IA4. Evaluación en tiempos de IA 1. Introducción: La evaluación en la era de la inteligencia artificial 1.1 Introducción La irrupción de la inteligencia artificial (IA) en el ámbito educativo está transformando de manera significativa los procesos de enseñanza aprendizaje, y, de forma muy particular, la evaluación. En este nuevo contexto, el profesorado nos enfrentamos al reto de repensar cómo valorar el aprendizaje del alumnado en un entorno donde el acceso a herramientas capaces de generar textos, resolver problemas, crear productos complejos,... es inmediato y generalizado. La evaluación, entendida como un proceso sistemático para recoger información, interpretarla y tomar decisiones pedagógicas, adquiere una nueva dimensión en tiempos de IA ya no se trata únicamente de medir resultados finales, sino de comprender cómo se produce el aprendizaje en interacción con estas tecnologías. Esto nos obliga a desplazar el foco desde la simple comprobación de conocimientos hacia la valoración de competencias, procesos, pensamiento crítico y uso responsable de herramientas digitales. En este punto, recordemos: La evaluación educativa se define como un proceso continuo, sistemático y participativo de recogida de información relevante sobre los procesos de aprendizaje del alumnado y la práctica docente. Su objetivo principal no es la mera fiscalización del resultado, sino la comprensión del proceso educativo para orientar la toma de decisiones pedagógicas que permitan mejorar y ajustar la intervención educativa a las necesidades reales del grupo y de cada estudiante. Evaluación con IA (creado por Pablo Ruiz con Gemini) En cuanto a sus diferencias con la calificación: La evaluación es un concepto cualitativo y global que busca identificar fortalezas y áreas de mejora mediante el análisis de evidencias para fomentar el progreso constante del alumno. Por el contrario, la calificación es un acto administrativo y puntual a través del cual se traduce el juicio evaluativo en un valor escalar (numérico o nominal) que certifica el logro de unos objetivos en un momento específico. Mientras que evaluar es un proceso para ayudar a aprender, calificar es la formalización de un resultado con fines de acreditación. En este escenario, la IA puede convertirse en un apoyo relevante para nosotros/as los/as docentes, especialmente en tareas como la generación de retroalimentación (feedback), la creación de instrumentos de evaluación o el análisis de evidencias de aprendizaje. Por ejemplo, podemos utilizar una herramienta de IA para proponer distintos niveles de retroalimentación sobre un mismo texto escrito por el alumnado, facilitando así una atención más personalizada. Sin embargo, este uso debe realizarse siempre bajo criterios pedagógicos claros y con una supervisión constante. Es fundamental establecer desde el inicio algunos principios básicos que guiarán el uso de la IA en evaluación a lo largo del curso: La IA puede ser una herramienta útil para apoyar la evaluación, pero no debe sustituir el juicio profesional del docente. La toma de decisiones finales siempre nos corresponde a nosotros/as (profesorado). La IA es especialmente valiosa para proporcionar feedback formativo, pero no debe utilizarse como sistema de calificación automatizada del alumnado. El uso de datos en herramientas de IA exige una atención especial a la privacidad: es imprescindible anonimizar cualquier información de nuestro alumnado antes de introducirla en estos sistemas. Las salidas generadas por la IA deben ser siempre revisadas críticamente por nosotros/as como docentes antes de ser utilizadas o compartidas. Además, la presencia de la IA en el aula también plantea preguntas clave sobre la autoría, la originalidad y la validez de las evidencias de aprendizaje. Por ejemplo, si un estudiante nos entrega un ensayo elaborado con ayuda de una IA generativa, ¿qué es lo que se está evaluando realmente? ¿El producto final, el proceso seguido, o la capacidad de utilizar herramientas digitales de forma crítica y ética? Estas cuestiones obligan a revisar los enfoques tradicionales de evaluación. IA en abstracto (Pablo Ruiz con Gemini) Por otro lado, el uso educativo de la IA debe alinearse con el marco normativo vigente y con los principios de equidad, inclusión y protección de datos. En el contexto de Aragón y del sistema educativo español, esto implica integrar la IA dentro de una evaluación competencial, coherente con el currículo y respetuosa con los derechos de nuestro alumnado. En definitiva, la evaluación en la era de la inteligencia artificial no consiste en incorporar tecnología de manera acrítica, sino en redefinir los procesos evaluativos para que sigan siendo rigurosos, justos y centrados en el aprendizaje. La IA ofrece oportunidades, pero también exige una mayor responsabilidad profesional en la interpretación de evidencias y en la toma de decisiones pedagógicas. Un gran poder conlleva una gran responsabilidad Antiguo adagio, de al menos el siglo I a. C., que hace alusión a la espada de Damocles. Popularizado por los comics de Marvel 1.2. Retos actuales de la evaluación educativa La evaluación educativa atraviesa en la actualidad (y como siempre) un momento de cambio profundo, impulsado tanto por la transformación digital como por la incorporación creciente de la inteligencia artificial en los procesos de aprendizaje. Este contexto plantea una serie de retos que nos afecta en todas las etapas educativas y que nos obliga a revisar prácticas tradicionales para adaptarlas a nuevas realidades. Uno de los principales desafíos es la validez de las evidencias de aprendizaje. El acceso generalizado a herramientas de IA capaces de generar textos, resolver ejercicios o elaborar productos complejos dificulta determinar en qué medida una tarea refleja realmente el nivel de competencia de nuestro alumnado. Por ejemplo, un trabajo escrito puede presentar una gran calidad formal gracias al uso de IA, pero no necesariamente evidenciar una comprensión profunda de los contenidos. Esto obliga a diseñar situaciones de evaluación que pongan el foco en el proceso, la reflexión y la aplicación contextualizada del conocimiento . Relacionado con lo anterior, surge el reto de la autoría y la integridad académica. La facilidad para utilizar IA sin dejar rastro evidente plantea interrogantes sobre la originalidad de las producciones del alumnado. En lugar de centrarse exclusivamente en la detección del uso de estas herramientas, el profesorado necesita promover un uso ético y transparente , incorporando la IA como objeto de aprendizaje y estableciendo criterios claros sobre cuándo y cómo puede utilizarse . Otro aspecto clave es la transformación del tipo de tareas evaluativas. Las actividades basadas en la repetición o en la reproducción de información pierden sentido en un entorno donde la IA puede resolverlas de manera inmediata. Esto impulsa la necesidad de plantear tareas más complejas, abiertas y competenciales, que requieran análisis, pensamiento crítico, creatividad o transferencia a situaciones reales . Por ejemplo, en lugar de pedir un resumen de un tema, puede solicitarse una valoración crítica comparando distintas fuentes o la aplicación de un concepto a un caso práctico. IA vs retos (Pablo Ruiz con Gemini) Asimismo, la evaluación debe responder al reto de la personalización del aprendizaje . La diversidad en el aula exige instrumentos y estrategias que permitan recoger evidencias variadas y adaptadas a diferentes ritmos y estilos . En este sentido, la IA puede ofrecer apoyo para generar feedback individualizado, siempre bajo supervisión docente. Por ejemplo, un docente puede apoyarse en la IA para proponer diferentes formas de retroalimentación sobre una misma tarea, ajustándolas posteriormente a cada alumno o alumna. La gestión ética y segura de los datos constituye otro reto fundamental. El uso de herramientas digitales, especialmente aquellas basadas en IA, implica el tratamiento de información que puede ser sensible. Es imprescindible garantizar la protección de datos de nuestro alumnado , lo que implica, entre otras medidas, anonimizar cualquier información antes de introducirla en estas herramientas y seleccionar plataformas que cumplan con la normativa vigente. Todo lo indicado hasta el momento no dejar de ser una nueva tarea sobre nuestras sobrecargadas espaldas por lo que tratar de utilizar estas herramientas para conseguir eficiencia de los procesos de evaluación podría sernos de gran utilidad pues la evaluación continua y competencial requiere tiempo y dedicación , lo que puede generar dificultades en contextos con ratios elevadas,  múltiples grupos o una absurda carga de burocracia inútil. Aquí, la IA puede actuar como apoyo para agilizar ciertas tareas (como la generación de rúbricas o propuestas de feedback), pero sin sustituir el juicio profesional . En ningún caso debe delegarse en la IA la calificación automatizada del alumnado. Por último, emerge el reto de nuestro rol como docentes de garantes del proceso de evaluación. En un entorno mediado por tecnologías, debemos reforzar nuestro papel como diseñadores/as de situaciones de aprendizaje (recomendamos el curso IA en el Diseño Curricular para profundizar en esta cuestión) , intérpretes de evidencias y responsables últimos de las decisiones . Esto implica no solo utilizar la IA , sino comprender sus limitaciones, revisar críticamente sus resultados y asegurar que la evaluación siga siendo justa, inclusiva y orientada al aprendizaje . Si has vivido el surgimiento de cualquiera de estos elementos: Encarta , internet, El rincón del vago , Wikipedia,... estoy seguro de que todos estos retos no te son nuevos y esperamos que con esta formación podamos arrojarte algo de luz en la temática que nos ocupa (evaluación e IA). 1.3. Evaluación formativa, sumativa y competencial con apoyo de IA La integración de la inteligencia artificial en los procesos de evaluación permite reforzar distintos enfoques evaluativos , siempre que se utilice con criterios pedagógicos claros y bajo la supervisión del profesorado. En este sentido, resulta especialmente relevante analizar cómo puede apoyar la evaluación formativa, la sumativa y la evaluación por competencias, sin sustituir en ningún caso la responsabilidad docente en la toma de decisiones . La evaluación formativa , orientada a mejorar el aprendizaje durante el proceso, es el ámbito donde la IA ofrece mayores posibilidades . Su capacidad para generar retroalimentación inmediata puede ayudar a que nuestro alumnado identifique errores, comprenda cómo mejorar y avance de manera más autónoma. Por ejemplo, un/a docente puede utilizar una herramienta de IA para obtener sugerencias de mejora sobre un texto escrito, como la claridad de las ideas o la coherencia argumentativa. No obstante, este feedback debe ser siempre revisado, adaptado y contextualizado por el profesorado, evitando su uso automático o despersonalizado . La clave está en utilizar la IA como apoyo para enriquecer la retroalimentación, no para delegarla completamente. En el caso de la evaluación sumativa , cuyo objetivo es certificar el grado de logro en un momento determinado, el papel de la IA debe ser mucho más limitado . Aunque puede resultar útil para diseñar instrumentos de evaluación (como bancos de preguntas, rúbricas o criterios de corrección), no debe emplearse para asignar calificaciones de forma automatizada . La calificación implica un juicio profesional que debe tener en cuenta múltiples factores, incluyendo el contexto del alumnado y la interpretación de evidencias. Por ejemplo, una IA puede sugerir una posible valoración de una tarea, pero la decisión final sobre la calificación corresponde exclusivamente al docente. En cuanto a la evaluación competencial , centrada en la aplicación integrada de conocimientos, habilidades y actitudes en contextos significativos, la IA puede ser una aliada en el diseño de situaciones de aprendizaje más complejas y auténticas . Puede ayudar a generar escenarios, estudios de caso o problemas abiertos que requieran movilizar distintas competencias. Por ejemplo, en una materia como Ciencias Sociales, la IA puede proponer un caso práctico sobre la gestión de recursos en una ciudad que nuestro alumnado debe analizar desde diferentes perspectivas. Asimismo, puede sugerir indicadores de logro o descriptores para rúbricas competenciales, que posteriormente deberemos ajustar al currículo y a contexto específico. Los tortuosos caminos de la evaluación con IA (Pablo Ruiz con Gemini) Un aspecto transversal en estos tres enfoques es la necesidad de garantizar un uso ético y responsable de la IA . Esto implica, entre otras cuestiones, anonimizar los datos del alumnado cuando se utilicen herramientas externas, evitar la dependencia excesiva de estas tecnologías y fomentar en nuestro alumnado una comprensión crítica de su funcionamiento . Siempre que la IA se utilice como una herramienta complementaria al servicio de nuestro criterio pedagógico puede sernos de gran utilidad. 1.4. Qué puede y qué no debe hacer la IA en los procesos de evaluación La incorporación de la inteligencia artificial en la evaluación educativa exige delimitar con claridad sus usos adecuados y sus límites. No se trata únicamente de una cuestión técnica, sino también pedagógica, ética y legal. Establecer estos márgenes permite aprovechar su potencial sin comprometer la equidad, la validez de la evaluación ni los derechos del alumnado. En cuanto a lo que la IA puede hacer, su utilidad se sitúa principalmente en tareas de apoyo al profesorado. Puede ayudar a generar instrumentos de evaluación (como rúbricas, listas de cotejo o preguntas), ofrecer propuestas de retroalimentación sobre producciones de nuestro alumnado o sugerir mejoras en el diseño de actividades. Por ejemplo, podemos introducir un texto anonimizado y solicitar a la IA ideas de feedback centradas en la estructura argumentativa o la adecuación al registro. También puede servir para analizar patrones generales en el aprendizaje del grupo (por ejemplo, errores frecuentes), facilitando así la toma de decisiones didácticas. Sin embargo, estas posibilidades deben entenderse siempre como un apoyo orientativo, no como un sustituto del juicio profesional. Las respuestas de la IA no son infalibles ni neutras: pueden contener errores, sesgos o interpretaciones inadecuadas, por lo que requieren revisión crítica antes de ser utilizadas. En relación con lo que la IA no debe hacer, es fundamental establecer límites claros. En primer lugar, no debe emplearse para la calificación automatizada del alumnado . La asignación de calificaciones implica una responsabilidad profesional y administrativa que no puede delegarse en un sistema automatizado, ya que requiere contextualización, interpretación y garantía de equidad. Tampoco debe utilizarse para tomar decisiones que afecten directamente a nuestro alumnado sin nuestra supervisión , como la promoción, la repetición o la valoración final de competencias. Delegar este tipo de decisiones en la IA supondría una pérdida de control pedagógico y podría generar situaciones injustas o difíciles de justificar. Desde el punto de vista ético , uno de los principales riesgos es la introducción de sesgos . Los sistemas de IA pueden reproducir o amplificar desigualdades si se utilizan de forma acrítica. Por ejemplo, una herramienta que genere feedback puede favorecer ciertos estilos de expresión o referencias culturales, penalizando indirectamente a parte de nuestro alumnado. Por ello, debemos revisar siempre las salidas de la IA y adaptarlas a la diversidad de nuestras aulas . En el plano legal , destaca la importancia de la protección de datos personales. Muchas herramientas de IA funcionan a través de servicios externos, lo que implica la cesión de información. Es imprescindible anonimizar cualquier dato de nuestro alumnado antes de utilizar estas herramientas , evitando nombres, identificadores o cualquier elemento que permita su reconocimiento. Además, deben utilizarse únicamente plataformas que cumplan con la normativa vigente en materia de protección de datos . Aquí es dónde, insisto, creo que una relación de herramientas proporcionadas por el Departamento nos sería de gran utilidad. Representación gráfica de este capítulo (Pablo Ruiz con Gemini) Otro aspecto relevante es la transparencia en el uso de la IA . El alumnado debe conocer cuándo y cómo se están utilizando estas herramientas en los procesos de evaluación, así como los criterios que guían su uso. Esto contribuye a generar confianza y a fomentar un uso responsable por parte de toda la comunidad educativa. Si pedimos que cuando utilicen IA en un trabajo la citen y dejen claro que dónde y para qué la estén utilizando sería una buena práctica el comunicar a nuestro alumnado como usamos la IA para evaluar su desempeño. La IA no debe sustituirnos como docentes garantes de la calidad y la justicia del proceso de evaluación. Su uso debe estar siempre subordinado a criterios pedagógicos, éticos y normativos , manteniendonos como responsables últimos/as de la interpretación de evidencias y de la toma de decisiones. 1.5. Rol de docente: control pedagógico y toma de decisiones Nuestro rol del docente no se reduce, sino que se vuelve más relevante y complejo (si cabe). Lejos de delegar funciones asumimos un papel central como garantes del sentido pedagógico de la evaluación, responsable último de la interpretación de las evidencias de aprendizaje y de la toma de decisiones que afectan a nuestro alumnado. El control pedagógico implica que, como docentes, definimos qué se evalúa, cómo se evalúa y con qué finalidad (como ya hacíamos antes de la IA). Aunque la IA puede sugerir instrumentos, criterios o incluso propuestas de retroalimentación, somos nosotros/as quienes debemos seleccionar, adaptar y validar estos elementos en función del currículo, del contexto del aula y de las características de nuestro alumnado (como también hacíamos antes de la IA). Por ejemplo, una rúbrica generada con ayuda de IA debe ser revisada para asegurar que se ajusta a los criterios de evaluación establecidos y que es comprensible y útil para nuestro alumnado. Además, debemos ejercer una supervisión constante de las salidas de la IA . Esto supone analizar críticamente las propuestas generadas, detectar posibles errores o sesgos y decidir si son adecuadas antes de utilizarlas. La IA no tiene conocimiento del contexto específico de nuestro aula o centro, por lo que sus aportaciones requieren siempre una contextualización pedagógica. Esta supervisión no es opcional, sino una responsabilidad inherente al uso de estas herramientas . Docentes al mando (Pablo Ruiz con Gemini) En relación con la toma de decisiones, debemos mantener la responsabilidad exclusiva sobre aspectos clave como la valoración del aprendizaje, la calificación y las decisiones académicas. La IA puede ofrecer información o sugerencias, pero no puede sustituir nuestro juicio profesional. Por ejemplo, ante una producción del alumnado, una herramienta de IA puede proponer distintos niveles de logro, pero nos corresponde a nosotros/as interpretar esa evidencia teniendo en cuenta el proceso seguido, el progreso del alumno/a y la normativa. Otro elemento fundamental de nuestra labor es la mediación y orientación del alumnado en el uso de la IA. Debemos enseñar no solo contenidos, sino también a utilizar estas herramientas de forma crítica, ética y responsable. Esto incluye establecer normas claras sobre su uso en tareas evaluables, fomentar la transparencia (por ejemplo, indicando cuándo se ha utilizado IA en una actividad) y promover la reflexión sobre su impacto en el aprendizaje. Asimismo, debemos velar por el cumplimiento de principios esenciales como la equidad, la inclusión y la protección de datos . Esto implica, entre otras cuestiones, garantizar que el uso de la IA no genere desigualdades entre nuestro alumnado y que cualquier información utilizada esté debidamente anonimizada cuando se introduzca en herramientas externas. En definitiva, actuaremos como eje vertebrador del proceso de evaluación, integrando la IA como un recurso más, pero manteniendo el control pedagógico y la responsabilidad en cada una de las decisiones que adoptemos . Frase esta que aplicamos a la IA pero podríamos aplicarla a cualquier cambio que en los últimos 20-30 años haya habido en el mundo y que han impactado en la educación. 1.6. Normativa Esta página está sacada completamente del curso IA en Educación: Ética y Responsabilidad en la práctica docente . Concretamente del capítulo 4. Marco legal . Reglamento Europeo IA Introducción El pilar central de la normativa europea es el  Reglamento (UE) 2024/1689 , conocido como la Ley de Inteligencia Artificial (AI Act). Este documento representa la primera ley integral sobre IA en el mundo y establece las reglas de juego para cualquier sistema que se comercialice o utilice en territorio comunitario. Tiene por objeto fomentar el desarrollo y la adopción de sistemas de IA seguros y fiables en todo el mercado único de la Unión Europea , tanto en el sector privado como en el público, garantizando al mismo tiempo la salud y la seguridad de los ciudadanos de la UE y el respeto de los  derechos fundamentales. La Ley de IA entrando en vigor (María de Mingo + Gemini) Aunque ya ha ido apareciendo a lo largo de los capítulos de este curso, es necesario hacer zoom out para conocer tanto algunas cuestiones generales, como otras que afectan al sector educativo.  Niveles de Riesgo En este Reglamento se establece una clasificación de los sistemas de IA en función del riesgo que suponen para la sociedad. Para la formación docente, es imperativo desglosar cómo este reglamento clasifica los sistemas de IA, ya que la educación ha sido designada como un ámbito de "alto riesgo" en algunos de sus puntos. Cuanto mayor sea el riesgo de causar daños a la sociedad, más estrictas serán las normas, culminando con la prohibición en aquellos casos que hayan sido clasificados como riesgo inadmisible o inaceptable.  Pirámide AI Act - Niveles de riesgo Riesgo inadmisible - Prácticas prohibidas Todos los sistemas de IA considerados una clara amenaza para la seguridad, los medios de subsistencia y los derechos de las personas son clasificados como Riesgo inadmisible y están prohibidos. El Reglamento  prohíbe las siguientes prácticas de IA con un nivel de riesgo inaceptable: Técnicas subliminales o engañosas para manipular el comportamiento de individuos o grupos, mermando su capacidad para tomar decisiones con conocimiento de causa y causando un daño potencial. Explotación de vulnerabilidades basadas en la edad, la discapacidad o las situaciones socioeconómicas para manipular a individuos o grupos, con el consiguiente perjuicio potencial. Puntuación social , evaluando o clasificando a las personas en función de su comportamiento o características, lo que da lugar a un trato injusto no relacionado con el contexto en el que se recogieron los datos o de manera desproporcionada a la gravedad del comportamiento; por ejemplo a la hora de acceder a un empleo. Evaluación del riesgo criminal , predicción de la probabilidad de cometer un delito basándose únicamente en perfiles o rasgos de personalidad, excepto en investigaciones criminales objetivas y basadas en hechos. Obtención de bases de datos de reconocimiento facial a partir de Internet o de cámaras de seguridad sin un objetivo específico. Inferencia de emociones en áreas sensibles, como lugares de trabajo o instituciones educativas, a menos que se utilice con fines médicos o de seguridad. Categorización biométrica basada en datos para inferir atributos sensibles como raza, religión u opiniones políticas, excepto para su uso legal en el cumplimiento de la ley. Identificación biométrica en tiempo real en público por parte de las fuerzas de seguridad , a menos que sea estrictamente necesario para situaciones concretas (por ejemplo, encontrar a personas desaparecidas, prevenir amenazas inminentes o identificar a sospechosos de delitos graves). Esto debe seguir procedimientos legales estrictos, incluida la autorización previa, un alcance limitado y salvaguardias para proteger los derechos y libertades. Alto riesgo - Educación La designación de la educación como sector de alto riesgo se debe a que las decisiones tomadas por una IA en este ámbito pueden determinar el curso de la vida académica, profesional y personal  de una persona.  No obstante,  no todos los usos de la IA en educación se clasifican como de alto riesgo , ya que esta categoría se aplica principalmente a aquellos sistemas que intervienen en decisiones relevantes como la admisión o la evaluación del alumnado. Son considerados de alto riesgo los sistemas de IA utilizados para determinar el acceso o admisión a centros, evaluar resultados del aprendizaje, valorar el nivel educativo adecuado o supervisar comportamientos prohibidos durante los exámenes. Estos sistemas de IA deben cumplir con los  requisitos estipulados en los artículos 8 al 17 de la ley, es decir, e stán sujetos a obligaciones estrictas antes de que puedan comercializarse: Sistemas adecuados de evaluación y mitigación de riesgos Alta calidad de los conjuntos de datos que alimentan el sistema para minimizar los riesgos de resultados discriminatorios Registro de la actividad para garantizar la trazabilidad de los resultados Documentación detallada que proporcione toda la información necesaria sobre el sistema y su finalidad para que las autoridades evalúen su cumplimiento Información clara y adecuada al implementador Medidas adecuadas de supervisión humana Alto nivel de robustez, ciberseguridad y precisión Casos alto riesgo en Educación y FP  En cuanto a la protección de los derechos fundamentales y el uso de sistemas de IA de alto riesgo , la Ley IA dice que: Antes de que un sistema de IA de alto riesgo sea desplegado por entidades que prestan servicios públicos , debe evaluarse su impacto sobre los derechos fundamentales (art.27) . Los sistemas de IA de alto riesgo y las entidades que los utilicen deben registrarse en una base de datos de la UE (agosto 2027). Además de los proveedores y distribuidores de sistemas de IA y de las entidades, los centros educativos y docentes podemos ser identificados como responsables del despliegue bajo el Reglamento Europeo de IA, por lo que también adquirimos responsabilidades si utilizamos sistemas de IA en los casos mencionados anteriormente, clasificados como de alto riesgo.  Algunas de las principales responsabilidades a la hora de desplegar estos sistemas son: Uso conforme a las instrucciones:  adoptar medidas técnicas y organizativas adecuadas para garantizar que utilizan los sistemas siguiendo las instrucciones de uso facilitadas por el proveedor. Supervisión humana: obligación de encomendar la supervisión de estos sistemas a personas físicas que posean la competencia, formación y autoridad necesarias para vigilar su funcionamiento y prevenir riesgos. Vigilancia y reporte:  vigilar el funcionamiento del sistema y, en caso de considerar que presenta un riesgo o detectar un incidente grave , deben informar inmediatamente al proveedor o distribuidor y a la autoridad de vigilancia del mercado, suspendiendo el uso del sistema si es necesario. Calidad de los datos de entrada: asegurarse de que los datos que introducen en el sistema sean pertinentes y suficientemente representativos, en la medida en que tengan control sobre ellos. Conservación de registros: obligación de conservar los archivos de registro (logs) generados automáticamente por el sistema durante al menos seis meses , para permitir la trazabilidad del funcionamiento si fuera necesario. Deber de información: si toman decisiones o ayudan a tomarlas basándose en estos sistemas, deben informar a las personas físicas, de que están siendo objeto del uso de una IA de alto riesgo. Evaluación de impacto: En el caso de centros que sean organismos de Derecho público o entidades privadas que presten servicios públicos, deben realizar una evaluación de impacto relativa a los derechos fundamentales antes de poner el sistema en funcionamiento. Además, el reglamento subraya la importancia de la alfabetización en materia de IA , instando a que los responsables del despliegue garanticen que su personal tenga un nivel de conocimientos suficiente para operar estos sistemas de forma informada y segura. Riesgo limitado y mínimo Se considera que todos los demás sistemas de IA presentan un riesgo limitado , por lo que el Reglamento no introduce más normas. Evaluación y revisión La Comisión evalúa cada año la necesidad de modificar la lista de usos de alto riesgo de la IA y la lista de prácticas prohibidas. Antes del 2 de agosto de 2028 , y cada cuatro años a partir de entonces, la Comisión evaluará e informará sobre lo siguiente: la adición o ampliación de la lista de categorías de alto riesgo. las modificaciones de la lista de sistemas de IA que requieren medidas de transparencia adicional. las modificaciones para mejorar la supervisión y la gobernanza . Entrada en vigor La Ley Europea de Inteligencia Artificial (AI Act) tiene una entrada en vigor gradual . Las fechas clave son: 1 de agosto de 2024 : la ley entra formalmente en vigor tras su publicación en el Diario Oficial de la UE el 12 de julio de 2024. 2 de febrero de 2025 : empiezan a aplicarse las prohibiciones de ciertos usos de IA y las obligaciones de alfabetización en IA . 2 de agosto de 2025 : entran en aplicación las normas para modelos de IA de propósito general (GPAI) y parte del sistema de gobernanza.  2 de agosto de 2026 : la mayor parte de las obligaciones del AI Act empieza a aplicarse y comienza su aplicación general en los Estados miembros. 2 de agosto de 2027 : se aplican los requisitos para algunos sistemas de IA de alto riesgo integrados en productos regulados (por ejemplo, ciertos dispositivos o maquinaria).  Timeline AI Act (María de Mingo+Gemini) En la Plataforma única de información sobre la ley de IA dispones de herramientas para consultar y navegar fácilmente por la ley además de realizar consultas. Para acceder pincha aquí. Aquí puedes consultar también un resumen general de la ley. Resumen La Ley de IA establece requisitos jurídicamente vinculantes para los sistemas de IA y obligaciones para los operadores (incluidos proveedores y desplegadores). Una vez que la AI Act entre plenamente en vigor, las instituciones educativas, cuando sean consideradas usuarias de herramientas de IA de  alto riesgo , podrán basarse en la evaluación de conformidad realizada por el proveedor, al tiempo que deberán cumplir sus propias responsabilidades como desplegadores conforme a la normativa. Para los centros educativos y el profesorado las directrices éticas mencionadas en el capítulo anterior pueden proporcionar una mayor claridad sobre lo que exige la legislación en la práctica cotidiana. Además es importante hacer hincapié en la alfabetización en IA por parte de profesorado y alumnado; puedes recordar y consultar los marcos existentes aquí. Por otro lado, las directrices legales estrictas que los docentes deben conocer para evitar riesgos son: Prácticas prohibidas : Está prohibido el uso de sistemas de IA para inferir o detectar emociones del alumnado en centros educativos, salvo por motivos de seguridad o médicos. Sistemas de alto riesgo : Las herramientas usadas para evaluar resultados de aprendizaje, monitorear el comportamiento en exámenes , determinar admisiones o seguir el progreso del estudiante se consideran de alto riesgo y requieren una supervisión humana y gobernanza de datos muy estricta. Ejemplos concretos en el ámbito educativo En  Orientaciones para integrar la IA en centros educativos del Área de Formación del Profesorado del INTEF  nos proporcionan los siguientes ejemplos: ⚠️ APLICACIÓN DE CORRECCIÓN AUTOMÁTICA DE EXÁMENES : El proveedor de la IA (la empresa que vende, por ejemplo, un software de auto-corrección de exámenes) deberá cumplir ciertos requisitos: entrenar el modelo con datos fiables y no discriminatorios, validar su exactitud, documentar su funcionamiento y pasar una evaluación de conformidad. El centro educativo que lo use tendrá que desplegarlo de forma responsable: seguir las instrucciones de uso, supervisar los resultados y contar con personal preparado para intervenir. Estas herramientas nunca deberían funcionar de modo totalmente autónomo sin supervisión docente. Por ejemplo, un software de IA que califica exámenes tipo test o incluso ensayos escritos (por ejemplo, asignando puntuaciones a redacciones de lengua). Esto es posible y legal, siempre y cuando se haga con supervisión y garantías de equidad. Además, los resultados de la IA no deberían emplearse para asignar calificaciones definitivas ni orientaciones en el aprendizaje.  En la práctica, un profesor podría usar la IA para agilizar la corrección, pero revisando las respuestas donde la IA presente dudas. La IA puede dar un feedback inicial y el docente confirma o ajusta la nota.  ❌ No sería aceptable delegar al 100% la nota final en la IA sin intervención humana. Con un uso adecuado, la corrección automática puede ahorrar tiempo en evaluaciones diarias. Siempre se debe ofrecer al alumnado la posibilidad de revisión humana de sus calificaciones si lo solicita. ⚠️ VIGILANCIA DE EXÁMENES CON IA : Durante la pandemia se popularizaron sistemas de proctoring remoto que usan IA para vigilar exámenes online mediante la cámara del ordenador. Estos programas detectan comportamientos como apartar la mirada constantemente, sonidos ambientales, presencia de otra persona en cámara, etc., y alertan de posible copia.  Bajo la Ley de IA, esta práctica se puede emplear, pero es considerada de alto riesgo, lo que impone condiciones estrictas. Por ejemplo, la empresa proveedora del software debe garantizar que el sistema ha sido entrenado para diferentes características físicas (que no penalice injustamente, por ejemplo, a estudiantes con tics nerviosos o discapacidades) y minimizar falsos positivos. El centro educativo, por su parte, debe informar previamente al alumnado de que se usará esta tecnología y debe haber personal supervisando las alertas de la IA en tiempo real o a posteriori. Es decir, si la IA señala que un estudiante concreto "podría estar copiando”, un supervisor humano debe revisar la grabación o evidencias antes de acusar o sancionar. ❌  No sería aceptable anular automáticamente el examen de un estudiante solo porque la IA lo marcó, sin verificación humana. Además, ciertas funciones están vetadas: por ejemplo, si el proctoring intentara analizar las expresiones faciales del alumno/a para saber si está nervioso o mintiendo, eso entraría en reconocimiento emocional, lo cual está prohibido. Igualmente, grabar continuamente al estudiante es invasivo, por lo que debe valorarse la proporcionalidad y cumplir con protección de datos. En definitiva: la vigilancia inteligente de exámenes es legal, pero bajo mucha cautela. De hecho, varios países de la UE ya han cuestionado estas herramientas por privacidad; el Reglamento refuerza que, de usarse, sea con todas las garantías para el alumno (información, supervisión humana, derecho a réplica). ✅ PERSONALIZACIÓN DEL APRENDIZAJE : Un escenario cada vez más común es usar IA para personalizar materiales educativos. Por ejemplo, un sistema de tutorización inteligente que adapte los ejercicios de matemáticas en función de los aciertos/errores del estudiante, o plataformas de aprendizaje de idiomas que ajustan la dificultad según el progreso. Estas aplicaciones son legales y deseables, ya que pueden mejorar la atención a la diversidad en el aula. No se consideran de alto riesgo si la IA NO utiliza los resultados para orientar el proceso de aprendizaje. porque no están tomando decisiones definitivas sobre el alumnado, sino dando recomendaciones. El profesorado sigue teniendo control sobre el currículo y las evaluaciones formales. ⚠️  El Reglamento impone algunas buenas prácticas: asegurar la transparencia y el conocimiento de la persona usuaria. Si un estudiante interactúa con un chatbot educativo o un tutor virtual, debe quedar claro que es una IA y no un humano real respondiendo. Muchos estudiantes jóvenes podrían pensar que hablan con un “profesor online ”, así que conviene aclararlo (muchas apps ya lo indican en sus términos, ahora será obligación legal hacerlo de forma accesible). Para el profesorado, usar IA en personalización implica revisar de vez en cuando las sugerencias del sistema, asegurarse de que los contenidos son adecuados al currículo oficial y que no introducen sesgos. Como estas herramientas de IA no deciden notas, ni accesos, el Reglamento solo les aplica obligaciones leves (transparencia). De hecho, se las considera de riesgo limitado, sujeto únicamente a informar a las personas usuarias finales que interactúan con IA, como mencionamos. Por tanto, un centro educativo podría implementar, por ejemplo, un asistente de ayuda con los deberes basado en IA sin necesidad de complejos trámites, más allá de cerciorarse de que el proveedor cumple la normativa y de avisar a la comunidad educativa de su uso. Personalizar no está prohibido; lo que activa alto riesgo es cuando el sistema evalúa resultados (o decide/condiciona itinerarios) con efectos relevantes. Entonces toca régimen de alto riesgo. ✅ ANÁLISIS PREDICTIVO DEL RENDIMIENTO : algunos centros educativos podrían usar sistemas de  IA para predecir qué estudiantes necesitan refuerzo, analizando calificaciones previas, asistencias, etc. Siempre que esto se use como ayuda al docente y no para decidir automáticamente decisiones educativas importantes (calificaciones, expulsiones o repeticiones). Sería similar a emplear analítica de datos: identificar patrones para que luego un humano tome acciones pedagógicas. ⚠️  La diferencia clave es si la IA reemplaza una decisión humana importante (no permitido sin cumplir estrictas condiciones) o si solo apoya o informa al humano (permitido). ✅ IA PARA LABORES ADMINISTRATIVAS : En tareas de administración, la IA es muy útil y no presenta mayores conflictos, siempre que se garantice una protección de los datos personales: por ejemplo, usar algoritmos para optimizar horarios de clase, rutas de transporte escolar, gestión de bibliotecas, planificación de espacios, etc., son usos internos que no afectan directamente a los derechos del alumnado. ⚠️  La priorización automática de acceso a apoyos, becas o plazas es alto riesgo. ✅  GENERACIÓN DE MATERIALES : Usar un chatbot (como ChatGPT, Copilot, Gemini o Claude) para crear situaciones de aprendizaje, rúbricas o adaptar textos a diferentes niveles, siempre que el docente sea quien valide el contenido final está totalmente permitido según esta ley. Si es el alumnado el que interactúa con el chatbot , debe estar informado de que está dialogando con un sistema de IA.   ❌ PROHIBIDO EL USO DE CÁMARAS PARA INFERIR EMOCIONES : Un centro educativo NO puede instalar cámaras o micrófonos con IA para inferir estados emocionales del alumnado (atención, motivación, estrés…) con fines disciplinarios o de evaluación, excepto por motivos médicos o de seguridad muy específicos. Por ejemplo, si hubiese una herramienta para detectar signos de depresión o riesgo de autolesión en estudiantes concretos, podría argumentarse un fin médico/seguridad y quizá cabría (habría que ver caso por caso y otras leyes como protección de datos). Como norma general, analizar las emociones de los estudiante con IA para cualquier otro fin educativo es ilegal. Esto protege la intimidad y evita técnicas intrusivas poco fiables. ❌ APLICACIÓN EDUCATIVA CON INFORMACIÓN SUBLIMINAL: El uso de información subliminal o trucos manipuladores ocultos para enganchar a estudiantes en el uso de la aplicación estaría prohibido. Asimismo las aplicaciones que incitan al estudiante a comportarse de forma perjudicial para sí mismo o para otras personas.  El Reglamento introduce obligaciones de información cuando pueda surgir un riesgo por falta de  transparencia en torno al uso de la IA :  - En algunos casos, el resultado de la IA generativa debe estar visiblemente etiquetado, como en el caso de los «deepfakes» y los textos destinados a informar al público sobre asuntos de interés público. - El resultado de la IA generativa debe marcarse como generado por IA de forma legible por máquina. - La IA diseñada para hacerse pasar por humanos (por ejemplo, un «chatbot») debe informar al humano con el que está interactuando. También es obligatorio respetar la legislación de la UE sobre  derechos de autor . Sin embargo, en el ámbito de la protección de datos, la ley ha de complementarse con el Reglamento General de Protección de Datos del que hablaremos a continuación. Protección de datos Tras haber analizado el marco que establece la Ley de Inteligencia Artificial de la Unión Europea (AI Act), es necesario abordar ahora el otro gran pilar normativo que regula el uso de la inteligencia artificial cuando implica el manejo de información personal: el RGPD (Reglamento General de Protección de Datos), que exige consentimiento explícito de uso de datos personales, seguridad de datos, notificaciones de brechas y otorga derechos de acceso, rectificación y supresión de los mismos (derecho al olvido).   En su artículo 8, el RGPD nos habla de las c ondiciones aplicables al consentimiento del niño en relación con los servicios de la sociedad de la información  y dice que  el tratamiento de los datos personales de un niño se considerará lícito cuando tenga como mínimo 16 años . Los Estados miembros podrán establecer por ley una edad inferior a tales fines, siempre que esta no sea inferior a 13 años. En España este reglamento se complementa con la Ley Orgánica de Protección de Datos Personales y garantía de los derechos digitales ( LOPDGDD ), que adapta y desarrolla sus disposiciones en el contexto jurídico nacional. Juntos, estos instrumentos configuran el marco legal fundamental para garantizar que el uso de datos en entornos digitales y educativos respete los derechos y libertades de las personas. Concretamente, en el artículo 92 de esta ley encontramos que: Los centros educativos y cualesquiera personas físicas o jurídicas que desarrollen actividades en las que participen menores de edad garantizarán la protección del interés superior del menor y sus derechos fundamentales, especialmente el derecho a la protección de datos personales , en la publicación o difusión de sus datos personales a través de servicios de la sociedad de la información. Cuando dicha publicación o difusión fuera a tener lugar a través de servicios de redes sociales o servicios equivalentes deberán contar con el consentimiento del menor (si es mayor de 14 años ) o sus representantes legales, conforme a lo prescrito en el artículo 7 de esta ley orgánica. Los  datos personales se refieren a cualquier información relacionada con una persona identificada o identificable. En las directrices éticas de la Comisión Europea, podemos leer que, como responsables del tratamiento, las instituciones educativas deben comunicar de forma clara y accesible cómo procesan los datos personales (artículos 12-15 del RGPD), utilizando un lenguaje conciso y sencillo, especialmente cuando la información está dirigida a menores. El RGPD también exige realizar una evaluación de impacto relativa a la protección de datos (EIPD o DPIA) antes de implementar sistemas , incluidos los de inteligencia artificial, que puedan suponer un alto riesgo para los derechos y libertades de las personas (artículo 35). Según la AEPD (Agencia Española de Protección de Datos), el  responsable del tratamiento de datos son las administraciones educativas en el caso de los centros públicos y los propios centros educativos en los concertados o privados. El profesorado debe utilizar únicamente las aplicaciones, plataformas o servicios autorizados por dicho responsable y adaptar su uso al grado de desarrollo del alumnado. En caso de emplear herramientas o servicios distintos a los establecidos, el profesorado podría asumir la responsabilidad del tratamiento de los datos utilizados. Para más información sobre cuestiones relativas a la privacidad y a la protección de datos de los menores puedes acceder al  Canal Joven de la AEPD . También puedes consultar "Responsabilidades y obligaciones en la utilización de dispositivos digitales móviles en la enseñanza infantil, primaria y secundaria" de la AEPD. Como docentes, debemos saber que cualquier imagen o vídeo donde una persona sea identificable se considera un dato personal , incluso si se modifica o genera mediante inteligencia artificial . Al subir estas imágenes a una plataforma de IA, se produce una  pérdida de control, que limita en la práctica el ejercicio de los derechos de acceso, supresión u oposición: el contenido pasa a manos de una empresa externa que puede conservarlo, crear copias ocultas o utilizarlo para sus propios fines sin que lo sepamos. Este riesgo existe aunque el uso sea puramente lúdico, como crear un avatar o aplicar un filtro, ya que el sistema analiza rasgos físicos y genera metadatos que permanecen en la red. Además de estos riesgos, existen impactos visibles que pueden dañar gravemente a las personas, como la creación de escenas falsas que parecen reales, la suplantación de identidad o la generación de contenido íntimo sintético. El nivel de precaución debe ser máximo al trabajar con  menores de edad , ya que una imagen aparentemente inocente procesada por IA puede derivar en situaciones de acoso, estigmatización o daños psicológicos en el entorno escolar. Es fundamental entender que tener acceso a una foto no da permiso para transformarla con herramientas digitales. La protección de la privacidad de los estudiantes debe ser siempre la prioridad, por ello profundizaremos un poco más y hablaremos del Derecho de imagen en la próxima página. Derecho de imagen El derecho a la propia imagen está regulado por la Ley Orgánica 1/1982, de 5 de mayo, de Protección Civil del Derecho al Honor, a la Intimidad Personal y Familiar, y a la Propia Imagen. Toda persona tiene derecho a decidir sobre la utilización que se hace de su imagen . La imagen en el que una persona es identificada o identificable es un dato personal. Como dice GVA , en el mundo actual, los derechos de imagen han tomado otra dimensión, y en consecuencia, tienen una gran importancia por las razones que se enumeran a continuación: Protección de la privacidad . En un mundo en el que las imágenes y los vídeos se comparten y distribuyen con facilidad a través de las redes sociales y otros medios de comunicación, los derechos de imagen son esenciales para proteger la privacidad de las personas. Permiten a los individuos controlar el uso de su imagen y evitar su explotación sin su consentimiento . Protección de la reputación . Estos derechos también son importantes para proteger la reputación de las personas. Si una imagen se utiliza de manera inapropiada o engañosa, puede afectar negativamente a su reputación. En estos casos, permiten a las personas tomar medidas legales para proteger su reputación y evitar la difusión de información falsa o engañosa. La IA y el derecho de imagen (María de Mingo+Gemini) Como docentes es fundamental comprender que el  derecho a la imagen protege no solo el aspecto físico, sino también la voz, el nombre y cualquier rasgo identificativo de una persona. Al ser considerada un  dato personal , la ley prohíbe captar, difundir o utilizar la imagen de alguien sin su consentimiento expreso , lo que significa que cada persona tiene el poder total de decidir si permite o no que se tome su foto o vídeo dentro o fuera del entorno educativo. Este derecho es permanente y debe respetarse siempre, ya que permite a cada individuo controlar el uso, difusión o publicación de su propia identidad. Como dice LeGardon , todas las personas podemos decidir  si autorizamos o no que nuestra imagen sea tomada por un tercero. Se trata de un derecho imprescriptible que incluso las personas herederas pueden ejercer tras el fallecimiento de la persona titular del derecho de imagen, en lo referente a su “memoria”.   En el caso de los menores de edad , la protección es máxima y se exige siempre la autorización por escrito de los padres o tutores legales , pudiendo intervenir incluso la Fiscalía de Menores para asegurar su protección. Cualquier permiso otorgado puede ser revocado en cualquier momento ; si una familia decide cambiar de opinión, la imagen debe dejar de usarse y ser retirada, aunque esto podría conllevar el pago de daños si la imagen ya forma parte de materiales editados. Existen excepciones muy limitadas, como cuando la imagen es secundaria en una noticia relevante o se trata de cargos públicos en actos abiertos, pero estas nunca permiten el uso de la imagen para burlas o con fines comerciales sin permiso.   Subir, reenviar a plataformas, redes o sistemas de IA, transformar o generar contenidos visuales a partir de la imagen de una persona supone un tratamiento de datos personales, con independencia de la finalidad perseguida o del carácter aparentemente trivial del uso.  En este mismo sentido y entendiendo que el derecho a la imagen protege cualquier rasgo identificativo de una persona, tal como dice la AEPD en su documento " Criterios para el tratamiento de datos personales en centros educativos ", el profesorado debe prestar especial atención a los  contenidos de los trabajos de clase que se publican o comparten en servicios digitales, utilizando únicamente los medios validados por el responsable del tratamiento de datos.   Asimismo, debería transmitir esta misma prudencia al alumnado , enseñándole el valor de la privacidad propia y ajena , y recordando que no se deben realizar fotografías o vídeos de otros alumnos, profesores u otro personal del centro sin su consentimiento, y mucho menos difundirlos en redes sociales, para evitar riesgos de violencia digital como el ciberacoso, el grooming, el sexting o la violencia de género. En relación con esta protección, la Ley Orgánica 8/2021 de protección integral a la infancia y la adolescencia frente a la violencia (LOPIVI) establece que todos los centros educativos en los que estudien menores de edad deben contar con una persona coordinadora de bienestar y protección del alumnado que, bajo la supervisión de la dirección del centro, promoverá la comunicación de las situaciones que impliquen un tratamiento ilícito de datos a las autoridades de protección de datos (artículo 35.1). Además, en la Guía para el uso de IA generativa en educación e investigación de la UNESCO(2024) se ha señalado que los GPTs pueden contravenir leyes como el Reglamento General de Protección de Datos de la Unión Europea (2016) o GDPR, especialmente el derecho de las personas a ser olvidadas, dado que actualmente es imposible eliminar los datos de alguien (o los resultados de esos datos) de un modelo GPT una vez que ha sido entrenado. Conviene recordar que también son datos personales los resultados académicos del alumnado y su número del expediente académico. Recomendamos encarecidamente la lectura de " El uso de imágenes de terceros en sistemas de inteligencia artificial y sus riesgos visibles e invisibles " (2026) de la AEPD. Puedes acceder pinchando aquí . 2. Anonimización de trabajos y evidencias de aprendizaje 2.1. Qué es la anonimización y por qué es clave en evaluación con IA La incorporación progresiva de herramientas de inteligencia artificial en los procesos de evaluación educativa plantea importantes desafíos relacionados con la privacidad, la protección de datos y el uso ético de la información del alumnado. En este contexto, la anonimización se convierte en un principio esencial para garantizar un uso responsable y seguro de estas tecnologías dentro del ámbito educativo . Entendemos por anonimización el proceso mediante el cual se eliminan, modifican o sustituyen aquellos datos que permiten identificar directa o indirectamente a una persona .  En el ámbito educativo su finalidad es impedir que la información utilizada pueda asociarse con un alumno o alumna concreto, preservando así su identidad.  Estos datos pueden ser los siguientes: Nombre y apellidos NIF, NIE o pasaporte Número de expediente educativo Calificación Nombre del centro educativo Dirección de correo electrónico Imágenes Grabaciones (vídeo o voz) Referencias familiares o contextuales Identificadores digitales personales (por ejemplo:  usuarios de redes sociales) Comentarios personales Metadatos de los productos digitales La necesidad de anonimizar información educativa responde, en primer lugar, a una obligación legal . Normativa que ya hemos tratado en el apartado 1.6 . No obstante, la anonimización no debe entenderse únicamente como una exigencia normativa, sino también como una responsabilidad ética y pedagógica . Como docentes, debemos garantizar que el uso de herramientas digitales no comprometa la privacidad, la dignidad ni los derechos digitales de nuestro alumnado. Del mismo modo que protegemos la información académica en otros ámbitos de la práctica educativa, también debemos hacerlo cuando trabajamos con sistemas basados en inteligencia artificial.  Además, contribuye a mejorar la objetividad de los procesos de evaluación. La eliminación de información identificativa favorece una evaluación más centrada en las evidencias  y menos condicionada por factores externos o sesgos inconscientes. En este sentido, el uso de IA en procesos de evaluación debe apoyarse siempre en un principio básico: las herramientas tecnológicas pueden asistir en el análisis de información, pero la responsabilidad sobre el tratamiento de los datos y la interpretación pedagógica de los resultados corresponde exclusivamente al profesorado. En definitiva, la anonimización constituye un elemento imprescindible para integrar la inteligencia artificial en la evaluación educativa de manera ética , segura y ajustada a la normativa vigente . Su aplicación no solo protege los derechos del alumnado , sino que también refuerza la calidad y la responsabilidad profesional de los procesos de evaluación mediados por IA. 2.2. Técnicas sencillas de anonimización de textos, tareas y proyectos La anonimización de la información educativa no requiere necesariamente conocimientos técnicos avanzados ni herramientas especializadas. En la mayoría de los casos, pequeñas acciones preventivas aplicadas de forma sistemática permiten reducir considerablemente los riesgos asociados al tratamiento de datos personales mediante herramientas de inteligencia artificial. Estas medidas  deben incluirse como parte habitual del flujo de trabajo docente. A continuación, se presentan técnicas accesibles y recomendables para anonimizar en el entorno educativo. Sustitución de nombres por códigos o identificadores internos La técnica más básica y eficaz consiste en reemplazar cualquier dato identificativo por códigos neutrales que no permitan reconocer al alumnado. La idea es que nadie que no sea el docente pueda relacionar ese código con una persona concreta. Por ejemplo, en lugar de utilizar nombres y apellidos reales: Información original Información anonimizada Arantxa Larrondo  Estudiante01 León Soria Estudiante02 Es importante que el código asignado al alumnado no se repita en las diferentes usos para evitar que la herramienta de inteligencia artificial cree un perfil asociado a ese código.  Eliminación de datos personales visibles en documentos Es conveniente revisar cuidadosamente el documento para detectar información identificativa que pueda aparecer de forma explícita. Un ejemplo claro de ésto puede ser una hoja de cálculo con diferentes registros y calificaciones de nuestro alumnado. Si este archivo va a ser tratado por la IA, es imprescindible eliminar todo dato personal que permita su identificación. Revisión y eliminación de metadatos Metadatos: información oculta que acompaña a un archivo digital y que describe aspectos relacionados con su creación, edición o autoría. Aunque no suele verse directamente en el contenido del documento, puede contener datos personales o identificativos. Los docentes tenemos que ser conscientes de este aspecto y eliminar de los archivos que entrega al alumnado estos datos para evitar que sean identificados.  En el siguiente imagen se pueden ver los metadatos de un documento de word creado en un PC donde el nombre de usuario es Alumno : En el apartado 2.4 se muestra un ejemplo de eliminación de metadatos. Uso de fragmentos parciales en lugar de documentos completos En muchas situaciones, no es necesario compartir un trabajo completo con una herramienta de IA. Habitualmente basta con utilizar únicamente el fragmento relevante para la tarea concreta. Reducir la cantidad de información compartida disminuye la exposición innecesaria de datos y facilita el control sobre el contenido enviado. Edición de imágenes Cuando se utilizan imágenes como evidencias de aprendizaje, también deben aplicarse medidas de anonimización visual: difuminar rostros recortar nombres visibles cubrir logotipos eliminar otra información sensible Existen multitud de herramientas de edición de imágenes. En el siguiente ejemplo se ha usado GIMP para difuminar rostros. Eliminación de comentarios y revisiones incrustadas En documentos colaborativos o archivos editados por varias personas, pueden quedar almacenados comentarios internos, marcas de revisión o historiales de cambios que revelen información personal. Es recomendable generar una copia del archivo final sin esa información.  Aplicación del principio de mínima exposición Una de las estrategias más importantes en protección de datos consiste en compartir únicamente la información estrictamente necesaria para la finalidad educativa concreta. Es conveniente reflexionar antes de utilizar un dato en una herramienta de inteligencia artificial si es necesario realmente introducirlo. 2.3. Flujo de trabajo seguro: del aula a la herramienta de IA La utilización de herramientas de inteligencia artificial en procesos de evaluación educativa exige establecer procedimientos claros que garanticen un uso seguro, ético y pedagógicamente adecuado de la información del alumnado. No se trata únicamente de utilizar una herramienta tecnológica, sino de integrar su uso dentro de un flujo de trabajo estructurado que permita mantener el control sobre los datos, preservar la privacidad y asegurar la supervisión docente en todas las fases del proceso. En este sentido, resulta especialmente importante comprender que la IA no debe incorporarse de forma improvisada. Del mismo modo que cualquier instrumento de evaluación requiere planificación y criterios pedagógicos definidos, el uso de IA debe apoyarse en protocolos de actuación que reduzcan riesgos y favorezcan una utilización responsable. Un flujo de trabajo seguro implica establecer una secuencia organizada de actuaciones desde el momento en que el alumnado genera una evidencia hasta que el profesorado interpreta los resultados proporcionados por la herramienta de IA. A continuación, se presenta un modelo básico de flujo de trabajo seguro aplicable a contextos educativos. León Larrondo + ChatGPT Fase 1. Recogida en el aula El proceso comienza con la recopilación de las actividades realizadas por el alumnado tanto en el aula o utilizando la plataforma educativa correspondiente. Debería ser decisión del docente, teniendo el contexto y la etapa educativa, si el alumnado es el responsable de entregar el archivo anonimizado o no. Fase 2. Revisión previa del docente Esta fase constituye uno de los elementos más importantes del flujo de trabajo seguro, ya que permite detectar información sensible o identificativa que no debería ser compartida con sistemas externos. Asimismo, resulta recomendable valorar si toda la información incluida en el documento es realmente necesaria para la tarea que se pretende realizar con IA. La intervención docente en esta fase es esencial, ya que ninguna herramienta automatizada puede garantizar por sí sola una anonimización completa y contextualizada. Fase 3. Anonimización En esta fase nos aseguramos que se ha producido la anonimización de lo que se a va enviar a la herramienta de inteligencia artificial. Fase 4. Uso de la herramienta de IA Una vez preparada la información, puede procederse a utilizar la herramienta de IA con una finalidad pedagógica concreta. No obstante, el uso de IA debe realizarse siempre bajo criterios pedagógicos claros. La herramienta no debe convertirse en un mecanismo automático de corrección o calificación, sino en un apoyo complementario al trabajo docente. Fase 5.  Validación humana Uno de los principios fundamentales del uso responsable de la IA en educación es que toda salida generada por estos sistemas debe ser revisada críticamente por el profesorado. Las herramientas de IA pueden cometer errores, interpretar incorrectamente determinadas respuestas o generar retroalimentaciones poco adecuadas al contexto educativo. La IA puede ayudar a procesar información, pero no sustituye el juicio profesional ni la capacidad de interpretación educativa del profesorado. Fase 6. Decisión y retroalimentación La fase final del proceso corresponde exclusivamente al docente. En ningún caso debe delegarse completamente en la IA la toma de decisiones en la evaluación del alumnado. Al finalizar esta fase informaremos al alumnado de su evaluación. Es recomendable que el  proceso de utilización de herramientas de inteligencia artificial sea transparente e informemos al alumnado de su uso cuando sea pertinente. 2.4. Casos prácticos: corrección anónima de actividades escritas y proyectos A continuación se van resolver varios ejemplos sobre anonimización utilizando software concreto. Es importante destacar que no podemos abordar todo el espectro de software del mercado. Por tanto, hemos elegido los que creemos pueden ser más usados por la comunidad educativa. 2.4.1. Eliminación de metadatos en Microsoft Word. En un documento de Microsoft Word en la opción de Información accedemos a datos  del fichero. También consultando las propiedades del fichero pueden consultarse los metadatos. En la siguiente imagen podemos encontrar: Información sobre el autor del documento, que deberíamos eliminar. En la opción Comprobar si hay problemas podremos tener la opción de eliminarlos. Seleccionamos Inspeccionar documento : Nos aseguramos que está seleccionado Propiedades del documento e información personal y pulsamos en Inspeccionar : Una vez que encuentra el autor, seleccionamos Quitar todo . Como se puede ver en la siguiente imagen ya no están los metadatos del autor: En otras versiones de este software es posible que las opciones sean diferentes 2.4.2. Anonimización de hojas de cálculo asociadas a formularios El uso de formularios digitales (como Google Forms o Microsoft Forms) es una práctica cada vez más habitual en el ámbito educativo para la realización de cuestionarios, encuestas o actividades de evaluación. En la mayoría de los casos, las respuestas recogidas por estos formularios se almacenan automáticamente en una hoja de cálculo asociada. Antes de utilizar esta información con una herramienta de inteligencia artificial, es imprescindible revisar si la hoja de cálculo contiene datos que permitan identificar al alumnado, como nombres y apellidos, direcciones de correo electrónico, números de identificación o cualquier otro dato personal. En estos casos, una práctica altamente recomendable consiste en trabajar siempre sobre una copia de la hoja de cálculo original, manteniendo intacto el documento vinculado al formulario. De este modo, se evita alterar la fuente de datos y se garantiza la integridad de las respuestas recogidas. El procedimiento recomendado sería el siguiente: Crear una copia de la hoja de cálculo asociada al formulario. Esta copia será el documento de trabajo sobre el que se realizarán las modificaciones necesarias. Conservar la hoja original sin cambios. Al estar vinculada al formulario, cualquier alteración podría afectar a la coherencia de los datos o dificultar futuras consultas y actualizaciones. Aplicar sobre la copia las técnicas de anonimización que han sido expuestas , eliminando o sustituyendo todos aquellos elementos que permitan identificar directa o indirectamente al alumnado. Verificar el resultado final antes de utilizar la información con una herramienta de IA, comprobando que no permanecen datos personales ni identificadores ocultos que puedan comprometer la privacidad. Esta sencilla medida permite preservar la integridad de los datos originales y minimizar los riesgos asociados al tratamiento de información personal en procesos de análisis apoyados por inteligencia artificial. 2.5. Limitaciones y responsabilidades del docente La incorporación de herramientas de inteligencia artificial en los procesos de evaluación educativa ofrece oportunidades significativas para apoyar la labor docente. Sin embargo, también plantea limitaciones y responsabilidades que deben ser comprendidas y asumidas desde una perspectiva crítica y profesional. La IA puede ayudarnos a analizar información, identificar patrones, generar propuestas de retroalimentación o facilitar la elaboración de informes. No obstante, estas capacidades no deben llevarnos a considerar estas herramientas como sistemas capaces de sustituir el criterio pedagógico humano. Su utilización exige conocer tanto sus posibilidades como sus límites, así como asumir las responsabilidades derivadas de su uso en contextos educativos. En este apartado analizaremos, por una parte, las principales limitaciones de la inteligencia artificial aplicada a la evaluación y, por otra, las responsabilidades que corresponden al profesorado cuando decide incorporar estas herramientas a su práctica docente. 2.5.1. Limitaciones de la inteligencia artificial Riesgo de errores e interpretaciones incorrectas Uno de los aspectos más importantes que debemos tener presentes es que los sistemas de inteligencia artificial pueden cometer errores. Aunque sus respuestas suelen presentarse de forma coherente y convincente, esto no garantiza que la información generada sea correcta. Las herramientas de IA pueden: proporcionar información inexacta; interpretar incorrectamente una respuesta del alumnado; generar retroalimentación poco adecuada; identificar patrones inexistentes; formular conclusiones erróneas a partir de los datos disponibles. Este fenómeno resulta especialmente relevante en evaluación educativa, donde una interpretación incorrecta puede afectar a la percepción del aprendizaje o conducir a decisiones pedagógicas inadecuadas. Por ello, cualquier resultado generado por una herramienta de IA debe considerarse una propuesta susceptible de revisión y nunca una conclusión definitiva. Limitaciones en la comprensión del contexto educativo La inteligencia artificial trabaja fundamentalmente a partir de patrones estadísticos presentes en los datos con los que ha sido entrenada. Sin embargo, carece de una comprensión real del contexto educativo en el que se producen los aprendizajes. Una IA no conoce: la trayectoria personal del alumnado; las dinámicas del grupo; las circunstancias familiares; los factores emocionales; las relaciones interpersonales del aula; las características específicas del entorno educativo. Por ejemplo, una disminución en el rendimiento académico puede estar relacionada con dificultades conceptuales, pero también con situaciones personales, cambios organizativos o circunstancias externas que la IA es incapaz de interpretar adecuadamente. Como docentes, somos nosotros quienes aportamos el conocimiento contextual necesario para comprender el significado educativo de los datos. Riesgo de sesgos Los sistemas de inteligencia artificial aprenden a partir de grandes cantidades de información generada por personas e instituciones. Como consecuencia, pueden reproducir sesgos presentes en esos datos de entrenamiento. En educación, esto implica que algunas respuestas o comportamientos del alumnado podrían ser interpretados de forma menos adecuada si se alejan de los patrones predominantes presentes en los datos utilizados para entrenar la herramienta. Por este motivo, es importante mantener una actitud crítica hacia los resultados generados por la IA y evitar asumir que sus análisis son necesariamente neutrales u objetivos. Limitaciones en la interpretación de procesos complejos de aprendizaje Los procesos educativos son complejos y no siempre pueden reducirse a indicadores cuantificables o patrones observables. Aspectos como la creatividad. el pensamiento crítico, la capacidad de trabajo en equipo, la evolución personal o la motivación, resultan difíciles de medir mediante sistemas automatizados. LA IA no siempre es capaz de captar la riqueza y complejidad de estos procesos. Por ello, las analíticas generadas por IA deben entenderse como una fuente complementaria de información y no como una representación completa del aprendizaje del alumnado. Riesgos derivados de un uso inadecuado de la IA Además de las limitaciones propias de la inteligencia artificial, es importante tener presente que una utilización inadecuada de estas herramientas puede generar riesgos que afecten directamente a la calidad de los procesos de evaluación y a la equidad en la toma de decisiones educativas. En la mayoría de los casos, estos riesgos no derivan de un mal funcionamiento de la tecnología, sino de un uso excesivamente confiado o de una delegación indebida de responsabilidades que corresponden al profesorado. La IA debe entenderse como una herramienta de apoyo al juicio profesional docente y no como un sistema capaz de sustituirlo. Delegación excesiva del juicio profesional docente Uno de los principales riesgos consiste en otorgar a la inteligencia artificial un papel que excede su función de apoyo y convertirla, de forma implícita, en la responsable de la evaluación o de la interpretación del aprendizaje. La IA puede ayudar a analizar grandes cantidades de información, identificar patrones o generar propuestas de retroalimentación, pero carece del conocimiento del contexto educativo y de la capacidad para valorar las múltiples variables que intervienen en el aprendizaje de cada estudiante. Delegar de forma excesiva en la IA puede conducir a aceptar sus resultados sin la necesaria revisión crítica, reduciendo el papel del docente a un mero validador de respuestas generadas automáticamente. Sin embargo, la evaluación exige interpretar evidencias, comprender circunstancias personales y tomar decisiones pedagógicas fundamentadas, tareas que continúan siendo competencia exclusiva del profesorado. En consecuencia, los resultados proporcionados por una herramienta de IA deben considerarse siempre como una ayuda para el análisis y nunca como una decisión definitiva. Automatización de decisiones educativas La rapidez y facilidad con la que las herramientas de inteligencia artificial generan informes, recomendaciones o clasificaciones puede favorecer la automatización de procesos que requieren necesariamente una valoración humana. Existe el riesgo de utilizar las salidas generadas por la IA para asignar calificaciones, determinar necesidades de apoyo o adoptar decisiones sobre el alumnado sin un análisis pedagógico previo. Este enfoque resulta incompatible con una evaluación personalizada, continua y contextualizada. Las analíticas educativas pueden aportar información valiosa para orientar la intervención docente, pero no deben convertirse en mecanismos automáticos de decisión. Corresponde siempre al profesorado valorar la pertinencia de las conclusiones obtenidas, contrastarlas con otras evidencias y decidir las actuaciones más adecuadas en función del contexto específico del alumnado. La tecnología puede facilitar el análisis de la información, pero no debe reemplazar la deliberación profesional que caracteriza a una evaluación de calidad. Etiquetado y simplificación de perfiles de alumnado Otro riesgo importante consiste en utilizar las analíticas generadas por IA para clasificar al alumnado mediante categorías rígidas o interpretaciones simplificadas de su rendimiento. A partir de determinados patrones estadísticos podrían extraerse conclusiones como «alumnado con baja motivación», «perfil de bajo rendimiento» o «grupo con escasa implicación». Sin embargo, este tipo de etiquetas pueden ofrecer una visión reduccionista de procesos educativos que son dinámicos y están condicionados por numerosos factores personales, sociales y contextuales. El objetivo de las analíticas educativas no debe ser clasificar al alumnado, sino comprender mejor sus necesidades para diseñar intervenciones que favorezcan su aprendizaje y desarrollo. Por este motivo, resulta recomendable interpretar cualquier patrón detectado por la IA como una hipótesis de trabajo que requiere ser contrastada con otras evidencias y con el conocimiento directo que el profesorado tiene de su alumnado. Una utilización responsable de estas herramientas implica evitar valoraciones deterministas y comprender que los datos representan únicamente una parte de la realidad educativa, nunca su totalidad. 2.5.2. Responsabilidades del docente Responsabilidad en la protección de datos La utilización de herramientas de IA en contextos educativos exige una atención especial a la privacidad y a la protección de datos personales. Antes de utilizar cualquier sistema de IA, el profesorado debe garantizar que: los datos han sido correctamente anonimizados; no se comparte información sensible innecesaria; se respetan las políticas del centro educativo; se cumplen las obligaciones derivadas de la normativa vigente. La protección de los derechos digitales del alumnado constituye una responsabilidad irrenunciable del profesorado. Transparencia y uso ético con el alumnado El uso educativo de la IA debe desarrollarse desde criterios de transparencia y responsabilidad. Resulta recomendable que el alumnado conozca: cuándo se utilizan herramientas de IA cuáles son sus limitaciones cómo se protege la información personal Asimismo, debemos promover una utilización ética de estas tecnologías, favoreciendo el pensamiento crítico y evitando una dependencia excesiva de sistemas automatizados. Necesidad de formación y actualización profesional La inteligencia artificial evoluciona de forma rápida y constante. Por ello, el profesorado necesita mantener una actitud de formación permanente que le permita comprender las posibilidades y limitaciones de estas herramientas. El objetivo no es convertir al profesorado en especialista técnico, sino dotarlo de criterios suficientes para utilizar estas herramientas de forma segura y pedagógicamente adecuada. Supervisión y validación de los resultados generados por IA Toda información generada por una herramienta de IA debe ser revisada y validada antes de ser utilizada en procesos educativos. La supervisión docente resulta imprescindible para: detectar errores corregir interpretaciones inadecuadas contextualizar resultados adaptar las propuestas a la realidad del alumnado La responsabilidad final siempre es humana La incorporación de la inteligencia artificial no modifica un principio esencial de la práctica educativa: la responsabilidad sobre las decisiones pedagógicas corresponde siempre al profesorado. La IA puede actuar como herramienta de apoyo, pero no asume responsabilidades legales, éticas ni educativas. No responde ante el alumnado, las familias o la institución educativa. A continuación se muestra un cuadro resumen: La IA puede La IA no puede Analizar grandes volúmenes de información educativa. Comprender plenamente el contexto del aula. Detectar patrones, tendencias y errores frecuentes. Conocer la trayectoria personal y educativa del alumnado. Generar borradores de retroalimentación. Sustituir el juicio profesional del docente. Ayudar a organizar evidencias de aprendizaje. Tomar decisiones pedagógicas o académicas por sí sola. Proponer informes, rúbricas o actividades de mejora. Asumir responsabilidades legales, éticas o educativas. Facilitar una primera interpretación de datos. Valorar situaciones personales complejas. Apoyar la personalización del feedback. Garantizar por sí sola una evaluación justa, inclusiva y contextualizada. 2.6. Qué datos educativos puede analizar la IA de forma segura La incorporación de herramientas de inteligencia artificial en la práctica educativa no debería realizarse de manera automática o irreflexiva. Antes de utilizar una IA resulta recomendable detenerse y plantearse algunas preguntas que permitan valorar la pertinencia, seguridad y utilidad pedagógica de su uso. Estas preguntas no pretenden actuar como una barrera para la innovación, sino como una guía para favorecer una utilización responsable y profesional de estas tecnologías. Aunque las preguntas pueden ser muy diversas las hemos agrupados en los siguientes bloques: Finalidad Pedagógica Información Herramienta Resultados Evaluación y toma de decisiones Ética Finalidad pedagógica ¿Qué objetivo educativo persigo con esta herramienta? ¿La IA aporta un valor real a esta tarea o simplemente automatiza algo que ya realizo adecuadamente? ¿Me ayudará a mejorar el aprendizaje del alumnado? ¿Podría alcanzar el mismo objetivo mediante otro procedimiento más sencillo? ¿Estoy utilizando la IA para apoyar el aprendizaje o únicamente para ahorrar tiempo? Información ¿Es realmente necesario compartir esta información? ¿He anonimizado correctamente los datos? Herramienta ¿Conozco cómo funciona esta herramienta y sus condiciones de uso? ¿Dispone de una política de privacidad clara? ¿Está autorizada o recomendada por mi organización educativa? ¿Sé qué ocurre con los datos que introduzco? ¿Los datos pueden almacenarse o reutilizarse posteriormente? Resultados ¿Los resultados son coherentes con lo que conozco de mi alumnado? ¿He revisado posibles errores o interpretaciones incorrectas? ¿Existen otras explicaciones posibles para los patrones detectados? ¿Estoy aceptando las respuestas porque son convincentes o porque son correctas? ¿Qué evidencias respaldan las conclusiones obtenidas? Evaluación y toma de decisiones ¿Estoy utilizando la IA para apoyar mi evaluación o para sustituirla? ¿Quién está tomando realmente la decisión final? ¿Podría justificar esta decisión sin recurrir a la IA? ¿He contrastado la información con otras evidencias? ¿Estoy valorando adecuadamente el contexto del alumnado? Ética ¿El uso de esta herramienta beneficia realmente al alumnado? ¿Puede generar sesgos o desigualdades? ¿Estoy respetando los derechos digitales del alumnado? ¿La información generada es transparente y comprensible? ¿Sería capaz de explicar a una familia cómo se ha utilizado la IA en este proceso? Como síntesis , antes de utilizar una herramienta de inteligencia artificial en evaluación, puede resultar útil realizar esta comprobación rápida: He anonimizado los datos. Conozco las condiciones de uso de la herramienta. No estoy compartiendo información sensible. He revisado críticamente los resultados obtenidos. He contrastado la información con otras evidencias. La decisión final sigue dependiendo de mí. Puedo justificar el uso de la IA desde un punto de vista pedagógico. El aprendizaje del alumnado sigue siendo el centro del proceso. 3. Creación de instrumentos de evaluación La evaluación educativa no consiste solo en poner una nota, sino en recoger evidencias, interpretarlas y tomar decisiones pedagógicas con fundamento. En la era de la IA, esta idea cobra todavía más importancia, porque las herramientas digitales pueden ayudar a diseñar instrumentos más precisos, pero también pueden generar una falsa sensación de objetividad si no hay una mirada docente crítica. Por eso, crear instrumentos de evaluación sigue siendo una tarea profundamente profesional, ligada al currículo, a la competencia y al contexto real del aula. Los instrumentos de evaluación son las herramientas que permiten recoger evidencias de aprendizaje de forma sistemática. En un contexto con IA, su valor aumenta porque ayudan a hacer explícitos los criterios, reducir la subjetividad y generar evidencias más comparables. La IA puede apoyar la redacción, la mejora del lenguaje, la revisión de coherencia o la generación de borradores, pero la decisión final sobre criterios, niveles y ponderaciones debe seguir siendo docente. En evaluación, la clave no es que la IA “corrija”, sino que ayude a diseñar instrumentos más claros, válidos y alineados con los objetivos de aprendizaje. Por tanto, desde una perspectiva didáctica, un buen instrumento de evaluación debe cumplir cuatro condiciones básicas: estar alineado con lo que se quiere evaluar, ser comprensible para quien lo usa, permitir recoger evidencias observables y facilitar decisiones coherentes. La IA puede acelerar la redacción o proponer borradores, pero no sustituye el juicio pedagógico ni la selección intencional de los indicadores. En otras palabras, la tecnología puede ayudar a redactar mejor; no puede decidir por sí sola qué significa aprender bien. 3.1. Consejos para crear buenos prompts El mejor uso inicial de la IA en evaluación no es la corrección, sino la creación de instrumentos . El orden correcto es este: primero se fijan competencias específicas , criterios de evaluación , evidencias y nivel esperado ; después se usa la IA para convertir eso en formatos operativos . Si se trabaja al revés —pidiéndole a un chatbot “hazme una rúbrica” sin criterio previo— lo habitual es obtener textos aparentemente elegantes, pero genéricos, redundantes o mal alineados con lo que realmente se pretende valorar. Suelen ser buenos borradores iniciales, pero requieren revisión y adaptación docente sustantiva. Aránzazu Cortés + Chat GPT La fase crítica no es la generación, sino la prueba con evidencias ficticias o modelos de respuesta , porque ahí se detecta si la rúbrica distingue de verdad entre niveles. El uso de few-shot y salidas estructuradas mejora mucho esa iteración.  Por lo tanto, cuando pedimos a una IA que genere un instrumento de evaluación, el resultado depende en gran medida de la calidad del prompt. Un buen prompt no debe limitarse a “hazme una rúbrica”, sino que debe contextualizar la tarea, el nivel educativo, la materia, el tipo de evidencia y el uso que se dará al instrumento. Cuanta más información útil reciba la IA, más ajustada será la propuesta. Conviene incorporar cinco elementos: contexto didáctico (etapa educativa, materia, nivel del alumnado), criterios o competencias ,  tipo de evidencia a valorar,   formato del instrumento y restricciones . También es útil indicar el tono si el instrumento será para alumnado, profesorado o ambos , porque el lenguaje cambia mucho según el destinatario. Si el docente no acota, la IA tiende a generar instrumentos genéricos, correctos en apariencia pero poco útiles para una situación concreta. Cuanto más precisa sea la instrucción, más útil será la propuesta de la IA. También conviene pedir siempre que el resultado sea revisable y que no invente criterios fuera del currículo. La fórmula más fiable para profesorado suele ser esta: Rol + tarea + currículo + evidencia + restricciones + formato + control de calidad . Ejemplo de patrón: Actúa como especialista en evaluación educativa. Diseña una rúbrica analítica para 2.º ESO, Geografía e Historia, para evaluar un podcast de 3 minutos. Usa 4 criterios alineados con [criterios del currículo], 4 niveles de desempeño, lenguaje comprensible para alumnado y profesorado, descriptores observables y no redundantes. No inventes criterios ajenos al currículo. Devuelve una tabla y un JSON. Estructura útil de prompt Contexto: curso, materia y producto final. Objetivo de evaluación: qué se quiere valorar. Criterios o competencias. Formato deseado: rúbrica, lista de cotejo, escala, registro. Nivel de detalle. Restricciones: lenguaje simple, sin datos personales, alineado con criterios curriculares. Ejemplos de prompts bien formulados: Crea una rúbrica analítica para 3.º ESO de Lengua Castellana para evaluar una exposición oral de 3 minutos. Incluye 4 criterios, 4 niveles de desempeño, lenguaje claro para alumnado, y relación con comunicación oral, organización de ideas y uso de recursos expresivos. Genera una rúbrica analítica para 4.º de ESO de Biología para evaluar un informe de laboratorio. Debe incluir 4 criterios, 4 niveles de logro, lenguaje claro para alumnado, y centrarse en presentación de datos, interpretación, vocabulario científico y conclusión. Crea una lista de cotejo para Primaria, 5.º curso, para valorar una exposición oral sobre animales vertebrados. Debe ser breve, observable y útil para observación rápida en clase. La ventaja de este enfoque es que la IA no improvisa, sino que trabaja dentro de un marco pedagógico definido por el docente. Esto favorece la coherencia curricular y evita instrumentos demasiado abstractos o desalineados con la tarea real. La IA en educación debe usarse con supervisión docente, con protección de datos y dentro de un enfoque ético y pedagógico. Además, en el ámbito de la evaluación educativa los sistemas de IA pueden ser especialmente sensibles cuando afectan a resultados de aprendizaje o decisiones sobre alumnado. Una regla muy simple y muy técnica a la vez: identidad, instrucciones, ejemplos y contexto . Continuando con la creación de prompts eficaces, además, se recomienda estructurarlos con secciones claras, usar encabezados o etiquetas, incluir ejemplos diversos de entrada/salida y añadir el contexto relevante al final; además, cuando el resultado tiene que reutilizarse, conviene pedir la salida en formato estructurado, por ejemplo JSON o tabla. Un prompt eficaz no dice solo “créame una rúbrica”, sino algo como: Actúa como especialista en evaluación competencial de 2.º de ESO. A partir de este criterio, genera una rúbrica analítica de cuatro niveles, con indicadores observables, lenguaje comprensible para alumnado y familias, y una versión final en tabla y otra en JSON. Cuando además se añaden dos o tres ejemplos buenos y malos de producto del alumnado, la IA suele discriminar mucho mejor entre niveles de desempeño. La documentación oficial sobre prompting denomina a esto few-shot learning y recomienda que los ejemplos cubran una gama diversa de situaciones para que el patrón salga más robusto. Para que estos instrumentos salgan bien con IA, hay varias reglas prácticas que merece la pena enseñar. La primera es un criterio, una dimensión : si un descriptor mezcla “contenido, expresión y creatividad”, la IA tenderá a producir niveles ambiguos y el profesorado tendrá más desacuerdo al corregir. La segunda es lenguaje observable : mejor “justifica su respuesta con dos evidencias del texto” que “demuestra comprensión profunda”. La tercera es anclaje por evidencias : pedir expresamente que cada nivel incluya señales observables o errores típicos. La cuarta es portabilidad : solicitar a la IA versión larga para el profesorado, versión breve para el alumnado y versión tabular o JSON para reutilizarla en hojas de cálculo, formularios o LMS. La recomendación de pedir resultados estructurados está alineada con la práctica oficial de “Structured Outputs”. ¿Qué instrumento conviene en cada caso? La recomendación práctica es usar  rúbricas  para tareas complejas,  listas de cotejo  para control mínimo de calidad,  escalas  para procesos graduales y  registros de observación para evidencias no capturadas en productos finales. Esa variedad encaja mejor con un enfoque competencial y evita sobrecargar una sola herramienta. 3.2. Rúbricas La rúbrica es probablemente el instrumento más completo para evaluar tareas complejas. Su principal virtud es que hace visibles los criterios de calidad y describe distintos niveles de desempeño, lo que reduce la arbitrariedad y mejora la transparencia. Es especialmente útil en tareas competenciales, proyectos, presentaciones orales, textos escritos, trabajos cooperativos y producciones creativas. Teóricamente, la rúbrica tiene un valor importante porque convierte la evaluación en un proceso más formativo. El alumnado no solo recibe una calificación final, sino que puede entender qué se espera, en qué nivel se encuentra y qué debe mejorar. Además, una rúbrica bien diseñada ayuda al profesorado a unificar criterios entre grupos o entre docentes que corrigen una misma tarea. Con IA, la rúbrica puede: generarse como borrador, revisarse para mejorar su lenguaje, adaptarse a distintos niveles o materias, generar versiones para alumnado y profesorado.  Sin embargo, hay que vigilar varios problemas frecuentes: descriptores que se solapan, niveles que no son realmente distintos, criterios demasiado vagos o excesiva cantidad de indicadores. Una rúbrica buena es clara, breve, equilibrada y basada en evidencias observables. Ejemplo práctico: rúbrica para una infografía Criterio Nivel 4 Nivel 3 Nivel 2 Nivel 1 Exactitud del contenido Toda la información es correcta y relevante. Hay pequeños errores sin afectar al sentido. Hay varios errores o alguna información poco relevante. Contenido incorrecto o muy incompleto. Organización visual Muy clara, jerarquía visual eficaz. Bastante clara y ordenada. Algo confusa o sobrecargada. Difícil de seguir. Síntesis Resume con precisión sin perder ideas clave. Resume bien con algunas repeticiones. Exceso de texto o falta de síntesis. No sintetiza. Comunicación Atrae y facilita la comprensión. Comunica adecuadamente. Comunica con dificultad. No facilita la comprensión. Ejemplo práctico: rúbrica para una exposición oral Criterio Nivel 4 Nivel 3 Nivel 2 Nivel 1 Organización de ideas Presenta una estructura muy clara, con introducción, desarrollo y cierre bien conectados. La estructura es clara con pequeños saltos de ideas. La organización es irregular y cuesta seguir el hilo. No hay estructura reconocible. Expresión oral Habla con seguridad, ritmo adecuado y buena pronunciación. Se expresa con claridad, aunque con alguna vacilación. Presenta pausas frecuentes o dificultades de pronunciación. La exposición resulta difícil de seguir. Contenido El contenido es completo, riguroso y bien seleccionado. El contenido es adecuado, aunque algo superficial. Hay lagunas o información poco precisa. El contenido es muy incompleto o incorrecto. Apoyo visual Usa apoyos útiles, limpios y coherentes con la exposición. Los apoyos son adecuados aunque mejorables. Los apoyos distraen o aportan poco. No utiliza apoyos o son inadecuados. Ejemplo de uso docente: la IA puede redactar los niveles, pero el profesor decide si “expresión oral” debe valer más que “apoyo visual”, si el criterio de contenido incluye exactitud conceptual y si el lenguaje es adecuado para la edad. Esa validación es esencial para que la rúbrica mida lo que realmente interesa. De ahí nace la diferencia entre rúbrica de diseño y rúbrica de uso . La primera la emplea el docente para pensar y consensuar criterios; la segunda se adapta al momento de aplicación. Muchas veces conviene que no sean idénticas. Por ejemplo, el profesorado puede trabajar con una rúbrica analítica detallada de cinco criterios, mientras que al alumnado se le entrega una síntesis visual de tres dimensiones con ejemplos de calidad. Los sistemas de IA para generar rúbricas han resultado útiles precisamente como andamio de diseño inicial, no como instrumento final listo para usar sin edición. Uso con IA: puedes pedirle que genere los descriptores, pero después conviene revisar si los niveles son realmente distinguibles entre sí. Plantilla de prompt para generar una rúbrica analítica Diseña una rúbrica analítica para  [curso/etapa] ,  [materia] , para evaluar  [producto] . Usa  [n]  criterios alineados con  [criterios curriculares] ,  [n] niveles, descriptores observables y lenguaje claro. No inventes criterios fuera del currículo. Devuelve tabla y JSON. Actúa como especialista en evaluación competencial en [etapa educativa] y [materia].Objetivo: Crear una rúbrica analítica alineada con este criterio de evaluación: [pegar criterio]Contexto: - Situación de aprendizaje: [describir] - Producto o evidencia: [texto oral, informe, maqueta, problema resuelto, etc.] - Nivel esperado: [curso/etapa] - Número de sesiones: [x] - Uso final: evaluación formativa y feedback al alumnadoInstrucciones: - Genera 4 criterios como máximo. - Crea 4 niveles de desempeño. - Usa descriptores observables, sin adjetivos vagos. - Evita mezclar dos variables en el mismo descriptor. - Añade ejemplos de errores frecuentes. - Devuelve:   1) tabla para profesorado,   2) versión resumida para alumnado,   3) JSON con campos: criterio, nivel_1, nivel_2, nivel_3, nivel_4. Plantilla JSON de rúbrica Tarea : exposición oral Curso : 5.º Primaria / 2.º ESO / 1.º Bach. Criterios : contenido, organización, lenguaje, interacción con audiencia Niveles : inicial / básico / adecuado / avanzado Regla : cada descriptor debe ser observable y no repetir el del nivel contiguo. { "instrumento": "rubrica_analitica", "etapa": "ESO", "curso": "2", "materia": "Lengua Castellana y Literatura", "tarea": "texto argumentativo", "criterios": [   {     "id": "C1",     "nombre": "Tesis y posicionamiento",     "peso": 0.25,     "niveles": {       "1": "No formula tesis o es contradictoria.",       "2": "Formula una tesis poco clara o incompleta.",       "3": "Formula una tesis clara y pertinente.",       "4": "Formula una tesis precisa, matizada y bien sostenida."     }   } ] } De la rúbrica a la lista o a la escala Una ventaja real de la IA es la  transformación entre formatos . Si una rúbrica ya está bien hecha, el modelo puede convertirla en checklist o escala sin rehacer el diseño desde cero. Por ejemplo: De rúbrica a checklist : extraer los mínimos exigibles. De rúbrica a escala : convertir niveles en anclas verbales o numéricas. De observaciones cualitativas a categorías : agrupar notas docentes por patrones. Esta reconversión es útil cuando queremos mantener coherencia entre evaluación del profesorado, autoevaluación y coevaluación. Estudios recientes sobre feedback y rúbricas muestran que cuando la IA trabaja  anclada en una rúbrica dada por el docente , la calidad del feedback mejora, pero siguen apareciendo inconsistencias de puntuación que exigen calibración humana. De la generación de la rúbrica a su uso real en el aula Uno de los errores más frecuentes al empezar a trabajar con IA en evaluación es pensar que el proceso termina cuando el modelo genera una rúbrica o una tabla. En realidad, ese es solo el punto de partida. El verdadero valor aparece cuando el docente transforma esa salida en un instrumento listo para usar dentro de su flujo habitual de evaluación. La IA puede ayudar en todas las fases: diseño inicial, revisión de criterios, generación de formatos reutilizables, exportación a herramientas digitales, integración con LMS, creación de feedback automatizable, y preparación de versiones para alumnado y profesorado. El proceso completo suele seguir esta secuencia: 1. Definir el objetivo de evaluación El docente concreta: qué quiere evaluar, qué evidencia recogerá, qué criterios curriculares intervienen, y qué uso tendrá la rúbrica. No es lo mismo una rúbrica para: autoevaluación, corrección rápida, evaluación compartida, o integración automática en una plataforma digital. Ese objetivo condiciona el diseño posterior. 2. Redactar el prompt inicial La calidad de la rúbrica depende en gran parte de la precisión del prompt. Cuanto más contexto reciba la IA, más útil será el borrador generado. Ejemplo de prompt completo: Actúa como especialista en evaluación competencial de Lengua Castellana en 2.º ESO. Diseña una rúbrica analítica para evaluar un texto argumentativo. Condiciones: máximo 4 criterios, 4 niveles de desempeño, descriptores observables, lenguaje comprensible para alumnado de 13-14 años, incluir errores frecuentes, alineada con este criterio curricular: [pegar criterio] . Devuelve: tabla para profesorado, versión resumida para alumnado, JSON reutilizable para LMS o hojas de cálculo. 3. Revisar pedagógicamente la propuesta de la IA La IA puede generar rápidamente descriptores, pero el docente debe validar: si los niveles realmente son distinguibles, si los criterios miden lo importante, si el lenguaje es adecuado para la edad, y si los indicadores son observables. Este paso es esencial porque muchos modelos tienden a: repetir ideas entre niveles, usar lenguaje excesivamente genérico, o mezclar varios indicadores en un mismo descriptor. La IA acelera el diseño, pero la validación pedagógica sigue siendo humana. 4. Elegir el formato final de uso Una misma rúbrica puede transformarse en distintos formatos según el contexto de aplicación. Tabla para impresión o uso manual La salida puede copiarse directamente a: un documento de texto, una plantilla PDF, o una ficha impresa para aula. Es la opción más sencilla y útil para: observación directa, exposiciones orales, correcciones rápidas, o evaluación en papel. Hoja de cálculo La tabla generada por la IA puede pegarse en: Excel, Google Sheets, LibreOffice Calc. Esto permite: calcular puntuaciones automáticamente, generar medias, visualizar progreso, filtrar criterios, crear gráficos, o reutilizar rúbricas entre grupos. Ejemplo de estructura: Alumno C1 C2 C3 C4 Observaciones ALU_01 3 2 4 3 Mejorar cohesión ALU_02 2 2 3 2 Revisar tesis A partir de aquí, la IA puede incluso analizar patrones globales del grupo. Integración en LMS Muchos LMS permiten importar rúbricas o criterios mediante tablas o estructuras JSON. Por ejemplo: Moodle Google Classroom Canvas Additio El JSON generado por IA puede servir como estructura base para: automatizar criterios, crear escalas, importar indicadores, o reutilizar rúbricas entre cursos. Ejemplo: { "criterio": "Organización", "nivel_1": "No existe estructura clara.", "nivel_2": "La estructura es irregular.", "nivel_3": "La organización es adecuada.", "nivel_4": "La estructura es clara y coherente." } Este tipo de formato facilita además futuras automatizaciones. 5. Utilizar la rúbrica como base para corrección asistida con IA Aquí es donde enlaza directamente con el apartado 4.4 que veremos más en detalle. Una vez creada la rúbrica, el docente puede reutilizarla como marco estable para: analizar producciones, generar feedback, detectar patrones, o redactar observaciones coherentes. La rúbrica deja de ser solo un instrumento de calificación y se convierte en una “estructura de diálogo” entre docente, alumnado e IA. Por ejemplo: El docente pega la rúbrica. Añade un texto anonimizado. La IA analiza únicamente según esos criterios. Devuelve evidencias y sugerencias. El docente valida el resultado. Este enfoque reduce comentarios genéricos y mejora la coherencia del feedback. 6. Generar feedback reutilizable y personalizado Una ventaja especialmente potente es reutilizar los resultados para crear distintos tipos de retroalimentación: feedback breve, versión motivadora, adaptación por edad, comentarios para familias, o recomendaciones de mejora. Ejemplo: Reescribe este feedback para alumnado de 5.º de Primaria con tono motivador y dos pasos concretos de mejora: [pegar feedback] La IA puede transformar automáticamente un comentario técnico del profesorado en una explicación comprensible para el alumnado. 7. Conservar la rúbrica como instrumento reutilizable Cuando la rúbrica ya está validada, puede convertirse en: plantilla reutilizable, banco de instrumentos, estructura para futuras situaciones de aprendizaje, o sistema de evaluación común entre docentes. Muchos equipos docentes están empezando a crear bibliotecas compartidas de rúbricas generadas y refinadas con IA, lo que reduce tiempo de diseño y mejora la coherencia entre materias y niveles. El verdadero potencial de la IA en evaluación no está en que “corrija sola”, sino en que permite convertir instrumentos bien diseñados en sistemas de feedback más coherentes, reutilizables, transparentes y pedagógicamente útiles. 3.3. Listas de cotejo La lista de cotejo es un instrumento más simple que la rúbrica y sirve para comprobar si aparecen o no determinados elementos o si cumple o no una serie de requisitos. Es especialmente útil en tareas objetivas con requisitos concretos, productos estructurados, observación rápida de conductas o verificación de entregables. Su valor reside en la claridad y en la rapidez de uso, por lo que funciona muy bien en fases iniciales de aprendizaje, en actividades procedimentales o cuando queremos verificar la presencia de componentes mínimos. Desde el punto de vista teórico, la lista de cotejo se sitúa en un nivel más descriptivo que valorativo. No explica tanto la calidad como la existencia de un requisito. Por ello, es muy útil cuando la prioridad es asegurar que el trabajo cumple unas condiciones básicas o elementos esenciales antes de pasar a una evaluación más rica. Ejemplo práctico: lista de cotejo para un proyecto Incluye portada. Presenta índice. Cita al menos dos fuentes. El trabajo está redactado en lenguaje propio. Hay conclusiones personales. La presentación se entrega en plazo. Ejemplo práctico: lista de cotejo para un trabajo escrito Tiene título. Incluye introducción. Desarrolla al menos tres ideas. Usa conectores textuales. Incluye conclusión. Cita al menos una fuente. Ejemplo práctico: lista de cotejo para una presentación oral Mira al público. Habla en voz audible. Respeta el tiempo. No lee todo el texto. Explica las ideas principales. La IA puede ayudar a convertir criterios demasiado ambiguos en ítems observables. Por ejemplo, una instrucción como “el alumno se expresa bien” puede transformarse en “usa vocabulario adecuado al tema”, “mantiene una secuencia lógica” y “pronuncia con claridad”. Eso mejora la fiabilidad del instrumento. Este instrumento es especialmente útil en etapas iniciales, tareas cortas o actividades en las que se quiere evitar una carga de corrección excesiva. La IA puede ayudar a convertir un enunciado de tarea en una lista de verificación clara y breve. Prompt para convertir una rúbrica en lista de cotejo A partir de esta rúbrica, transforma solo los indicadores que sean verificables en una lista de cotejo sí/no. Marca aparte los que NO conviene convertir a sí/no porque exigen gradación. Devuelve la salida en dos bloques: - Lista de cotejo aplicable - Indicadores que deben quedarse en escala o rúbrica A partir de esta rúbrica, genera una lista de cotejo de requisitos mínimos observables para uso rápido en aula. Mantén coherencia con los criterios y evita ítems redundantes. 3.4. Escalas de valoración La escala de valoración es muy útil cuando queremos medir grado / calidad , frecuencia o intensidad de un comportamiento o desempeño. A diferencia de la lista de cotejo, no se limita a un sí o no, sino que introduce niveles graduales. Pueden ser rangos numéricos o verbales (“nunca–a veces–frecuentemente–siempre” o “insuficiente–aceptable–adecuado–excelente”), y es muy habitual en observación del trabajo en grupo, participación, hábitos de trabajo o evolución de determinadas competencias. Son útiles cuando queremos observar procesos más abiertos que una simple comprobación sí/no. Teóricamente, la escala permite captar matices. No todos los aprendizajes se pueden reducir a presencia/ausencia, y hay procesos en los que interesa saber si algo ocurre rara vez, a veces o con frecuencia. La escala es, por tanto, un puente entre lo descriptivo y lo valorativo. Ejemplo práctico: escala numérica para trabajo cooperativo Indicador 1 2 3 4 Participa activamente         Escucha a sus compañeros         Aporta ideas útiles         Respeta los turnos       Ejemplo práctico: escala con rangos verbales para trabajo cooperativo Indicador Nunca A veces Frecuentemente Siempre Escucha a sus compañeros         Aporta ideas útiles         Respeta los turnos         Cumple su parte del trabajo       También puede construirse con niveles de logro: Insuficiente. Básico. Adecuado. Excelente. Ejemplo de aplicación: en un proyecto de ciencias, la escala puede valorar si el alumnado participa activamente, si colabora, si gestiona bien el tiempo y si asume responsabilidades. La IA puede ayudar a redactar los indicadores para que sean observables, pero el docente debe decidir qué significa exactamente “frecuentemente” en ese contexto. La IA puede ayudar a redactar indicadores observables, evitando términos vagos como “se implica mucho” o “trabaja bien”, que luego son difíciles de valorar con consistencia. Prompt para crear una escala de valoración A partir de este criterio y de estas evidencias, crea una escala de valoración de 1 a 4. Ancla cada puntuación con frecuencia o autonomía observable. No uses “bien”, “regular” o “mal”. Usa fórmulas como: 1 = no lo realiza ni con ayuda 2 = lo realiza con mucha ayuda 3 = lo realiza con alguna ayuda 4 = lo realiza de forma autónoma y consistente Prompt para convertir una rúbrica a escala de valoración Convierte esta rúbrica en una escala de valoración de 4 niveles con anclas verbales: nunca / a veces / frecuentemente / siempre, o insuficiente / básico / adecuado / excelente según convenga a la tarea. Explica qué evidencia observable corresponde a cada nivel. 3.5. Registros de observación El registro de observación es uno de los instrumentos más ricos para evaluar el proceso, no solo el producto. Permite anotar conductas, interacciones, dificultades, avances y decisiones pedagógicas, es decir, evidencias mientras el alumnado trabaja. Es especialmente valioso en situaciones prácticas, trabajo en taller, aprendizaje cooperativo, actividades orales o dinámicas de aula para valorar la interacción, participación, desempeño oral o trabajo práctico donde la evidencia no queda recogida en un documento final. A diferencia de otros instrumentos, aquí importa tanto lo que se observa como el momento en que se observa. Teóricamente, este instrumento reconoce que aprender no siempre deja una huella escrita. Muchas veces, la evidencia aparece en la forma de participar, resolver problemas, explicar, justificar, corregir o colaborar. El registro de observación da valor a esos momentos efímeros que de otro modo se perderían. Ejemplo práctico: registro breve de aula Fecha. Alumno o grupo. Tarea o actividad. Conducta o evidencia observada. Dificultad o incidencia detectada. Intervención docente. Decisión posterior. Ejemplos de anotaciones reales: Durante la resolución del caso, el grupo identifica correctamente el problema, pero no justifica la solución. Necesitan apoyo en argumentación. Durante la resolución del caso, el grupo identifica bien el problema, pero no justifica la solución con argumentos científicos. Se propone andamiaje con preguntas guía en la siguiente sesión. La IA puede ayudar a organizar registros extensos, agrupar observaciones por categorías o resumir patrones, pero la observación en sí debe ser humana y contextual. Si la IA interpreta por su cuenta comportamientos del alumnado, se corre el riesgo de sobregeneralizar o de convertir una anécdota en una conclusión injustificada. Con IA, el registro puede transformarse después en patrones o categorías, pero la observación original debe ser del docente. La IA no debería sustituir el juicio profesional ni convertir pequeños rastros de aula en diagnósticos automáticos. Prompt para registro de observación Diseña un registro de observación para [Infantil/Primaria/ESO/FP] en la actividad [x]. Debe incluir: - fecha - contexto - conducta o evidencia observable - frecuencia o momento de aparición - interpretación pedagógica breve - siguiente decisión docente Evita etiquetas clínicas o diagnósticas. Devuelve una versión en tabla y otra para copiar a una hoja de cálculo. Diseña un registro breve de observación para  [actividad] con columnas de fecha, código del alumno/grupo, evidencia observada, dificultad detectada, intervención docente y decisión de seguimiento. 4. Corrección asistida por IA sin vulnerar datos personales No basta con conocer tipos de instrumentos; también hay que saber qué hace que un instrumento sea bueno. En términos teóricos, un instrumento de evaluación debe ser válido, fiable, claro, pertinente y manejable. La validez se refiere a si realmente evalúa lo que pretende evaluar. La fiabilidad se relaciona con la consistencia de los resultados. La claridad afecta a la comprensión del alumnado y del profesorado. La pertinencia indica si el instrumento encaja con la tarea. La manejabilidad tiene que ver con el tiempo real de uso en el aula. La IA puede mejorar el lenguaje y proponer versiones más limpias, pero no garantiza por sí sola estos criterios. Por eso es recomendable revisar siempre si el instrumento evita ambigüedades, si no sobrecarga al docente y si permite recoger evidencias suficientes para tomar decisiones fundamentadas. 4.1. Corrección automática vs. corrección asistida: diferencias clave La corrección automática suele implicar que un sistema da una puntuación o juicio con mínima intervención docente. Puede ser útil en ejercicios cerrados, test o comprobaciones muy objetivas, pero resulta limitada para tareas complejas.  La corrección asistida, en cambio, usa la IA como herramienta de apoyo al análisis (propone borradores, identifica patrones) y a la redacción de observaciones (resume errores, sugiere comentarios), pero el docente conserva el control final revisando y validando todo antes de emitir una calificación. En educación, esta segunda opción es mucho más segura y pedagógicamente más sólida. Esta diferencia es importante porque una nota automática puede dar la impresión de neutralidad, aunque en realidad esté basada en reglas poco transparentes o sesgadas. En evaluación educativa, esto es especialmente delicado porque una decisión errónea puede afectar al aprendizaje, a la autoestima y a la trayectoria escolar del alumnado. Ejemplo comparativo: Corrección automática: la IA califica una redacción con un número sin justificación pedagógica clara. Corrección asistida: la IA identifica problemas de estructura y propone comentarios; el docente revisa, ajusta y decide la calificación. La segunda opción es más defendible desde el punto de vista pedagógico y legal. Aránzazu Cortés + Chat GPT La recomendación operativa es empezar cada tarea con una muestra de calibración y no pasar al lote completo hasta comprobar que la salida es coherente con el criterio docente. Esa lógica coincide con la literatura reciente sobre sistemas híbridos y con la prevención del sesgo de automatización. Por tanto, la corrección asistida por IA puede ser una aliada muy potente si se usa con prudencia. Permite agilizar tareas repetitivas, detectar patrones de error, redactar feedback y organizar evidencias. Pero en evaluación no todo puede automatizarse, porque la corrección no es solo una operación técnica: implica interpretación pedagógica, sensibilidad contextual y responsabilidad profesional. Además, cuando se trabaja con datos de alumnado, entran en juego derechos especialmente sensibles. La protección de datos en el ámbito educativo es una cuestión central, y la AEPD insiste en la necesidad de extremar cautelas con menores, plataformas digitales y análisis de información escolar. Por eso, la corrección asistida debe diseñarse desde la minimización de datos y la supervisión docente. La evaluación de aprendizajes puede afectar al itinerario educativo y, por eso, el marco europeo considera especialmente sensibles los sistemas usados para evaluar resultados de aprendizaje o monitorizar alumnado. Por tanto, la IA debe servir para ahorrar tiempo en tareas mecánicas, no para delegar decisiones sustantivas. 4.2. Qué información puede introducirse en una herramienta de IA Uno de los puntos clave es decidir qué información puede compartirse con una herramienta de IA. La regla básica es la minimización: introducir solo lo necesario y, si es posible, sin datos identificativos directos. En contexto escolar, esto es especialmente importante cuando hablamos de menores, trabajos académicos, observaciones de conducta o informes de evaluación. Por tanto, en una herramienta de IA solo debería introducirse información necesaria, mínima y, cuando sea posible, anonimizada o pseudonimizada. No conviene subir nombres, apellidos, fotografías, números de expediente, direcciones, ni documentos con identificación directa salvo que exista base legal, garantías técnicas y autorización institucional clara. Información recomendable para trabajar con IA: Textos o fragmentos anónimos o seudonimizados, es decir, sin nombre del autor. Respuestas codificadas o separadas por códigos. Fragmentos aislados de producciones o producciones anonimizadas estrictamente necesarios. Datos o tablas de resultados agregados de grupo. Descriptores de desempeño (criterios, rúbricas, listas y escalas) sin nombre de alumnado, es decir, listas con identificadores neutrales. Por ejemplo, "Alumno 03". Información que conviene evitar: Datos identificativos directos: Nombre y apellidos, foto o voz identificable. Identificadores oficiales: correo o número de expediente. Informes completos con datos personales. Informes completos con información sensible. Producciones con metadatos personales no depurados. Imágenes con rostros reconocibles. Capturas de pantalla con nombres visibles o contexto fácilmente reidentificable. Información sensible sin base legal clara (datos de menores sin necesidad pedagógica clara). La lógica es sencilla: si la IA no necesita el dato para cumplir su función, no debe recibirlo. Esto reduce riesgos de reidentificación, filtración y uso indebido de información. Checklist de privacidad y cumplimiento 4.3. Estrategias para trabajar con textos y evidencias sin datos identificativos La anonimización es una estrategia básica para poder usar IA con cierto nivel de seguridad. No consiste solo en borrar el nombre, sino en eliminar o sustituir toda información que permita identificar a una persona directa o indirectamente, es decir, reducir la reidentificación por contexto, contenido o metadatos. En educación, esto implica revisar no solo el encabezado, sino también el contenido, los metadatos y cualquier pista contextual. En evaluación, una estrategia sencilla es separar identidad y evidencia mediante códigos, y trabajar únicamente con el texto o el producto que se va a analizar. Flujo seguro recomendado: Recoger la evidencia. Sustituir nombres por códigos. Eliminar datos del documento. Revisar que no haya pistas evidentes de identidad. Introducir solo el fragmento necesario en la IA. Verificar la respuesta generada. Archivar la versión original en entorno institucional seguro. Ejemplo práctico: Documento original: “María Pérez, 4.º ESO B”. Versión para IA: “Alumno 07, 4.º ESO”. Fragmento enviado: solo el texto de la redacción o el apartado relevante. A veces basta con cambiar un nombre por un código, pero otras veces es necesario eliminar referencias a profesores, lugares, proyectos o circunstancias familiares que podrían hacer reconocible al alumno. Cuanto más sensible sea la información, más estricta debe ser la revisión. Herramientas y niveles de madurez La decisión no debe hacerse por “marca”, sino por  madurez de gobernanza . La siguiente tabla resume el uso más prudente en centros. Nivel Herramientas tipo Uso recomendable Condición de datos Requisitos contractuales y riesgos Exploración básica ChatGPT personal, Claude consumer, Gemini Apps Ideación de actividades, borradores de rúbricas, ejemplos ficticios Sin datos reales  del alumnado En Gemini Apps, una parte de los chats puede revisarse por humanos y utilizarse para mejorar servicios; ciertos datos revisados pueden conservarse hasta 3 años. En servicios individuales de OpenAI, los datos de versiones para individuos pueden usarse para entrenamiento. En Claude consumer, inputs/outputs pueden usarse para entrenar salvo opt-out.  Entorno institucional gestionado ChatGPT Business/Edu/API Creación de instrumentos, revisión de textos seudonimizados, feedback asistido Datos minimizados y seudonimizados OpenAI indica que por defecto no entrena con datos de Business, Enterprise, Edu ni API; ofrece DPA, controles de retención y, en API, casos con zero data retention.  Suite corporativa integrada Microsoft 365 Copilot Comentado de documentos, resúmenes y borradores en ecosistema M365 Solo con permisos bien gobernados Microsoft indica que prompts, respuestas y datos de Graph no se usan para entrenar LLM fundacionales; funciona dentro del perímetro M365. Riesgo principal: permisos mal configurados. Además, algunos modelos Anthropic en experiencias Copilot quedan fuera del EU Data Boundary.  Plataforma cloud avanzada Vertex AI / Google Cloud Pipelines con JSON, RAG institucional, despliegues controlados Datos institucionales bajo diseño técnico y jurídico Google afirma que no usará datos para entrenar o afinar modelos sin permiso previo; aun así, puede haber logging para abuso y ciertos servicios de grounding almacenan prompts y salidas 30 días.  Servicios comerciales B2B Anthropic Commercial / API Corrección asistida o feedback si el centro contrata servicio empresarial Datos minimizados y contrato Anthropic establece en términos comerciales que el cliente conserva inputs y outputs y que Anthropic no puede entrenar modelos con Customer Content; además incorpora DPA. En consumo, la política es distinta.  Autoalojada / local Gemma 4 + Ollama u otra infraestructura propia Mayor soberanía, pruebas con datos internos, prototipos avanzados Puede admitir datos reales si la arquitectura lo justifica y el centro controla todo el entorno Gemma 4 se publica bajo licencia Apache 2.0, con soporte para JSON estructurado y despliegue on-prem; Google la presenta como apta para control total de datos e infraestructura. Ollama permite ejecución local sencilla e integración vía CLI/API. Riesgos: seguridad del servidor, evaluación del modelo, coste de mantenimiento. Sobre herramientas edtech específicas como  MagicSchool , sí existe evidencia reciente de uso docente en generación de rúbricas, con buena percepción como borrador inicial y necesidad clara de edición humana. ¿Cómo decidir qué herramienta usar? Aránzazu Cortés + Chat GPT 4.4. Uso de rúbricas, listas de cotejo y criterios de evaluación como base para la corrección con IA La corrección asistida funciona mejor cuando parte de instrumentos muy claros. Las rúbricas y listas de cotejo son la base ideal para la corrección asistida porque convierten la valoración en evaluación de criterios visibles y explícitos y permiten que la IA trabaje sobre categorías definidas por el docente y ayude a comparar una evidencia con esos criterios proponiendo observaciones y redactando el feedback, pero siempre dentro de la estructura definida por el docente. Esto mejora la consistencia del feedback y evita comentarios genéricos del tipo “deberías mejorar” sin especificar qué ni cómo. Ejemplos de uso práctico de flujo: El docente define una rúbrica para un texto argumentativo. La IA analiza una versión anonimizada del texto. La IA devuelve observaciones según criterios: tesis, estructura, argumentos, cohesión y corrección lingüística. El profesor valida y decide la calificación final. El docente define una rúbrica de exposición oral. La IA recibe la transcripción anonimizada. La IA devuelve observaciones vinculadas a criterios. El docente valida, corrige y ajusta la calificación. Ejemplo de feedback asistido: La tesis está presente y se identifica con claridad. El texto, sin embargo, necesita mejorar la conexión entre argumentos mediante conectores como ‘por otra parte’ o ‘además’. La conclusión recupera la idea principal, pero no cierra del todo el razonamiento. Este tipo de respuesta es útil porque convierte la corrección en una orientación pedagógica, no solo en un veredicto. Esto reduce tiempo y mejora la coherencia, especialmente cuando hay muchos trabajos. Además, favorece una retroalimentación más homogénea entre grupos o profesores. Plantilla de prompt para corrección asistida con texto anonimizado Analiza este texto anonimizado usando exclusivamente la rúbrica adjunta. No pongas nota final. Indica, por criterio, el nivel estimado, una evidencia textual y una sugerencia breve de mejora. Si faltan datos para valorar un criterio, indícalo explícitamente. Actúa como asistente de evaluación, no como evaluador final. Vas a analizar un texto anonimizado de alumnado usando exclusivamente esta rúbrica: [pegar rúbrica] Tu tarea: - asignar un nivel provisional por criterio, - justificar cada propuesta con una evidencia literal del texto, - señalar incertidumbres o ambigüedades, - redactar feedback breve, accionable y comprensible para el alumno, - NO dar calificación final global. Devuelve una tabla con estas columnas: criterio | nivel_provisional | evidencia_textual | duda_detectada | sugerencia_de_mejora Si falta evidencia suficiente, escribe “requiere revisión docente”. Este último prompt es especialmente potente porque obliga a la IA a trabajar como  asistente de evidencia , no como juez final. Plantilla JSON para corrección asistida { "id_anonimo": "ALU_07", "tarea": "texto_argumentativo", "puntuaciones": {   "C1": 3,   "C2": 2,   "C3": 3,   "C4": 2 }, "evidencias": [   {     "criterio": "C1",     "fragmento": "El uso del móvil debería limitarse en clase..."   } ], "feedback_breve": "La tesis es clara; conviene reforzar la conexión entre argumentos.", "requiere_revision_docente": true } La utilidad de estas salidas estructuradas es doble: reducen ambigüedad y facilitan exportaciones a hojas de cálculo, scripts o LMS. Prompt innovador para salida LMS Devuelve el análisis en JSON con campos  id_anonimo ,  criterio ,  nivel ,  evidencia ,  comentario ,  requiere_revision_docente . No añadas texto fuera del JSON. Prompt para feedback adaptado Reescribe este feedback con lenguaje comprensible para nivel , tono motivador y dos pasos concretos de mejora. 4.5. Supervisión docente y validación de resultados La supervisión del docente es irrenunciable e indispensable . La IA puede detectar patrones, pero no comprende por completo el contexto del aula, las características del grupo, la evolución del alumno ni los objetivos específicos de una situación didáctica. Además, la IA puede equivocarse, sesgarse o interpretar mal una evidencia. Por eso, cualquier resultado generado por IA debe ser entendido como borrador, no como decisión final. Además, en educación hay un problema de fondo: la IA puede parecer segura incluso cuando se equivoca. Por eso es importante que el profesorado mantenga una actitud crítica y no delegue en la herramienta la interpretación de evidencias complejas. La IA debe ahorrar tiempo en tareas mecánicas, no desplazar el juicio profesional. En evaluación, un comentario aparentemente convincente no equivale a una valoración válida. La decisión final debe mantenerse siempre en manos del profesorado, que conoce el contexto, el nivel real del grupo y las circunstancias del alumnado. Regla práctica útil: La IA propone o sugiere. El docente dispone: interpreta y decide. Prompt para validación docente Revisa si la siguiente propuesta de corrección es coherente con la rúbrica. Señala posibles sobrevaloraciones, infravaloraciones o inferencias no justificadas por la evidencia. Ejemplo completo de aplicación o corrección asistida Imagina una actividad de 2.º de ESO: redactar un texto argumentativo sobre el uso del móvil en clase. El proceso podría ser este: El alumnado entrega el texto con un código. El docente elimina datos personales. La IA revisa ortografía, estructura y presencia de tesis, argumentos y conclusión. La IA genera un borrador de feedback: “La tesis es clara, pero faltan conectores argumentativos y ejemplos”. El docente revisa el resultado, comprueba si la observación es correcta y añade matices. La calificación final la decide el profesor con ayuda de la rúbrica. Imaginemos una actividad de 1.º de Bachillerato: comentario crítico sobre un texto periodístico. El proceso podría ser este: El alumnado entrega el texto con un código. El docente elimina nombres y datos personales. La IA revisa estructura, argumentación, uso de conectores y coherencia. La IA propone un borrador de feedback. El docente revisa si la observación es correcta, añade matices y ajusta la valoración. Posible salida de la IA: "El texto presenta una postura clara, pero necesita ejemplos más concretos para sostener el argumento. La coherencia global es adecuada, aunque algunos párrafos podrían unirse mejor mediante conectores.” Ese comentario puede ser útil, pero solo si el profesor comprueba que refleja fielmente el texto. Si el alumno ya había hecho esa conexión y la IA no la detecta, o si la IA sobreestima un error menor, la intervención docente corrige el sesgo. 5. Generación de analíticas e informes con apoyo de IA La generación de analíticas e informes con apoyo de IA puede aportar mucho valor pedagógico cuando se orienta a tres fines concretos: detectar patrones de aprendizajetraducir esos patrones a decisiones didácticasdevolver retroalimentación útil a alumnado y docentes 5.1. Análisis de patrones de aprendizaje, errores frecuentes y progreso Cuando hablamos de analíticas educativas apoyadas por IA, uno de los conceptos clave es el de patrón de aprendizaje . Un patrón es una regularidad o tendencia que aparece de forma repetida. En el contexto educativo, aparecen en las evidencias generadas por el alumnado y que puede ayudarnos a comprender mejor cómo se está produciendo el aprendizaje. La IA puede ayudarnos a identificar estos patrones de manera más rápida y sistemática, especialmente cuando trabajamos con grandes volúmenes de información. Sin embargo, conviene recordar que detectar un patrón no equivale a explicar sus causas ni a emitir automáticamente un juicio pedagógico. Desde una perspectiva educativa, los patrones deben entenderse como indicadores   que nos ayudan a: identificar posibles dificultades detectar necesidades de apoyo ajustar metodologías orientar intervenciones educativas En este sentido, las analíticas adquieren valor cuando se vinculan a decisiones pedagógicas concretas y no cuando se convierten únicamente en acumulaciones de datos o métricas descontextualizadas.  A continuación se muestran diferentes ejemplos de patrones: Patrón detectado Qué puede indicar Posible interpretación pedagógica Descenso progresivo de participación Desmotivación, sobrecarga o desconexión Revisar dinámica de aula o acompañamiento Mejora constante en revisiones sucesivas Desarrollo de autorregulación Potenciar estrategias de aprendizaje autónomo Entregas incompletas recurrentes Problemas organizativos o dificultad excesiva Ajustar carga de trabajo o secuenciación Mucha corrección formal pero poca profundidad Aprendizaje superficial Diseñar tareas más competenciales Baja participación en tareas colaborativas Dificultades sociales o metodológicas Reforzar dinámicas cooperativas Uso repetitivo de soluciones tipo Dependencia de modelos mecánicos Favorecer pensamiento crítico y creatividad Tiempo excesivo en tareas simples Posibles dificultades de comprensión Valorar necesidad de apoyo adicional Participación alta pero bajo rendimiento Implicación sin comprensión suficiente Ajustar estrategias de apoyo Disminución de calidad al aumentar complejidad Fragilidad en consolidación de competencias Reforzar andamiajes progresivos Estos patrones pueden ser detectados sin la ayuda de la inteligencia artificial, pero ésta es realmente útil cunado contamos con grupos numerosos o con múltiples evidencias. Tan importante como comprender las posibilidades de estas herramientas es entender claramente sus límites y evitar usos pedagógicamente inadecuados. Las analíticas educativas apoyadas por IA no deben convertirse en: Un sistema automático de etiquetado del alumnado. Un mecanismo de vigilancia constante: El análisis educativo no debe derivar en modelos de monitorización excesiva del alumnado. Un sistema de predicción determinista. La IA puede detectar tendencias, pero no puede predecir de manera fiable. Un sistema opaco o incomprensible: El profesorado debe mantener siempre comprensión y control sobre el proceso analítico. Una sustitución del criterio docente. Un mecanismo de toma automática de decisiones. 5.2. Creación de informes individuales y grupales para la toma de decisiones Como hemos visto en el apartado anterior, una de las principales aportaciones de la inteligencia artificial en evaluación educativa es su capacidad para detectar patrones de aprendizaje. Sin embargo, estas analíticas solo adquieren verdadero valor educativo cuando se transforman en información útil para orientar la toma de decisiones pedagógicas. En este contexto, la generación de informes individuales y grupales constituye uno de los usos más interesantes de la IA como herramienta de apoyo docente. A partir de datos previamente organizados y contextualizados, la IA puede ayudarnos a sintetizar información, estructurar observaciones y elaborar borradores que faciliten el seguimiento educativo y la planificación de intervenciones. A partir de estos patrones, la IA puede ayudarnos a generar informes que faciliten decisiones como: Reforzar determinados contenidos; Reorganizar agrupamientos; Adaptar metodologías; Diseñar actividades de recuperación; Modificar secuencias didácticas; En este sentido, los informes educativos apoyados por IA no deben entenderse como documentos meramente administrativos, sino como herramientas para comprender mejor el proceso de aprendizaje y orientar la intervención docente. Informes indivduales Ejemplo de prompt Actúa como asistente pedagógico especializado en Formación Profesional de Grado Básico. A partir de las siguientes observaciones anonimizadas, genera un borrador de informe individual para un alumno del Ciclo Formativo de Grado Básico de Informática y Comunicaciones, en el módulo de Montaje y Mantenimiento de Sistemas y Componentes Informáticos. El informe debe: utilizar un lenguaje profesional y constructivo; destacar fortalezas y aspectos de mejora; describir la evolución observada; incluir orientaciones prácticas para continuar progresando; evitar etiquetas negativas o juicios definitivos. Observaciones: Identifica correctamente la mayoría de los componentes internos de un ordenador. Realiza el montaje físico del equipo siguiendo instrucciones y normas básicas de seguridad. Comete errores frecuentes al conectar algunos cables de alimentación y datos sin verificar previamente el esquema de conexión. Ha mejorado significativamente en el uso de herramientas y en el orden del puesto de trabajo. Muestra interés por las actividades prácticas y suele colaborar con sus compañeros. Necesita apoyo para diagnosticar averías sencillas de forma autónoma. Cuando encuentra un problema, tiende a solicitar ayuda rápidamente sin completar previamente las comprobaciones básicas. Durante las últimas prácticas ha mostrado una evolución positiva en la interpretación de manuales técnicos. Posible resultado El alumno ha mostrado una evolución favorable a lo largo del periodo evaluado, especialmente en el desarrollo de habilidades prácticas relacionadas con el montaje de equipos informáticos y la organización del puesto de trabajo. Identifica correctamente la mayoría de los componentes internos de un ordenador y aplica de forma adecuada las normas básicas de seguridad durante las prácticas realizadas en el taller. Destaca asimismo su actitud positiva hacia el aprendizaje práctico, mostrando interés por las actividades propuestas y una buena disposición para colaborar con sus compañeros cuando trabaja en equipo. Se observa una mejora progresiva en la utilización de herramientas y en la interpretación de documentación técnica, aspectos que han contribuido a aumentar su autonomía durante las tareas de montaje. No obstante, todavía presenta algunas dificultades en la conexión correcta de determinados cables de alimentación y datos, por lo que conviene reforzar la revisión sistemática de esquemas y procedimientos antes de finalizar el montaje. Asimismo, necesita seguir desarrollando estrategias de diagnóstico de incidencias básicas, ya que tiende a solicitar ayuda antes de completar las comprobaciones iniciales que permitirían identificar el origen del problema. Se recomienda continuar trabajando actividades de resolución guiada de averías, fomentando hábitos de verificación y análisis previo, así como reforzar la consulta autónoma de documentación técnica y manuales de referencia. La evolución observada durante las últimas prácticas permite prever una mejora progresiva en estos aspectos si mantiene la implicación mostrada hasta el momento. Informes grupales Actúa como asesor pedagógico especializado en Formación Profesional de Grado Básico. A partir de las siguientes observaciones anonimizadas, genera un informe grupal sobre el rendimiento de un grupo de alumnado del Ciclo Formativo de Grado Básico de Informática y Comunicaciones en el módulo de Montaje y Mantenimiento de Sistemas y Componentes Informáticos. El informe debe: identificar fortalezas y dificultades generales del grupo; analizar posibles causas educativas relacionadas con el aprendizaje; proponer líneas de mejora para el tercer trimestre; mantener un tono profesional y orientado a la mejora; evitar juicios negativos sobre el alumnado. Observaciones: El rendimiento global del grupo en el segundo trimestre ha sido inferior al esperado. La unidad didáctica se centró en mantenimiento preventivo y correctivo de equipos informáticos. Más del 60 % del alumnado presenta dificultades para identificar procedimientos sistemáticos de diagnóstico de averías. Se observan errores frecuentes al interpretar mensajes de error del sistema operativo. Una parte significativa del grupo realiza intervenciones sobre el equipo sin seguir protocolos previos de comprobación. Los resultados mejoran cuando las actividades incluyen demostraciones prácticas guiadas. El alumnado muestra interés en las actividades manipulativas y de taller. Existe dependencia del apoyo del profesor para resolver incidencias sencillas. Se detectan dificultades para documentar correctamente las actuaciones realizadas durante las prácticas. Posible resultado Durante el segundo trimestre, el grupo ha mostrado un rendimiento inferior al esperado en los contenidos relacionados con el mantenimiento preventivo y correctivo de equipos informáticos. El análisis de las evidencias recogidas sugiere que las principales dificultades se concentran en los procesos de diagnóstico de averías y en la aplicación sistemática de protocolos de intervención técnica. Entre las fortalezas observadas destaca el interés general del alumnado por las actividades prácticas y manipulativas desarrolladas en el taller. Asimismo, se aprecia una mayor implicación cuando las tareas incluyen demostraciones guiadas y ejemplos prácticos cercanos a situaciones reales de trabajo. No obstante, una parte significativa del grupo presenta dificultades para seguir procedimientos estructurados de análisis de incidencias, tendiendo a realizar actuaciones sobre los equipos sin completar previamente las comprobaciones básicas recomendadas. También se observan errores recurrentes en la interpretación de mensajes de error del sistema operativo y en la documentación de las actuaciones realizadas durante las prácticas. Los datos analizados sugieren una posible necesidad de reforzar la adquisición de metodologías de trabajo más sistemáticas, orientadas al diagnóstico técnico y a la resolución ordenada de problemas. Asimismo, se detecta una elevada dependencia del apoyo docente en situaciones que requieren autonomía para identificar y solucionar incidencias básicas. De cara al tercer trimestre, se propone incrementar el número de actividades basadas en resolución guiada de averías reales o simuladas, incorporando protocolos de diagnóstico claramente secuenciados. También podría resultar beneficioso reforzar la documentación técnica de las intervenciones mediante plantillas estructuradas y promover progresivamente situaciones de trabajo con menor nivel de ayuda docente para favorecer la autonomía profesional del alumnado. En conjunto, los resultados obtenidos no deben interpretarse únicamente como una dificultad de aprendizaje, sino como una oportunidad para reforzar competencias profesionales esenciales relacionadas con el análisis de incidencias, la aplicación de procedimientos técnicos y la resolución autónoma de problemas. 5.3. Interpretación pedagógica de las analíticas generadas por IA Como se ha analizado en los apartados anteriores, las herramientas de inteligencia artificial pueden ayudarnos a detectar patrones de aprendizaje, identificar errores frecuentes, elaborar informes y sintetizar grandes volúmenes de información educativa. Sin embargo, estas capacidades solo adquieren verdadero valor cuando se traducen en decisiones pedagógicas fundamentadas. En otras palabras, la IA puede generar datos y proponer interpretaciones iniciales, pero corresponde al profesorado comprender qué significan realmente esos resultados dentro del contexto específico de su aula y transformarlos en actuaciones que favorezcan el aprendizaje. Este aspecto resulta especialmente relevante porque existe el riesgo de otorgar a las analíticas generadas por IA una objetividad absoluta. Los porcentajes, gráficos o indicadores pueden transmitir una sensación de precisión que lleve a aceptar sus conclusiones sin un análisis crítico previo. Sin embargo, los datos educativos nunca hablan por sí solos: siempre requieren interpretación. Por ello, la utilización de analíticas educativas apoyadas por IA debe entenderse como un proceso en el que la tecnología facilita información relevante, pero la responsabilidad sobre su significado y sobre las decisiones derivadas continúa correspondiendo al profesorado. 5.3.1. De los datos a la toma de decisiones Un error habitual consiste en considerar que una analítica constituye una conclusión cuando, en realidad, representa únicamente una evidencia parcial del proceso de aprendizaje.  Por ejemplo, una IA puede detectar que: El 70 % del alumnado ha cometido errores en un determinado criterio de evaluación. La participación en las actividades ha disminuido durante las últimas semanas. Un grupo obtiene mejores resultados en tareas prácticas que en actividades teóricas. Un estudiante mejora significativamente cuando recibe retroalimentación frecuente. Estas observaciones son útiles, pero no explican por sí mismas por qué se producen. La verdadera interpretación pedagógica comienza cuando el docente se plantea preguntas como: ¿Qué factores pueden explicar este resultado? ¿Se trata de una dificultad conceptual o metodológica? ¿La actividad planteada era adecuada al nivel del grupo? ¿Existen circunstancias personales o contextuales que deban tenerse en cuenta? ¿Qué actuaciones podrían favorecer una mejora del aprendizaje? La IA puede aportar información para responder estas preguntas, pero no puede sustituir el análisis profesional del docente. 5.3.2. La importancia del contexto educativo Toda interpretación pedagógica debe realizarse teniendo en cuenta el contexto en el que se producen las evidencias de aprendizaje. Supongamos que una herramienta de IA detecta un descenso generalizado en los resultados obtenidos por un grupo durante una unidad didáctica. Una interpretación superficial podría concluir que el alumnado no ha adquirido los aprendizajes previstos. Sin embargo, el docente sabe que: La unidad trabajada presenta una dificultad superior a las anteriores. Durante ese periodo se produjeron numerosas ausencias. El tiempo destinado a las prácticas fue inferior al inicialmente planificado. Parte del grupo mostró dificultades de comprensión lectora al interpretar la documentación técnica. Este conocimiento contextual modifica por completo la interpretación de las analíticas y permite orientar de manera más adecuada las decisiones posteriores. 5.3.3. Convertir las analíticas en actuaciones educativas El verdadero potencial de las analíticas generadas por IA no reside en la cantidad de información que son capaces de procesar, sino en su capacidad para ayudarnos a fundamentar mejor nuestras decisiones pedagógicas. Una analítica, por sí sola, no mejora el aprendizaje; únicamente proporciona evidencias que deben ser interpretadas y transformadas en actuaciones educativas concretas. En este sentido, el objetivo de las analíticas no debería ser describir el rendimiento del alumnado, sino ofrecer información útil para responder a preguntas como: ¿qué dificultades están apareciendo?, ¿qué estrategias están funcionando?, ¿qué contenidos requieren un refuerzo adicional?, o ¿qué cambios metodológicos podrían favorecer una mejor adquisición de las competencias previstas? Por ejemplo, si una herramienta de IA detecta que la mayor parte del grupo presenta errores recurrentes en un determinado criterio de evaluación, el interés pedagógico no está en el dato numérico en sí mismo, sino en las decisiones que puede motivar: replantear la explicación del contenido, diseñar nuevas actividades de práctica, ofrecer materiales de apoyo o modificar la secuencia didáctica. De igual forma, cuando las analíticas muestran una evolución positiva tras la incorporación de retroalimentación frecuente o de metodologías activas, el profesorado dispone de evidencias que pueden respaldar la continuidad o ampliación de dichas estrategias. En definitiva, las analíticas educativas adquieren verdadero sentido cuando dejan de ser simples indicadores estadísticos y se convierten en instrumentos que orientan la planificación docente y favorecen una mejora continua del proceso de enseñanza-aprendizaje. 5.3.4.Mantener una actitud crítica ante las analíticas generadas por IA El uso de inteligencia artificial en educación exige desarrollar una mirada crítica sobre la información que estas herramientas proporcionan. La aparente precisión de gráficos, porcentajes o indicadores puede inducir a pensar que las conclusiones derivadas son necesariamente objetivas, cuando en realidad cualquier analítica está condicionada por la calidad de los datos utilizados, el contexto en el que se generan y las limitaciones propias del sistema que los procesa. Por ello, resulta recomendable evitar interpretaciones simplistas o excesivamente deterministas. Un descenso en el rendimiento, una disminución de la participación o un incremento de determinados errores pueden obedecer a múltiples causas que la IA no es capaz de identificar por sí sola. Asimismo, conviene recordar que no todos los aspectos relevantes del aprendizaje son fácilmente cuantificables. Competencias como la creatividad, la iniciativa, la colaboración o la capacidad para resolver situaciones nuevas suelen manifestarse de formas complejas que difícilmente pueden reducirse a indicadores automáticos. Por este motivo, las analíticas educativas deben entenderse como una fuente complementaria de información que requiere ser contrastada con otras evidencias, como la observación directa del profesorado, las producciones del alumnado, las tutorías o los procesos de autoevaluación y coevaluación. La interpretación crítica de las analíticas constituye, por tanto, una competencia profesional imprescindible para evitar que los datos sustituyan al análisis pedagógico. 5.3.5. El papel del docente como intérprete y responsable de las decisiones educativas La incorporación de herramientas de inteligencia artificial no modifica el papel esencial que desempeña el profesorado en los procesos de evaluación y acompañamiento del aprendizaje. Aunque la IA pueda analizar grandes cantidades de información en poco tiempo e identificar patrones difíciles de detectar manualmente, sigue siendo el docente quien aporta el conocimiento del contexto, la comprensión del alumnado y la capacidad para interpretar pedagógicamente las evidencias disponibles. El profesorado conoce aspectos que ninguna herramienta puede inferir a partir de los datos: las dinámicas del grupo, las circunstancias personales del alumnado, las dificultades surgidas durante el desarrollo de una actividad o el impacto que determinadas decisiones metodológicas han tenido sobre el aprendizaje. Por ello, la IA no debe entenderse como un sistema que sustituye el juicio profesional docente, sino como un recurso que amplía la capacidad para recopilar y organizar información relevante. La responsabilidad sobre la evaluación, la interpretación de las evidencias y la toma de decisiones continúa correspondiendo exclusivamente al profesorado. En este sentido, una utilización responsable de la inteligencia artificial implica mantener siempre el control sobre el proceso evaluativo, revisar críticamente los resultados generados y utilizarlos como apoyo para fundamentar decisiones educativas, nunca para automatizarlas. La tecnología puede ayudarnos a observar con mayor precisión lo que ocurre en el aula; sin embargo, sigue siendo el docente quien convierte esas observaciones en acciones concretas orientadas a favorecer el aprendizaje y el desarrollo integral del alumnado. La IA genera información, el profesorado genera significado pedagógico. 5.4. Retroalimentación instantánea y personalizada al alumnado Como venimos tratando en el curso, uno de los ámbitos en los que la inteligencia artificial puede aportarnos un mayor valor educativo es la retroalimentación . Frente a otros usos más problemáticos, como la calificación automatizada (que descartamos categóricamente) o la toma de decisiones académicas sin mediación humana, la generación de feedback constituye un espacio en el que la IA puede funcionar como apoyo pedagógico para mejorar el aprendizaje, siempre que la utilicemos con criterios didácticos, éticos y organizativos claros. La principal ventaja de estas herramientas es su capacidad para ofrecer una respuesta rápida, adaptar el mensaje a distintos niveles de desempeño y proponer orientaciones de mejora de forma inmediata (que, insistimos, deben ser revisadas por nosotros/as). Esto nos resulta especialmente útil en contextos en los que necesitamos acompañar procesos de aprendizaje continuos, dar respuesta a grupos numerosos o promover la revisión frecuente de tareas, borradores, ejercicios o producciones de nuestro alumnado. Ahora bien, la inmediatez no garantiza por sí misma la calidad pedagógica . Para que la retroalimentación con IA sea realmente formativa, debe cumplir varias condiciones: estar alineada con los objetivos de aprendizaje y los criterios de evaluación, ser comprensible para nuestro alumnado, orientarse a la mejora y estar siempre sometida a nuestra supervisión. Además, cuando se empleen herramientas externas, debemos recordar una condición imprescindible: los datos del alumnado deben anonimizarse antes de introducirse en cualquier sistema de IA . En este sentido, la IA no sustituye nuestras funciones, sino que puede ayudarnos a hacer más frecuente, más ajustado y más sostenible el feedback. El verdadero valor educativo no está en que la herramienta “conteste rápido”, sino en que permita generar un entorno en el que nuestro alumnado reciba orientaciones útiles para revisar, corregir, profundizar y avanzar en su aprendizaje. 5.4.1. Tipos de retroalimentación generada con IA La IA puede contribuir a generar distintos tipos de retroalimentación, dependiendo del momento del proceso, del tipo de tarea y de la finalidad pedagógica perseguida. No toda retroalimentación es igual ni cumple la misma función; por ello conviene distinguir varias modalidades. Una primera modalidad es la retroalimentación correctiva , orientada a señalar errores concretos o a indicar si una respuesta es adecuada o no. Es habitual en actividades cerradas, como ejercicios de cálculo, ortografía, gramática, vocabulario o preguntas de respuesta breve. Su utilidad principal reside en ofrecer una corrección rápida que permita a nuestro alumnado detectar fallos inmediatos. Sin embargo, por sí sola resulta insuficiente, ya que puede limitarse a marcar errores sin ayudar a comprenderlos u ofrecer explicaciones no alineadas con las capacidades de nuestro alumnado. Más valiosa desde una perspectiva formativa es la retroalimentación explicativa , que no solo indica que existe un error, sino que ofrece una breve justificación, una pista o una aclaración sobre por qué la respuesta no es adecuada y cómo podría revisarse. Por ejemplo, en un comentario de texto, la IA podría señalar que una idea está poco argumentada y sugerir que se añadan evidencias o ejemplos.  Otra forma especialmente útil es la retroalimentación orientada a la mejora , centrada en sugerir próximos pasos. Aquí la IA puede proponer acciones como reorganizar un texto, profundizar en una idea, comparar dos conceptos, justificar mejor una respuesta o revisar un criterio concreto de una rúbrica. Este tipo de feedback es particularmente relevante porque desplaza la atención desde el error hacia el proceso de revisión. También puede generarse una retroalimentación metacognitiva , que invita al alumnado a reflexionar sobre cómo ha aprendido, qué dificultades ha encontrado, qué estrategia ha utilizado y qué podría hacer de otro modo la próxima vez. La IA, bien configurada, puede formular preguntas como: “¿Qué parte de esta tarea te ha resultado más difícil?”, “¿Cómo podrías comprobar si tu respuesta está bien fundamentada?” o “¿Qué estrategia te ha funcionado mejor?”. Este enfoque es especialmente valioso en contextos competenciales, ya que favorece la autorregulación. A ello puede añadirse la retroalimentación motivadora o de acompañamiento, siempre que se use con prudencia y sin caer en fórmulas vacías. La IA puede ayudar a redactar mensajes que refuercen el esfuerzo, visibilicen avances y animen a continuar, pero conviene evitar comentarios genéricos o artificiales que no estén conectados con el trabajo real de nuestro alumnado. Desde un punto de vista didáctico, lo más recomendable no es quedarse en una sola modalidad, sino combinar varias. Una retroalimentación verdaderamente útil suele integrar al menos tres elementos: una referencia a lo que se ha hecho bien, una indicación concreta de qué debe revisarse, y una orientación clara sobre cómo mejorar. En cualquier caso, debe insistirse una vez mas en una idea central: la IA puede proponer feedback, pero nos corresponde al profesorado decidir si ese feedback es adecuado, suficiente, comprensible y coherente con el proceso de aprendizaje. Por tanto, la IA actúa aquí como herramienta de apoyo a la retroalimentación, no como instancia autónoma de valoración . 5.4.2. Personalización del feedback según nivel, ritmo y necesidades Uno de los mayores atractivos pedagógicos de la IA es su capacidad para adaptar el feedback a los diferentes perfiles de nuestro alumnado. En grupos heterogéneos, los habituales y donde conviven distintos ritmos, niveles de dominio, estilos de aprendizaje y necesidades específicas, esta posibilidad puede resultar especialmente útil para reforzar la atención educativa personalizada. La personalización puede darse, en primer lugar, según el nivel de competencia de nuestro alumnado. Un mismo error no requiere la misma respuesta en un estudiante que se inicia en un contenido que en otro que ya muestra un dominio avanzado. La IA puede ayudar a reformular una explicación con diferente grado de complejidad, ofrecer ejemplos más simples o más sofisticados, o adaptar el vocabulario del mensaje para hacerlo más accesible. También puede personalizarse el feedback según el ritmo de aprendizaje. Algunos de nuestros estudiantes necesitan orientaciones muy fragmentadas, con pasos cortos y secuenciales; otros pueden beneficiarse de indicaciones más globales que les permitan revisar por sí mismos. En este sentido, la IA puede contribuir a generar distintas versiones de una misma retroalimentación: una más guiada, otra más sintética, otra basada en preguntas de andamiaje. La personalización resulta igualmente valiosa para atender necesidades específicas de apoyo educativo, siempre que se haga desde criterios de inclusión y no de etiquetado rígido. Por ejemplo, puede facilitar mensajes más claros y breves, reestructurar instrucciones, convertir observaciones complejas en secuencias más manejables o reformular comentarios en lenguaje más accesible. Sin embargo, esta adaptación no debe entenderse como una categorización automática de nuestro alumnado por parte de la IA, sino como una decisión pedagógica supervisada por nosotros/as los/as docentes. Desde una perspectiva práctica, conviene tener presente que personalizar no significa individualizar todo de manera exhaustiva ni multiplicar sin criterio los mensajes. La personalización útil es aquella que adapta aspectos relevantes del feedback —lenguaje, extensión, grado de apoyo, tipo de sugerencia, nivel de abstracción— para hacerlo más significativo y aprovechable por cada uno de nuestros estudiantes. Aquí nuestra función como docentes sigue siendo decisiva. Somos nosotros/as quienes conocemos el contexto, la trayectoria, las barreras, las fortalezas y la situación de cada uno de nuestros alumnos/as. La IA puede ayudar a generar versiones distintas de un mismo mensaje, pero no conoce por sí sola los matices afectivos, sociales, curriculares y relacionales que intervienen en el aprendizaje . Por ello, la personalización del feedback con IA solo es pedagógicamente valiosa si está guiada por nuestro criterio profesional docente . Además, cuando esta adaptación implique trabajar con producciones reales del alumnado, debe recordarse de nuevo la necesidad de anonimizar los datos si se utiliza una herramienta externa. La personalización no puede hacerse a costa de comprometer la privacidad . 5.4.3. Cómo integrar la retroalimentación automática en el proceso educativo Una primera pauta es utilizarla en momentos en los que el feedback aún puede ser aprovechado para mejorar . Su mayor potencial aparece en tareas intermedias, borradores, ensayos, prácticas, procesos de resolución, simulaciones o actividades de entrenamiento. Es decir, en situaciones en las que nuestro alumnado todavía dispone de margen para revisar, corregir y volver a intentar. Cuando el proceso ya está cerrado, el valor formativo del feedback disminuye. En segundo lugar, conviene que la retroalimentación generada con IA esté alineada con criterios claros de aprendizaje . No basta con pedir a una herramienta que “comente” una tarea; es preferible que el feedback se organice a partir de criterios previamente definidos por nosotros, los/as docentes. De este modo, la retroalimentación no se convierte en una impresión difusa, sino en una ayuda vinculada a referentes pedagógicos explícitos. Una tercera clave consiste en incorporar la retroalimentación automática dentro de un ciclo de revisión . Por ejemplo: nuestro alumnado realiza una primera versión, recibe un feedback inicial apoyado por IA, revisa su trabajo, explica qué cambios ha introducido, y finalmente nosotros/as supervisamos el resultado. Este modelo convierte el feedback en una herramienta para aprender, para mejorar, no solo en un comentario recibido pasivamente. También resulta recomendable enseñar a nuestro alumnado a leer críticamente la retroalimentación generada. No debe asumirse como correcta por defecto . Parte del aprendizaje en tiempos de IA consiste precisamente en desarrollar la capacidad de valorar si una sugerencia es pertinente, si responde al criterio trabajado, si contiene errores o si necesita ser matizada. En este sentido, el uso de la IA puede convertirse también en una oportunidad para educar en pensamiento crítico. Desde el punto de vista organizativo, la integración será más efectiva si se reserva para tareas en las que realmente aporte valor : revisión de escritos, comentarios sobre borradores, ejercicios de práctica con respuesta inmediata, preparación de exposiciones, resolución guiada de problemas, reformulación de textos o entrenamiento de destrezas específicas. El uso indiscriminado de la IA para evaluación puede saturar al alumnado con mensajes excesivos, genéricos o poco relevantes. 5.4.4. Equilibrio entre feedback automatizado y acompañamiento docente Hay que decidir entre IA o profesorado, sino encontrar un equilibrio pedagógico adecuado entre ambos. La retroalimentación automatizada puede aportar rapidez, disponibilidad y escalabilidad; el acompañamiento docente aporta interpretación, sensibilidad pedagógica, contextualización y criterio profesional. Son planos distintos y no intercambiables. El feedback automatizado resulta especialmente útil para ofrecer una primera respuesta inmediata, apoyar tareas repetitivas, sugerir mejoras formales, proponer ejemplos alternativos o facilitar revisiones frecuentes. Puede aliviar parte de la carga docente y hacer posible que el alumnado reciba más devoluciones a lo largo del proceso. Sin embargo, hay dimensiones del feedback que requieren claramente presencia docente . Entre ellas, la interpretación de producciones complejas, la valoración del progreso individual, la comprensión del contexto personal y grupal, la detección de malentendidos profundos, la mediación emocional, el reconocimiento del esfuerzo, la regulación de expectativas y la toma de decisiones educativas. Ninguna herramienta automatizada puede sustituir de forma adecuada ese conjunto de funciones a día de hoy. El riesgo aparece cuando se confunde la eficiencia con la calidad educativa . Un sistema puede generar muchos comentarios en pocos segundos y, aun así, producir un feedback superficial, incorrecto o poco útil. También puede reforzar sesgos, priorizar aspectos formales frente a los conceptuales o emitir mensajes descontextualizados. Por eso, el equilibrio adecuado exige que los/as docentes mantengamos el control sobre al menos cuatro elementos: los criterios desde los que se genera la retroalimentación, los momentos en que se utiliza, la revisión de la calidad de las respuestas, y la decisión sobre cuándo es necesario intervenir personalmente. Desde una perspectiva práctica, puede pensarse en un modelo de distribución de funciones: la IA ofrece una primera capa de feedback inmediato y orientativo; nuestro alumnado revisa y reelabora; y nosotros/as los/as docentes intervenimos para profundizar, validar, matizar o reconducir. Este esquema permite aprovechar la rapidez de la tecnología sin renunciar al valor insustituible del acompañamiento humano. Además, el equilibrio no es solo técnico, sino también ético . El alumnado debe saber cuándo está recibiendo retroalimentación generada o apoyada por IA y debe percibir que sigue existiendo un referente pedagógico humano responsable del proceso. La confianza educativa no puede delegarse en un sistema automatizado. En definitiva, el criterio básico debería ser este: la IA puede ampliar la capacidad de ofrecer feedback, pero no reemplaza la relación pedagógica en la que ese feedback cobra sentido. En educación, retroalimentar no consiste solo en producir comentarios; consiste en ayudar a aprender. Y esa tarea sigue necesitando el juicio, la responsabilidad y la presencia del profesorado. 6. Conclusión final: evaluación con IA al servicio del aprendizaje En evaluación, la IA funciona mejor como co-diseñadora de instrumentos y como asistente de análisis y feedback, no como sustituta del juicio profesional docente. Esto no es solo una cuestión pedagógica; también es jurídica. El Reglamento Europeo de IA considera de alto riesgo los sistemas destinados a evaluar resultados de aprendizaje o a monitorizar alumnado durante pruebas y exige supervisión humana, prevención del sesgo de automatización y posibilidad de ignorar, revertir o detener la salida del sistema. El RGPD obliga a aplicar minimización, limitación temporal, privacidad desde el diseño y seudonimización cuando proceda; además, si un proveedor trata datos por cuenta del centro, debe existir contrato o acto jurídico equivalente de encargado del tratamiento. Recomendaciones La primera recomendación es utilizar siempre la IA en evaluación como tecnología de andamiaje , no de sustitución. Esto cambia el discurso desde “la máquina corrige” a “la máquina ayuda a preparar mejores decisiones humanas”. Esa formulación está mejor alineada con el marco legal europeo, con la investigación reciente y con las expectativas de confianza de alumnado y familias. La segunda es enseñar una regla institucional sencilla: criterio antes que herramienta; herramienta antes que automatización . Primero se define qué se quiere valorar; después se elige instrumento; después se decide si la IA puede ayudar y en qué fase concreta. Esta secuencia evita uno de los errores más frecuentes: introducir una herramienta porque “hace rúbricas” o “corrige textos” y adaptar después la evaluación a lo que la herramienta puede hacer. La tercera es incluir una checklist de privacidad previa al uso . Algo tan simple como estas cinco preguntas mejora mucho el cumplimiento real: qué finalidad exacta persigo; qué dato es estrictamente necesario; puedo sustituirlo por código o extracto; el entorno tiene garantías contractuales y de acceso; quién valida el resultado. Esta lógica se deriva del principio de minimización del RGPD y de la necesidad de validación humana señalada tanto por UNESCO como por la literatura reciente. La cuarta es recomendar formatos de salida verificables . Pedir comentarios “bonitos” es menos útil que pedir salidas con estructura: criterio, nivel provisional, evidencia, duda, mejora sugerida. Los formatos estructurados ayudan a revisar, moderar en departamento, exportar a hojas de cálculo y detectar incoherencias. Las guías oficiales de las herramientas de IA recogen explícitamente el valor de pedir salidas estructuradas cuando el contenido va a reutilizarse en flujos posteriores. La quinta es introducir un pequeño apartado sobre alfabetización evaluativa del alumnado . Cuanto más claro sea para estudiantes qué papel juega la IA en la tarea —si se permite, si se limita, si se documenta, si solo la usa el docente para diseñar feedback— menos conflicto habrá sobre integridad académica y más fácil será que la evaluación siga siendo percibida como justa. Bibliografía BOE, currículo LOMLOE en ESO y definición de evaluación y criterios. [1] RGPD: minimización, seudonimización, contratos con encargados, conservación y DPD. [2] Reglamento Europeo de IA: educación como ámbito de alto riesgo y supervisión humana. [3] UNESCO, Guidance for generative AI in education and research. [4] OpenAI, Enterprise privacy y guías de prompt engineering / structured outputs. [5] Microsoft, Data, Privacy, and Security for Microsoft 365 Copilot. [6] Google, Gemini Apps Privacy Hub y Vertex AI zero data retention. [7] Anthropic, Privacy Policy y Commercial Terms. [8] AI Assessment Scale y estudios recientes sobre rúbricas y feedback híbrido. [9] Ingeniería de prompts. [10] Salidas estructuradas. [11] Rúbricas. [12] Evaluación asistida. [13] Feedback.  [14] Gemma 4. [15] Créditos Autores: León Larrondo García Arantxa Cortés Cameros Pablo Ruiz Soria Fecha de redacción: junio 2026 Nivel 1: Asistencia técnica IA por OpenAI. (2026).  ChatGPT (Versión GPT-5.3)  Cualquier observación o detección de error en soporte.catedu.es Los contenidos se distribuyen bajo licencia Creative Commons tipo BY-NC-SA excepto en los párrafos que se indique lo contrario.