¿Puede la IA evaluar la escritura de tus estudiantes?
Evaluar trabajos escritos es una de las tareas más demandantes de la docencia. Leer, comentar y calificar cada texto exige horas que suelen salir del tiempo personal de los profesores. Ante esta carga, la inteligencia artificial aparece como una solución atractiva. Autores como Eusebio-Hermira et al. (2026) señalan que su incorporación a la evaluación de escritos académicos podría agilizar el proceso, reducir los sesgos personales y aplicar los criterios de forma más uniforme. Sin embargo, ¿es la IA realmente un evaluador? La investigación reciente sugiere que la respuesta es menos sencilla de lo que parece.
El estudio de Emirtekin (2025) llevó a cabo una revisión sistémica de la literatura sobre LLMPAA (Large Language Model-Powered Automated Assessment). Con base en los hallazgos de 49 estudios, identificaron limitaciones, problemas y ventajas. Similar a los hallazgos de Liang et al., (2023), citado en Cárdenas (2026) encontraron que aquellos estudiantes que escribían en un idioma materno distinto al empleado en la instrucción tenían mayor probabilidad de recibir puntuaciones más bajas, aunque la calidad de su contenido fuera similar. La evaluación automatizada con modelos de lenguaje puede penalizar a los estudiantes que escriben con variantes regionales del idioma o con un vocabulario y unos estilos retóricos propios de su cultura.
Esto obedece a que el 67% del conjunto de datos con el que son entrenados están en el idioma inglés. Como alternativa a esta limitación, los autores sugieren incluir conjuntos de datos multilingües y culturalmente diversos, así como prácticas de entrenamiento conscientes del sesgo y evaluaciones periódicas de equidad.
En la misma línea, Emirtekin (2025) advierte que el desempeño de un modelo evaluador depende de la calidad de los datos con que fue entrenado: su tamaño, su tipo y su diversidad. Un conjunto de datos amplio y representativo le permite reconocer distintos estilos de escritura y tipos de contenido; uno pequeño o desequilibrado limita su capacidad para evaluar textos diferentes a los que conoce. Esto tiene dos consecuencias. La primera es que el modelo evalúa con menos precisión los temas complejos o especializados. La segunda, más preocupante, es que puede evaluar peor a aquellos estudiantes cuya forma de escribir no estuvo bien representada en los datos de entrenamiento.
La alucinación de los modelos también representa un desafío. Esta ocurre cuando el modelo analiza de manera errónea las respuestas de los estudiantes, utiliza información inexistente como criterio de calificación y genera retroalimentación inexacta. Por ejemplo, Pack et al. (2024, como se cita en Emirtekin, 2025) reportaron que el modelo evaluó la estructura de un párrafo como si estuviera en el ensayo del estudiante, aunque en realidad no aparecía. Los algoritmos de evaluación no lograr comprender a cabalidad textos complejos y reconocer contenido irrelevante o incompleto. Del mismo modo, presentan dificultad para evaluar las minucias y creatividad de la escritura.
Otro estudio, de Mizumoto y Eguchi (2023), puso a prueba el modelo GPT-3 para calificar automáticamente 12. 100 ensayos del TOEFL, el examen de inglés para hablantes no nativos. Encontraron que la IA alcanzó una precisión y una confiabilidad razonables, que mejoraron cuando se le añadieron rasgos lingüísticos del texto. Aun así, los autores concluyen que su lugar es el de una herramienta que puede ayudar a los evaluadores humanos, pero no reemplazarlos.
Por último, un estudio español comparó cómo calificaban docentes y ChatGPT trabajos de fin de máster (Eusebio-Hermira et al., 2026). En el contenido, la metodología y la argumentación, las notas de ambos fueron parecidas. La diferencia estuvo en la forma. La IA castigó de manera sistemática los errores de gramática, ortografía y estructura, mientras que los docentes los compensaban cuando el trabajo hacía un aporte sólido. También cambió la retroalimentación. La IA escribió comentarios amables pero genéricos, como “el tema es interesante”, incluso cuando ponía notas bajas. Los docentes, en cambio, señalaron debilidades concretas y propusieron mejoras precisas. Los autores concluyen que ambas evaluaciones son complementarias.
Aspecto | Docentes | IA (ChatGPT) |
LA CALIFICACIÓN | ||
Contenido, metodología y argumentación | Coinciden. Las notas de ambos se parecen. Hay una correlación moderada y significativa. | |
Estructura formal y redacción | Valoran la forma de manera global y según el contexto del trabajo. | Es más estricta e inflexible. Penaliza de forma sistemática cualquier error de gramática, ortografía o estructura. |
Cuando las notas difieren en más de un punto | Compensan los errores formales si el trabajo hace un aporte sólido. | Baja la nota por fallos formales, aunque el contenido sea adecuado. |
LOS COMENTARIOS | ||
Foco | La profundidad conceptual. | Los aspectos formales. |
Tono | Directo, matizado y crítico cuando hace falta. “Las conclusiones no aportan nada nuevo” | Formal, positivo y diplomático, incluso cuando la nota es baja. “El tema es interesante” |
Concreción | Remiten a apartados precisos y a ejemplos del texto. “Las citas del marco teórico están desactualizadas” | No se refiere a partes específicas del trabajo. “Podría mejorar la claridad argumentativa” |
Sugerencias de mejora | Concretas y conectadas con su experiencia en la disciplina. | Genéricas, sin vínculo directo con el texto. |
Utilidad para aprender | Alta: el estudiante sabe qué corregir y dónde. | Limitada. Los comentarios son correctos, pero no orientan la revisión. |
Elaboración propia. Fuente: Eusebio-Hermira, S., Cuberos-Vicente, R. y Doquin de Saint-Preux, A. (2026). Evaluación académica con inteligencia artificial: comparación entre docentes y ChatGPT en Trabajos de Fin de Máster.
Lo anterior deja abierta una pregunta. Si la IA penaliza más la forma que el contenido, ¿qué pasa con los escritores novatos, cuyas ideas pueden ser valiosas, aunque su escritura todavía tenga errores?
BIBLIOGRAFÍA
Cárdenas, D. (2026, 28 de octubre). Detectores de IA: cuando aprender a escribir parece trampa. Fundación Convivencia. https://www.fundacionconvivencia.org/post/detectores-de-ia-cuando-aprender-a-escribir-parece-trampa.
Eusebio-Hermira, S., Cuberos-Vicente, R. y Doquin de Saint-Preux, A. (2026). Evaluación académica con inteligencia artificial: comparación entre docentes y ChatGPT en Trabajos de Fin de Máster. Revista de Investigación en Educación, 24(2), 309–326. https://doi.org/10.35869/reined.v24i2.6942
Emirtekin, E. (2025). Large language model-powered automated assessment: A systematic review. Applied Sciences, 15(10), Artículo 5683. https://doi.org/10.3390/app15105683
Steiss, J., Tate, T., Graham, S., Cruz, J., Hebert, M., Wang, J., Moon, Y., Tseng, W., Warschauer, M. y Olson, C. B. (2024). Comparing the quality of human and ChatGPT feedback of students’ writing. Learning and Instruction, 91, Artículo 101894. https://doi.org/10.1016/j.learninstruc.2024.101894
Comentarios