La autoevaluación o Self-Assessment (me permito la licencia de ponerlo en mayúsculas) representa una práctica fundamental dentro del aprendizaje autorregulado, un constructo teórico ampliamente estudiado desde la década de 1970. Diversos teóricos como Zimmerman (1990, 2000), Pintrich (2000), y Bandura (1986) coinciden en que esta capacidad metacognitiva permite a los estudiantes reflexionar sobre su propio proceso de aprendizaje, identificar fortalezas y debilidades, y ajustar estrategias para mejorar su desempeño. El Self-Assessment no es un concepto nuevo surgido con la inteligencia artificial, sino una evolución natural de décadas de investigación pedagógica que ha demostrado su eficacia para desarrollar aprendices autónomos y reflexivos (Brown & Harris, 2013). Como señala UNESCO IESALC (2023), la IA está transformando los sistemas de evaluación en educación superior, ofreciendo nuevas posibilidades para personalizar y potenciar estos procesos de autoevaluación, aunque también presenta desafíos significativos relacionados con la integridad académica y la excesiva dependencia tecnológica. En este sentido, entender las raíces teóricas del self-assessment resulta crucial para implementar efectivamente las nuevas herramientas de IA en entornos educativos, garantizando que estas tecnologías potencien, en lugar de socavar, el desarrollo de habilidades metacognitivas en los estudiantes del siglo XXI.

Fundamentos teóricos desde una perspectiva histórica

El Self-Assessment se enmarca dentro del concepto más amplio del aprendizaje autorregulado (Self-Regulated Learning o SRL), cuyas raíces teóricas se remontan a:

  1. Teoría sociocognitiva de Bandura (años 70-80): El aprendizaje autorregulado se deriva en parte de la teoría sociocognitiva, que enfatiza cómo los factores personales, comportamentales y ambientales interactúan en el proceso de aprendizaje (Zimmerman, 2000).
  2. Modelo de Zimmerman (desde los 90): Zimmerman desarrolló uno de los modelos más influyentes de SRL, identificando comportamientos específicos de estudiantes exitosos, incluyendo la finalización de tareas a tiempo, la concentración en materias escolares y la planificación efectiva del trabajo escolar (Zimmerman, 1990).
  3. Teoría metacognitiva de Flavell (años 70): Estableció las bases para entender cómo los estudiantes monitorean y evalúan sus propios procesos cognitivos (Flavell, 1979).

Evolución del concepto

El self-assessment como componente del aprendizaje autorregulado ha evolucionado considerablemente:

  • Años 80-90: Inicialmente, el enfoque estaba en comprender cómo «los estudiantes pueden utilizar procesos metacognitivos, motivacionales y conductuales iniciados personalmente para adquirir conocimientos y habilidades» (Zimmerman, 1989, p. 4).
  • Años 90-2000: Se produjo una integración más profunda con la educación formal, donde el aprendizaje autorregulado se conceptualizó como un proceso de tres partes: planificar, monitorear y evaluar (Pintrich, 2000).
  • 2000-presente: La evaluación formativa se ha reconocido como una «teoría unificadora de la instrucción» que mejora el proceso de aprendizaje mediante el desarrollo de estrategias de aprendizaje autorregulado entre los estudiantes (Clark, 2012).

IA y evaluación en educación superior

UNESCO IESALC (2023) destaca que la inteligencia artificial está transformando significativamente los métodos de evaluación en la educación superior. Según una encuesta mencionada en este informe, el 75% de los participantes consideran que la principal razón para adoptar IA en educación superior es mejorar los resultados de aprendizaje, y que la IA tendrá el mayor impacto precisamente en las pruebas y evaluaciones.

Las plataformas de enseñanza y aprendizaje en línea y, a la vez, también herramientas de la IA como modelos de lenguaje avanzados, potenciadas con IA, pueden ahora:

  1. Analizar patrones de progreso: Identificar por qué un estudiante no progresa, ya sea por falta de tiempo, motivación, claridad en los materiales o insuficiente repetición (UNESCO IESALC, 2023).
  2. Proporcionar diagnósticos precisos: Como ejemplifica el caso de investigadores en Malasia y Omán, que desarrollaron algoritmos de aprendizaje automático basados en el GPA acumulativo, la asistencia y las calificaciones del primer examen para crear una herramienta de monitoreo académico que identifica tempranamente a estudiantes en riesgo (UNESCO IESALC, 2023).

El Self-Assessment como práctica

En la práctica educativa, el self-assessment se ha implementado como:

  1. Estrategia de evaluación formativa: En las últimas décadas, la investigación educativa ha progresado considerablemente en la descripción de actividades que promueven un aprendizaje estudiantil más eficaz, con contribuciones significativas del aprendizaje autorregulado y la evaluación educativa, especialmente la evaluación formativa (Panadero et al., 2018).
  2. Herramienta metacognitiva: Los estudiantes pueden autoevaluar su desempeño en una tarea durante la fase de evaluación del aprendizaje autorregulado, ayudándolos a planificar su aprendizaje futuro basado en lo que saben y lo que no saben (Brown & Harris, 2013).
  3. Componente del aprendizaje permanente: En una era posmoderna caracterizada por el rápido avance técnico y científico, hay un creciente énfasis en la adquisición de estrategias de aprendizaje en las que las personas pueden confiar a lo largo de toda su vida (Clark, 2012).

Sistemas de Calificación Automatizados (SCA) y Self-Assessment

UNESCO IESALC (2023) señala la creciente importancia de los «robot-graders» o plataformas automatizadas que califican o ayudan a los profesores a calificar tareas y dar retroalimentación a los estudiantes. Estos sistemas no solo evalúan resultados de pruebas sino que pueden adaptar el nivel de dificultad a lo largo del tiempo o proponer materiales adicionales dirigidos a las brechas de conocimiento individuales.

Sin embargo, el informe también advierte sobre los riesgos de estos sistemas: «debido a la complejidad inherente de la educación, no se puede reducir a un conjunto de variables y métodos puramente cuantitativos» (UNESCO IESALC, 2023, p. 27). Existe el peligro de desarrollar soluciones orientadas a la tecnología en lugar de a la pedagogía, o de crear un ciclo donde los estudiantes usan IA para producir trabajos académicos que luego son evaluados por IA, eliminando el elemento humano del proceso.

Implicaciones actuales

Hoy en día, el self-assessment sigue siendo un componente crucial del aprendizaje autorregulado:

  1. Educación superior: La necesidad de desarrollar la comprensión del aprendizaje autorregulado y su implementación proviene de la creciente diversidad estudiantil en el aula y la diversidad en los modos de enseñanza, con un énfasis particular en las tecnologías de la información y comunicación (Cassidy, 2011).
  2. Desarrollo profesional docente: UNESCO IESALC (2023) subraya que el 50% del personal docente y educativo considera que su rol será el más afectado por las tecnologías de IA. Por ello, las instituciones deben «proporcionar o desarrollar recursos, comenzando a nivel introductorio de ‘qué es la IA'» (p. 28) y crear oportunidades para que profesores, personal y estudiantes discutan el impacto de la IA en la institución.
  3. Educación a distancia y entornos digitales: El aprendizaje electrónico interactivo permite a los instructores crear lecciones en línea atractivas, flexibles y ricas en medios, ayudando al estudiante a recorrer el curso aprendiendo, automonitoreándose y autoevaluándose (Kitsantas & Dabbagh, 2011).

Referencias

Brown, G. T. L., & Harris, L. R. (2013). Student self-assessment. En J. H. McMillan (Ed.), Sage Handbook of Research on Classroom Assessment (pp. 367-393). SAGE Publications.

Cassidy, S. (2011). Self-regulated learning in higher education: Identifying key component processes. Studies in Higher Education, 36(8), 989-1000. https://doi.org/10.1080/03075079.2010.503269

Clark, I. (2012). Formative assessment: Assessment is for self-regulated learning. Educational Psychology Review, 24(2), 205-249. https://doi.org/10.1007/s10648-011-9191-6

Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906-911. https://doi.org/10.1037/0003-066X.34.10.906

Kitsantas, A., & Dabbagh, N. (2011). The role of Web 2.0 technologies in self-regulated learning. New Directions for Teaching and Learning, 2011(126), 99-106. https://doi.org/10.1002/tl.448

Panadero, E., Andrade, H., & Brookhart, S. (2018). Fusing self-regulated learning and formative assessment: A roadmap of where we are, how we got here, and where we are going. The Australian Educational Researcher, 45(1), 13-31. https://doi.org/10.1007/s13384-018-0258-y

Pintrich, P. R. (2000). The role of goal orientation in self-regulated learning. En M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 451-502). Academic Press.

UNESCO IESALC. (2023). Harnessing the era of artificial intelligence in higher education: A primer for higher education stakeholders. Instituto Internacional de la UNESCO para la Educación Superior en América Latina y el Caribe. ED/HE/IESALC/IP/2023/27.

Zimmerman, B. J. (1989). A social cognitive view of self-regulated academic learning. Journal of Educational Psychology, 81(3), 329-339. https://doi.org/10.1037/0022-0663.81.3.329

Zimmerman, B. J. (1990). Self-regulated learning and academic achievement: An overview. Educational Psychologist, 25(1), 3-17. https://doi.org/10.1207/s15326985ep2501_2

Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. En M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 13-39). Academic Press.

Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64-70. https://doi.org/10.1207/s15430421tip4102_2

About the author

admin