martes, 25 de noviembre de 2025

Código de conducta para estudiantes propuesto por Harvard para la IA

 Tomado de Universo Abierto

Harvard University and metaLAB (at) HarvardProposed Harvard AI Code of Conduct. Cambridge, MA: Harvard University, July 2023. Accessed [día mes año]. https://aicodeofconduct.mlml.io/assets/files/ai_code_of_conduct.pdf

Proposed Harvard AI Code of Conduct está centrada en el uso de herramientas de IA generativa por estudiantes en tareas académicas. Esta no plantea una prohibición general, sino que apuesta por políticas específicas por curso.

Harvard propone que el uso de la IA en educación no sólo sea visto como una amenaza, sino como una oportunidad para repensar qué y cómo enseñamos: qué habilidades tienen mayor valor en un mundo donde la IA hace ciertas tareas tradicionalmente académicas.

“Proposed Harvard AI Code of Conduct” es un documento elaborado en 2023 con el propósito de guiar el uso responsable de herramientas de inteligencia artificial generativa dentro del ámbito académico de la Universidad de Harvard. Su objetivo no es imponer una prohibición general, sino establecer principios flexibles que permitan a cada profesor definir su propia política sobre el uso de la IA en sus cursos, con el apoyo institucional necesario para garantizar coherencia, ética e integridad académica.

El texto parte de la idea de que la IA ya forma parte de la vida académica y profesional, por lo que el enfoque adecuado no es evitarla, sino aprender a convivir con ella y a utilizarla con responsabilidad. Para ello, se propone que cada curso de Harvard cuente con una política escrita que indique claramente a los estudiantes qué usos de la IA están permitidos, cuáles están restringidos y cómo afectará su utilización a la evaluación del aprendizaje. Estas políticas deben revisarse periódicamente, dado el rápido avance de la tecnología.

El documento recomienda que las normas sobre IA se integren dentro del código de honor académico y se gestionen en colaboración con órganos como el Harvard College Honor Council. Se insiste en que las políticas deben distinguir entre distintos tipos de herramientas —por ejemplo, modelos de lenguaje o generadores de imágenes— y que no se deben usar detectores automáticos de texto generado por IA como única prueba en casos de posible infracción, ya que su fiabilidad es limitada. Además, se subraya la importancia de ofrecer materiales educativos que ayuden a profesores y estudiantes a comprender tanto las capacidades como los riesgos de estas herramientas.

El código incluye también una serie de plantillas diseñadas para facilitar la implementación de políticas claras en cada asignatura. Entre ellas, se propone exigir que los estudiantes reconozcan y citen explícitamente el uso de herramientas de IA en sus trabajos académicos, explicando cómo las han empleado y evaluado los resultados obtenidos. También se ofrecen cuatro niveles de política posibles, que van desde la autorización total del uso de IA (con la obligación de citarla) hasta su prohibición completa, pasando por modalidades intermedias en las que su uso está permitido solo en fases específicas del trabajo o bajo indicaciones concretas del docente.

En conjunto, el código de conducta propuesto por Harvard busca equilibrar la innovación con la integridad. Promueve una cultura académica que fomente la experimentación y el pensamiento crítico, pero dentro de un marco ético y transparente. Su espíritu es preparar a la comunidad universitaria para un futuro en el que la inteligencia artificial será una herramienta habitual, ayudando a que profesores y estudiantes aprendan no solo a usarla, sino también a cuestionarla, evaluarla y citarla de manera adecuada.

Este enfoque puede servir como referencia útil para otras instituciones educativas —incluidas las bibliotecas universitarias— que deseen desarrollar sus propias guías o programas de alfabetización en IA, especialmente en temas relacionados con la citación, la autoría, la integridad académica y la educación ética en entornos digitales.

Los puntos principales del Proposed Harvard AI Code of Conduct son:

  1. No prohíbe la IA, sino que promueve su uso responsable y regulado por curso.
  2. Integra el uso de la IA dentro del código de honor académico de Harvard.
  3. Exige que cada asignatura defina y comunique su política sobre IA por escrito.
  4. Distingue entre tipos de herramientas (texto, imagen, código, etc.).
  5. Desaconseja usar detectores de IA como única prueba de infracción.
  6. Obliga a reconocer y citar cualquier uso de herramientas de IA.
  7. Ofrece cuatro niveles de política: permitido, parcial, autorizado o prohibido.
  8. Promueve la formación ética y técnica sobre IA para estudiantes y docentes.
  9. Recomienda revisar y actualizar las políticas periódicamente.
  10. Fomenta una cultura de transparencia, responsabilidad y pensamiento crítico ante la IA

lunes, 24 de noviembre de 2025

Resumen Módulo 7. Evaluación del aprendizaje en EaD: fundamentos y práctica (C.EaD-87)

 Por Lorenzo García Aretio

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

Este módulo ha buscado algo más que “cerrar” el tema de la evaluación en educación a distancia y digital (EaD), ha pretendido alinear propósito, evidencias y decisiones para que la evaluación enseñe mientras evalúa. El hilo conductor ha sido, como siempre, el Diálogo Didáctico Mediado (DDM) y, dentro de él, la idea de turnos de palabra pedagógicamente intencionados, así cada intervención, sea del docente, del propio estudiante, del grupo o mediada por recursos/tecnologías, cumple una función formativa concreta (orientar, contrastar, justificar, replantear, comprometer mejoras) en el momento en que más puede contribuir al aprendizaje valioso y a la autonomía.

La primera entrada fijó los fundamentos, sosteniendo que evaluar no es “poner nota”, sino recoger evidencias pertinentes sobre resultados de aprendizaje y transformarlas en juicios criteriales que guían la acción, retroalimentación (feedback) y orientación anticipatoria (feedforward). Después se estableció que la integridad académica no es un apéndice, sino un criterio de calidad que atraviesa diseño, operación y decisiones (validez, consistencia, equidad y accesibilidad, proporcionalidad y debido proceso). La siguiente entrada convirtió el plan en criterio, a través de la tabla de especificación (blueprint) para muestrear lo que importa y rúbrica (rubric) con ejemplos anclados para hacer visible el estándar. En la siguiente entrada situamos la analítica temprana en clave pedagógica, traducido en pocas señales accionables, cercanas al constructo, con feedforward obligatorio para transformar datos en decisión. Otra entrada cartografió pruebas e instrumentos y su ajuste al propósito (qué capta cada formato y cómo combinarlos sin perder equidad). Finalmente se mostró cómo la autoevaluación y coevaluación construyen criterio y autorregulación, y cómo se operan de forma sencilla y fiable en el LMS.

IDEA-FUERZA: EVALUAR PARA APRENDER EN EL DDM

De acuerdo con los postulados del DDM, evaluar para aprender significa diseñar una secuencia de turnos de palabra que conecte propósitos con evidencias y acciones de mejora. El docente explicita el estándar (rúbrica + ejemplos), el estudiante se posiciona frente a él (autoevaluación), los pares ayudan a ver (coevaluación), la analítica temprana avisa de desvíos y el feedforward compromete cambios. La nota llega después, como síntesis justificable del juicio, no como su sustituto. En EaD, donde los ritmos son diversos y los contextos heterogéneos, este escenario evita que la evaluación sea una caja negra y hace comprensible qué cuenta y por qué.

LA INTEGRIDAD COMO CRITERIO EVALUATIVO

Deberíamos considerar una serie de notas que nos puedan tranquilizar respecto al compromiso, la ética y el alejamiento del fraude en la evaluación. Veamos:

  • Validez como argumento. Las evidencias deben representar el constructo y su uso debe ser proporcional al impacto de la decisión. La validez se apoya en la alineación resultados–tareas, en la coherencia de los procesos que exige la tarea con lo que se declara que se mide, en la relación con otras evidencias pertinentes y en la vigilancia de consecuencias. La tarea auténtica y el proceso documentado reducen la distancia entre “producto” y “conocimiento en juego”.
  • Consistencia (fiabilidad) con sentido. La integridad pide decisiones estables cuando se aplican los mismos criterios a evidencias comparables. En la práctica: rúbricas operacionales y ejemplos ancladoscalibración breve al inicio, moderación de casos límite, y —en pruebas objetivas— revisión de ítems y versionado equivalente.
  • Equidad y accesibilidad. Una evaluación no es íntegra si introduce barreras no esenciales (sensoriales, temporales o de conectividad) que nada aportan al constructo. Diseño Universal para el Aprendizaje (DUA) (Universal Design for Learning, UDL) y Pautas de Accesibilidad para el Contenido Web (Web Content Accessibility Guidelines, WCAG 2.2) orientan ajustes razonables sin desnaturalizar lo que se mide. Diseñar accesible mejora la validez eliminando ruido.
  • Proporcionalidad y debido proceso. Medidas como detección de similitud, supervisión remota (proctoring) o controles de navegación deben justificarse por necesidad, idoneidad y mínima intrusión, y explicarse con transparencia. No bloquean la verificación; la ordenan para que sea compatible con la confianza propia del DDM y el respeto a los estudiantes.

BLUEPRINT, RÚBRICA Y EJEMPLOS ANCLADOS

El blueprint (tabla de especificación) distribuye contenidos y procesos cognitivos con proporción y evita sesgos de muestreo. Dice qué debe aparecer y en qué medida. La rúbrica traduce ese plan en criterios y niveles de calidad con descriptores operacionales (qué cambia de un nivel a otro). Los ejemplos anclados (al menos uno por nivel clave y fronteras entre niveles vecinos) muestran cómo se ve el estándar y estabilizan su lectura.

En EaD, se recomienda alojar en el LMS una carpeta de estándares y ejemplos con versiones accesibles (PDF anotado, transcripciones, etc.), comentarios por criterio y una breve dinámica inicial, como leer juntos un ejemplomarcar evidencias por criterio y derivar una regla (“En C2-Excelente hay comparación de alternativas y refutación de una objeción central”). Con ese andamiaje, la evaluación deja de imponer y empieza a enseñar.

ANALÍTICA TEMPRANA QUE ENSEÑA

La analítica temprana sirve si acorta el tiempo entre detectar un problema y hacer algo pedagógicamente útil para atajarlo o reducirlo. Principios:

  • Finalidad pedagógica clara (“si aparece X, ¿qué haré distinto?”).
  • Proximidad al constructo: mejor, microtareas con criterio que “minutos conectados”.
  • Parquedad y simplicidad: pocos indicadores bien elegidos.
  • Accesibilidad y equidad: evitar señales que penalicen conectividad o husos; ajustar a UDL y WCAG 2.2.
  • Transparencia: explicar qué se observa, para qué y cómo se actuará.

FORMATOS E INSTRUMENTOS

Ningún instrumento es mejor en abstracto que otro: sirve o no sirve, según lo que haya que evidenciar y en qué contexto. Así:

  • Pruebas objetivas: que aportan cobertura y eficiencia para conceptos y relaciones bien definidos; requieren tabla de especificación rigurosa, redacción de ítems de calidad y revisión de funcionamiento.
  • Tareas abiertas (respuesta extendida): que capturan calidad de razonamiento y uso de evidencia; necesitan rúbrica + ejemplos anclados y, preferentemente, iteración.
  • Proyectos/prácticas/productos: que muestran aplicación situada; se benefician de entregas parciales, portafolio y defensa breve.
  • Orales/desempeños: que aportan autoría y matiz; exigen criterios claros, tiempos estandarizados y ajustes razonables.
  • Auto/coevaluación: que construyen criterio y alfabetización en feedback.

En EaD es frecuente la combinación:

  • un quiz breve de comprensión + minicaso con defensa;
  • portafolio + breve defensa oral;
  • tareas abiertas con autoevaluación previa, y
  • coevaluación focalizada.

Lo decisivo es alinear formato y constructo, y explicar las reglas de uso.

AUTOEVALUACIÓN Y COEVALUACIÓN

La autoevaluación es el momento en que el estudiante lee su propio trabajo con los criterios, cita evidencias y planifica cambios; no es autocalificarse. Funciona con rúbrica legible, ejemplos anclados, plantilla clara y campo obligatorio de feedforward en el LMS (puede ser textual o breve audio/vídeo, útil también para autoría).

La coevaluación no externaliza la corrección: construye criterio. Se pide evidencia + riesgo + sugerencia por 1–2 criterios foco y se debería realizar en dos rondas breves (borradores tempranos y versiones mejoradas). El cierre incluye síntesis del autor (qué adopta/qué no y por qué) y, si procede, defensa breve. La moderación docente resuelve casos límite y aprovecha lo observado para refinar la rúbrica (verbos, descriptores, ejemplos frontera).

En conjunto, auto/coevaluación escalan la conversación sobre calidad, aceleran iteraciones y fortalecen autorregulación y feedback interno.

CONCLUSIONES

Este Módulo 7 ha mostrado que evaluar bien en EaD es, ante todo, un problema de diseño pedagógico:

  • decidir qué evidencias representan el constructo,
  • cómo se muestran los criterios de calidad y
  • cuándo y para qué habla cada agente en la secuencia del DDM.

Cuando la tabla de especificación evita sesgos de muestreo, la rúbrica y los ejemplos anclados hacen visible el estándar, y el feedforward convierte la información en acción, la evaluación deja de ser un trámite y se convierte en aprendizaje activo.

La integridad (validez, consistencia, equidad y proporcionalidad) no se asegura con más control, sino con mejor diseño y mejor explicación:

  • con tareas que exigen el proceso además del producto,
  • con ajustes razonables que no alteran el constructo,
  • con reglas claras para resolver fronteras, y
  • con moderación ligera que estabiliza juicios y documenta mejoras.

La analítica temprana aporta valor cuando observa pocas señales cercanas al constructo y dispara acciones conocidas; las pedagogías del criterio (auto/coevaluación) democratizan el juicio, afinan el lenguaje de calidad y fortalecen la autoría del estudiante.

Operativamente, menos es más, es decir,

  • pocos instrumentos bien elegidos,
  • iteraciones cortas con explicación de cambios,
  • calibración breve del equipo, y
  • carpeta de estándares visible para todos.

Con ello, la calificación llega al final, explicable y apelable, como síntesis de un proceso que ya ha enseñado. Ese es, en definitiva, el compromiso de este módulo: evaluar para aprender en una EaD exigente, inclusiva y confiable, en coherencia con el DDM.

OpenEdition le sugiere que cite este post de la siguiente manera:
García Aretio (13 de noviembre de 2025). Resumen Módulo 7. Evaluación del aprendizaje en EaD: fundamentos y práctica (C.EaD-87). Contextos universitarios mediados. Recuperado 16 de noviembre de 2025 de https://doi.org/10.58079/15511

viernes, 21 de noviembre de 2025

Viñetas filosóficas: Una herramienta para pensar imágenes

 Por Ramón Besonias



En mi área, Filosofia, uno de los objetivos más recurrentes es intentar que los estudiantes practiquen habilidades de análisis y reflexión crítica y creativa. Acostumbrados a ver miles de imágenes cada día sin voluntad para masticarlas, el aula se convierte en un espacio privilegiado para pensar más lento. 

A su vez, en previsión de que la prueba PAU de Filosofía incorpore en pocos años el análisis crítico y argumentado de imágenes, reforzar este entrenamiento se convierte en necesario. 

Sin embargo, este objetivo curricular no es exclusivo de Filosofía. Todas las áreas podemos reforzar estas habilidades cognitivas. 

Para que los estudiantes de Filosofía practiquen el análisis de imágenes he creado una app interactiva en Gemini a la que si le adjuntas una viñeta que suscite la reflexión, genera estos bloques:


Al pinchar sobre cada ventana de contexto, se abre un contenido que ofrece:

  • Una ficha técnica básica de la viñeta: autor, formato...
  • Una descripción objetiva de la viñeta.
  • Dos interpretaciones filosóficas detalladas.
  • Las ideas de dos o tres filósofos/as que aborden ese tema.
  • Una ayuda para inicial la reflexión personal.
  • Una pregunta para rumiar.


El estudiante debe previamente comprender cada bloque, qué se pide en él y cómo abordarlo de forma autónoma cuando no tenga a mano la IA como ayuda. Esta app, de hecho, es un entrenador auxiliar, no un sustituto. Le ofrece análisis a diferentes viñetas que puede probar antes de que el docente le pida realizar una prueba escrita en el aula, o para practicar este modelo de análisis y reflexión, que después expondrá en clase a modo de ejercicio previo. 

La app está configurada de tal forma que el análisis y reflexión sean asequibles para el estudiante de 4º de ESO y Bachillerato, aunque la dificultad posterior en el aula se puede modular en función de los objetivos, las competencias del estudiante y la naturaleza de las tareas que acompañen al uso de esta app. Por ejemplo:

  • Probar una viñeta, leer los contenidos que aporta la app, anotarlos con sus palabras en un folio, hacer un esquema previo a una exposición oral de lo aprendido.
  • Después de practicar con la app con varias viñetas, realizar una prueba escrita siguiendo los 4 bloques: ficha, descripción, interpretación y reflexión personal. 
  • Que cada estudiante escuche a un compañero/a durante su exposición y plantee su propio análisis, interpretación y reflexión, con contra argumentos. 
  • Hacer un debate a partir de una exposición o una viñeta de prueba.
  • Investigar las ideas de filósofos/as que aborden el tema de la viñeta y exponerlas en clase. Contrastar filósofos/as con ideas opuestas en equipos de dos estudiantes, que expongan la dialéctica de esas ideas.
  • ...


Este tipo de apps pueden diseñarse para otros fines y contenidos, en cualquier área de estudio. Diseñar una app en Gemini es muy fácil. Solo requiere tener una cuenta gratuita (en la educativas no deja compartir las apps) o de pago, abrir el modo Canvas, indicar lo que deseas crear. 

  • En Historia, análisis de propaganda (de guerra, políticos, sociales).
  • En Historia del Arte, análisis crítico de obras de arte.
  • En Ciencias (Biología/Geografía), interpretación de diagramas.
  • En Lengua y Literatura, análisis paratextual de portadas de libros, versiones gráficas, cómics...
  • Como alfabetización mediática, deconstruyendo anuncios.
  • En Comunicación Audiovisual, análisis de fotogramas.
  • En Psicología o Tutoría, practicar la inteligencia emocional reconociendo y analizando gestos, posturas...
  • En Tecnología, realizando análisis de objetos, simulaciones, estructuras...


Te sugiero un prompt maestro que te sirva de base para crear tu propia app de análisis de imágenes:

Crea una aplicación interactiva llamada "[NOMBRE DE TU APP]".

La misión de esta herramienta es ayudar a los estudiantes a desarrollar su pensamiento crítico en el área de [ÁREA O ASIGNATURA]. La experiencia debe ser muy sencilla y visual: el estudiante verá un diseño limpio y moderno (adaptado a ordenadores, tabletas y móviles) con un título grande y una invitación clara a subir una imagen relacionada con [AÑADE UN TEMA].  

Cuando el estudiante suba la imagen, la aplicación debe analizarla usando visión artificial. Quiero que la IA actúe como un [TU ROL: Ej. guía de museo, científico curioso, historiador detective]. Su tono debe ser [TONO: Ej. cercano y motivador / riguroso pero claro].  El análisis generado no debe ser un bloque de texto aburrido, sino que debe estructurarse estrictamente en estas secciones:  

  • Ficha Técnica: Datos objetivos de la imagen (Autor, fecha, tipo, lugar, etc., según corresponda).  
  • Lo que vemos (Descripción): Una descripción detallada de los elementos visuales, colores y composición.  [NOMBRE DE TU BLOQUE CENTRAL]: Aquí es donde profundizamos. Explica el significado, la función o el simbolismo de lo que se ve. Ve de lo literal a lo abstracto. Separa bien los párrafos.  
  • Conexiones y Referentes: Relaciona la imagen con [TEORÍA/AUTORES: Ej. teorías científicas / movimientos artísticos]. Cita ideas clave o autores relevantes explicados de forma sencilla.  
  • Pautas para pensar: No le des todo hecho. Ofrécele 3 o 4 preguntas guía para que el estudiante observe de nuevo y deduzca cosas por sí mismo.  
  • La última sección será una "Pregunta Final" provocadora y abierta que conecte el tema con la vida real del estudiante. Esta pregunta NO debe estar en el acordeón, sino que debe aparecer en una ventana emergente (modal) al pulsar un botón atractivo al final del todo.  

La información debe desplegarse de forma elegante para no abrumar.  Usa un sistema de acordeón desplegable para las primeras secciones. Cada sección debe tener un color distintivo y agradable.  Asegúrate de que haya espacio visual entre los párrafos para facilitar la lectura.  

Los contenidos deben estar adaptados al nivel y lenguaje del estudiante. Si la IA usa términos técnicos complejos en su análisis, debe definirlos brevemente entre paréntesis. 

Tomado de IA educativa 

jueves, 20 de noviembre de 2025

Autoevaluación y coevaluación con calidad (C.EaD-86)

 Por Lorenzo García Aretio

AUDIO   –   VÍDEO

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

La autoevaluación y la coevaluación o evaluación entre pares no son un añadido de adorno en educación a distancia y digital (EaD). Bien diseñadas, funcionan como mecanismos de aprendizaje porque ayudan al estudiantado a leer su propio trabajo y el de otros, con los criterios establecidos en la asignatura, a aplicar esos criterios para emitir un juicio fundamentado y a planificar o sugerir cambios concretos para la siguiente versión. Mucho antes de emitir una calificación, invitan a leer criterios (rúbrica), comparar evidencias con ejemplos anclados, detectar brechas y planificar cambios para la siguiente iteración.

En términos de Diálogo Didáctico Mediado (DDM) (García Aretio, 2001; 2025), amplían las “voces” del diálogo, dado que el docente no es el único que interpreta el estándar; el propio estudiante aprende a usar los criterios para orientar su trabajo y el de otros. Ahora bien, la promesa solo se cumple si se cuidan estos tres pilares:

  • Propósito claro: la auto/coevaluación no pone notas; construye criterio y alimenta ciclos de retroalimentación (feedback) y orientación anticipatoria (feedforward) (Carless y Boud, 2018; Winstone y Carless, 2019).
  • Andamiaje: los apoyos pueden sustanciarse en criterios bien escritos, ejemplos anclados, instrucciones de uso y miniformación para evaluar con justicia.
  • Normas/gobernanza: reglas transparentes (si hubiera calificación), calibración moderación docente en casos de borde o límite entre niveles, con atención a accesibilidad y a condiciones de equidad propias de la EaD.

Esta entrada ofrece, primero, un marco que explica qué son y para qué sirven; después, diseños operativos de autoevaluación y coevaluación que cualquier equipo docente de diferentes áreas puede aplicar en su LMS y, por último, condiciones de calidad (validez, consistencia, ética, accesibilidad) para que funcionen a escala. Nos apoyaremos en la noción de alfabetización en retroalimentación (la capacidad del estudiante para comprender criterios, juzgar evidencias y actuar en consecuencia) y en el concepto de feedback interno (las comparaciones y juicios que el propio estudiante genera al cotejar su trabajo con referentes de calidad) (Carless y Boud, 2018; Nicol, 2021, 2022; Winstone y Carless, 2019). En suma: enseñar a evaluar es una forma poderosa de enseñar a aprender.

MARCO: QUÉ SON Y QUÉ APORTAN

Autoevaluación con sentido

La autoevaluación no es decidirse la nota, sino un ejercicio metacognitivo en el que el estudiante compara su producción con criterios visibles y con ejemplos anclados, localiza evidencias que sostienen un nivel y propone cambios concretos para la siguiente versión. Funciona cuando no se limita a marcar casillas, sino que obliga a citar fragmentos del propio texto, informe o prototipo (“en este párrafo justifico la hipótesis con dos fuentes primarias → Criterio 2 -C2-, nivel Notable”) y a planificar una mejora (“añadiré una comparación de alternativas para acercarme al nivel Excelente”). En el marco del Diálogo Didáctico Mediado (DDM), la autoevaluación es un turno de palabra argumentado porque el estudiante explica cómo interpreta el estándar y qué hará con esa interpretación.

Coevaluación entre pares con criterio

La coevaluación es el uso de los mismos criterios señalados antes, pero para valorar y comentar trabajos de compañeros. Su valor principal no es externalizar correcciones, sino construir y consolidar criterio, dado que al evaluar a otros, el estudiante genera feedback interno por comparación natural y reinterpreta su propio trabajo a la luz de lo observado. Para que esto ocurra, la tarea de comentar debe estar guiada (p. ej., “señala una evidencia concreta, un riesgo y una sugerencia práctica por criterio”) y anclada en la rúbrica; de lo contrario, se queda en impresiones superficiales (“me gusta/no me gusta”).

Por qué merecen espacio en EaD

En entornos en línea con ritmos diversos, la auto/coevaluación democratiza la conversación, el diálogo didáctico, sobre calidad porque no todo pasa por el docente. Acelera ciclos de mejora porque introduce más ojos y más momentos de lectura criterial, y mejora la consistencia del sistema si se acompaña de ejemplos anclados y de una rúbrica legible. No sustituyen el juicio docente, más bien lo preparan porque puede llegar a mejores borradores, y lo enriquecen porque aporta trazas de razonamiento del estudiante que el docente, a veces, no llega a intuir.

AUTOEVALUACIÓN Y COEVALUACIÓN QUE ENSEÑEN

Antes de pedir una autoevaluación dejar claro para qué sirve y qué no es. Sirve para que el estudiante lea su propio trabajo con los criterios de la asignatura, identifique pruebas internas de lo que ha logrado y planifique cambios para la siguiente versión. No es “ponerse nota”. Un texto útil de encuadre podría ser:

Esta autoevaluación tiene un fin formativo, es decir, te ayudará a decidir qué cambiar en tu siguiente versión. No modifica la calificación por sí sola. Trabaja con la rúbrica y cita fragmentos de tu trabajo para justificar cada decisión.

Explicitar el momento, por ejemplo, la autoevaluación iría antes de la revisión por pares o del envío al docente, para que pueda influir de verdad en el producto.

Por su parte la coevaluación sirve para mejorar borradores y afinar el criterio del propio revisor. Para que no se convierta en opiniones vagas, pedir comentarios anclados en criterios y sugerencias prácticas. Un texto de guía podría ser así:

No calificas a tu compañero: lo ayudas a mejorar. Por cada criterio foco de esta ronda, escribe una evidencia concreta que hayas visto, un riesgo que detectes y una sugerencia que pueda aplicar en su próxima versión.

Se debe aclarar si contará para la nota y cómo (se recomienda un porcentaje pequeño por calidad de la revisión, no por ser “benévolo” o “estricto”).

VALIDEZ, CONSISTENCIA, ÉTICA Y ACCESIBILIDAD

Validez: juzgar lo que importa

La validez de contenido exige que los criterios y ejemplos representen el resultado de aprendizaje declarado, y que el uso de los resultados sea proporcional al impacto de la decisión (AERA, APA, y NCME, 2014). Si el objetivo es “argumentar con evidencia”, la auto/coevaluación debe mirar tesis, pruebas, inferencias y refutaciones, no solo ortografía o formato. Alinea los primeros encargos con esos criterios para que haya evidencia temprana sobre el constructo (no sobre destrezas periféricas).

Consistencia: estabilizar el uso de criterios

Para reducir la variabilidad entre evaluadores:

  • Calibración inicial con ejemplos anclados. Al inicio de cada ronda, todo el equipo corrige 2–3 trabajos de referencia con la misma rúbrica. Luego se comparan los resultados criterio por criterio; si no coinciden, se reformula el descriptor o se añade un ejemplo hasta entenderlo igual.
  • Reglas de decisión cuando cuenta para la nota. Publicar mínimos imprescindibles en criterios clave (p. ej., “si C2 no alcanza Suficiente, no se aprueba la tarea”). Si hay valoraciones de pares, explica cómo se combinan:
    • por media simple de sus puntuaciones;
    • o dando más peso al tutor si participa.
    • Si hay 3 o más revisiones y una se aleja mucho de las demás en un criterio, se descarta y se recalcula. En casos de frontera (entre dos niveles o, por ejemplo, 4,8–5,0), indicar el procedimiento: revisión del fragmento afectado y, si hace falta, defensa breve del estudiante (3–5 minutos).
  • Moderación docente y mejora continua. Revisar una muestra y todos los casos límite; dejar por escrito los acuerdos y ajusta la rúbrica para la siguiente edición (verbo de desempeño más claro, descriptor mejor matizado y ejemplos frontera que ilustren la diferencia entre niveles).

Ética y clima de aprendizaje

Cuidar el tono y la seguridad de la interacción: establecer normas de respeto (criticar la obra, no a la persona), habilitar canales para reportar incidencias y decidir cuándo conviene anonimato simple. Recordar el mensaje de fondo: el fin es aprender a evaluar y evaluar para aprender; la coevaluación no es un jurado, es una conversación guiada.

Accesibilidad y equidad

Aplica Diseño Universal para el Aprendizaje (UDL) y las Pautas de Accesibilidad para el Contenido Web (WCAG 2.2), es decir, instrucciones claras, navegación coherente, foco visible y alternativas razonables (CAST, 2024W3C/WAI, 2024). Las instrucciones en lenguaje claro, navegación coherente, foco visible, alternativas textuales a lo audiovisual y tiempos razonables. En EaD, contemplar conectividad y husos: ofrecer variantes equivalentes (p. ej., comentario por audio en lugar de texto) cuando no alteren el constructo. La equidad no es un añadido; es una condición de validez.

¿CÓMO SE RELACIONAN CON LA CALIFICACIÓN?

Tres modelos legítimos (elegir y publícar desde el inicio)

  • Formativo puro: la auto/coevaluación no cuenta para la nota; su función es mejorar el producto y desarrollar criterio. Recomendado en primeros cursos o primeras rondas.
  • Peso ligero por realización de calidad: asigna un 5–10 % a cumplir con calidad (usar criterios, citar evidencias, proponer acciones), no a la “benevolencia” en la valoración. Esto incentiva el trabajo serio sin distorsionar el constructo.
  • Reglas de decisión (con prudencia): si se incorporan juicios de pares en la nota final, definir cómo se agregan (media simple/ponderada, descarte de extremos) y fijar mínimos no compensables en criterios nucleares (p. ej., C2 Argumentación con evidencia ≥ “Suficiente”). Dejar claro que la moderación del docente prevalece en casos de borde.

Errores frecuentes (y cómo evitarlos)

  • Confundir el propósito: pedir coevaluación “para poner nota” sin guion produce comentarios pobres. Solución: define propósitos formativos, guion y criterios foco.
  • Sobrecargar: demasiados criterios a la vez. Solución: 1–2 criterios por ronda y plantillas breves.
  • Opacidad: no explicar cómo se usa (o no) en la calificación. Solución: texto de transparencia y reglas visibles.
  • Desigualdad de acceso: ignorar conectividad/husos. Solución: franjas alternativas y opciones asincrónicas equivalentes cuando el constructo lo permita.

CONCLUSIONES

La autoevaluación y la coevaluación con calidad son pedagogías del criterio que funcionan especialmente bien en EaD porque multiplican voces, aceleran iteraciones y proporcionan señales tempranas de comprensión y de proceso. Su potencia reside en cómo se diseñan:

  • rúbricas legibles que encarnan el constructo,
  • ejemplos anclados que hacen visible el estándar,
  • guiones que obligan a citar evidencias y a proponer acciones de mejora, y
  • un circuito en el LMS que asegura que el feedback se convierta en feedforward (explicación de cambios) y en nuevas versiones.

Para sostener validez y consistencia, la práctica necesita calibración inicial, moderación de casos de borde y reglas de decisión claras cuando haya efecto sumativo (incluidos mínimos no compensables en criterios nucleares). La accesibilidad (Diseño Universal para el Aprendizaje y WCAG 2.2) y la equidad (conectividad, husos, dispositivos) no son añadidos opcionales, sino condiciones de posibilidad porque sin ellas, juzgamos barreras y no aprendizaje.

Ninguno de estos elementos exige tecnología sofisticada, basta con propósitos nítidoscriterios comprensiblesejemplos bien elegidos y un flujo simple que conecte datos, juicio y acción. Se debe empezar sencillo, por ejemplo, una autoevaluación honesta y una coevaluación con 1–2 criterios foco, y dejar que cada edición aprenda de la anterior para afinar descriptores, ajustar cargas y mejorar tiempos. En ese camino, la evaluación deja de ser una caja negra y se convierte en una conversación guiada, es decir, más transparente para el estudiante, más explicable para el docente y más fiable para la institución.

CUESTIONES PARA LA REFLEXIÓN Y EL DEBATE

  • ¿Vamos a establecer, como norma de centro, que toda asignatura con tareas abiertas incluya al menos una iteración (proceso repetitivo) con autoevaluación y coevaluación guiadas (rúbrica + ejemplos), con explicación de cambios obligatoria antes de la versión final?
  • ¿Cómo organizaremos dos momentos cortos por semestre (inicio y cierre) para calibrar el uso de criterios con ejemplos anclados y moderar casos de borde, dejando acuerdos escritos para la siguiente edición?

FUENTES

  • AERA, APA, y NCME. (2014). Standards for educational and psychological testing. American Educational Research Association.
  • Carless, D., y Boud, D. (2018). The development of student feedback literacy: Enabling uptake of feedback. Assessment & Evaluation in Higher Education, 43(8).
  • CAST. (2024). UDL Guidelines 3.0https://udlguidelines.cast.org/
  • García Aretio, L. (2001). Educación a distancia. De la teoría a la práctica. Ariel.
  • García Aretio (2025). Diálogo Didáctico Mediado (DDM): Hacia una teoría superadora en educación a distancia. Contextos universitarios mediados.
  • Nicol, D. (2021). The power of internal feedback: Exploiting natural comparison processes. Assessment & Evaluation in Higher Education, 46(5).
  • W3C/WAI. (2024). Web Content Accessibility Guidelines (WCAG) 2.2https://www.w3.org/TR/WCAG22/
  • Winstone, N., y Carless, D. (2019). Designing effective feedback processes in higher education: A learning-focused approach. Routledge.
OpenEdition le sugiere que cite este post de la siguiente manera:
García Aretio (10 de noviembre de 2025). Autoevaluación y coevaluación con calidad (C.EaD-86). Contextos universitarios mediados. Recuperado 16 de noviembre de 2025 de https://doi.org/10.58079/154cx