Un panel muestra que alguien ha completado el 84 % de un curso. Otro indica que ha acertado ocho de diez preguntas. Un tercero registra cuánto tiempo ha pasado leyendo una explicación. Son números precisos en su forma. Pero la exactitud de una medición no garantiza la validez de lo que inferimos a partir de ella.
En educación utilizamos constantemente evidencias: respuestas, producciones, observaciones, conversaciones y resultados de actividades. La tecnología permite recogerlas y combinarlas con facilidad creciente. Precisamente por eso resulta urgente distinguir entre lo que sabemos, lo que creemos saber y lo que todavía debemos comprobar.
Un dato no es una interpretación
Si un estudiante responde mal a una pregunta, el dato puede ser claro: la respuesta no coincide con el criterio esperado. Lo que significa ese error es mucho menos evidente.
Tal vez falte un concepto previo. Quizá el enunciado sea ambiguo. Puede existir una confusión específica o un problema de atención en ese momento. También cabe que la pregunta no represente bien la capacidad que pretendemos evaluar.
Una decisión pedagógica responsable necesita conectar el dato con una hipótesis explicativa. Y esa hipótesis debe poder revisarse cuando aparezcan nuevas evidencias.
El mismo principio se aplica a los aciertos. Responder correctamente una pregunta sencilla no demuestra automáticamente que alguien pueda justificarla, recordarla pasado un tiempo o aplicarla ante un problema nuevo.
Los indicadores cómodos no siempre son los más útiles
Muchas plataformas registran primero aquello que resulta fácil capturar: clics, minutos, accesos, tareas terminadas o elementos visitados. Son datos que pueden servir para analizar la experiencia de uso. Pero su relación con la comprensión depende del contexto.
Permanecer mucho tiempo en una página puede reflejar atención, dificultad, una interrupción o una necesidad de accesibilidad. Avanzar rápido puede indicar dominio o una lectura superficial. Interpretar esos indicadores como medidas directas de aprendizaje sería una simplificación arriesgada.
Para valorar un progreso necesitamos considerar qué conocimiento se pretendía desarrollar y mediante qué tarea podemos observarlo. Una evidencia es más informativa cuando está vinculada a una afirmación concreta: «puede comparar dos argumentos», «identifica un prerrequisito» o «aplica una regla en un caso nuevo».
Diferentes evidencias responden a diferentes preguntas
Una respuesta de opción múltiple puede ser útil para comprobar discriminaciones concretas. Una explicación libre permite observar relaciones y razonamientos, aunque su valoración sea más exigente. Una tarea práctica muestra procedimientos y decisiones. Una recuperación posterior aporta información sobre retención.
Ningún formato agota el aprendizaje. Elegirlo exige preguntarse qué conclusión queremos sostener. Si deseamos saber si alguien recuerda una definición, pedir un proyecto extenso quizá no sea necesario. Si queremos observar cómo decide ante un problema real, un cuestionario exclusivamente memorístico será insuficiente.
La evidencia también tiene límites temporales. Una fotografía del progreso tomada hoy no describe por completo lo que ocurrirá dentro de un mes. Eso justifica volver a comprobar y evitar juicios permanentes basados en episodios aislados.
La tentación de convertir la incertidumbre en porcentaje
Un sistema automatizado puede presentar una probabilidad o un nivel de dominio con numerosos decimales. La cifra parece científica. Sin embargo, para interpretarla necesitamos saber qué datos se usaron, cómo se estimó, si el modelo fue validado y cuánto varía su comportamiento entre personas y contextos.
No deberíamos confundir apariencia numérica con certeza. Expresiones como «dominio del 97,3 %» pueden ser engañosas si no explicamos su significado y su margen de incertidumbre. Una formulación prudente —«las evidencias disponibles sugieren dificultad en esta aplicación»— puede ser más útil que una precisión ilusoria.
Cuando una herramienta no dispone de información suficiente, pedir una nueva actividad diagnóstica o remitir la decisión a una persona experta puede ser preferible a recomendar cualquier cosa con falsa seguridad.
Las evidencias deben servir a una decisión
La recogida de datos no constituye un fin pedagógico. Registrar más información no es automáticamente mejor, y aumenta las obligaciones de privacidad, seguridad y proporcionalidad.
Una buena pregunta inicial sería: ¿qué decisión queremos apoyar y qué información mínima necesitamos para hacerlo? Esa lógica permite reducir registros innecesarios, explicar por qué se solicitan datos y concentrarse en evidencias con significado educativo.
La UNESCO insiste en un enfoque centrado en las personas para la IA generativa, con atención a la privacidad y a la validación de los usos educativos. No se trata de renunciar a los datos, sino de gobernar su empleo.
De observar a volver a comprobar
Una cadena razonable puede describirse así: observar una respuesta, plantear una interpretación, seleccionar una intervención, ofrecerla y comprobar después si la dificultad cambia. El proceso es circular porque la primera hipótesis puede ser incorrecta.
Su valor depende de la calidad de las tareas, de los criterios y de la posibilidad de rectificar. Es una manera de pensar el aprendizaje con más cuidado, tanto para personas como para sistemas tecnológicos.
Las buenas decisiones no nacen de acumular datos, sino de saber qué evidencias justifican cada conclusión y cuáles todavía faltan.
Fuentes para profundizar
- UNESCO · Guidance for Generative AI in Education and Research.
- EEF · Metacognition and Self-Regulated Learning.
- EEF · Revisión sobre ciencia cognitiva.
En Cuaderno vivo: La personalización empieza por una buena pregunta.