IA para crear y corregir exámenes: hasta dónde llega

Hay dos preguntas sobre IA y exámenes que se parecen mucho y no tienen nada que ver. Una es qué hago cuando el alumnado resuelve mis tareas con un asistente. La otra es qué puedo hacer yo, con el temario delante y treinta exámenes por corregir. Este artículo va de lo segundo.

De lo primero va cómo evaluar cuando el alumnado usa IA, y conviene no mezclarlos, porque son las dos caras del mismo tema y se resuelven con criterios distintos. Allí se decide qué se le permite al alumnado, qué evidencias se recogen y cómo se puntúa un trabajo hecho con ayuda de IA. Aquí no se decide nada sobre nadie: se prepara material y se ahorra la parte mecánica de corregir. Es la diferencia entre una tarea docente y una decisión con consecuencias académicas, y marca dónde está el riesgo en cada caso.

El error de partida: pedirle un examen desde cero

El fallo más común no es técnico: es pedirle información en lugar de darle la tuya. Por qué esa diferencia cambia tanto el resultado está en qué es un prompt y por qué importa.

«Hazme un examen de la Revolución Industrial para 4º de la ESO» devuelve algo con aspecto de examen y contenido de nadie. Preguntas sobre lo que el modelo supone que se explica en ese tema, con el nivel que supone que tiene un grupo de 4º, y con algún dato que puede haberse inventado por el camino con la misma seguridad con la que acierta el resto. Lo que llega es un borrador que hay que comprobar entero, y comprobarlo entero cuesta más o menos lo mismo que haberlo escrito.

Donde estas herramientas sí ahorran tiempo es dándole forma a lo que ya tienes escrito: unas notas convertidas en estructura, unos criterios sueltos en una tabla, un tema explicado en un banco de preguntas. Lo que casi nunca compensa es lo contrario —«hazme el examen entero desde cero» y darlo por terminado—, porque la revisión posterior se come el supuesto ahorro.

De esa distinción sale una regla que atraviesa todo lo que viene: siempre se pega el material. Tus apuntes, tus criterios de evaluación, un examen tuyo del curso pasado. Y siempre se cierra con la misma instrucción: que no añada nada que no esté en lo que le has dado. No elimina el problema del todo, pero reduce mucho el relleno, que es por donde se cuela el error de contenido.

Es la parte que más cambia cuando se trabaja con material real y no con ejemplos de demostración, y es lo que hacemos en la formación en IA para docentes: cada quien llega con su unidad y su examen, y sale con las plantillas hechas.

Preparar: cuatro tareas donde el ahorro es real

Una batería de preguntas a partir de tu temario

El uso más rentable y el más fácil de comprobar. No es «genérame un examen», es «genérame materia prima» a partir de lo que has dado, para elegir tú después.

«Te paso el guion de la unidad tal como la he explicado en clase: [pega tus apuntes]. Genera veinticinco preguntas: diez de recuerdo directo, diez de aplicación a un caso nuevo y cinco que exijan relacionar dos partes del tema. Indica en cada una qué apartado del texto evalúa. No uses ningún dato que no aparezca en el material que te he dado.»

Pedir la distribución por tipo de pregunta es lo que separa un banco aprovechable de una lista plana: sin esa indicación, la mayoría salen de recuerdo directo, que es lo más fácil de generar y lo menos útil para discriminar. Y pedir que señale qué apartado evalúa cada pregunta te da, gratis, un mapa de cobertura del tema.

El fallo típico: preguntas de opción múltiple con dos respuestas igual de defendibles. Los distractores plausibles son justo lo que peor genera, así que las opciones se leen una a una antes de dar el test por bueno.

Variantes equivalentes del mismo examen

Dos aulas, dos turnos o un examen de recuperación. La petición no es «hazme otro examen», sino «hazme el mismo examen con otros datos».

«Este es el examen que voy a poner: [pega el examen]. Genera dos variantes que evalúen exactamente lo mismo, pregunta por pregunta, cambiando los datos, los contextos y los ejemplos, pero manteniendo el tipo de razonamiento y el nivel de dificultad de cada una. Devuélveme también el solucionario de cada variante.»

El fallo típico: variantes que parecen equivalentes y no lo son. Cambiar los números de un problema puede hacerlo más difícil sin querer; cambiar el contexto de una pregunta de análisis puede convertirla en otra cosa. La revisión aquí no es de estilo, es de equivalencia: cada pregunta contra su original, y el examen resuelto por ti antes de imprimirlo. Si una variante te cuesta más de resolver que la otra, al alumnado también.

Supuestos prácticos para ciclos y bachillerato

En formación profesional y en las materias con parte aplicada, el cuello de botella no son las preguntas: es inventar situaciones verosímiles distintas cada curso. Aquí el asistente rinde bien porque generar contexto es lo suyo, pero hay que acotarlo con el sector real.

«Redacta tres supuestos prácticos de entre 150 y 200 palabras para [módulo o materia], ambientados en [tipo de empresa o escenario], que se resuelvan aplicando [procedimiento o contenido concreto]. Cada supuesto debe incluir los datos necesarios para resolverlo y ninguno superfluo. No inventes cifras normativas, plazos legales ni referencias a legislación: deja un hueco marcado para que los complete yo.»

Esa última frase es la importante. Las cifras con apariencia de dato oficial —plazos, porcentajes, artículos— son lo que más se inventa y lo más difícil de detectar leyendo por encima, porque suenan exactamente igual que las verdaderas.

Una rúbrica a partir de los criterios de evaluación

La rúbrica que necesitas ya existe: está en los criterios de evaluación de tu programación y en lo que miras cuando corriges. El trabajo pesado es pasarlo a una tabla con niveles, y ese sí se puede delegar en un primer borrador.

«Estos son los criterios de evaluación que se aplican a esta tarea: [pégalos tal cual]. Conviértelos en una rúbrica de corrección con cuatro niveles de logro. Cada celda debe describir una conducta observable en el trabajo entregado —qué se ve, no qué falta— y los niveles tienen que distinguirse por algo concreto, no por adverbios como “adecuadamente” o “correctamente”. Al final, dime qué criterio no queda cubierto por ninguna fila.»

Esa última petición es la que más información devuelve: convierte la rúbrica en una comprobación de si tu examen mide lo que dices que mide. Si un criterio se queda sin fila, o no lo estás evaluando o no debería estar en el enunciado.

El fallo típico: los adverbios. Una rúbrica cuyos niveles se separan con «adecuadamente», «bastante bien» y «con dificultades» no se puede explicar a una familia que pregunta por qué su hijo tiene un 6 y no un 7. Si al releerla no sabes qué tendrías que ver en el papel para marcar cada casilla, no está terminada.

Corregir: dónde ayuda y dónde se para en seco

La corrección es donde más tiempo hay que ganar y donde más cuidado hay que tener, porque es donde aparecen los datos del alumnado y las decisiones con consecuencias.

Borradores de retroalimentación. Es el uso defendible. Con una respuesta transcrita y sin ningún dato que identifique a quien la escribió, más la rúbrica delante, se pide un borrador de comentario: qué está conseguido, qué falta y qué haría falta para subir un nivel. Lo que llega es un texto que hay que ajustar —suele ser genérico y suele ser más blando de lo necesario—, pero partir de él es más rápido que escribir veinte comentarios desde la primera palabra a las once de la noche.

Patrones de error de todo un grupo. El uso más infravalorado. Terminas de corregir, tienes tus propias anotaciones sobre los fallos, y en lugar de reconstruir de memoria qué salió mal, pegas esa lista de errores anotados —sin nombres— y pides que los agrupe en cuatro o cinco tipos recurrentes, ordenados por frecuencia, con una sugerencia de repaso para cada uno. Sale la sesión siguiente medio preparada, y sale de tus correcciones, no de los exámenes del alumnado.

La parte mecánica. Homogeneizar el formato de los comentarios, redactar el informe de resultados del grupo para la reunión de evaluación a partir de tus notas, o convertir una tabla de aciertos por pregunta en dos párrafos legibles. Es trabajo de transformación puro: información que ya tienes, otro formato. Ahí el ahorro es limpio.

La línea roja: la calificación no se delega

Delegar la nota cambia la categoría del uso, y con ella las obligaciones. La Comisión Europea clasifica como de alto riesgo, en su página sobre el marco regulador de la IA, las soluciones de IA usadas en instituciones educativas que puedan determinar el acceso a la educación o el itinerario profesional de una persona, y pone como ejemplo explícito la puntuación de exámenes. No es una prohibición de usar IA en el centro: es la frontera entre preparar material —lo que ocupa todo este artículo— y decidir sobre el futuro académico de alguien. El detalle del marco, con lo que obliga ya y lo que depende de cada comunidad, está en la guía de normativa de IA en las aulas.

Al margen del marco normativo hay un motivo más simple y más cotidiano: una nota hay que poder explicarla. Ante una reclamación, la respuesta «lo puntuó la herramienta con la rúbrica» no sostiene nada, porque nadie en la sala puede reconstruir cómo se llegó a ese número. Con la corrección pasa lo mismo que con el examen: el borrador se delega, la firma no. Cómo se sostiene esa firma con evidencias, y qué se hace ante una reclamación, está en cómo evaluar cuando el alumnado usa IA.

Los datos del alumnado no salen del centro

Un examen resuelto contiene datos personales de un menor, y a veces de su familia. Eso no cambia porque la intención sea corregir más rápido. La regla de mínimos es que nada identificable —nombres, fotos de hojas manuscritas, informes de seguimiento— se introduce en una herramienta externa: si hace falta apoyo, se trabaja con texto transcrito y anonimizado. Las categorías de información que no se pegan nunca en un asistente están en qué no compartir nunca con ChatGPT, y la versión aplicada al aula, con el resto de usos docentes, en la guía práctica de IA en el aula.

Por dónde empezar sin rehacer toda la evaluación

Con una unidad, no con el curso entero. Coges un tema que ya has explicado, generas la batería de preguntas a partir de tus apuntes, y comparas lo que sale con el examen que ibas a poner de todos modos. En media hora sabes si esto te sirve y en qué parte concreta, que es una información mucho más útil que cualquier lista de herramientas.

Después, la rúbrica: es donde el ahorro es mayor la primera vez y donde el resultado se reutiliza más cursos. Y a partir de ahí, solo lo que te haya funcionado.

Ese recorrido, con vuestros exámenes y vuestros criterios encima de la mesa, es lo que trabajamos en la formación en IA para docentes; el itinerario completo para el centro está en formación en IA para colegios e institutos, y la parte que baja al aula, con el alumnado, en los talleres de IA para institutos.

Si quieres verlo con una unidad concreta antes de decidir nada, reserva media hora y la miramos juntos.