Corrección Asistida por IA y Retroalimentación Personalizada en Grandes Clases de Ciencia Política — Un Ensayo Aleatorizado Multiuniversitario desde Houston

Corregir preguntas de respuesta corta a gran escala es una de las partes más demandantes de tiempo al enseñar grandes cursos universitarios, lo que empuja a muchos docentes hacia exámenes de opción múltiple, que dan a los estudiantes menos espacio para desarrollar y demostrar pensamiento crítico. Un equipo de la Universidad de Houston, la Universidad de Carolina del Sur, la Academia Sinica, la Universidad de Michigan y la Universidad Nacional de Kangwon puso a prueba si GPT-4 podía cerrar esa brecha sin sacrificar la calidad de la corrección.

En cuatro grandes clases de ciencia política (271 estudiantes, unas 3.080 respuestas cortas, el 88% corregidas por IA), los docentes construyeron plantillas de instrucciones con su rúbrica, ejemplos resueltos con retroalimentación y cada nueva respuesta de estudiante. El equipo comparó luego las calificaciones asistidas por IA con la corrección docente en medidas como qué tan bien las notas se correspondían con el desempeño del estudiante en el resto del curso, la frecuencia de solicitudes de recalificación (un indicador indirecto de errores de corrección) y qué tan útil consideraron los estudiantes la retroalimentación.

El ensayo aleatorizado halló que la corrección asistida por IA se aproximó a lo que produciría un docente al calificar una clase pequeña, sin aumento de las solicitudes de recalificación, liberando tiempo docente. Los autores son explícitos: se trata de una herramienta de productividad y consistencia para entregar retroalimentación, no un sustituto del juicio docente - la revisión humana se mantuvo en todos los procesos de corrección evaluados.