Tipos de evaluación en los Procesos Formativos asistidos por la IA

 Tipos de evaluación en los Procesos Formativos asistidos por la IA

Tipo de evaluación en el contexto del dataset generado para la materia de Infraestructura de Espacios Urbanos y Rurales, y cómo la inteligencia artificial (IA) podría estar influyendo en estos procesos:

| No | Apellidos   | Nombres    | Cuestionario 30 | Portafolio 70 | Nota Final 100 | Calificaciones |

|----|-------------|------------|-----------------|---------------|-----------------|-----------------|

| 1  | García      | Juan       | 25              | 60            | 85              | Aprobado        |

| 2  | Martínez    | María      | 28              | 68            | 96              | Aprobado        |

| 3  | Rodríguez   | Carlos     | 20              | 50            | 70              | Aprobado        |

| 4  | López       | Ana        | 22              | 45            | 67              | Reprobado       |

| 5  | Pérez       | Luis       | 30              | 70            | 100             | Aprobado        |

| 6  | Sánchez     | Laura      | 26              | 65            | 91              | Aprobado        |

| 7  | González    | Javier     | 18              | 40            | 58              | Reprobado       |

| 8  | Díaz        | Patricia   | 29              | 69            | 98              | Aprobado        |

| 9  | Torres      | Daniel     | 24              | 55            | 79              | Aprobado        |

| 10 | Flores      | Sofia      | 27              | 67            | 94              | Aprobado        |

| 11 | Ramírez     | Alejandro  | 23              | 48            | 71              | Aprobado        |

| 12 | Vargas      | Andrea     | 21              | 52            | 73              | Aprobado        |

| 13 | Castro      | Manuel     | 30              | 70            | 100             | Aprobado        |

| 14 | Herrera     | Camila     | 19              | 42            | 61              | Reprobado       |

| 15 | Ortiz       | Oscar      | 28              | 66            | 94              | Aprobado        |

1. 1. Evaluación Diagnóstica:

   • Definición: Se realiza al inicio del curso para conocer el nivel de conocimientos previos de los estudiantes.
   • En el Dataset: Podría representarse por las notas del cuestionario inicial.
   • Impacto de la IA: La IA podría analizar los resultados y sugerir estrategias personalizadas para fortalecer las áreas débiles de cada estudiante.

2. 2. Evaluación Formativa:

   • Definición: Se realiza durante el curso para monitorear el progreso y proporcionar retroalimentación continua.
   • En el Dataset: Representado por las notas del cuestionario y el portafolio a lo largo del curso.
   • Impacto de la IA: Sistemas de IA podrían proporcionar análisis más detallados y personalizados, sugiriendo recursos adicionales o actividades específicas para mejorar el rendimiento.

3. 3. Evaluación Sumativa:

   • Definición: Se realiza al final del curso para evaluar el rendimiento global de los estudiantes.
   • En el Dataset: Representado por la nota final.
   • Impacto de la IA: Podría ayudar en la automatización del proceso de calificación, reduciendo la carga administrativa y permitiendo a los profesores centrarse más en la interpretación de resultados.

4. 4. Evaluación Normativa:

   • Definición: Compara el rendimiento de los estudiantes entre sí.
   • En el Dataset: Se podría aplicar para comparar las notas de los estudiantes.
   • Impacto de la IA: Algoritmos de IA podrían ayudar a identificar patrones de rendimiento y sugerir ajustes en la dificultad de las evaluaciones.

5. 5. Evaluación Criterial:

   • Definición: Evalúa el desempeño de los estudiantes en relación con criterios específicos previamente establecidos.
   • En el Dataset: Las notas finales se evalúan con respecto a un umbral de aprobación.
   • Impacto de la IA: La IA puede facilitar el establecimiento y ajuste dinámico de criterios, teniendo en cuenta la evolución del rendimiento estudiantil.

6. 6. Evaluación Ipsativa:

   • Definición: Evalúa el progreso del estudiante en comparación consigo mismo a lo largo del tiempo.
   • En el Dataset: Puede observarse a través de comparaciones entre las notas del cuestionario y el portafolio de un estudiante.
   • Impacto de la IA: Algoritmos de IA podrían analizar tendencias individuales a lo largo del tiempo, proporcionando información detallada sobre el desarrollo de habilidades.

7. 7. Evaluación Autoevaluación:

   • Definición: Los estudiantes se evalúan a sí mismos.
   • En el Dataset: Podría incluirse mediante una columna adicional donde los estudiantes ingresan su propia evaluación.
   • Impacto de la IA: La IA podría ofrecer comparaciones objetivas entre la autoevaluación y el rendimiento real, proporcionando perspectivas más objetivas.

8. 8. Evaluación Coevaluación:

   • Definición: Los estudiantes son evaluados por sus compañeros.
   • En el Dataset: Podría reflejarse si se incorporan calificaciones de compañeros en el dataset.
   • Impacto de la IA: La IA podría facilitar este proceso, asegurando la objetividad y proporcionando pautas claras para la coevaluación.

9. 9. Evaluación 360 Grados:

   • Definición: Recopila retroalimentación de múltiples fuentes, como profesores, compañeros, subalternos, etc.
   • En el Dataset: No directamente representado, pero podría ampliarse para incluir más fuentes de evaluación.
   • Impacto de la IA: Sistemas de IA podrían analizar y sintetizar datos de múltiples fuentes, proporcionando una imagen holística del rendimiento del estudiante.

Impacto de la IA: La inteligencia artificial puede mejorar estos procesos de evaluación al proporcionar análisis más rápidos, precisos y personalizados. La IA puede ayudar en la identificación de patrones, ofrecer retroalimentación inmediata, personalizar estrategias de enseñanza, facilitar la evaluación continua y automatizar tareas administrativas, permitiendo que los profesores dediquen más tiempo a la interpretación y orientación de los resultados. Además, la IA puede contribuir a la objetividad y la equidad en los procesos de evaluación al minimizar sesgos y proporcionar evaluaciones basadas en datos.