Docencia Universitaria | Arturo Chian

Cátedra y algoritmos: cómo evaluar en la era de la inteligencia artificial

Mon, 13 Jul 2026 10:00:00 +0000

Imaginen esta escena cotidiana en la educación superior: un estudiante recibe la tarea de redactar un ensayo a doble espacio sobre los determinantes del crecimiento económico en el Perú. En menos de cinco segundos, un modelo de lenguaje avanzado genera un manuscrito impecable, gramaticalmente fluido y con citas bibliográficas en formato APA. ¿Qué estamos evaluando realmente cuando calificamos ese texto?

La irrupción masiva de la Inteligencia Artificial Generativa (IAG) ha desmantelado los cimientos de la acreditación del aprendizaje tradicional. ¿Cómo certificar que un alumno ha comprendido un concepto si la máquina puede argumentar por él con precisión milimétrica?

La obsolescencia del producto escrito

Durante décadas, la monografía, el ensayo para llevar a casa y el código informático modular fueron las herramientas predilectas para evaluar destrezas complejas. Hoy, esos formatos son vulnerables a una automatización invisible. A diferencia del plagio clásico por copia textual, los modelos de lenguaje crean combinaciones probabilísticas de palabras completamente únicas en cada intento.

Esto anula por completo la efectividad de los detectores de similitud tradicionales. Actuar bajo la sospecha constante es una batalla perdida; estadísticamente, la probabilidad de detectar un plagio automatizado utilizando herramientas tradicionales tiende a cero:

$$P(\text{plagio}_{\text{IAG}}) \approx 0$$

Además, esta tecnología presenta un sesgo epistémico preocupante. Al haber sido entrenados mayoritariamente con bancos de datos del Norte Global, los algoritmos tienden a homogeneizar el pensamiento, diluyendo las perspectivas locales y modismos propios de nuestra región. Si a esto sumamos la recurrencia de las “alucinaciones” (la invención asertiva de hechos o datos falsos por parte de los modelos), el uso acrítico de la IA representa un riesgo severo para la formación del criterio científico del estudiante.

El cambio de paradigma: evaluar el proceso

Ante este panorama, la solución no es la prohibición infructuosa, sino un rediseño de nuestra práctica evaluativa. Debemos trasladar el peso de la calificación desde el producto final ($P$) hacia el proceso de verificación crítica y razonamiento del alumno ($V$):

$$E(P) \to E(V)$$

Para lograrlo, las cátedras universitarias están adoptando metodologías de aprendizaje activo:

El andamiaje inverso (reverse scaffolding): En lugar de pedir al alumno que escriba un ensayo, le proporcionamos un texto generado por IA con errores lógicos latentes y referencias falsas. La tarea del estudiante consiste en auditar el texto, identificar las fallas y verificar empíricamente cada dato.
Defensas orales y laboratorios en el aula: Evaluaciones presenciales de carácter dialógico donde el alumno deba explicar la lógica detrás de sus decisiones de diseño o sus derivaciones matemáticas.
Niveles de restricción operativa: Establecer reglas claras de juego en el aula mediante tres niveles:
- Nivel 1 (Prohibición): Para validar destrezas operativas elementales mediante exámenes presenciales escritos a mano.
- Nivel 2 (Asistencia): Uso instrumental de la IA para corregir redacción o estructurar datos, obligando al estudiante a adjuntar su historial de prompts y a certificar la veracidad de los datos.
- Nivel 3 (Co-creación): Interacción avanzada en asignaturas de programación o diseño conceptual, donde se evalúa el proceso de optimización heurística del estudiante frente a las propuestas de la máquina.

Conclusión: el aula como espacio de encuentro humano

La inteligencia artificial nos obliga a replantearnos la esencia de nuestra labor docente. Si la máquina puede almacenar y ordenar información mejor que nadie, nuestra cátedra debe centrarse en lo irreductible al algoritmo: la empatía, el debate ético, la transposición de ideas en contextos locales y el acompañamiento socioemocional.

El acto de enseñar es, en su núcleo medieval y humboldtiano, una práctica social y dialógica entre seres humanos. La IA no viene a reemplazar al docente; viene a liberarnos de la evaluación burocrática para permitirnos volver a lo que realmente importa en el aula: enseñar a pensar críticamente.

¿Cómo estás adaptando tus métodos de evaluación frente a la democratización de la IA? Si eres docente o estudiante, cuéntame tu experiencia en los comentarios.

El dilema del docente universitario: entre la ley de Goodhart y la cátedra redefinida

Sun, 12 Jul 2026 09:00:00 +0000

Hoy se celebra el Día del Docente Universitario en el Perú. Sin embargo, detrás de las felicitaciones protocolares y los discursos sobre la “noble labor de educar”, una pregunta incómoda ronda los pasillos de las facultades: ¿vale realmente la pena dedicar horas a diseñar una sesión de aprendizaje memorable si todos mis incentivos profesionales y económicos están direccionados a publicar más papers?

Esta tensión no es solo un dilema ético personal; es una falla estructural de diseño en los sistemas de evaluación de la educación superior contemporánea. ¿Cómo terminamos atrapados en esta métrica?

El mito de la sinergia y la tiranía del indicador

Existe un mito organizativo que postula que un buen investigador es, por añadidura, un excelente docente de aula. Sin embargo, la evidencia empírica sugiere que las destrezas cognitivas y operativas para ambas tareas suelen ser divergentes. Investigar de frontera exige aislamiento intelectual e hiperespecialización; enseñar requiere transposición didáctica, empatía y diseño de experiencias de aprendizaje complejas.

Cuando las universidades e instituciones públicas evalúan al docente basándose casi exclusivamente en el conteo de publicaciones en revistas indexadas (como los cuartiles Q1 o Q2), caemos en la Ley de Goodhart. Formulada originalmente en el ámbito de la política monetaria, establece que cuando un indicador se convierte en el objetivo principal de una política, pierde su valor informativo y distorsiona el comportamiento del sistema.

En términos matemáticos, si queremos maximizar la calidad real de la educación y la investigación ($Q$), y para ello utilizamos una métrica proxy ($M$) como el volumen de publicaciones, la optimización extrema de $M$ erosiona su correlación con $Q$:

$$\lim_{M \to \text{target}} \rho(M, Q) = 0$$

El resultado es predecible: una avalancha de publicaciones de baja relevancia, el auge de las llamadas paper mills (fábricas de manuscritos de baja calidad) y un abandono sistemático de la preparación de las clases en el aula, donde se forman los futuros profesionales del país.

Redefinir la cátedra: la propuesta de Ernest Boyer

Frente a esta polarización destructiva que sitúa a la docencia como la “hermana menor” de la investigación, el educador Ernest Boyer propuso en 1990 un enfoque revolucionario en su célebre informe para la Fundación Carnegie: Scholarship Reconsidered. Boyer argumentó que el quehacer académico no debe limitarse a la dicotomía de enseñar o investigar, sino que debe redefinirse bajo cuatro dimensiones interconectadas:

El descubrimiento (scholarship of discovery): La investigación básica orientada a expandir la frontera del conocimiento.
La integración (scholarship of integration): La síntesis interdisciplinaria que da coherencia al saber hiperespecializado.
La aplicación (scholarship of application): El uso del conocimiento para resolver problemas reales de la sociedad.
La enseñanza (scholarship of teaching): Concebida no como una transmisión rutinaria y pasiva de contenidos, sino como una práctica altamente intelectual y rigurosa sobre el propio proceso de aprendizaje.

Bajo la óptica de Boyer, enseñar es una actividad científica. Diseñar una sesión de clases dinámica, evaluar formativamente y teorizar sobre cómo aprenden los estudiantes requiere el mismo rigor científico que realizar un experimento de laboratorio o modelar un indicador de riesgo financiero.

Conclusión: hacia una evaluación integradora

El Día del Docente Universitario no debería ser solo una fecha conmemorativa, sino una oportunidad para reformar los sistemas de incentivos académicos. Iniciativas globales como CoARA y DORA están abriendo el camino hacia evaluaciones más cualitativas y holísticas, donde el portafolio del profesor universitario refleje un equilibrio real.

Si queremos universidades que no solo acumulen métricas en bases de datos comerciales, sino que transformen vidas en las aulas, debemos devolverle a la enseñanza su dignidad intelectual. Después de todo, el conocimiento que no se sabe transmitir termina por extinguirse en su propio aislamiento.

¿Crees que el sistema actual de “publicar o perecer” ha devaluado la calidad de la enseñanza universitaria? Si eres docente o estudiante, compárteme tu experiencia en los comentarios.