Mód. 1 · El problema de validez · Evaluar cuando la IA ya está en el aula

El docente recibe el ensayo final. Lo lee con la sensación, antes intuitiva y ahora frecuente, de que algo no encaja. La gramática es impecable. La argumentación es coherente. Las citas están formateadas con un cuidado que no se veía en clase. Y, sin embargo, hay una distancia rara entre el texto y el estudiante que recuerda. Ningún error, ninguna torpeza, ningún rastro de las dudas que el aula había evidenciado.

Esta escena se ha vuelto cotidiana. La reacción del docente, también. La primera tentación es buscar un detector que confirme la sospecha. La segunda es endurecer la política de la asignatura. La tercera es convertir la próxima evaluación en un examen presencial controlado. Las tres respuestas comparten un supuesto que conviene mirar con calma: que el problema lo introduce el estudiante, que la institución tiene que reaccionar para defenderse y que la cuestión es de integridad académica. Aquí nace el primer error de cálculo del rediseño que vendrá después.

SECCIÓN 1.1Una escena que se repite en cualquier facultad

Lo que cambió no fue la honestidad de los estudiantes. Lo que cambió es que ahora cualquier estudiante tiene en el bolsillo un sistema capaz de producir un texto académicamente plausible en cuestión de segundos. La pregunta institucional que parecía obvia (¿cómo distinguir un texto humano de uno generado?) lleva implícita una asunción que conviene examinar: que el problema se resuelve detectando.

Reflexiona

¿Qué pasa si no es un problema de integridad, sino un problema de validez de la evaluación? ¿Qué cambia en la respuesta institucional cuando la pregunta se reformula?

SECCIÓN 1.2Tres respuestas fallidas

Antes de articular la pregunta correcta, conviene entender qué ha fallado. Tres líneas de respuesta dominaron los primeros dos años después de la aparición de ChatGPT. Las tres se siguen usando. Las tres tienen problemas serios.

Respuesta	Promesa	Por qué falla
Detectar el texto generado	Distinguir lo humano de lo automático con fiabilidad estadística.	La evidencia desmiente la promesa: falsos positivos masivos en escritura no nativa y carrera asimétrica con los modelos generativos.
Prohibir el uso de IA	La norma evita el uso indebido.	Funciona en el papel. En la práctica, la herramienta está a un clic. Vigilar a esa escala genera problemas de privacidad y proporcionalidad.
Volver al examen presencial	Recuperar el control sobre las condiciones de evaluación.	Es legítima en algunos casos. El error es asumir que reduce el problema a cero. Las competencias evaluables en aula cerrada son un subconjunto. Devolver toda la evaluación a ese formato la empobrece.

Ninguna de estas tres respuestas es absurda. Cada una tiene su lugar. El problema aparece cuando se combinan como única estrategia institucional, sin reformular la pregunta de fondo. Conviene entonces examinar la primera con detalle, porque es la más popular y la que más rápidamente se desmonta con datos.

SECCIÓN 1.3Por qué los detectores no son una solución

Un detector estadístico produce dos tipos de error. El falso negativo es un texto generado por IA que el detector clasifica como humano. El falso positivo es un texto humano que el detector clasifica como generado por IA. Cualquiera de los dos errores es grave. El falso positivo es, además, devastador.

Liang y sus colaboradores publicaron en Patterns en 2023 un estudio que pasó a las pocas semanas a citarse en todos los comités de integridad académica. Compararon el rendimiento de siete detectores comerciales sobre dos corpus: ensayos de hablantes nativos y ensayos del examen TOEFL escritos por hablantes de inglés como segunda lengua.

Sesgo de los detectores · Liang et al. (2023)

Lectura del estado

Hablantes nativos

Los textos de hablantes nativos pasan por los siete detectores con una tasa media de falso positivo del cinco por ciento. Es un margen razonable.

Top tasa de falso positivo:

El detector funciona razonablemente bien sobre el grupo lingüísticamente privilegiado. Pulsa el otro botón para ver qué pasa con los estudiantes internacionales.

Datos: Liang et al. (2023). Pulsa los botones para comparar las dos poblaciones.

Importante

Adoptar detectores como herramienta institucional equivale a montar un sistema que produce acusaciones de fraude académico desproporcionadamente sobre estudiantes internacionales y migrantes. El sesgo no es un detalle técnico, es la característica principal del comportamiento del sistema.

A esta limitación se suma una segunda, más estructural. Sadasivan y sus coautores demostraron en 2024 que la propia premisa de la detección fiable es matemáticamente frágil. Cualquier texto generado puede reescribirse con un parafraseador y la firma estadística que el detector intenta encontrar se diluye. La carrera entre detectores y modelos generativos es asimétrica. La pierde el detector por diseño.

La conclusión operativa es clara. Una institución que basa su política de integridad académica en la detección está construyendo sobre arena, y al mismo tiempo está aceptando un riesgo legal y ético importante.

SECCIÓN 1.4El giro de Dawson: de integridad a validez

En octubre de 2024, Phillip Dawson y sus colaboradores publicaron un argumento que reordenó la conversación. La tesis se enuncia en una sola frase. El problema que la IA generativa plantea a la educación superior no es de integridad académica. Es de validez de la evaluación. La diferencia parece terminológica. No lo es.

Concepto

La validez de una evaluación, en sentido técnico, mide hasta qué punto los resultados que produce permiten inferir lo que la evaluación afirma evaluar. Un examen de redacción argumentativa solo es válido como medida de redacción argumentativa si quien obtiene una buena nota efectivamente sabe argumentar por escrito.

Cuando un estudiante puede delegar la redacción a una IA y obtener la misma nota, la inferencia se rompe. La nota deja de informar sobre la competencia. La evaluación pierde validez, no porque el estudiante haya hecho trampa, sino porque el instrumento ya no sirve para lo que decía servir.

Marco antiguo · integridad	Marco propuesto · validez
El problema lo causa el estudiante que comete una falta. La institución reacciona detectando, prohibiendo y sancionando. La carga recae en la vigilancia del comportamiento individual.	El problema lo causa una evaluación que ya no mide lo que dice medir cuando el estudiante tiene acceso a IA. La institución responde rediseñando lo que pide. La carga se traslada al diseño del instrumento.

Si el problema es de validez, la responsabilidad principal de la respuesta no está del lado del estudiante. Está del lado de quien diseña la evaluación. Y eso significa la asignatura, el departamento, la facultad, la universidad. Sostener una evaluación que no mide ya lo que dice medir, y delegar la solución en software de detección, es ofrecer al estudiante una carrera asimétrica donde el costo del error recae sobre él. Es una decisión institucional con implicaciones éticas. Y es una decisión que se puede revisar.

SECCIÓN 1.5Cómo se interroga una evaluación concreta

El criterio operativo se reduce a una pregunta única, que conviene aplicar a cada evaluación de la asignatura. Es la pregunta que organiza todo el resto del curso.

Reflexiona

Esta evaluación, ¿mide lo que dice medir cuando el estudiante tiene acceso a IA generativa?

Ejemplo

Una asignatura de Introducción a la Sociología pide al estudiante un ensayo de mil quinientas palabras sobre las funciones latentes de la educación según Merton. El criterio de evaluación es la calidad argumentativa y la integración de fuentes.

Pregunta de validez aplicada: ¿mide la calidad argumentativa del estudiante, o mide la calidad argumentativa de un texto al que el estudiante puede acceder en treinta segundos pidiendo una redacción a un modelo de lenguaje? La respuesta sincera es la segunda. La evaluación no es válida en su forma actual, no porque el estudiante haga trampa, sino porque el instrumento dejó de medir lo que decía medir.

Una vez identificada la pérdida de validez, las opciones se ordenan. La asignatura puede mantener el ensayo y añadir una defensa oral breve donde el estudiante sostenga sus argumentos. Puede pedir el ensayo en formato de coautoría documentada, en el que se presenta también el historial de instrucciones a la IA y un análisis de su contribución. Puede sustituirlo por una evaluación de proceso. Puede combinar varias de estas opciones. Lo que no puede es seguir igual.

SECCIÓN 1.6Tres universidades que ya hicieron la transición

El debate teórico avanza más despacio que la práctica institucional. Algunas universidades llevan dos años aplicando la lógica de validez en sus marcos, con suficiente exposición pública como para servir de referencia.

Caso · Universidad de Sídney (2024-2025)

El modelo de dos vías separa cada asignatura en evaluaciones seguras (sin asistencia de IA, en condiciones controladas) y evaluaciones abiertas (con uso explícito y declarado de IA). Asume desde el principio que coexisten.

Caso · MIT (2025)

Integra IA en cursos introductorios de ingeniería y ciencias con políticas de uso transparente. La lógica es preparar al estudiante para una práctica profesional donde la herramienta ya está presente.

Caso · Universidad de Cambridge (2023-2024)

Adoptó tempranamente una política de uso permitido con declaración obligatoria. El estudiante puede usar IA, debe explicitar cómo y dónde, y la responsabilidad sobre el contenido sigue siendo suya.

Las tres respuestas son distintas, pero comparten un punto. Ninguna se basa en detección. Ninguna se basa solo en prohibición. Las tres se apoyan en el rediseño del instrumento de evaluación, asumiendo que la herramienta existe y que la pregunta correcta no es cómo impedir su uso, sino qué medimos cuando se usa.

SÍNTESISLo que dominas tras este módulo

Domínias el primer movimiento del rediseño: el cambio de pregunta. Mientras la institución siga preguntándose cómo detectar a quien usa IA o cómo prohibir su uso, la respuesta seguirá siendo frágil, costosa y sesgada. Cuando la pregunta cambia y se vuelve la pregunta de validez, las opciones se abren. La conversación deja de ser sobre la honestidad del estudiante y pasa a ser sobre la solidez del instrumento.

Queda en el aire una limitación: saber que el marco correcto es la validez no nos dice todavía qué hacer con cada evaluación concreta. El módulo 2 propone el marco operativo más robusto de la literatura: cinco niveles de integración de IA que ordenan las decisiones de rediseño.

Práctica

Antes de avanzar, elige una evaluación de tu asignatura actual y aplícale la pregunta de validez. ¿Mide lo que dice medir cuando el estudiante tiene acceso a IA?

No hace falta resolver el rediseño todavía. Basta con identificar honestamente si la evaluación pasa la prueba, la pasa con ajustes o no la pasa. Esa identificación será la materia prima del módulo 7.

El problema de validez, no de integridad

SECCIÓN 1.1Una escena que se repite en cualquier facultad

SECCIÓN 1.2Tres respuestas fallidas

SECCIÓN 1.3Por qué los detectores no son una solución

Hablantes nativos

SECCIÓN 1.4El giro de Dawson: de integridad a validez

SECCIÓN 1.5Cómo se interroga una evaluación concreta

SECCIÓN 1.6Tres universidades que ya hicieron la transición

SÍNTESISLo que dominas tras este módulo

Comprueba lo aprendido en este módulo