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.