Corrección a Gran Escala — Un Ensayo Aleatorizado de IA frente a Correctores Humanos en Cuatro Programas de Ciencia Política

Corregir y ofrecer retroalimentación personalizada en preguntas de respuesta corta consume mucho tiempo, lo que a menudo lleva a los docentes de clases numerosas a preferir evaluaciones de opción múltiple, reduciendo las oportunidades de los estudiantes para desarrollar el pensamiento crítico.

Probar si la asistencia de un modelo de lenguaje (GPT-4) puede calificar respuestas cortas con la misma precisión que correctores humanos, y permitir que los docentes de clases numerosas ofrezcan el tipo de retroalimentación individualizada normalmente reservada a clases mucho más pequeñas.

Investigadores liderados por Heinrich y colegas realizaron un ensayo controlado aleatorizado en cuatro programas de grado en ciencias políticas (Universidad de Houston, Universidad de Carolina del Sur, Universidad de Míchigan y Academia Sinica en Taiwán) en 2023-2024. En 26 pruebas que abarcaron a 271 estudiantes, alrededor de diez respuestas de estudiantes por pregunta de respuesta corta se asignaron aleatoriamente a corrección humana o por GPT-4, con la IA guiada por rúbricas elaboradas por los docentes y respuestas modelo ("gold").

El estudio, publicado en PLoS One en agosto de 2025, no encontró diferencias estadísticamente significativas en la precisión de la calificación entre la IA y los correctores humanos (diferencia media de -0,04). Las solicitudes de recalificación fueron solo marginalmente más altas para los trabajos corregidos por humanos, y la retroalimentación humana se calificó como "útil" unos dos puntos porcentuales más a menudo que la de la IA. La ganancia más clara fue de productividad: la corrección asistida por IA permitió a los docentes ofrecer a clases de unos 70 estudiantes una retroalimentación individualizada con una profundidad normalmente reservada a clases de un tercio a un cuarto de ese tamaño.

Los autores son explícitos sobre las limitaciones: el ensayo midió la precisión de la calificación y la valoración de la retroalimentación, no las ganancias reales de aprendizaje de los estudiantes; los resultados variaron entre los cuatro cursos, y la dependencia de un único modelo propietario (GPT-4) plantea preocupaciones de replicabilidad a medida que los modelos cambian.