{"id":53109,"date":"2026-10-30T13:12:06","date_gmt":"2026-10-30T12:12:06","guid":{"rendered":"https:\/\/impulseducacio.org\/?p=53109"},"modified":"2026-10-30T13:12:22","modified_gmt":"2026-10-30T12:12:22","slug":"detectores-ia-evaluacion-escuela","status":"publish","type":"post","link":"https:\/\/impulseducacio.org\/es\/detectores-ia-evaluacion-escuela\/","title":{"rendered":"Los detectores no funcionan: evaluar con una escala de uso de IA"},"content":{"rendered":"

<\/div>
<\/div>
<\/div>

Lo que la m\u00e1quina no puede entregar por ti<\/h1><\/h1><\/div>
<\/div><\/div><\/div>

Compartir<\/h4>
<\/i><\/a><\/span><\/i><\/a><\/span><\/i><\/a><\/span><\/i><\/a><\/span><\/div><\/div>
<\/div><\/div><\/div>
<\/div>
<\/div>
<\/div>
<\/path><\/svg><\/div>
<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div><\/div>

30 October 2026<\/p>\n<\/div>

<\/div><\/div><\/div><\/div>

Los detectores no funcionan: evaluar con una escala de uso de IA<\/h2>\n<\/div>
<\/div><\/div><\/div><\/div><\/div>
<\/span><\/a><\/span>
<\/a><\/span><\/div>
<\/div>
<\/i>Inscr\u00edbete<\/span><\/a><\/div><\/div><\/div>

El juicio no se delega \u00b7 10 de 12<\/p>\n<\/div><\/div><\/div><\/div>

Suele decirse que el problema de la inteligencia artificial en la evaluaci\u00f3n consiste en averiguar qui\u00e9n escribi\u00f3 el texto. Jos\u00e9 Antonio Bowen y C. Edward Watson, autores de Teaching with AI, abren su cap\u00edtulo sobre copia y detecci\u00f3n con un caso real, con los nombres cambiados.<\/h5>\n<\/div>
<\/div><\/div><\/div><\/div>

Una estudiante de posgrado recibe un aviso: puede haber vulnerado la normativa de honestidad acad\u00e9mica de su universidad. Un profesor hab\u00eda encontrado una de sus aportaciones al foro de la asignatura demasiado brillante para alguien que no era del \u00e1rea, y pas\u00f3 sus tres textos por dos detectores. El primero devolvi\u00f3 un 50 %, un 35 % y un 5 % de probabilidad de haber sido generados por una m\u00e1quina. El segundo devolvi\u00f3 100 % en los tres. Ella sab\u00eda que el trabajo era suyo, y tuvo una idea: busc\u00f3 el \u00faltimo art\u00edculo del profesor, firmado solo por \u00e9l y publicado diez meses antes de que existiera ChatGPT, y lo pas\u00f3 por las mismas herramientas. Sali\u00f3 36 % en una y 100 % de contenido de IA en la otra (1).<\/p>\n<\/div>

<\/div>
\"detectores<\/span><\/div><\/div><\/div><\/div>

La alarma que no apaga el fuego<\/h3>\n

La conversaci\u00f3n de claustro sobre detectores suele moverse entre dos certezas contrarias, y ninguna se sostiene entera. Los datos que recogen Bowen y Watson son inc\u00f3modos en las dos direcciones. Turnitin anunci\u00f3 un 1 % de falsos positivos y lo corrigi\u00f3 a un 4 % en oto\u00f1o de 2023. El clasificador de OpenAI se present\u00f3 con un 98 % de precisi\u00f3n, y su propia investigaci\u00f3n encontr\u00f3 que detectaba texto real de IA solo una de cada cuatro veces, mientras marcaba como artificial casi uno de cada diez textos humanos. Acab\u00f3 cerr\u00e1ndose (1).<\/p>\n

Un estudio prob\u00f3 siete detectores con dos materiales distintos: redacciones premiadas de estudiantes de secundaria y ex\u00e1menes TOEFL escritos por alumnado chino. Acertaba con las primeras y clasificaba mal m\u00e1s de la mitad de los segundos. Bastaba pedir al modelo que sonara como un hablante nativo para que los falsos positivos cayeran del 61 % al 12 % (1).<\/p>\n

Ese hallazgo es el que deber\u00eda quitarnos el sue\u00f1o. Quien escribe con vocabulario m\u00e1s limitado, porque est\u00e1 aprendiendo la lengua, tiene m\u00e1s probabilidades de ser acusado.<\/p>\n

Pero la misma revisi\u00f3n recoge un dato que va en sentido contrario, y omitirlo ser\u00eda hacer trampa. Mike Perkins y su equipo encontraron en 2023 que Turnitin identificaba correctamente el 91 % del contenido generado por IA, mientras el profesorado que revisaba los mismos textos acertaba en el 54,5 % de los casos (1). El mejor detector rend\u00eda bastante mejor que el ojo humano.<\/p>\n

Aqu\u00ed las fuentes discrepan. Jasper Roe, Leon Furze y el propio Perkins afirman en 2026, sin matices, que los intentos de detecci\u00f3n de texto son inexactos y poco fiables (4). Bowen y Watson sostienen que la precisi\u00f3n var\u00eda much\u00edsimo entre productos, que los mejores separan razonablemente bien y que el problema no es que no funcionen. La discrepancia se entiende cuando se mira qu\u00e9 mide cada uno: unos juzgan la fiabilidad t\u00e9cnica del conjunto de herramientas disponibles, otros juzgan su utilidad pr\u00e1ctica cuando hay un docente supervisando. Y las dos partes llegan a la misma conclusi\u00f3n. La detecci\u00f3n no puede ser la pol\u00edtica del centro (1, 4).<\/p>\n

Bowen y Watson lo dicen con una frase que conviene tener a mano: los detectores de IA no acusan a nadie de copiar (1). Devuelven una probabilidad. Ellos comparan la herramienta con una alarma de incendios, que es prueba de que algo debe investigarse y no de que haya fuego, y con ese argumento discuten la decisi\u00f3n de Vanderbilt, Michigan State, Pittsburgh y DePaul de desactivar la detecci\u00f3n de Turnitin (1). La comparaci\u00f3n es \u00fatil, y tambi\u00e9n tiene un l\u00edmite: una alarma que suena a menudo donde no hay fuego deja de servir para avisar y empieza a servir para otra cosa. En una escuela, esa otra cosa es la desconfianza.<\/p>\n<\/div><\/div><\/div><\/div>

Una alarma que se activa por falsos positivos genera desconfianza sistem\u00e1tica en la comunidad educativa.<\/h6>\n<\/div><\/div><\/div>
\"detectores<\/span><\/div><\/div><\/div><\/div>

Evaluar es la otra cara de ense\u00f1ar<\/h3>\n

Amaia Arroyo Sagasta, doctora en Comunicaci\u00f3n y Educaci\u00f3n y profesora en Mondragon Unibertsitatea, y Carlos Magro Mazo, coordinador del programa educativo de la Instituci\u00f3n Libre de Ense\u00f1anza, sostienen en el Informe ODITE 2026 una tesis que reordena todo el problema: \u00abLa evaluaci\u00f3n es la columna vertebral del modelo educativo\u00bb (2). Lo que evaluamos y c\u00f3mo lo evaluamos acaba convirti\u00e9ndose en el curr\u00edculo real.<\/p>\n

Su cap\u00edtulo es un ensayo conceptual, no un estudio emp\u00edrico, y se apoya en literatura ya asentada. Recuperan las tres concepciones que describi\u00f3 Lorna Earl en 2003: evaluar lo aprendido, evaluar para aprender y evaluar como forma de aprender. En cada una cambia qui\u00e9n maneja la informaci\u00f3n y qui\u00e9n decide. Y recuperan la distinci\u00f3n de Neus Sanmart\u00ed entre evaluaci\u00f3n formativa, la que usa el profesorado para ajustar la ense\u00f1anza, y evaluaci\u00f3n formadora, la que usa el propio alumnado para regular su proceso (2).<\/p>\n

El diagn\u00f3stico que hacen del presente lo puede reconocer cualquier equipo directivo: evaluamos de forma formativa en la norma y en la intenci\u00f3n, y de forma sumativa en la pr\u00e1ctica y en la exigencia administrativa (2).<\/p>\n

Sobre ese suelo llega la inteligencia artificial generativa. Arroyo y Magro proponen mirarla como un espejo que devuelve la realidad de nuestras pr\u00e1cticas de ense\u00f1anza y de evaluaci\u00f3n. Cuando una tarea consiste solo en reproducir informaci\u00f3n o en entregar un producto automatizable, la evaluaci\u00f3n se vuelve fr\u00e1gil, y ellos precisan por qu\u00e9: no porque la IA haga trampas, sino porque el dise\u00f1o no estaba pensado para este escenario (2). La respuesta, escriben, no pasa por blindar la evaluaci\u00f3n ni por volver al pasado anal\u00f3gico prohibiendo herramientas, sino por revisar curr\u00edculo, consignas, tareas y producciones.<\/p>\n

Hay una distinci\u00f3n en el libro de Bowen y Watson que ayuda a decidir cu\u00e1les revisar y cu\u00e1les proteger. David Krakauer separ\u00f3 los artefactos cognitivos complementarios, como el \u00e1baco, que nos hacen m\u00e1s capaces incluso cuando ya no los tenemos delante, de los competitivos, como el GPS, que cuando desaparecen nos dejan peor de lo que est\u00e1bamos. Ninguna fuente sabe todav\u00eda cu\u00e1l de los dos ser\u00e1 la IA, y esa es exactamente la raz\u00f3n por la que la fricci\u00f3n de la que hablamos en el art\u00edculo \u201cEl gimnasio vac\u00edo\u201d<\/a><\/span> sigue teniendo que aparecer en alg\u00fan punto de la tarea (1).<\/p>\n<\/div><\/div><\/div><\/div>

\"detectores<\/span><\/div><\/div><\/div>
La inteligencia artificial act\u00faa como un espejo que cuestiona las tareas basadas \u00fanicamente en productos automatizables.<\/h6>\n<\/div><\/div><\/div><\/div>

Subir el list\u00f3n en lugar de bajar la persiana<\/h3>\n

Ante una m\u00e1quina que escribe bien, la escuela tiene dos reflejos: prohibir o vigilar. Los dos dejan el list\u00f3n donde estaba. Hay un tercero, y consiste en subirlo.
\nBowen y Watson lo formulan sin rodeos. Una estudiante de segundo curso de Harvard quiso saber si ChatGPT habr\u00eda superado su primer a\u00f1o, entreg\u00f3 a sus ocho profesores trabajos generados por la m\u00e1quina y les pidi\u00f3 que los calificaran. La media fue de 3,34 sobre 4. No es un estudio, es un experimento de una sola alumna, pero el patr\u00f3n de los comentarios es revelador: elogiaban el estilo m\u00e1s que el contenido (1).<\/p>\n

De ah\u00ed sale su propuesta: la IA es el nuevo aprobado raspado, y lo razonable no es prohibir la IA sino dejar de aprobar ese nivel de trabajo. Proponen reconvertir la r\u00fabrica desplazando una columna, de modo que lo que antes era un suficiente pase a ser un suspenso, y retirar los puntos que a\u00fan damos por la correcci\u00f3n gramatical o por un esquema bien ordenado, dos cosas que las herramientas regalan desde hace a\u00f1os (1).<\/p>\n

Parece sencillo, \u00bfverdad?, pues no lo es tanto, y es que los mismos autores reconocen el l\u00edmite de todo esto: resulta pr\u00e1cticamente imposible dise\u00f1ar tareas de escritura que la IA no resuelva al menos a nivel de aprobado, y ninguna tarea ser\u00e1 a prueba de IA (1). Por eso la transparencia funciona mejor que la vigilancia.<\/p>\n

La herramienta m\u00e1s pr\u00e1ctica para eso la publicaron en 2024 Mike Perkins, Leon Furze, Jasper Roe y Jason MacVaugh: una escala de cinco niveles que el docente asigna a cada tarea y comunica de antemano (3). El nivel 1 excluye cualquier uso. El nivel 2 permite la IA para generar ideas y estructurar, sin que aparezca contenido generado en la entrega. El nivel 3 admite edici\u00f3n y mejora de la redacci\u00f3n, con el original adjunto para comparar. En el nivel 4 la m\u00e1quina completa una parte y el alumno tiene que evaluarla, discutirla y citarla. El nivel 5 permite el uso completo. Los niveles son acumulativos, y los autores se\u00f1alan que el 3 es un punto de transici\u00f3n m\u00e1s que un destino (3).<\/p>\n

Dos advertencias suyas viajan con la escala. La primera es de equidad: recomiendan que las tareas de nivel 1 se hagan bajo supervisi\u00f3n o con poco peso en la nota, porque fuera del aula quien tiene m\u00e1s competencia digital o herramientas de pago puede usarlas sin que se note. La segunda es de honestidad metodol\u00f3gica: cuando publicaron la escala solo la hab\u00eda probado un grupo piloto, y no exist\u00eda investigaci\u00f3n sobre su eficacia (3).<\/p>\n<\/div><\/div><\/div><\/div>

Una escala de cinco niveles transparentes permite modular el uso de la tecnolog\u00eda antes de evaluar.<\/h6>\n<\/div><\/div><\/div>
\"detectors<\/span><\/div><\/div><\/div><\/div>

Tres decisiones que no puede tomar un programa<\/h3>\n

En el aula<\/strong>. Etiquetar cada tarea con su nivel de uso de IA antes de encargarla, y pedir una declaraci\u00f3n breve de uso al entregar. Bowen y Watson proponen una plantilla de proceso que funciona bien reducida a cuatro pasos: pide a la IA que resuelva la tarea, enumera sus errores, mejora el resultado con trabajo propio y explica qu\u00e9 valor a\u00f1adiste (1).<\/p>\n

Para el equipo directivo<\/strong>. Tomar y escribir dos decisiones. Si el centro usa detectores y para qu\u00e9 exactamente, sabiendo que devuelven probabilidades y no pruebas. Y cu\u00e1l es el procedimiento ante una sospecha, que deber\u00eda empezar por una conversaci\u00f3n con el alumno sobre su proceso de trabajo y no por una captura de pantalla. Perkins y su equipo van m\u00e1s lejos y desaconsejan tratar el mal uso de estas herramientas como una falta de integridad acad\u00e9mica, proponiendo resolverlo dentro de la r\u00fabrica (3).<\/p>\n

Para el claustro<\/strong>. Una sesi\u00f3n de calibraci\u00f3n: el mismo trabajo evaluado por todos con la r\u00fabrica de proceso, y discusi\u00f3n abierta de las divergencias (1).<\/p>\n<\/div><\/div><\/div><\/div>

Los claustros deben consensuar r\u00fabricas de proceso que sustituyan la persecuci\u00f3n por la transparencia.<\/h6>\n<\/div><\/div><\/div>
\"detectors<\/span><\/div><\/div><\/div><\/div>

Para terminar<\/h3>\n

La revisi\u00f3n sistem\u00e1tica de Guaranda-Arias y su equipo sit\u00faa la autor\u00eda difusa entre los riesgos del uso educativo de la IA, junto con la dependencia tecnol\u00f3gica y la aceptaci\u00f3n acr\u00edtica, y advierte de que los estudios revisados son en su mayor\u00eda transversales o documentales y no permiten establecer causalidad (5). La autor\u00eda difusa no se aclara con un porcentaje en una pantalla. Se aclara pidiendo el proceso.<\/p>\n

Arroyo y Magro lo resumen mejor que nadie: evaluar mejor no es evaluar m\u00e1s, sino evaluar con sentido (2).<\/p>\n

Pregunta para seguir pensando<\/strong>. Si ma\u00f1ana mi centro tuviera que asignar un nivel de uso de IA a cada tarea del pr\u00f3ximo trimestre, \u00bfcu\u00e1ntas de esas tareas seguir\u00edan teniendo sentido en el nivel 1, y cu\u00e1ntas descubrir\u00edamos que solo ped\u00edan un producto que la m\u00e1quina ya entrega?<\/p>\n<\/div><\/div><\/div><\/div>

Glosario<\/h4>\n