El judici no es delega · 10 de 12

Se sol dir que el problema de la intel·ligència artificial en l’avaluació consisteix a esbrinar qui va escriure el text. José Antonio Bowen i C. Edward Watson, autors de Teaching with AI, obren el seu capítol sobre còpia i detecció amb un cas real, amb els noms canviats

Una estudiant de postgrau rep un avís: pot haver vulnerat la normativa d’honestedat acadèmica de la seva universitat. Un professor havia trobat una de les seves aportacions al fòrum de l’assignatura massa brillant per a algú que no era de l’àrea, i va passar els seus tres textos per dos detectors. El primer va retornar un 50 %, un 35 % i un 5 % de probabilitat d’haver estat generats per una màquina. El segon va retornar 100 % en tots tres. Ella sabia que el treball era seu, i va tenir una idea: va buscar l’últim article del professor, signat només per ell i publicat deu mesos abans que existís ChatGPT, i el va passar per les mateixes eines. Va sortir 36 % en una i 100 % de contingut d’IA en l’altra (1).

L’alarma que no apaga el foc

La conversa de claustre sobre detectors se sol moure entre dues certeses contràries, i cap no se sosté sencera. Les dades que recullen Bowen i Watson són incòmodes en les dues direccions. Turnitin va anunciar un 1 % de falsos positius i ho va corregir a un 4 % la tardor de 2023. El classificador d’OpenAI es va presentar amb un 98 % de precisió, i la seva pròpia investigació va trobar que detectava text real d’IA només una de cada quatre vegades, mentre marcava com a artificial gairebé un de cada deu textos humans. Va acabar tancant-se (1).

Un estudi va provar set detectors amb dos materials diferents: redaccions premiades d’estudiants de secundària i exàmens TOEFL escrits per alumnat xinès. Encertava amb les primeres i classificava malament més de la meitat dels segons. N’hi havia prou de demanar al model que sonés com un parlant nadiu perquè els falsos positius caiguessin del 61 % al 12 % (1).

Aquesta troballa és la que ens hauria de treure la son. Qui escriu amb vocabulari més limitat, perquè està aprenent la llengua, té més probabilitats de ser acusat.
Però la mateixa revisió recull una dada que va en sentit contrari, i ometre-la seria fer trampa. Mike Perkins i el seu equip van trobar el 2023 que Turnitin identificava correctament el 91 % del contingut generat per IA, mentre el professorat que revisava els mateixos textos encertava en el 54,5 % dels casos (1). El millor detector rendia força millor que l’ull humà.

Aquí les fonts discrepen. Jasper Roe, Leon Furze i el mateix Perkins afirmen el 2026, sense matisos, que els intents de detecció de text són inexactes i poc fiables (4). Bowen i Watson sostenen que la precisió varia moltíssim entre productes, que els millors separen raonablement bé i que el problema no és que no funcionin. La discrepància s’entén quan es mira què mesura cadascun: uns jutgen la fiabilitat tècnica del conjunt d’eines disponibles, altres jutgen la seva utilitat pràctica quan hi ha un docent supervisant. I les dues parts arriben a la mateixa conclusió. La detecció no pot ser la política del centre (1, 4).

Bowen i Watson ho diuen amb una frase que convé tenir a mà: els detectors d’IA no acusen ningú de copiar (1). Retornen una probabilitat. Ells comparen l’eina amb una alarma d’incendis, que és prova que alguna cosa s’ha d’investigar i no que hi hagi foc, i amb aquest argument discuteixen la decisió de Vanderbilt, Michigan State, Pittsburgh i DePaul de desactivar la detecció de Turnitin (1). La comparació és útil, i també té un límit: una alarma que sona sovint on no hi ha foc deixa de servir per avisar i comença a servir per a una altra cosa. En una escola, aquesta altra cosa és la desconfiança.

Avaluar és l’altra cara d’ensenyar

Amaia Arroyo Sagasta, doctora en Comunicació i Educació i professora a Mondragon Unibertsitatea, i Carlos Magro Mazo, coordinador del programa educatiu de la Institución Libre de Enseñanza, sostenen a l’Informe ODITE 2026 una tesi que reordena tot el problema: «L’avaluació és la columna vertebral del model educatiu» (2). El que avaluem i com ho avaluem acaba convertint-se en el currículum real.

El seu capítol és un assaig conceptual, no un estudi empíric, i es basa en literatura ja assentada. Recuperen les tres concepcions que va descriure Lorna Earl el 2003: avaluar el que s’ha après, avaluar per aprendre i avaluar com a forma d’aprendre. En cadascuna canvia qui maneja la informació i qui decideix. I recuperen la distinció de Neus Sanmartí entre avaluació formativa, la que utilitza el professorat per ajustar l’ensenyament, i avaluació formadora, la que utilitza el mateix alumnat per regular el seu procés (2).

El diagnòstic que fan del present el pot reconèixer qualsevol equip directiu: avaluem de manera formativa en la norma i en la intenció, i de manera sumativa en la pràctica i en l’exigència administrativa (2).

Sobre aquest terra arriba la intel·ligència artificial generativa. Arroyo i Magro proposen mirar-la com un mirall que retorna la realitat de les nostres pràctiques d’ensenyament i d’avaluació. Quan una tasca consisteix només a reproduir informació o a lliurar un producte automatitzable, l’avaluació es torna fràgil, i ells precisen per què: no perquè la IA faci trampes, sinó perquè el disseny no estava pensat per a aquest escenari (2). La resposta, escriuen, no passa per blindar l’avaluació ni per tornar al passat analògic prohibint eines, sinó per revisar currículum, consignes, tasques i produccions.

Hi ha una distinció en el llibre de Bowen i Watson que ajuda a decidir quines revisar i quines protegir. David Krakauer va separar els artefactes cognitius complementaris, com l’àbac, que ens fan més capaços fins i tot quan ja no els tenim al davant, dels competitius, com el GPS, que quan desapareixen ens deixen pitjor del que estàvem. Cap font no sap encara quin dels dos serà la IA, i aquesta és exactament la raó per la qual la fricció de què parlem a l’article «El gimnàs buit» continua havent d’aparèixer en algun punt de la tasca (1).

Apujar el llistó en lloc d’abaixar la persiana

Davant d’una màquina que escriu bé, l’escola té dos reflexos: prohibir o vigilar. Tots dos deixen el llistó on era. N’hi ha un tercer, i consisteix a apujar-lo.

Bowen i Watson ho formulen sense embuts. Una estudiant de segon curs de Harvard va voler saber si ChatGPT hauria superat el seu primer any, va lliurar als seus vuit professors treballs generats per la màquina i els va demanar que els qualifiquessin. La mitjana va ser de 3,34 sobre 4. No és un estudi, és un experiment d’una sola alumna, però el patró dels comentaris és revelador: elogiaven l’estil més que el contingut (1).

D’aquí surt la seva proposta: la IA és el nou aprovat just, i el que és raonable no és prohibir la IA sinó deixar d’aprovar aquest nivell de treball. Proposen reconvertir la rúbrica desplaçant una columna, de manera que el que abans era un suficient passi a ser un suspens, i retirar els punts que encara donem per la correcció gramatical o per un esquema ben ordenat, dues coses que les eines regalen des de fa anys (1).

Sembla senzill, oi?, doncs no ho és tant, i és que els mateixos autors reconeixen el límit de tot això: resulta pràcticament impossible dissenyar tasques d’escriptura que la IA no resolgui almenys a nivell d’aprovat, i cap tasca no serà a prova d’IA (1). Per això la transparència funciona millor que la vigilància.
L’eina més pràctica per a això la van publicar el 2024 Mike Perkins, Leon Furze, Jasper Roe i Jason MacVaugh: una escala de cinc nivells que el docent assigna a cada tasca i comunica per endavant (3). El nivell 1 exclou qualsevol ús. El nivell 2 permet la IA per generar idees i estructurar, sense que aparegui contingut generat en el lliurament. El nivell 3 admet edició i millora de la redacció, amb l’original adjunt per comparar. En el nivell 4 la màquina completa una part i l’alumne l’ha d’avaluar, discutir i citar. El nivell 5 permet l’ús complet. Els nivells són acumulatius, i els autors assenyalen que el 3 és un punt de transició més que una destinació (3).

Dues advertències seves viatgen amb l’escala. La primera és d’equitat: recomanen que les tasques de nivell 1 es facin sota supervisió o amb poc pes en la nota, perquè fora de l’aula qui té més competència digital o eines de pagament les pot utilitzar sense que es noti. La segona és d’honestedat metodològica: quan van publicar l’escala només l’havia provat un grup pilot, i no existia investigació sobre la seva eficàcia (3).

Tres decisions que no pot prendre un programa

A l’aula. Etiquetar cada tasca amb el seu nivell d’ús d’IA abans d’encarregar-la, i demanar una declaració breu d’ús en lliurar-la. Bowen i Watson proposen una plantilla de procés que funciona bé reduïda a quatre passos: demana a la IA que resolgui la tasca, enumera els seus errors, millora el resultat amb treball propi i explica quin valor hi vas afegir (1).

Per a l’equip directiu. Prendre i escriure dues decisions. Si el centre utilitza detectors i per a què exactament, sabent que retornen probabilitats i no proves. I quin és el procediment davant d’una sospita, que hauria de començar per una conversa amb l’alumne sobre el seu procés de treball i no per una captura de pantalla. Perkins i el seu equip van més lluny i desaconsellen tractar el mal ús d’aquestes eines com una falta d’integritat acadèmica, i proposen resoldre-ho dins de la rúbrica (3).

Per al claustre. Una sessió de calibratge: el mateix treball avaluat per tothom amb la rúbrica de procés, i discussió oberta de les divergències (1).

Per acabar

La revisió sistemàtica de Guaranda-Arias i el seu equip situa l’autoria difusa entre els riscos de l’ús educatiu de la IA, juntament amb la dependència tecnològica i l’acceptació acrítica, i adverteix que els estudis revisats són majoritàriament transversals o documentals i no permeten establir causalitat (5). L’autoria difusa no s’aclareix amb un percentatge en una pantalla. S’aclareix demanant el procés.

Arroyo i Magro ho resumeixen millor que ningú: avaluar millor no és avaluar més, sinó avaluar amb sentit (2).

Pregunta per continuar pensant. Si demà el meu centre hagués d’assignar un nivell d’ús d’IA a cada tasca del proper trimestre, quantes d’aquestes tasques continuarien tenint sentit en el nivell 1, i quantes descobriríem que només demanaven un producte que la màquina ja lliura?

Glossari

• Detector d’IA. Programa que estima la probabilitat que un text hagi estat generat per un model de llenguatge. Retorna un percentatge, no un veredicte.
• Fals positiu. Text escrit per una persona que el detector classifica com a generat per IA. Afecta de manera desproporcionada qui escriu en una llengua que no és la seva.
• Escala d’ús d’IA. Classificació de nivells d’ús permès que s’assigna a cada tasca i es comunica a l’alumnat abans d’encarregar-la.
• Rúbrica de procés. Rúbrica que qualifica el recorregut, les decisions i la verificació, i no només el producte lliurat.
• Autoria difusa. Situació en què no es pot establir quina part d’un treball procedeix de la persona i quina part de l’eina.
• Artefacte cognitiu complementari i competitiu. Distinció entre les eines que augmenten la nostra capacitat fins i tot quan deixem d’utilitzar-les i les que ens deixen pitjor del que estàvem quan desapareixen.

Referències

1. Bowen, J. A., i Watson, C. E. (2024). Teaching with AI: A Practical Guide to a New Era of Human Learning. Johns Hopkins University Press.
2. Arroyo Sagasta, A., i Magro Mazo, C. (2026). Cuando evaluar es aprender. Evaluación auténtica para una educación centrada en el alumnado. A J. M. Muñoz, N. Lorenzo, X. Suñé, M. À. Prats i C. López (coords.), Informe ODITE 2026: Claves para una nueva educación. Asociación Espiral, Educación y Tecnología. https://ciberespiral.org/es/odite/
3. Perkins, M., Furze, L., Roe, J., i MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Journal of University Teaching and Learning Practice, 21(6). Seccions «Scale Levels» i «Limitations and Future Research». https://doi.org/10.53761/q3azde36
4. Roe, J., Furze, L., i Perkins, M. (2026). Digital plastic: a metaphorical framework for Critical AI Literacy in the multiliteracies era. Pedagogies: An International Journal, 21(2), 185-199. Secció «Critical AI Literacy as part of a new multiliteracies». https://doi.org/10.1080/1554480X.2025.2557491
5. Guaranda-Arias, I. C., García-Ortiz, L. R., i Guerrero-Zambrano, M. (2026). Alfabetización ética en inteligencia artificial y pensamiento crítico del profesorado: una revisión sistemática reportada conforme a PRISMA 2020. Innova Science Journal, 4(3), 964-974. https://doi.org/10.63618/omd/isj/v4/n3/393