Más de 1200 educadores y líderes asistieron a nuestro reciente seminario web: IA práctica para la educación superior: diseño, evaluación e innovación, con la participación del Dr. Luke Hobson. Al principio de la sesión, Luke explicó cómo D2L Lumi colabora en el desarrollo de cursos dentro de D2L Brightspace. Tal como lo describió, D2L Lumi funciona como una herramienta de desarrollo de cursos que ayuda a los instructores a crear y perfeccionar materiales de manera más eficiente. Su ejemplo ayudó a preparar el escenario para un debate más amplio sobre la IA en la enseñanza y el aprendizaje.
Sabemos que no todos tienen acceso a D2L Lumi, por lo que la sesión se convirtió en una exploración más amplia de otras herramientas prácticas y estrategias que los educadores pueden usar en este momento. La conversación se desarrolló rápidamente y surgieron muchas preguntas sobre la evaluación, la integridad, la agencia y el apoyo al flujo de trabajo. Recopilamos las preguntas que surgieron con más frecuencia y las respuestas que se indican a continuación.
¿Se perdió el seminario web? Véalo ahora.
¿Cuáles son las estrategias de diseño de evaluación prácticas para cursos grandes, en línea y asincrónicos en la era de la IA?
La solicitud que Hobson escucha con mayor frecuencia de los docentes es sencilla. Quieren ayuda y orientación para replantear las evaluaciones ahora que la IA es parte del contexto de aprendizaje. Como dijo al principio del seminario web, muchos colegas quieren saber “qué exactamente puede hacer” para que las evaluaciones sean más resistentes a la IA y sigan siendo significativas a escala.
El mensaje alentador que compartió fue que no se necesitan estrategias totalmente nuevas. Lo que se necesita son las evaluaciones que revelen el pensamiento de los estudiantes, no solo el objeto final.
Enfoques que funcionan a escala:
- Priorice la evidencia del proceso. Solicite borradores, puntos de verificación, registros de decisiones, justificaciones breves y momentos que hagan visibles las ideas.
- Incluya que se relate lo aprendido. Los estudiantes graban sus relatos breves de lo aprendido donde mencionan un concepto y contribuyen a una biblioteca compartida.
- Incorpore la interacción con compañeros en la evidencia de aprendizaje. La revisión por compañeros y la crítica reducen la uniformidad y ayudan a los instructores a comprender el razonamiento.
- Utilice formatos de reflexión flexibles. Las reflexiones por escrito, en audio o en video pueden apoyar una articulación más profunda de los pensamientos.
- Convierta la IA en parte de la tarea. Los estudiantes critican o mejoran el trabajo generado por la IA y explican qué cambió y por qué.
Hobson aconsejó no confiar en las herramientas de detección de IA, ya que a menudo no son confiables y pueden causar daños reales a los estudiantes. Señaló que las instituciones ya han tenido casos en los que resultados falsos positivos han tenido consecuencias académicas innecesarias. Su consejo fue diseñar evaluaciones que hagan visibles los razonamientos de los estudiantes, en lugar de depender de la detección posterior.
Una regla simple: cuando las evaluaciones solo reflejan un producto final pulido, la IA funciona muy bien. Cuando las evaluaciones recompensan el recorrido, las decisiones y el contexto, los estudiantes deben realizar el aprendizaje.
¿Qué son los navegadores de IA agentic (Atlas, Comet) y cuál es su impacto en la integridad académica?
Esta pregunta surgió en repetidas ocasiones porque los asistentes ya estaban viendo herramientas con las que podían navegar, hacer clic y completar tareas en los sitios web. Hobson explicó que un navegador agentic es similar a abrir un navegador normal con un asistente que puede actuar. En un examen rápido dentro de un LMS, le pidió a Atlas que completara un registro semanal, y generó la entrada, y luego le pidió que la enviara. Escribió todo el texto y luego ofreció publicarlo, lo que muestra la rapidez con que aparece el problema de integridad cuando las herramientas pueden actuar dentro del marco o contexto adecuados.
Los estudiantes también están experimentando con estas funciones. Incluso realizó una publicación de manera abierta a un proveedor para decir que la herramienta “hace mis tareas”, un recordatorio de que las opciones de diseño de evaluación son más importantes que tratar de identificar todo después de los hechos.
A continuación, se explica cómo diseñar con esta realidad en mente:
- Incluya trabajos y puntos de verificación por etapas.
- Evalúe el razonamiento, no solo la respuesta final.
- Localice la tarea para que los estudiantes utilicen el contexto personal o los datos específicos del curso.
- Incorpore políticas de IA explícitas que se puedan enseñar en el curso.
¿Qué debemos hacer con las tareas grupales y el trabajo basado en escenarios cuando la IA está involucrada?
Muchos asistentes preguntaron cómo hacer que el trabajo grupal sea significativo cuando la IA puede crear un primer borrador al instante. La recomendación de Hobson era cambiar el enfoque del grupo de la producción de un borrador a la evaluación y mejora de uno. En sus cursos, lleva a cabo sesiones en las que los estudiantes trabajan con los resultados generados por la IA y luego los analizan pieza por pieza para hacerlos más sólidos. “Desglosar pieza por pieza y mejorarlas”, como lo describió.
Estas son algunas formas de traducir esto en la práctica:
- Asigne funciones que la IA no pueda reemplazar, como diseñador de escenarios, verificador de evidencias, editor y reflector.
- Utilice indicaciones basadas en escenarios que requieran restricciones y juicios realistas.
- Pida a los grupos que muestren las versiones anteriores y posteriores, y explique los cambios.
- Cree bibliotecas compartidas de críticas, en lugar de borradores compartidos.
El aprendizaje basado en escenarios también se traduce bien en formatos en línea. Herramientas, como Gemini Storybook, DALL-E y Runway, ayudan a los instructores a crear configuraciones y personajes que apoyen la toma de decisiones aplicada.
¿Los GPTs o Gem personalizados retienen indicaciones y aportes para la capacitación, y podemos proporcionarles nuestros propios datos?
Esta fue una de las preguntas sobre administración más importantes durante la sesión. Los asistentes desean aprovechar los asistentes personalizados, sin dejar de proteger los datos institucionales y de los estudiantes. En la práctica, muchas herramientas le permiten personalizar los asistentes con instrucciones sobre las funciones y fuentes de conocimientos, para que respondan en contexto. Un Gem funciona como la versión de Gemini de un asistente personalizado.
Hobson explicó que el rendimiento mejora a medida que se agrega información de alta calidad y relevante. También advirtió contra la carga de materiales confidenciales o regulados en herramientas públicas, y sugirió confiar en opciones aprobadas por la institución o por la empresa cuando la confidencialidad de los datos sea una preocupación.
Mecanismos de seguridad prácticos:
- No cargue datos regulados, confidenciales ni identificables de estudiantes en herramientas de consumo.
- Documente las fuentes que el asistente puede y no puede usar.
- Exija la verificación y la revisión humana de los resultados.
Los GPTs y Gems personalizados se utilizan mejor para generar ideas, críticas y opciones. Las decisiones finales y las tareas críticas deben ser responsabilidad de las personas.
¿Los estudiantes necesitan un plan de pago para usar custom GPTs o NotebookLM?
Esta pregunta a menudo se presentaba como una preocupación de equidad. Muchas herramientas tienen niveles gratuitos, aunque las funciones cambian. Hobson alentó a los asistentes a explorar el ecosistema y mostró cómo NotebookLM puede recopilar sus materiales y producir tarjetas, podcasts, presentaciones, infografías y mapas conceptuales. Durante la sesión, confirmó que un flujo de trabajo destacado estaba disponible sin costo durante la demostración. Diseñe para un acceso desigual y evite colocar los resultados detrás de muros de pago.
A continuación, se sugieren orientaciones para un diseño equitativo:
- No exija que los estudiantes paguen por herramientas para lograr resultados de aprendizaje.
- Proporcione flujos de trabajo alternativos sin costo.
- Primero, compruebe las herramientas con licencia de su institución.
D2L Lumi y flujos de trabajo prácticos de IA
Varios asistentes preguntaron cómo se compara D2L Lumi con las herramientas de IA de propósito general utilizadas en la enseñanza y el aprendizaje. Hobson demostró cómo D2L Lumi funciona como apoyo para el desarrollo de cursos en Brightspace. El generador de evaluaciones utiliza la taxonomía de Bloom para generar ideas alineadas, y las opciones de actividades basadas en escenarios ayudan a los instructores a centrarse en el diseño de aprendizaje. Hizo hincapié en que la revisión humana sigue siendo esencial para la calidad.
La conclusión de la avalancha de preguntas es simple: Diseñar para evidenciar el pensamiento, la iteración y el contexto. Mantenga la asistencia en funciones de apoyo y mantenga el juicio en manos de humanos.
Herramientas y recursos mencionados
¿Desea profundizar en los flujos de trabajo que destacó Luke? Explore D2L Lumi hoy mismo.
Written by:
