“Explorando el potencial de ChatGPT para la retroalimentación y la evaluación en física experimental” es el título de un paper que publicaron cuatro investigadores uruguayos en la revista Physics Education. Marcos Abreu, docente del Centro Regional de Profesores del Centro, ubicado en Florida, Álvaro Suárez, docente del Instituto de Profesores Artigas y Arturo Martí y Cecilia Stari, docentes de las facultades de Ciencias e Ingeniería de la Universidad de la República (Udelar), respectivamente, generaron un estudio exploratorio para indagar en la utilidad de los sistemas de lenguaje a gran escala en la evaluación de tareas realizadas en el marco de la asignatura.
De esa forma, trabajaron a partir de informes de laboratorio en el marco del curso Física Experimental I de la Facultad de Ingeniería de la Udelar. Los docentes, que desde hace tiempo se encuentran abocados a la investigación de la enseñanza de la Física, parten de la base de que la inteligencia artificial (IA) abre una oportunidad para mejorar el seguimiento del progreso de los estudiantes. No obstante, aseguran que la posibilidad de que la herramienta sea de utilidad en los procesos de evaluación depende del diseño de las indicaciones que reciban estas plataformas y también de las condiciones en las que la prueba sea realizada por los humanos.
En particular, el estudio realizado por los docentes uruguayos describe el desempeño de un sistema de calificación asistido por IA con base en el modelo GPT 5.4, lanzado por OpenAI en marzo de 2026. Según explican en el artículo, la herramienta fue configurada con una rúbrica de calificación fija para evaluar múltiples informes de laboratorio con el mismo formato e identifica ventajas y limitaciones para la práctica docente. En concreto, el ejercicio que pusieron a los estudiantes de Ingeniería fue de una actividad de “tiempo de reacción y estadística”, cuyo objetivo es “medir experimentalmente el tiempo de reacción humano e introducir a los estudiantes al análisis de incertidumbre y error”.
“El experimento se realiza en parejas: un estudiante sostiene una regla graduada de 50 centímetros verticalmente y la suelta sin previo aviso, mientras que el otro intenta atraparla lo más rápido posible una vez que comienza la caída. La magnitud medida es la distancia recorrida por la regla antes de detenerse, a partir de la cual se calcula el tiempo de reacción asumiendo un movimiento de caída libre. Dado que las mediciones individuales se ven afectadas por variaciones aleatorias y por la variabilidad intrínseca de la respuesta humana, el procedimiento se repite varias veces. Esto permite a los estudiantes analizar la distribución de los resultados, determinar un tiempo de reacción medio representativo y estimar la incertidumbre de medición asociada”, relata el artículo. En ese sentido, agrega que “el experimento es fácilmente replicable e incluye elementos clave como el modelado matemático, la propagación de la incertidumbre, el análisis estadístico y la interpretación de gráficos”.
Las duplas de estudiantes enviaron sus informes en formato PDF, que incluían texto, tablas, ecuaciones y gráficos, con base en una estructura requerida, por la que debían incluir objetivos, fundamentos teóricos, configuración experimental, análisis de datos y conclusiones.
El análisis de los docentes se realizó con base en una muestra aleatoria de 57 entregas de un total de 150, efectuadas en el curso de 2025, con el objetivo de comparar entre las correcciones hechas por la IA y las del equipo docente. Por ello, se le solicitó a ChatGPT que siguiera la misma rúbrica que la que se aplicaba en el marco del curso.
“Para cada ítem de la rúbrica, la IA debía proporcionar la puntuación asignada, una justificación vinculada al criterio, una breve descripción de las fortalezas y debilidades, y un breve resumen de la evaluación general. También se incluyó una lista de verificación estructurada para guiar la revisión sistemática de los informes. Estas verificaciones abordaban la validez científica del informe, el uso correcto de ecuaciones y representaciones gráficas, el tratamiento de las cifras significativas y las incertidumbres, la coherencia entre los datos experimentales y las conclusiones y los requisitos específicos relacionados con el análisis estadístico de la actividad”, señala el artículo.
Principales resultados
En el análisis se realizó tanto una comparación cualitativa de las calificaciones que pusieron los docentes y las de la IA como un análisis cualitativo de la retroalimentación que brindó la plataforma a los estudiantes. Además de valorar si esta era adecuada, demasiado superficial o incorrecta, el análisis también identificó si la IA había logrado identificar adecuadamente los elementos gráficos de las entregas.
El artículo da cuenta de “una asociación débil entre ambos sistemas de calificación” ya que, en promedio, “la IA asignó puntuaciones más bajas que los instructores (7,91 frente a 8,63)”.
En cuanto al análisis cualitativo, se encontró que las evaluaciones de los ítems evaluados –objetivos, fundamentos teóricos, configuración experimental, análisis de datos y conclusiones– fue mayormente correcta por parte de la IA, que en todos los casos superó el 80% de correcciones bien realizadas. De todas formas, solo en la evaluación de los objetivos de la tarea logró no tener ninguna retroalimentación considerada inválida. El ítem en el que peor se desempeñó la IA fue la evaluación general del trabajo, lo que se explica mayormente por impedimentos de la plataforma para comprender algunos pasajes de la entrega e identificar elementos gráficos.
El artículo concluye que “si bien los sistemas de IA generativa han demostrado potencial para tareas como la calificación de evaluaciones y la generación de retroalimentación”, su desempeño “depende en gran medida de la disponibilidad y accesibilidad de evidencia relevante” en las entregas. Además de la diferencia en el promedio de la calificación se da cuenta de “diferencias notables” en el análisis de los informes de forma individual. Por lo tanto, se plantea que “si bien una gran proporción de respuestas se clasificaron como correctas a nivel de ítem, las pequeñas diferencias acumuladas en los criterios de la rúbrica dieron lugar a discrepancias apreciables en las puntuaciones finales”.
En muchos casos, mayormente en las retroalimentaciones sobre objetivos y fundamentos teóricos de la tarea, se señala una importante cantidad de respuestas bajo la categoría “razonable pero superficial”. “Estas respuestas consistían generalmente en validaciones generales sin referencia explícita a evidencia verificable en el informe, incluso cuando la rúbrica requería criterios observables”, se explica.
Por su parte, en el estudio los investigadores realizaron un análisis conversacional exploratorio por el que tomaron algunas entregas y le hicieron algunas consultas específicas a la IA sobre evaluaciones insuficientes o inválidas y esas indicaciones permitieron que la plataforma incorpore evidencia que no consideró fiable en una primera instancia, durante el proceso realizado de forma automatizada
En las conclusiones del artículo, se plantea que, más allá de la posibilidad de que la IA procese importantes volúmenes de evaluaciones de forma coherente, “las calificaciones producidas por el flujo de trabajo automatizado no eran intercambiables con la calificación” puesta por los docentes humanos. Por lo tanto, se sostiene que la participación de la IA en estos procesos debe visualizarse como un apoyo, pero no sustituto de la tarea docente. En particular, se destaca que estas plataformas pueden ayudar “a organizar los procesos de revisión, identificar patrones recurrentes en el trabajo de los estudiantes y gestionar los aspectos formales de los informes, aliviando así parte de la carga de trabajo rutinaria asociada a la docencia de laboratorio”. Sin embargo, se afirma que el docente es quien debe ser “el responsable final del desempeño estudiantil”.
En ese mismo sentido, los investigadores sostienen que el hecho de que la IA realice “comentarios razonables pero superficiales y evaluaciones inválidas –particularmente en ítems que incluyen notación matemática o representaciones gráficas– pone de manifiesto una limitación estructural cuando el enfoque se utiliza como una herramienta de evaluación totalmente autónoma”.