. 429442). Prensa de la
estudiantes de primaria para aprender inteligencia artificial. Universidad de Calabar. https://doi.org/10.2139/ssrn.
Computadoras y educación: inteligencia artificial, 2, 100006. 3906923
https://doi.org/ 10.1016/j.caeai.2020.100006 Owan, VJ, Duruamakudim, JU y Eneje, S. (2019).
Modo de administración de pruebas, variables de nacimiento
Luckin, R. y Cukurova, M. (2019). Diseño de tecnologías y rendimiento académico de los estudiantes en matemáticas
educativas en la era de la IA: un enfoque impulsado por las en el área del gobierno local de Obubra en Cross River
ciencias del aprendizaje. Revista británica de
14 / 15
Machine Translated by Google
Estado, Nigeria. Revista Prestige de Consejería Psicológica, situación y tendencias emergentes. Computadoras en el
2(2), 6077. comportamiento humano, 115 , 106552. https://doi.org/10.1016/
Owan, VJ, Owan, MV y Ogabor, JO (2023). Disposición para sentarse j.chb.2020.106552
y conductas de mala práctica entre los examinados de Suh, W. y Ahn, S. (2022). Desarrollo y validación de una escala que
educación superior: sobre la evaluación educativa en Nigeria. mide las actitudes de los estudiantes hacia la inteligencia
Revista de enseñanza y aprendizaje aplicados, 6(1), 115. artificial. Sage Open, 12(2), 21582440221100463. https://doi.org/
https://doi.org/10.37074/jalt. 2023.6.1.5 10.1177/
21582440221100463
Papapicco, C. (2020). Google mini: ejemplo italiano de prosocialidad TovaniPalone, SEÑOR (2023). Algunos desafíos y limitaciones del
artificial. Revista en línea de tecnologías de la comunicación y uso de ChatGPT en medicina.
los medios, 10(3), e202015. https://doi.org/10.29333/ojcmt/7995 Revista Electrónica de Medicina General, 20(5), en 503. https://
Ren, X. (2020). Inteligencia artificial y depresión: cómo los doi.org/10.29333/ejgm/13263 Vasconcelos,
chatbots impulsados por IA en juegos de realidad virtual pueden MAR y dos Santos, RP (2023).
reducir los niveles de ansiedad y depresión. Revista de práctica Mejorar el aprendizaje STEM con ChatGPT y Bing Chat como
de inteligencia artificial, 3(1), 4858. objetos para pensar: un estudio de caso.
Revista EURASIA de Educación en Matemáticas, Ciencias y
Rudolph, J., Tan, S. y Tan, S. (2023). ChatGPT: ¿Tonterías o el fin de Tecnología, 19(7), em2296. https://doi.org/10.29333/equality/
las evaluaciones tradicionales en la educación superior? Revista 13313 Wardat, Y., Tashtoush, MA, AlAli, R. y
de Enseñanza y Aprendizaje Aplicados, 6(1), 122. https:// Jarrah, AM
doi.org/10.37074/jalt. 2023.6.1.29 (2023). ChatGPT: una herramienta revolucionaria para la
enseñanza y el aprendizaje de matemáticas. Revista EURASIA
Saura, JR, RibeiroSoriano, D., & PalaciosMarqués, D. de Educación en Matemáticas, Ciencias y Tecnología, 19(7),
(2022). Evaluación de problemas de privacidad de la ciencia de em2286. https://doi.org/10.29333/ejmste/13272 Xia, Q., Chiu,
datos conductuales en la implementación de inteligencia TK F, Lee, M., Temitayo I., Dai, Y. y Chai, CS (2022). Un enfoque de
artificial gubernamental. Información gubernamental trimestral, diseño de la teoría de la autodeterminación para la educación
39(4), 101679. https://doi.org/10.1016/j.giq.2022. 101679 K12 con inteligencia artificial (IA) inclusiva y diversa.
Computadoras y Educación, 189, 104582. https://doi.org/
Seufert, S., Guggemos, J. y Sailer, M. (2021). 10.1016/j. compedu.2022.104582
Conocimientos, habilidades y actitudes relacionados con la
tecnología de los docentes en formación y en servicio: la actualidad
https://www.ejmste.com
15 / 15