lunes, 30 de junio de 2025

La era de la educación hiperadaptativa

 Por Mercedes Leticia Sánchez Ambriz y Carlos Bravo Reyes

Elaborada en POE

Escucha el podcast

En colaboración con Mercedes Leticia Sánchez Ambriz.

Imagina una educación que se ajusta como un guante al ritmo, estilo y necesidades de cada estudiante. Eso es la educación hiperadaptativa: un modelo transformador que, gracias al poder de la inteligencia artificial, permite personalizar el aprendizaje en tiempo real, reconociendo a cada alumno como único (Holmes, Bialik, & Fadel, 2019).

La educación hiperadaptativa es un enfoque educativo impulsado por tecnologías avanzadas, especialmente inteligencia artificial (IA), que permite personalizar en tiempo real el proceso de enseñanza-aprendizaje según las necesidades, estilos, ritmos y contextos individuales de cada estudiante.

Esta tendencia se nutre de flujos de datos multimodales —desde interacciones en la plataforma hasta indicadores fisiológicos— y emplea algoritmos de aprendizaje automático y análisis predictivo para generar rutas de aprendizaje únicas y dinámicas (Luckin et al., 2016; Holmes, Bialik, & Fadel, 2019).

Surge como una evolución del aprendizaje adaptativo y la personalización del aprendizaje, impulsado principalmente por los avances exponenciales en la Inteligencia Artificial (IA), especialmente en el aprendizaje automático (Machine Learning) y el Deep Learning.

Para entender cómo se da y por qué surge, desglosemos los antecedentes y las características clave:

1. Antecedentes y Evolución:

  • Educación Tradicional (Modelo "Talla Única"): Durante mucho tiempo, la educación operó bajo un modelo estandarizado, donde todos los estudiantes seguían el mismo ritmo, currículo y métodos de evaluación. Esto no atendía las diferencias individuales en estilos de aprendizaje, ritmos, intereses o conocimientos previos.
  • Educación Personalizada: Con el tiempo, se reconoció la necesidad de personalizar la educación, es decir, adaptar ciertos aspectos del aprendizaje a las necesidades individuales del estudiante. Esto podía implicar diferentes caminos de aprendizaje, recursos adicionales, o atención más individualizada por parte del docente. Sin embargo, la escala de esta personalización era limitada debido a la carga de trabajo para los educadores.
  • Aprendizaje Adaptativo (Impulsado por la Tecnología): La llegada de las Tecnologías de la Información y la Comunicación (TIC) y, en particular, los sistemas de software, permitió una primera ola de aprendizaje adaptativo. Estos sistemas podían ajustar el contenido o las actividades de aprendizaje basándose en las respuestas del estudiante (correctas/incorrectas), su progreso y, en algunos casos, evaluaciones diagnósticas iniciales. Por ejemplo, si un estudiante fallaba en un concepto, el sistema le ofrecería ejercicios de refuerzo. Fue una época marcada por el conductismo y las famosas máquinas de enseñar de los años 70.
  • Surgimiento de la IA y el Big Data: El verdadero salto hacia la hiperadaptación se produce con la maduración de la IA, especialmente el Machine Learning. La IA permite analizar grandes volúmenes de datos sobre el comportamiento del estudiante (cómo interactúa con la plataforma, cuánto tiempo dedica, sus errores, sus aciertos, incluso sus patrones de navegación o emociones detectadas), y utilizar esos datos para realizar ajustes en tiempo real.

2. ¿Cómo se da la educación hiperadaptativa?

La educación hiperadaptativa se da a través de plataformas y sistemas educativos avanzados, potenciados por algoritmos de IA, que son capaces de:

  • Análisis Continuo y en tiempo real: La IA monitorea constantemente la interacción del estudiante con el contenido y las actividades. No solo mira el resultado final, sino el proceso: ¿dónde se atascó? ¿cuánto tiempo le tomó? ¿qué errores comunes comete? ¿cuál es su nivel de frustración o motivación (si se usan sistemas de detección emocional)?
  • Ajuste Dinámico y multidimensional: Basándose en este análisis, el sistema no solo adapta el contenido (ofreciendo material más fácil o más difícil, o explicaciones alternativas), sino que puede ajustar:
    • El ritmo: Acelerando o ralentizando según la velocidad de comprensión del estudiante.
    • El estilo de aprendizaje: Ofreciendo recursos visuales, auditivos o interactivos si detecta una preferencia o un mejor rendimiento con ciertos formatos.
    • El nivel de dificultad: Subiendo o bajando la complejidad de los ejercicios o problemas.
    • Las trayectorias de aprendizaje: Proponiendo rutas de estudio únicas para cada individuo, que pueden desviarse significativamente de la ruta estándar.
    • La retroalimentación: Ofreciendo feedback instantáneo, específico y personalizado que va más allá de un simple "correcto/incorrecto".
    • La motivación y el compromiso: Ajustando el tipo de desafíos, la gamificación, o incluso las interacciones con chatbots para mantener al estudiante motivado y comprometido.

Consideraciones emocionales y cognitivas: Algunos sistemas avanzados buscan "mapear las conexiones neuronales internas del estudiante" o su perfil emocional para adaptar el contenido en función de su estado anímico, fatiga o nivel de concentración.

  • Uso de datos complejos: Va más allá de las respuestas correctas/incorrectas. Puede integrar datos de comportamiento, interacciones con interfaces, e incluso, en un futuro más avanzado, datos biométricos o emocionales (siempre con consideraciones éticas).
  • Interacción con Agentes Inteligentes: Los "agentes inteligentes" a menudo son componentes clave de estos sistemas, actuando como tutores virtuales, asistentes de aprendizaje, o generadores de contenido personalizado.

3. ¿Por qué surge la educación hiperadaptativa?

La educación hiperadaptativa surge por:

  • Ineficiencia de los modelos tradicionales: El modelo de "talla única" no funciona para todos. Genera frustración en estudiantes que van más rápido o más lento, o que tienen estilos de aprendizaje diferentes. Esto lleva a deserción, bajo rendimiento y desmotivación.
  • Necesidad de personalización a escala: Los docentes tienen límites en su capacidad para personalizar la experiencia de aprendizaje para cada uno de sus estudiantes en un aula numerosa. La IA ofrece la promesa de llevar la personalización a una escala masiva, adaptándose a millones de estudiantes simultáneamente.
  • Avances Tecnológicos: La disponibilidad de Big Data, la capacidad de procesamiento masivo, y la mejora de los algoritmos de Machine Learning y Deep Learning hacen que la hiperadaptación sea técnicamente factible. La IA puede aprender patrones de comportamiento de los estudiantes a una velocidad y complejidad inalcanzables para los humanos.
  • Demanda de nuevas generaciones: Los estudiantes actuales, nativos digitales, esperan experiencias más interactivas, personalizadas y relevantes, similares a las que encuentran en otras plataformas digitales (redes sociales, streaming).
  • Optimización del aprendizaje: La creencia es que al adaptar el aprendizaje a las necesidades y características únicas de cada individuo, se puede maximizar su potencial, mejorar el rendimiento académico, aumentar la retención de conocimientos y fomentar una mayor participación y motivación.
  • Transformación del rol docente: Al automatizar aspectos de la personalización y la evaluación, la educación hiperadaptativa busca liberar al docente de tareas repetitivas para que pueda enfocarse en roles más complejos como mentor, facilitador, diseñador de experiencias de aprendizaje o guía emocional.
  • Preparación para el futuro laboral: Las habilidades requeridas en el siglo XXI (pensamiento crítico, resolución de problemas, aprendizaje continuo, adaptabilidad) se ven favorecidas por entornos de aprendizaje que fomentan la autonomía y la capacidad de aprender a aprender.

GPT en el aula

Los GPT es una herramienta que puede adaptarse a la  hiperadaptación por su capacidad de:

  • Adaptarse para ofrecer experiencias de aprendizaje altamente individualizadas. Pueden generar contenido específico para cada estudiante, ajustar el nivel de dificultad, proporcionar retroalimentación personalizada y responder a preguntas únicas. Esto va mucho más allá de lo que un profesor (por muy dedicado que sea) podría hacer manualmente para cada alumno en un aula con muchos estudiantes (Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. 2016).
  • A diferencia de los recursos humanos, los GPT están disponibles en todo momento. Esto permite a los estudiantes obtener ayuda y retroalimentación instantánea sobre sus tareas, dudas o ejercicios, adaptándose a sus horarios de estudio individuales.
  • Puede "hiperadaptarse" para cumplir múltiples roles dentro del aula:
    • Explicando conceptos complejos y resolviendo dudas.
    • Ayudanda con la gramática, la estructura y la generación de ideas.
    • Creador de contenido: Generando ejercicios, cuestionarios, resúmenes o planes de lección adaptados.( Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. 2019).
    • Proporcionando práctica de conversación y traducciones.
  • Adaptación al Estilo de Aprendizaje: Algunos GPT están diseñados para adaptarse a diferentes estilos de aprendizaje (visual, auditivo, kinestésico) al generar explicaciones en diversos formatos, ya sean textos, ejemplos prácticos, o incluso sugerencias de actividades.
  • Optimización de tareas administrativas: Los GPT pueden reducir la carga de trabajo de los docentes al automatizar tareas como la creación de exámenes, la generación de rúbricas o la organización de materiales, permitiendo al profesor concentrarse en aspectos más complejos de la enseñanza.

Diseñando GPT

Loa GPT son bots conversacionales creados con ChatGPT, estos tienen una base de conocimientos limitada, pero suficiente para ajustarse al aprendizaje individual del estudiante. Los siguientes ejemplos de GPT se crearon con el propósito de ayudar a los estudiantes a comprender la importancia de las taxonomías educativas, especialmente la de Bloom.

A través de interacciones guiadas, estos agentes buscan facilitar la identificación de niveles cognitivos, promover el pensamiento crítico y apoyar la formulación de objetivos y actividades alineadas con cada nivel, desde lo más básico hasta lo más complejo.

El GPT (IA según Bloom y Manzano) fue diseñado para estudiantes de nivel doctorado, con un enfoque en la elaboración de marcos teóricos, formulación de preguntas de investigación y análisis crítico de alto nivel.

El GPT BloomPrompt Tutor está orientado a estudiantes de maestría, y se centra en el desarrollo de competencias investigativas, redacción de objetivos y aplicación de conceptos teóricos en proyectos prácticos. En especial en el diseño de estrategias de aprendizaje ajustadas a esta Taxonomía.


Conclusión

La educación hiperadaptativa representa mucho más que una evolución tecnológica; es una respuesta urgente y esperanzadora a las limitaciones del modelo educativo tradicional. En un contexto de diversidad, aceleración y transformación digital, esta propuesta ofrece una vía concreta para garantizar aprendizajes personalizados, significativos y equitativos.

Gracias al potencial de la inteligencia artificial, hoy es posible acompañar a cada estudiante de forma única, adaptando contenidos, ritmos y metodologías en tiempo real. Este enfoque no sustituye al docente, lo fortalece, permitiéndole enfocarse en lo esencial: guiar, inspirar y humanizar la experiencia educativa.

Avanzar hacia una educación hiperadaptativa no solo es una opción innovadora, sino una necesidad ética y pedagógica. Es apostar por un aprendizaje que reconoce la singularidad de cada persona y abre nuevas posibilidades para construir una educación más justa, inclusiva y verdaderamente transformadora.

 

Referencias

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign.

Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. Pearson.

McGuire, R. (2021, noviembre). What Is Adaptive Learning and How Does It Work to Promote Equity In Higher Education? Every Learner Everywhere.

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 1–27. https://doi.org/10.1186/s41239-019-0171-0

Tomado de 366 días

viernes, 27 de junio de 2025

Resumen Módulo 3. Del perfil individual a la comunidad inteligente: 10 lecciones (C.EaD-47)

 Por Lorenzo García Aretio

Todas las entradas de la serie “80 años. Compendio EaD”, VER AQUÍ

Con la publicación de esta entrada C.EaD-47 cerramos una etapa más de nuestro recorrido de la serie “80 años. Compendio EaD“. El Módulo 3 nos ha llevado desde la planificación y el diseño técnico-pedagógico del Módulo 2 al factor humano.  A ese grupo de profesionales docentes, tutores y técnicos que con el apoyo de la tecnología propicIan en sus estudiantes experiencias de aprendizaje valiosas y profundas.

En las próximas líneas condensamos las 10 lecciones esenciales que han marcado estas diez entregas (37-46). Vimos cómo evoluciona el perfil del profesor en línea, qué roles articulan un equipo EaD de calidad, y por qué la evaluación docente se transforma en un compendio de evidencias para la mejora de la práctica educativa. Más que un repaso, este resumen es una invitación a repensar la propia práctica y a prepararse para el siguiente salto, metodologías y estrategias didácticas en EaD en el Módulo 4 de nuestro Compendio EaD. Vamos ahora a destacar aspectos relevantes de este Módulo 3, esas diez lecciones.

  1. El profesor a distancia en la era digital: del ‘sabio en el estrado’ al ‘diseñador-mentor’. Redefinimos al docente como arquitecto de experiencias que combina diseño didáctico, curación de recursos y acompañamiento afectivo. Ya no cabe la clase trasladada al Zoom o peor, al pdf. El interés ahora es, o debería ser, facilitar la autonomía y la interacción en un ecosistema flexible, multicultural y guiado por datos. Las funciones de diseñador, mentor, orientador, animador, mediador y evaluador, exigen competencias difíciles de improvisar en el contexto digital actual.
  2. Diversidad de agentes educativos: del solista al equipo sinfónico La EaD distribuye tareas entre autores, diseñadores, técnicos, tutores y gestores. Cada pieza  aporta valor si existe una partitura pedagógica compartida y canales de coordinación que eviten duplicidades y silencios. Esa entrada desgrana perfiles, sinergias y riesgos de una mala concertación que termina pagando el estudiante.
  3. Profesionalización docente: el marco CDPIT y los compromisos que sostienen la calidad. Ampliamos el reconocido modelo TPACK con la dimensión Investigadora/ Innovadora y un contorno de compromisos éticos, sociales e institucionales. La profesionalización incluye validar evidenciasactualizarse de forma continua y rendir cuentas al estudiantado y a la sociedad. El mensaje: ser competente ya no basta; hay que ser conscientemente responsable en la era de la IA.
  4. Paradigmas y saberes indispensables para navegar la liquidez digital. Del conductismo industrial al conectivismo crítico, el docente conjuga saber científico, teórico, técnico y práctico para responder a entornos líquidos o VUCA. La entrada invita a “pensar híbrido”, integrando teorías clásicas, diálogo didáctico mediado y analítica de aprendizaje, sin perder el timón humanista.
  5. El tutor como puente humano y garante de la permanencia. Figura clave para reducir la soledad en línea, el tutor asume roles cognitivos, socio-afectivos y organizativos. Su eficacia se mide en motivación, retención y personalización; su perfil requiere empatía comunicativa, rapidez de respuesta y dominio de la retroalimentación formativa.
  6. Modalidades y estrategias de tutoría: sincronía, asincronía y la irrupción de los chatbotsSe tipifican cuatro grandes modalidades (síncrona, asíncrona, presencial complementaria y automatizada) y se detallan tácticas proactivas: seguimiento con analíticas, tutoría entre pares o micro-vídeos de feedback. La clave es proporcionar y coordinar canales según propósito y contexto, sin delegar la calidez humana a la IA.
  7. Diseño y gestión de entornos virtuales: la “arquitectura pedagógica” del EVA. Un buen EVA combina navegación clara, interacción multidireccional, recursos variados y accesibilidad. El docente gestiona presencia, actualiza materiales y modera la convivencia digital, apoyado por analítica para decidir dónde intervenir.
  8. Dinámicas sociales y presencia CoI: de las conexiones a la comunidad con propósito. Adoptando el modelo Community of Inquiry, la entrada muestra cómo presencia social, docente y cognitiva se entrelazan para crear experiencias transformadoras. Se aportan estrategias para cultivar identidad digital, diálogo profundo y sentido de pertenencia en redes dispersas.
  9. Competencias docentes y desarrollo profesional permanente. A partir de marcos DigCompEdu, UNESCO y TALIS se enumeran competencias pedagógicas (diseño, moderación, evaluación) y digitales (curación, seguridad, IA crítica). Se proponen itinerarios de formación continua, comunidades de práctica y certificaciones específicas para no naufragar en la tormenta tecnológica.
  10. Evaluar la docencia en EaD: cinco presencias, múltiples evidencias. El cierre ofrece criterios e indicadores basados en la trazabilidad del LMS, la analítica de aprendizaje y la retroalimentación estudiantil. Propone pasar de la encuesta simplista a un portafolio de evidencias alineado con los modelos de “presencias”. La evaluación se reivindica como palanca de mejora más que como trámite burocrático.

Si los dos primeros módulos nos contaron qué es y cómo se diseña la EaD, este tercero nos muestra quién la hace posible: personas capaces de tejer vínculos reales en la distancia, de pilotar tecnología sin rendirse a ella y de asumir que la calidad empieza en su propio desarrollo profesional.

Pero cuidado: la revolución no termina aquí. El Módulo 4 se adentra en metodologías y estrategias al servicio del aprendizaje. Seguimos avanzando en nuestro apasionante proyecto en el que nos quedan retos por resolver en los siguientes módulos, ¿me acompañan?

OpenEdition le sugiere que cite este post de la siguiente manera:
García Aretio (16 de junio de 2025). Resumen Módulo 3. Del perfil individual a la comunidad inteligente: 10 lecciones (C.EaD-47). Contextos universitarios mediados. Recuperado 22 de junio de 2025 de https://doi.org/10.58079/144te

jueves, 26 de junio de 2025

¿Cuánto texto pueden generar las diferentes herramientas de Inteligencia Artificial?

 Tomado de Universo Abierto

Los modelos de inteligencia artificial basados en lenguaje natural, como ChatGPT, no trabajan directamente con palabras o caracteres completos, sino con tokens, que son unidades básicas de texto. Esta estrategia permite a los modelos manejar y procesar el lenguaje de manera más eficiente y granular. Un token puede corresponder a una palabra completa, una parte de una palabra (como un prefijo o sufijo), un signo de puntuación o incluso espacios. Por ejemplo, la palabra «inteligencia» podría dividirse en varios tokens si el modelo utiliza un método de tokenización subpalabra (como Byte Pair Encoding o WordPiece).

¿Por qué usar tokens?

La tokenización ayuda a los modelos a lidiar con la variedad infinita de combinaciones en el lenguaje natural, permitiendo que puedan aprender patrones y predecir la siguiente unidad con mayor precisión. Según OpenAI, la tokenización es crucial para que los modelos de lenguaje puedan generar texto coherente y fluido, ya que cada token representa un fragmento manejable para los algoritmos de predicción estadística y aprendizaje profundo.

Límite de tokens y generación de texto

La capacidad para generar texto en modelos como GPT está limitada por un máximo de tokens por interacción o llamada al modelo. Esto significa que la suma de los tokens de entrada (el texto que proporcionas) y de salida (el texto generado) no puede superar ese límite. Por ejemplo, el modelo GPT-3.5 tiene un límite de aproximadamente 4,096 tokens por solicitud, mientras que modelos más recientes pueden manejar hasta 8,000 tokens o incluso más, dependiendo de la versión y configuración

Este límite es importante porque afecta la longitud y la complejidad del texto que el modelo puede procesar y generar de manera coherente. Si se excede el límite, el texto de entrada o el de salida deben ser truncados o segmentados, lo que puede afectar la continuidad y calidad del contenido generado.

¿Qué es un token en detalle?

Los tokens no coinciden necesariamente con palabras, especialmente en idiomas con palabras compuestas o con conjugaciones complejas. Por ejemplo, la palabra inglesa «unhappiness» puede dividirse en tokens como «un», «happi», «ness». De forma similar, en español, las terminaciones verbales o sufijos se tratan como tokens separados para que el modelo aprenda mejor las reglas gramaticales y las relaciones semánticas.

Según la explicación de Jurafsky y Martin en su libro Speech and Language Processing, la tokenización es un paso fundamental en el procesamiento del lenguaje natural (PLN) y puede ser tan simple como dividir por espacios o tan complejo como aplicar modelos de segmentación que respeten la morfología del idioma.

Por ejemplo, la frase:

«Hola, ¿cómo estás?»

Podría dividirse en tokens como:

«Hola»

«,»

«¿»

«cómo»

«estás»

«?»

Cada uno de estos es un token para el modelo.

Herramienta / ModeloLímite tokens (entrada + salida)Aproximación de palabras generadas en una sola respuesta
GitHub Copilot~2048 tokens~1000-1500 palabras (para código y texto combinados)
ChatGPT (GPT-3.5)4096 tokens~1500-3000 palabras
ChatGPT (GPT-4)8192 tokens~3000-6000 palabras
Claude (Anthropic)~9000 tokens~3500-6500 palabras
Gemini (Google DeepMind)8192 – 32768 tokensDesde ~3000 hasta ~12,000-25,000 palabras (según versión)
Perplexity AIDepende del modelo que useVaría según modelo (ej., GPT-4: hasta ~6000 palabras)

Aproximación de cantidad de texto generado según límite de tokens

Tomado de Universo Abierto

miércoles, 25 de junio de 2025

Evaluación de la actividad docente en la EaD (C.EaD-46)

 Por Lorenzo García Aretio


RESUMEN PODCAST-AUDIO

Todas las entradas de la serie “80 años. Compendio EaD”, VER AQUÍ

En el ámbito de la educación superior, la evaluación de la actividad docente es una práctica consolidada y esencial, cumpliendo una doble finalidad:

  • por un lado, la mejora continua de la enseñanza a través de la retroalimentación formativa y, por otro,
  • la rendición de cuentas en procesos de acreditación, asignación de incentivos o promoción académica.

No obstante, cuando esta evaluación se traslada al contexto específico y a menudo complejo de la Educación a Distancia (EaD), surgen particularidades y desafíos que demandan una atención especializada y un enfoque adaptado. Así, interrogantes como estos se vuelven más relevantes:

  • “¿Cómo valorar adecuadamente la labor de un profesor que, si bien puede no tener contacto físico directo con sus estudiantes, interactúa de forma intensa y continua a través de foros virtuales, tutorías personalizadas y retroalimentaciones detalladas?”
  • “¿Qué indicadores pueden reflejar fidedignamente la calidad de la enseñanza en línea más allá de las tradicionales encuestas de satisfacción estudiantil, a menudo limitadas en su alcance?”
  • “¿De qué maneras la tecnología, incluyendo la analítica de aprendizaje y la inteligencia artificial, puede aportar datos objetivos y ricos sobre la actuación docente a distancia, complementando las percepciones subjetivas?”.

Estas preguntas han ganado una relevancia aún mayor en un escenario de masificación de la EaD, donde las instituciones educativas buscan con ahínco asegurar y elevar la calidad de sus programas en línea. Por tanto, evaluar la actividad docente en la EaD implica, fundamentalmente, examinar un espectro de dimensiones que incluyen, entre otras:

  • la planificación y el diseño del curso virtual por parte del profesor;
  • la efectividad en la facilitación del aprendizaje, manifestada a través de su presencia y proactividad en tutorías, foros, y la calidad de las retroalimentaciones ofrecidas;
  • el grado de innovación pedagógica incorporado en sus prácticas;
  • el nivel de logro de los objetivos de aprendizaje y competencias por parte de los estudiantes y en qué medida ese logro puede ser razonablemente atribuido a la intervención docente; y, por supuesto,
  • la satisfacción y el compromiso del alumnado con la experiencia de aprendizaje global.

Si bien muchos de estos aspectos coinciden con los criterios aplicados en la docencia presencial, las metodologías para recabar evidencias y algunos de los énfasis pueden variar significativamente en el entorno virtual. Por ejemplo, la EaD permite un análisis detallado de la trazabilidad de las interacciones en la plataforma (cuándo, cómo y cuánto participa el profesor), una fuente de datos objetiva que no está disponible de la misma forma en las docencias presenciales tradicionales.

Esta entrada se centrará, en primer lugar, en los criterios e indicadores que, derivados en gran medida del concepto de “presencia” (explicitado en otra entrada de esta serie), se emplean para evaluar la docencia en entornos virtuales. Seguidamente, se examinarán los métodos e instrumentos más adecuados y efectivos para llevar a cabo dicha evaluación. Se considerará cómo la analítica de aprendizaje y la inteligencia artificial (IA) pueden ofrecer nuevas vías para una evaluación más objetiva, continua y rica en matices. Finalmente, se discutirá cómo utilizar los resultados de esta evaluación con un enfoque eminentemente formativo, buscando retroalimentar a los docentes para impulsar su desarrollo profesional y la mejora de la calidad educativa, trascendiendo la percepción de la evaluación como un mero control burocrático.

CRITERIOS E INDICADORES DE CALIDAD DOCENTE EN EaD

Para evaluar la actividad de un docente en el contexto de la EaD, es imprescindible definir qué se entiende por una “buena docencia” en este entorno particular. Es cierto que la manera en que un docente establece y manifiesta sus diversas presencias en línea ejerce un impacto significativo y directo en la experiencia de aprendizaje de los estudiantes y en los resultados alcanzados y, en consecuencia en esa “buena docencia”. Esas presencias aludidas se proyectan a través del diseño del curso, la calidad de la interacción y la efectividad de la retroalimentación proporcionada a los participantes.

Como ya vimos en otra entrada, diversos marcos conceptuales ofrecen guías para esta evaluación. El modelo de Comunidad de Indagación  –Community of inquiry (CoI)- de Garrison, Anderson y Archer (2000), con sus tres presencias (docente, cognitiva y social), ha sido una referencia fundamental. Propuestas más recientes, como el Modelo de Evaluación de la Calidad Docente en Línea (MECDL)  (García et al., 2018), nos pueden valer porque han adaptado y expandido el modelo CoI, incorporando dimensiones adicionales como la “presencia de aprendizaje” (Shea, Hayes y Vickers, 2010) y la “presencia emocional” (Cleveland-Innes y Campbell, 2012). A continuación, se detallan estas cinco presencias y algunos de sus indicadores clave para la evaluación docente, extraídos de los siguientes trabajos: Garrison et al., 2001; Quality Matters, 2023; Anderson y Krathwohl., 2001; Shute, 2008; Salmon, 2012; Ouyang y Scharber, 2017; Hattie, 2008; Bawa, 2016; Sullivan y Feinn, 2012.

Evaluación de la Presencia Docente

Esta presencia se refiere a la claridad en la orientación del curso, la organización de los contenidos y la conducción efectiva del proceso de aprendizaje por parte del instructor. Para evaluar esta presencia, pueden ser indicadores:

  • Diseño y organización del curso. El docente estructura contenidos, actividades y cronograma de forma coherente y navegable, asegurando la alineación con los resultados de aprendizaje.
  • Orientación inicial y establecimiento de expectativas. Comunica claramente objetivos, criterios de evaluación, carga de trabajo y normas de participación desde el primer contacto.
  • Facilitación y animación del discurso. Guía las discusiones con intervenciones que profundizan, sintetizan y mantienen el foco académico, favoreciendo la construcción colectiva del conocimiento.
  • Retroalimentación instructiva y oportuna. Proporciona comentarios formativos que explicitan fortalezas y pasos de mejora, fomentando la autorregulación del estudiante.
  • Gestión de recursos y soporte tecnológico. Selecciona herramientas adecuadas, soluciona dudas técnicas básicas y canaliza incidencias para que la tecnología potencie —y no obstaculice— el aprendizaje.

Evaluación de la Presencia Cognitiva

Aquí se evalúa la habilidad del docente para estimular el pensamiento reflexivo, el análisis crítico y la construcción colaborativa de conocimiento entre los estudiantes. Algunos indicadores:

  • Cuestiones detonadoras de alto nivel. Se proponen preguntas que exigen análisis, síntesis o evaluación y catalizan debates profundos en los foros.
  • Conexión explícita teoría–práctica. Las actividades incorporan casos o datos reales que vinculan contenidos conceptuales con contextos profesionales.
  • Retroalimentación metacognitiva. Los comentarios del docente guían la autorreflexión, invitando al estudiante a revisar su propio proceso de aprendizaje.
  • Construcción colectiva del conocimiento. El docente sintetiza aportes y eleva el discurso hacia niveles más abstractos, fomentando integración y resolución de ideas.
  • Fomento del aprendizaje autónomo. Se ofrecen recursos opcionales y orientación para que el alumnado investigue y cite fuentes externas pertinentes.

Evaluación de la Presencia Social

Esta dimensión se centra en la capacidad del docente para crear y mantener un ambiente de aprendizaje abierto, respetuoso, colaborativo y de comunidadIndicadores posibles:

  • Clima de bienvenida y pertenencia. Se diseñan espacios iniciales de presentación y diálogo que refuerzan la sensación de comunidad entre los participantes.
  • Interacciones horizontales. Las tareas promueven colaboraciones estudiante-estudiante mediante debates, co-evaluación o proyectos grupales.
  • Gestión constructiva de conflictos. Se aplican protocolos de comunicación respetuosa que transforman las discrepancias en oportunidades de aprendizaje.
  • Visibilidad docente cercana. El docente mantiene presencia regular con mensajes o videos personales que reconocen aportes y resumen avances.

Evaluación de la Presencia Emocional

Se refiere a la habilidad del docente para expresar y contagiar afecto positivo, entusiasmo por la materia y apoyo emocional, reconociendo que las emociones juegan un papel crucial en el aprendizaje. Indicadores:

  • Expresión de entusiasmo y calidez. El lenguaje y el tono del facilitador transmiten motivación, cercanía y apoyo genuino.
  • Reconocimiento personalizado. Se felicitan logros concretos y se otorgan distintivos simbólicos que fortalecen la autoeficacia del estudiante.
  • Apoyo oportuno ante dificultades. Las inquietudes emocionales o académicas reciben respuestas empáticas y orientadas a la resolución.
  • Promoción del bienestar. Se incorporan recordatorios y actividades que favorecen el autocuidado y la gestión saludable del tiempo.

Evaluación de la Presencia de Aprendizaje

Esta dimensión busca evaluar las evidencias concretas de que la acción docente ha propiciado aprendizajes reales y valiosos y el logro de los objetivos del curso por parte de los estudiantes. Indicadores:

  • Logro de resultados de aprendizaje. Las evidencias finales muestran alineación con los objetivos y progreso respecto al nivel inicial.
  • Evidencia de ganancia de desempeño. Se documenta la mejora entre evaluaciones diagnósticas y sumativas para verificar el impacto del curso.
  • Transferencia y aplicación. El alumnado describe cómo aplica los conocimientos en contextos reales o profesionales.
  • Percepción de utilidad y satisfacción. Encuestas recogen la valoración del curso en términos de relevancia, calidad y recomendación.
  • Persistencia y finalización. Se monitorea la retención de estudiantes y se analizan causas de abandono para mejorar la experiencia.

Estos indicadores cualitativos vendrán matizados en cuanto a su nivel de suficiencia o deficiencia por parte de las propias instituciones, más allá de que entre los autores citados, algunos de ellos proponen métricas adaptadas a algunos de estos indicadores.

Además de estos enfoques cualitativos basados en las “presencias”, muchos sistemas de evaluación utilizan indicadores cuantitativos objetivos que las plataformas de gestión del aprendizaje (LMS) pueden proveer:

  • Número y frecuencia de mensajes del profesor en foros de discusión y otros canales de comunicación.
  • Tiempo promedio de respuesta a las consultas de los estudiantes (en foros, mensajería interna, correo electrónico).
  • Cantidad y originalidad del material didáctico propio aportado al curso.
  • Frecuencia de actualización de contenidos y anuncios.

Es importante entender que estos números por sí solos no reflejan la calidad de la interacción o del contenido, pero pueden complementar la imagen general y señalar posibles áreas de atención (por ejemplo, un profesor con una participación nula o casi nula en los foros probablemente tenga una baja presencia docente y social).

También se considera como evidencia valiosa el portafolio docente, un compendio reflexivo de los materiales creados, las estrategias de enseñanza implementadas, las comunicaciones enviadas y ejemplos de retroalimentación, que un evaluador pedagógico experto puede revisar contrastándolo con criterios de calidad preestablecidos.

MÉTODOS E INSTRUMENTOS PARA LA EVALUACIÓN DOCENTE EN EaD

Una vez definidos los criterios e indicadores, la siguiente pregunta es ¿cómo recolectamos la información necesaria para evaluarlos de manera fiable y válida?. Generalmente, se recomienda el empleo de metodologías mixtas que combinen diversas fuentes y perspectivas. Proponemos algunas:

Encuestas a estudiantes en línea

  • Son la herramienta más extendida y tradicionalmente utilizada. Se administran al final del curso y, en ocasiones, a mitad del mismo para permitir ajustes y mejoras continuas.
  • Es fundamental adaptar los cuestionarios generales a las particularidades del entorno online, incluyendo ítems específicos sobre la puntualidad y calidad de las respuestas del docente, la claridad de las instrucciones en la plataforma, la eficacia de la moderación en foros, el fomento de la interacción, etc..
  • Suelen combinar escalas de valoración (ej. tipo Likert de 1 a 5) con preguntas abiertas que permiten recoger comentarios cualitativos más ricos y matizados.

Las encuestas ofrecen la perspectiva del “cliente” directo de la docencia. No obstante, sus resultados deben interpretarse con cautela, ya que pueden estar influenciados por factores como las calificaciones obtenidas por el alumno, su nivel de afinidad con la materia o factores externos al desempeño docente. Son especialmente útiles para valorar la percepción de la presencia social y emocional del docente, aspectos que solo el estudiante puede experimentar directamente.

Análisis de datos de la plataforma LMS o registros

Los sistemas de gestión del aprendizaje registran una gran cantidad de datos sobre la actividad de docentes y estudiantes.

  • Se pueden generar reportes automáticos sobre la participación del docente: número de mensajes publicados, cantidad de archivos subidos, frecuencia de acceso, tiempos de respuesta, etc..
  • También se puede analizar la actividad de los estudiantes en relación con las propuestas del docente; por ejemplo, si un grupo muestra baja participación, se puede contrastar con las estrategias de dinamización implementadas (o no) por el profesor.
  • Algunos modelos proponen la creación de índices de interacción, por ejemplo, realizando cálculos como éste: (mensajes del docente + respuestas a estudiantes) / número de estudiantes Se trataría de una métrica sencilla y práctica que, con sus variaciones, podría darnos una información valiosa.

Estos datos objetivos complementan las percepciones subjetivas y, cuando se implementan a gran escala, permiten realizar comparaciones, identificar valores atípicos y detectar patrones que podrían indicar tanto excelencia como áreas de mejora.

Portafolio o informes reflexivos del docente

  • El propio profesor puede (y debe) ser un participante activo en su proceso de evaluación, presentando un informe reflexivo o un portafolio estructurado de su curso.
  • En este documento, el docente puede explicar la lógica de diseño de su Entorno Virtual de Aprendizaje (EVA), las innovaciones pedagógicas que introdujo, cómo respondió a los desafíos que surgieron durante el curso, y aportar evidencias concretas de su práctica (ej. capturas de pantalla de retroalimentaciones significativas, muestras de trabajos estudiantiles con su feedback, ejemplos de debates bien moderados, etc.).
  • Este instrumento permite comprender las intenciones pedagógicas y las acciones docentes que pueden no ser fácilmente visibles o interpretables externamente.

Un evaluador experto externo puede revisar este portafolio utilizando una rúbrica predefinida. Además, la elaboración de este ejercicio fomenta la autoevaluación y el desarrollo profesional del docente.

Observación y evaluación por pares

  • En los entornos virtuales, es técnicamente factible invitar a otro colega docente o a un evaluador académico para que se integre temporalmente al curso (con un rol de observador) y revise in situ cómo se desarrolla la docencia. Aunque puede presentar desafíos relacionados con la privacidad o la cultura institucional, algunas instituciones implementan esta práctica de manera consensuada, donde el docente invita a un colega de confianza o a un mentor para que observe su aula virtual durante un período determinado.
  • Este par puede luego proporcionar retroalimentación cualitativa detallada, de forma similar a las observaciones de clase en la modalidad presencial.
  • También es posible realizar una evaluación por pares de forma asincrónica, otro docente revisa el curso una vez finalizado, navegando por todos los materiales, foros almacenados, y evaluando la calidad de las interacciones y la retroalimentación del profesor.
  • Esta mirada entre pares puede enfocarse en aspectos específicos; por ejemplo, un experto en contenidos puede juzgar el rigor académico, mientras que un experto en moderación en línea puede valorar la dinamización de los foros. Es un método potente, pero requiere una cultura de confianza, tiempo y formación para los evaluadores pares.

Autoevaluación del docente

  • No debe subestimarse la capacidad del docente para evaluar críticamente su propia actuación.
  • Proporcionar al profesorado una pauta de autoevaluación estructurada (por ejemplo, un cuestionario con preguntas reflexivas como: “¿Logré involucrar a la mayoría de los alumnos en los debates? ¿Qué estrategias específicas utilicé?”, “¿Cómo respondí ante el estudiante X que mostraba retraso?”, “¿Qué aspectos de mi diseño o de mi facilitación modificaría en una futura impartición de este curso?”) puede ser un potente motor de mejora.

Esta autoevaluación no siempre se utiliza con fines de calificación formal, sino como un componente clave del ciclo de desarrollo profesional y mejora continua. Sin embargo, podría incorporarse en la evaluación formal como un anexo que evidencie la capacidad autocrítica y el compromiso con la mejora.

Analítica de aprendizaje e inteligencia artificial para la evaluación docente

  • En tiempos recientes, se está experimentando con herramientas más sofisticadas para complementar la evaluación docente.
  • Por ejemplo, el análisis del discurso en foros mediante técnicas de minería de texto y procesamiento del lenguaje natural permite a algunos algoritmos categorizar las intervenciones del profesor (y de los estudiantes) según su función (cognitiva, social, organizativa, etc.), midiendo el equilibrio entre ellas o la progresión del diálogo.
  • Otros sistemas pueden rastrear la rapidez y la calidad del feedback, calculando el tiempo transcurrido entre la entrega de una tarea por parte del estudiante y la recepción de la retroalimentación del docente, e incluso analizando el contenido de dicha retroalimentación.
  • Se investiga también en IA que pueda analizar la “red de interacciones” en un curso para identificar el grado de centralidad e influencia del profesor en la comunicación y en la construcción de la comunidad.

Estas aproximaciones basadas en datos prometen una mayor objetividad y la capacidad de procesar grandes volúmenes de información, aunque todavía se encuentran en fases de desarrollo y validación. Si se utilizan, es importante que complementen la evaluación humana (y no la sustituyan), que sus mecanismos sean transparentes para el docente, y que los indicadores generados se consideren justos y significativos.

USO DE LOS RESULTADOS PARA LA MEJORA DOCENTE

La finalidad última y más importante de la evaluación de la docencia, especialmente en EaD, no debería ser meramente sumativa o punitiva, sino fundamentalmente formativa y orientada al desarrollo profesional continuo. Una vez que los datos han sido recopilados y analizados, es necesario cerrar el círculo con acciones concretas que transformen la información en mejora:

Retroalimentación constructiva al docente

Cada profesor evaluado debe recibir un informe claro, detallado y comprensible con sus principales fortalezas y las áreas de mejora identificadas, basado en las evidencias recogidas.

Idealmente, esta retroalimentación se entrega y discute en una reunión individual (presencial o virtual) entre el docente y un superior académico, un coordinador o un mentor pedagógico. Esta conversación debe desarrollarse con tacto, empatía y un enfoque claramente constructivo. Por ejemplo: “Tus estudiantes valoraron muy positivamente tu claridad en las explicaciones y la organización del material, ¡felicitaciones! Por otro lado, algunos comentarios sugieren una oportunidad de mejora en la agilidad para responder dudas en los foros durante los fines de semana. ¿Qué dificultades específicas encontraste? Veamos juntos cómo podríamos optimizar la gestión del tiempo o establecer protocolos de comunicación para futuras ediciones…”

Este diálogo permite contextualizar los datos, aclarar posibles malentendidos y, fundamentalmente, comprometer al docente con un plan de acción.

Planes de mejora y formación vinculados a la evaluación

Si del proceso de evaluación emergen ciertas carencias o necesidades formativas comunes a un grupo de docentes (por ejemplo, dificultades generalizadas en la moderación efectiva de foros complejos o en el diseño de rúbricas de evaluación), la institución debe responder ofreciendo programas de capacitación específica, talleres o recursos de apoyo en esas áreas.

A nivel individual, se podría acordar con el docente un plan de mejora personalizado, que podría incluir la asistencia a un taller específico, la observación de un colega con prácticas destacadas, la implementación de un cambio concreto en su próximo curso, y un posterior seguimiento para valorar los progresos. De esta manera, la evaluación se convierte en un auténtico motor de desarrollo profesional continuo.

Reconocimiento y difusión de la buena docencia

Así como es importante detectar y abordar las áreas de mejora, es igualmente relevante identificar, reconocer y celebrar la excelencia en la docencia en línea.

Los docentes que resulten sobresalientes en su desempeño en EaD (según los indicadores objetivos, la opinión de los estudiantes y la evaluación de pares o superiores) pueden ser reconocidos públicamente, recibir incentivos (no necesariamente económicos), o ser invitados a compartir sus buenas prácticas con otros colegas a través de seminarios internos, comunidades de práctica o mentorías.

Esto no solo crea una cultura de motivación y valoración de la enseñanza, sino que también facilita la diseminación de estrategias pedagógicas efectivas dentro de la institución. Por ejemplo, un profesor que haya logrado consistentemente interacciones vibrantes y productivas en sus foros podría impartir un taller práctico para sus colegas sobre cómo lo consigue.

Ajustes institucionales basados en la evidencia

Si en las evaluaciones docentes se advierte algún patrón recurrente que trasciende el desempeño individual y apunta a problemas sistémicos o institucionales (por ejemplo, si los estudiantes de múltiples cursos reportan que las plataformas son poco intuitivas, que las directrices sobre el diseño de cursos son confusas, o que la carga de trabajo asignada a los docentes es excesiva, impidiendo una retroalimentación adecuada), la universidad o institución debe tomar nota de estos hallazgos y considerar la necesidad de reformar guías de diseño pedagógico, políticas de carga de trabajo, invertir en la mejora de la infraestructura tecnológica o revisar los programas de formación docente.

La información recogida en la evaluación docente no solo sirve para valorar a los profesores individualmente, sino también para que la propia institución aprenda sobre la efectividad de su modelo de EaD y realice los ajustes necesarios. En este sentido, la evaluación docente se complementa y articula con la evaluación de los cursos, los programas y la propia institución en general.

Continuidad y cultura del proceso evaluativo

La evaluación de la docencia en EaD no debe ser un evento esporádico o aislado. Para que sea verdaderamente efectiva y fomente una cultura de mejora continua, debe incorporarse como un proceso regular y sistemático en la vida académica (por ejemplo, cada vez que se imparte un curso, o al menos con una periodicidad anual definida). Esto permite realizar un seguimiento de las mejoras implementadas y valorar su impacto a lo largo del tiempo.

También es posible (y a veces recomendable) alternar o combinar diferentes enfoques e instrumentos en distintos ciclos evaluativos para no sobrecargar a docentes y estudiantes con una excesiva cantidad de herramientas al mismo tiempo, y para obtener una visión más holística a lo largo del tiempo.

Lo importante es que la evaluación se integre en la cultura institucional, que los docentes la perciban como un proceso justo, transparente y orientado a su crecimiento, y que estén dispuestos a cooperar activamente en él.

La evaluación de la docencia en Educación a Distancia es, ciertamente, un terreno en constante desarrollo y refinamiento, donde las instituciones educativas continúan innovando con criterios, métodos e instrumentos cada vez más específicos y sofisticados. Aún persisten retos importantes, como lograr tasas de respuesta satisfactorias en las encuestas online, asegurar la fiabilidad y validez de los instrumentos, o encontrar el equilibrio adecuado entre los datos cuantitativos, a menudo más fáciles de recolectar, y la apreciación de la calidad intangible e intrínsecamente humana de la enseñanza.

No obstante, adoptando una perspectiva integral, participativa y centrada en la mejora continua, este tipo de evaluación puede contribuir enormemente a elevar la calidad de la educación a distancia, asegurando que el factor humano –el profesor– cumpla su rol esencial de la mejor manera posible, en último término, en beneficio del aprendizaje y desarrollo de los estudiantes.

CONCLUSIONES

La evaluación de la actividad docente en el contexto de la Educación a Distancia es un componente determinante para garantizar la calidad y la relevancia del proceso educativo en los entornos virtuales contemporáneos. Lejos de ser percibida como un mero trámite burocrático o un mecanismo de control, constituye una herramienta poderosa que, bien diseñada e implementada, permite valorar objetivamente, retroalimentar constructivamente y, sobre todo, mejorar continuamente el desempeño de los docentes en un contexto que desafía constantemente los parámetros tradicionales de la enseñanza y el aprendizaje.

En la EaD, no bastaría con una simple traslación o adaptación superficial de los formatos e instrumentos empleados tradicionalmente en la docencia presencial; es imprescindible desarrollar marcos conceptuales y operativos que logren capturar con justicia, profundidad y sensibilidad las múltiples dimensiones que configuran una actuación docente efectiva y de calidad en línea.

En este sentido, modelos teóricos como el de las “presencias” ofrecen una visión holística y multidimensional del rol del profesor virtual. Evaluar no solo qué enseña el docente, sino cómo diseña las experiencias de aprendizaje, cómo dinamiza las interacciones, cómo construye y sostiene la comunidad, cómo comunica y conecta emocionalmente, y cómo su actuación incide tangiblemente en el aprendizaje de los estudiantes, permite una valoración mucho más completa, equitativa y significativa.

Los instrumentos para recabar evidencias también deben diversificarse y triangularse para obtener una imagen más rica y fiable del desempeño docente. A las tradicionales (y todavía útiles) encuestas a estudiantes, deben sumarse sistemáticamente:

  • el análisis de datos objetivos provenientes de la plataforma de aprendizaje;
  • la revisión de portafolios docentes reflexivos;
  • las evaluaciones formativas entre pares;
  • las autoevaluaciones guiadas y críticas por parte de los propios profesores; y, más recientemente,
  • el potencial que ofrecen la analítica de aprendizaje y ciertas aplicaciones de la inteligencia artificial, siempre usadas con criterio ético y pedagógico.

Esta triangulación de fuentes y métodos enriquece la comprensión del desempeño y ayuda a minimizar los sesgos inherentes a cualquier instrumento único.

No obstante, más allá de la sofisticación de los criterios y la diversidad de los instrumentos, lo más importante reside en el enfoque y la finalidad con que se acometen estos procesos evaluativos. Evaluar para mejorary no meramente para clasificar o controlar, implica cerrar el ciclo de la evaluación con acciones concretas y significativas:

  • retroalimentación individualizada, constructiva y dialogada;
  • planes de formación y desarrollo profesional específicos y pertinentes;
  • el reconocimiento explícito del mérito y las buenas prácticas docentes; y
  • la realización de los ajustes institucionales que se deriven de los hallazgos globales.

La evaluación así entendida se transforma en una valiosa oportunidad de desarrollo profesional y personal para el docente, y no en una fuente de amenaza o desmotivación. Además, contribuye a edificar una cultura institucional robusta, basada en la reflexión continua sobre la práctica educativa y en la búsqueda colaborativa de la excelencia en la Educación a Distancia.

CUESTIONES PARA LA REFLEXIÓN Y EL DEBATE

  • ¿Qué indicadores específicos estamos utilizando actualmente en nuestra institución para evaluar a nuestros docentes en línea, y cuánto de alineados están con un modelo multidimensional de “presencias” (docente, social, cognitiva, emocional, de aprendizaje)?
  • ¿Cómo reaccionan nuestros profesores a los procesos de evaluación de su docencia virtual? ¿Los perciben como una herramienta de apoyo para su desarrollo profesional o predominantemente como un trámite administrativo o una fuente de amenaza?

FUENTES

  • Anderson, L. W., & Krathwohl, D. R. (2001). A taxonomy for learning, teaching and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.
  • Bawa, P. (2016). Retention in online courses: Exploring issues and solutions – A literature review. SAGE Open, 6(1), 1–11.
  • Cleveland-Innes, M., & Campbell, P. (2012). Emotional presence, learning, and the online learning environment. The International Review of Research in Open and Distributed Learning, 13(4), 269–292.
  • García Aretio, L. (1998). Indicadores para la evaluación de la enseñanza en una universidad a distancia. RIED-Revista Iberoamericana de Educación a Distancia1(1), 63–85.
  • García Aretio, L. (2008). Evaluación de la actividad docente en la UNED. En ¿Por qué va ganando la educación a distancia?. UNED.
  • García Aretio, L. (2021). ¿Podemos fiarnos de la evaluación en los sistemas de educación a distancia y digitales?. RIED-Revista Iberoamericana de Educación a Distancia24(2), 09–29. 
  • García Aretio, L. (2022). Encrucijada del docente a distancia en la era digital y de pospandemia. 50 aniversario del SUAyED de la UNAM de México. UNAM.
  • García, B., Serrano, E. L., Ponce Ceballos, S., Cisneros-Cohernour, E. J., Cordero Arroyo, G., y Espinosa Díaz, Y. (2018). Las competencias docentes en entornos virtuales: un modelo para su evaluación. Revista Iberoamericana de Educación a Distancia, 21(1), pp. 343-365.
  • Garrison, D. R., Anderson, T., & Archer, W. (2001). Critical thinking, cognitive presence, and computer conferencing in distance education. The American Journal of Distance Education, 15(1), 7–23.
  • Hattie, J. (2008). Visible learning: A synthesis of over 800 meta-analyses relating to achievement. Routledge.
  • Ouyang, F., & Scharber, C. (2017). The influences of an experienced instructor’s discussion design and facilitation on an online learning community development. The Internet and Higher Education, 35, 34–47.
  • Quality Matters. (2023). QM Higher Education Rubric (7ª ed.).
  • Salmon, G. (2012). E-moderating: The key to teaching and learning online (3ª ed.). Routledge.
  • Shea, P., Hayes, S., y Vickers, J. (2010). Online Instructional Effort Measured through the Lens of Teaching Presence in the Community of Inquiry Framework: A Re- Examination of Measures and Approach. International Review of Research in Open and Distance Learning 11 (3), 127-154.
  • Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1), 153–189.
  • Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the p value is not enough. Journal of Graduate Medical Education, 4(3), 279–282.
OpenEdition le sugiere que cite este post de la siguiente manera:
García Aretio (12 de junio de 2025). Evaluación de la actividad docente en la EaD (C.EaD-46). Contextos universitarios mediados. Recuperado 15 de junio de 2025 de https://doi.org/10.58079/143dq