Buenas prácticas que integran la Inteligencia artificial en el proceso de evaluación en la Educación Superior

• Alba Galán Iñigo ^[1] ; Judit Ruiz Lázaro ^[1] ; Eva Jiménez García ^[1]
  1. [1] Universidad Europea de Madrid

     Universidad Europea de Madrid

     Madrid, España

     
• Localización: Edunovatic2023. Conference Proceedings: 8th Virtual International Conference on Education, Innovation and ICT November 29 - 30, 2023, 2023, págs. 184-185
• Idioma: español
• Títulos paralelos:
  • The Integration of Artificial Intelligence in the Assessment Process in Higher Education
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen
  • español

    La Inteligencia Artificial en la Educación Superior representa una innovación significativa que está transformando las formas de enseñanza y aprendizaje, así como su evaluación (Fischer, et al., 2020). En este sentido, la evaluación académica es un componente esencial en el proceso educativo, ya que proporciona retroalimentación al alumnado, evalúa su comprensión y facilita la mejora continua del aprendizaje. Los métodos tradicionales de evaluación pueden presentar limitaciones en términos de personalización, eficiencia y adaptabilidad a las necesidades individuales del alumnado (Huang, et al., 2021). Por ello, el objetivo del presente estudio se centra en analizar la producción científica sobre la evaluación en inteligencia artificial en educación superior. Para llevarlo a cabo se siguieron las indicaciones de la Declaración PRISMA (Urrútia & Bonfill, 2010): se identificaron 110 artículos de la base de datos Web of Science, de los cuales se seleccionaron 56 estudios empíricos. Las posibilidades que ofrecen cada uno de los sistemas desarrollados son variados y todos concluyen que con su implementación existe una mejora en el rendimiento académico del alumnado de Educación Superior. En las diferentes prácticas de aprendizaje automático podemos encontrar: el ajuste de la dificultad y el contenido de las preguntas en función del nivel de habilidad y conocimientos previos de cada estudiante, una retroalimentación automatizada y personalizada a las tareas realizadas o el análisis de fuentes de datos que nos aportan información relevante sobre las preferencias de aprendizaje, los patrones de interacción o la predicción de un posible abandono de los estudios. Todo esto permite una evaluación más precisa y específica y optimiza el tiempo dedicado a la evaluación, proporcionando una experiencia de evaluación más significativa (Luckin, 2017). En conclusión, esta revisión nos aporta un abanico de estudios empíricos en los que la integración de la Inteligencia Artificial en la evaluación en Educación Superior tiene resultados prometedores, situando esta posibilidad como un nuevo camino hacia la mejora del proceso de evaluación del aprendizaje.

  • English

    Artificial Intelligence (AI) is causing a significant transformation in higher education, reshaping both teaching and learning methods, as well as the way we evaluate them (Fischer, et al., 2020). In this regard, academic assessment holds a crucial role as as it provides feedback to students, assesses their comprehension, and facilitates continuous learning improvement. Traditional assessment techniques, however, have their limitations in terms of personalization, efficiency, and their ability to adapt to the unique needs of individual students (Huang, et al., 2021). Therefore, the aim of this study is to analyze the scientific production regarding assessment in artificial intelligence in higher education. To this end, the study adhered to the guidelines outlined in the PRISMA Declaration (Urrútia & Bonfill, 2010). Out of the 110 articles pulled from the Web of Science database, 56 empirical studies were selected for examination. The possibilities offered by each of the developed systems are diverse, and all conclude that their implementation leads to an improvement in the academic performance of higher education students. In the various machine learning practices, we can find: the adjustment of question difficulty and content based on each student’s skill level and prior knowledge, automated and personalized feedback on tasks completed, or the analysis of data sources that provide relevant information about learning preferences, interaction patterns, or the prediction of possible study abandonment. All of this allows for a more precise and specific assessment, optimizing the time dedicated to assessment and providing a more meaningful assessment experience (Luckin, 2017). In conclusion, this review provides us with a range of empirical studies in which the integration of Artificial Intelligence in higher education assessment shows promising results, positioning this possibility as a new path toward improving the learning assessment process