Página | 662 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Universidad Pedagógica Experimental Libertador
Vicerrectorado de Investigación y Postgrado
Instituto Pedagógico “Rafael Alberto Escobar Lara”
Subdirección de Investigación y Postgrado
Autora: Nasly Paola Suárez Quiñonez
naslypao60@gmail.com
https://orcid.org/0009-0003-2323-8505
Instituto Técnico Santo Tomás
Bucaramanga, Santander - Colombia
PP. 662-690
TRANSFORMACIONES DE LA EVALUACIÓN EDUCATIVA EN LA ERA DE LA
INTELIGENCIA ARTIFICIAL
Página | 663 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
TRANSFORMACIONES DE LA EVALUACIÓN EDUCATIVA EN LA ERA DE LA INTELIGENCIA
ARTIFICIAL
Autora: Nasly Paola Suárez Quiñonez
naslypao60@gmail.com
https://orcid.org/0009-0003-2323-8505
Instituto Técnico Santo Tomás
Bucaramanga, Santander - Colombia
Recibido: Marzo 2026
Aceptado: Junio 2026
Resumen
El presente artículo analiza las transformaciones contemporáneas de la evaluación
educativa en Colombia frente a la incorporación de inteligencia artificial en los procesos
de enseñanza y aprendizaje. La investigación se desarrolló desde un enfoque cualitativo
mediante revisión documental sistematizada y análisis temático de literatura científica,
normativa educativa e informes especializados. Los hallazgos evidencian tensiones entre
los enfoques formativos promovidos por las políticas educativas y la persistencia de
prácticas evaluativas tradicionales centradas en la medición cuantitativa. Asimismo, se
identificó que la inteligencia artificial ofrece oportunidades para fortalecer la
retroalimentación, el aprendizaje adaptativo y el seguimiento académico, aunque también
plantea desafíos éticos y de integridad académica. Como resultado, se propone el Modelo
Formativo de Evaluación Auténtica mediado por Inteligencia Artificial (MoFEA-IA) como
marco conceptual para orientar prácticas evaluativas más contextualizadas, críticas y
éticamente responsables.
Palabras clave: evaluación educativa, inteligencia artificial, evaluación auténtica,
integridad académica, innovación educativa.
TRANSFORMATIONS OF EDUCATIONAL ASSESSMENT IN THE ERA OF ARTIFICIAL
INTELLIGENCE
Abstract
This article analyzes the contemporary transformations of educational assessment in
Colombia in light of the incorporation of artificial intelligence into teaching and learning
processes. The research was conducted using a qualitative approach through a systematic
Página | 664 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
document review and thematic analysis of scientific literature, educational regulations,
and specialized reports. The findings reveal tensions between the formative approaches
promoted by educational policies and the persistence of traditional assessment practices
focused on quantitative measurement. Furthermore, it was identified that artificial
intelligence offers opportunities to strengthen feedback, adaptive learning, and academic
monitoring, although it also raises ethical and academic integrity challenges. As a result,
the Formative Model of Authentic Assessment Mediated by Artificial Intelligence is
proposed as a conceptual framework to guide more contextualized, critical, and ethically
responsible assessment practices.
Key words: educational assessment, artificial intelligence, authentic assessment, academic
integrity, educational innovation.
Introducción
La evaluación educativa constituye uno de los componentes esenciales de los
procesos de enseñanza y aprendizaje. No obstante, durante décadas gran parte de los
sistemas educativos han privilegiado modelos de evaluación centrados en la medición de
resultados y la asignación de calificaciones, reduciendo la evaluación a una función
certificadora y administrativa. Frente a esta situación, las discusiones contemporáneas
sobre evaluación educativa han comenzado a desplazarse hacia perspectivas más
formativas, participativas y centradas en el aprendizaje. Mellado-Moreno et al. (2021)
señalan que la evolución reciente de la investigación evaluativa evidencia un tránsito
progresivo desde enfoques tradicionales de control y verificación hacia modelos que
priorizan la retroalimentación, la autorregulación y el acompañamiento permanente de
los procesos formativos. Estas ideas se basan en estudios fundamentales de pensadores
que dieron forma a la educación. Por ejemplo, Bloom (1956) propuso que las evaluaciones
se corresponden con los niveles de pensamiento y con los objetivos de la educación,
mientras que Scriven (1967) distinguió entre la evaluación continua, orientada a mejorar
un proceso mientras éste ocurre, y la evaluación final.
Desde esta óptica, investigaciones recientes han recalcado la importancia de
mejorar los métodos de evaluación para fomentar que los alumnos aprendan de manera
significativa y contextualizada. Kulasegaram y Rangachari (2018) opinan que las
Página | 665 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
evaluaciones deberían enfocarse en crear oportunidades de aprendizaje que ayuden a los
estudiantes a mejorar su capacidad para aplicar lo aprendido, resolver desafíos y seguir
aprendiendo a lo largo de la vida. De acuerdo con esto, Villarroel y Bruna (2019) señalan
que la evaluación auténtica es una buena opción para hacer que las actividades de
evaluación se parezcan más a situaciones reales, promoviendo que los estudiantes unan
sus conocimientos, habilidades y capacidad de reflexión en diversas situaciones.
Estos métodos han cobrado más importancia últimamente, gracias a los cambios
que trajeron las plataformas digitales y las nuevas dinámicas de acceso al conocimiento.
En este sentido, García Gámez (2024) destaca que al darles a los alumnos
retroalimentación constante y permitirles participar activamente, se mejora su
independencia, su capacidad de control y su forma de aprender de manera profunda. De
igual forma, Macazana Fernández et al. (2022) muestran que usar estrategias de
evaluación auténtica ayuda a que los estudiantes aprendan por su cuenta y mejoren su
habilidad para evaluarse.
En Colombia, la lucha constante entre formar personas completas y preferir
métodos para medir el rendimiento académico de manera uniforme se refleja en los
cambios en las normas para evaluar a los alumnos. Desde el Ministerio de Educación
Nacional (1994, 2009), la Ley General de Educación de 1994 y su Decreto reglamentario
1860 de 1994, impulsaron la idea de una evaluación continua y completa, para monitorear
el progreso de los estudiantes. Con la expedición del Decreto 1290 de 2009, las
instituciones educativas fueron facultadas para crear sus propios Sistemas Institucionales
de Evaluación de los Estudiantes. Sin embargo, aún con estas mejoras en la normativa,
continúan los problemas para dar una información de valor, para fijar criterios de juicio
exactos y para aprovechar las enseñanzas aprendidas. Esto muestra que las prácticas de
evaluación convencionales siguen predominando en muchos escenarios académicos.
Por otra parte, el énfasis en las evaluaciones uniformes y las mediciones externas ha
impulsado modelos pedagógicos que priorizan objetivos cuantificables y preparan a los
estudiantes para evaluaciones a gran escala. Au (2007) se refiere a esto como pedagogía
para la prueba, haciendo referencia a técnicas de enseñanza orientadas a satisfacer los
Página | 666 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
requisitos de los exámenes estandarizados. Así lo sostienen Guadamud Muñoz et al.
(2024) quienes afirman que las corrientes actuales en la valoración educativa exigen pasar
a métodos más flexibles, más amplios y acordes con las necesidades educativas actuales,
sobre todo, en ámbitos marcados por el cambio tecnológico acelerado y nuevas maneras
de interactuar con el conocimiento.
Sin duda, un avance impresionante en nuestros días es el ritmo que lleva la
inteligencia artificial. Herramientas como ChatGPT han cambiado la forma de procesar
datos y la elaboración de tareas; pero también trae problemas tanto para estudiar como
para la ética. La Organización de las Naciones Unidas para la Educación, la Ciencia y la
Cultura (2023, 2021), mejor conocida como UNESCO, señala que, ante el temor de
depender mucho de la tecnología, de la privacidad de los datos, de la exactitud de lo
aprendido y de la honestidad académica se deben tener reglas sensatas para el uso de
estas inteligencias en la enseñanza. Por su parte, Cerrillo i Martínez (2024) señala que la
inteligencia artificial generativa está revolucionando la educación universitaria y
desafiando los mecanismos tradicionales de evaluación, especialmente ante el fraude
académico, la honestidad en el estudio y la confirmación de lo que realmente se aprende.
De igual forma, Navarro-Dolmestch (2023) alerta que emplear sin criterio las herramientas
generativas puede perjudicar el desarrollo independiente del saber y alterar el propósito
educativo de la evaluación si las clases siguen centradas solo en los resultados y no en
procesos formativos.
Los estudios educativos más recientes giran hoy en día en torno a cómo fusionar de
forma más efectiva la evaluación auténtica, las herramientas digitales y la inteligencia
artificial. Lim, Gottipat y Cheong (2022) afirman que la tecnología permite realizar las
evaluaciones de forma más dinámica, adaptada a cada estudiante y conectada con la vida
real de los alumnos. De la misma manera, Topping (2023) afirma que las tecnologías
digitales y las evaluaciones en línea pueden propiciar la colaboración en la
retroalimentación y el aprendizaje mutuo entre compañeros. Sin embargo, a pesar del
aumento progresivo de investigaciones sobre inteligencia artificial en el dominio
educativo, aún existe un vacío de cómo articular la evaluación auténtica, la integridad
académica y los métodos de enseñanza apoyados por la inteligencia artificial, en particular
Página | 667 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
en los niveles de escuela primaria y secundaria.
Resulta pertinente analizar las transformaciones recientes de las prácticas
evaluativas y explorar estrategias pedagógicas capaces de responder tanto a las
necesidades del entorno escolar como a los desafíos derivados del uso creciente de
tecnologías inteligentes en educación. En este sentido, el presente artículo tiene como
objetivo analizar los fundamentos teóricos y las tendencias recientes relacionadas con la
evaluación educativa, la inteligencia artificial y la integridad académica, con el propósito
de sustentar la construcción de un Modelo Formativo de Evaluación Auténtica mediado
por Inteligencia Artificial (MoFEA-IA). Dicho modelo surge a partir del análisis documental
de tendencias contemporáneas en evaluación educativa e inteligencia artificial,
integrando categorías asociadas a evaluación auténtica, retroalimentación formativa,
alfabetización digital, ética de la inteligencia artificial e integridad académica.
Bases teóricas
Evolución conceptual de la evaluación educativa
La manera en que evalúa el aprendizaje ha cambiado significativamente en los
últimos años. En esos tiempos, Bloom (1956) sugirió que la evaluación debía articularse
con enseñar y aprender. Así, evaluar no era solo comprobar la memorización de
información, sino también reconocer capacidades más avanzadas como desglosar ideas,
entenderlas, solucionar problemas y generar ideas nuevas. Después, Scriven (1967)
propuso diferenciar entre evaluación formativa y sumativa. La evaluación sumativa se
enfoca en verificar los logros finales, mientras que la formativa busca impulsar y
perfeccionar los procesos de aprendizaje mientras ocurren. Vygotsky (1978) ofreció ideas
clave para entender la evaluación como un proceso dinámico. La zona de desarrollo
próximo plantea que aprender no solo depende de lo que cada estudiante puede hacer
por sí mismo, sino también de las interacciones en clase y en sociedad que ayudan a
pensar mejor. De allí que se pueda inferir que, dar retroalimentación continua, involucrar
activamente a los estudiantes y ajustar constantemente las estrategias de enseñanza,
producen importantes mejoras en el aprendizaje. Bennett (2011) afirma que la
Página | 668 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
evaluación contemporánea necesita ir más allá de solo medir. De igual modo, Stobart
(2010) alerta que las prácticas evaluativas influyen directamente en la manera en que los
estudiantes aprenden. Según Nicol y Macfarlane-Dick (2006) una retroalimentación eficaz
permite al estudiante aprender por sí mismo y dispone de los medios para revisar y
mejorar su rendimiento académico. Por otra parte, Boud (2013) ofrece la noción de
progreso para resaltar que la retroalimentación no debería restringirse a reparar errores
pasados, sino que también debe ser orientada de manera constructiva hacia el futuro.
Canabal y Margalef (2017) comentan que las interacciones de retroalimentación
ayudan no solo a la capacidad cognitiva para aprender mejor, sino también a los
sentimientos y motivación ligados a la participación del alumno. Rosales Sánchez et al.
(2020) observaron que muchas evaluaciones se siguen centrando en lo básico del
pensamiento, enfatizando los ejercicios de recordar y comprender por encima de aquellos
que requieren el pensamiento crítico, la aplicación a la vida real o la creación de ideas
nuevas. Sánchez Alvarado y Orozco Alvarado (2019) afirman que las evaluaciones se
tienen que moldear al ritmo de la sociedad, la tecnología y la cultura actuales; pero
numerosas instituciones educativas siguen empleando maneras de evaluar anticuadas y
poco flexibles.
Evaluación formativa, evaluación auténtica e integridad académica
Dentro de estas ideas, la evaluación auténtica se ha vuelto cada vez más importante,
ya que plantea tareas conectadas con escenarios verdaderos o inventados que exigen
juntar lo que se sabe, lo que se sabe hacer y la habilidad para solucionar problemas.
Wiggins (1998) señala que la evaluación auténtica ayuda a reunir pruebas más completas
y detalladas de lo que los estudiantes han aprendido, porque los obliga a emplear sus
conocimientos en situaciones similares a las que encontrarán en la vida real.
Barrientos-Hernán et al. (2020) investigaron a nivel mundial la evaluación para el
aprendizaje y la evaluación auténtica, observando que cuando los estudiantes tienen
experiencias de aprendizaje con evaluación auténtica, les gusta más porque se parece a lo
que vivirán en el futuro en sus trabajos.
Página | 669 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
McArthur (2023) señala que la autenticidad no debe limitarse a imitar el mundo
laboral. La autora sugiere que la evaluación auténtica se entienda de forma más general,
vinculándola al bienestar, la unión de la gente y el desarrollo moral del saber. Al evaluar
de forma real, es clave tener en cuenta no solo los trabajos en sí, sino también lo valiosos
que son social y educativamente para el alumno.
Aquino Merán (2022) argumenta que las formas evaluación auténtica impulsan el
razonamiento, la creatividad, el trabajo en equipo y la conexión entre lo aprendido y su
uso concreto. Gedera (2023) sugiere que este tipo de evaluaciones podrían resolver los
desafíos de integridad académica que presentan herramientas como ChatGPT. La
discusión sobre si las evaluaciones de aprendizaje son auténticas está ligada a la
integridad académica. Bretag (2016) define la integridad académica como seguir las reglas
de ser sincero, responsable, transparente y dar crédito apropiado a las ideas en la escuela.
El International Center for Academic Integrity (2021) afirma que, al promover la
integridad en la enseñanza, se deben generar espacios educativos basados en valores
éticos, más allá de la vigilancia o la detección del plagio. Los exámenes deben diseñarse
para fomentar el pensamiento crítico, la generación propia de ideas y el compromiso
activo del alumno.
Asimismo, Rosado García et al. (2025) plantean que la educación virtual debe
propiciar habilidades tecnológicas y principios morales para el uso adecuado de la
tecnología -debido a las deficiencias en la alfabetización digital- la capacidad analítica y el
respeto a la integridad de la información; aspectos clave para enfrentar los desafíos
educativos actuales.
Inteligencia artificial y transformación de la evaluación educativa
Según Holmes et al. (2019) y Tramallino, Pairetti, y Luján Rodríguez (2024), las
herramientas de IA facilitan crear experiencias de aprendizaje a la medida de cada
estudiante, darles retroalimentación inmediata y revisar grandes volúmenes de
Página | 670 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
información sobre el desempeño estudiantil. Por otro lado, Eke (2023) destaca que
instrumentos como ChatGPT podrían transformar la educación, pero de igual forma
podrían debilitar la integridad de los alumnos si no existen reglas institucionales y pautas
éticas claras para su uso. Gruenhagen et al. (2024) observaron que numerosos alumnos
universitarios emplean herramientas de inteligencia artificial para realizar sus actividades
evaluativas. Los investigadores concluyen que las universidades deben actualizar sus
normas, principios de ética y formas de evaluar para ajustarse a las nuevas realidades
tecnológicas.
Según Alfaro Salas y Díaz Porras (2024), aún son muchos los educadores que tienen
dificultades para entender y emplear la inteligencia artificial en la docencia. Los autores
señalan que el uso eficaz de la IA requiere, además de habilidades tecnológicas, buen
criterio pedagógico y ético. Cabero Almenara y Palacios Rodríguez (2021) indican que las
actividades electrónicas son una opción valiosa para robustecer los métodos de
evaluación en espacios en línea. No obstante, dichos autores advierten que
estas estrategias necesitan cambios tanto en la enseñanza como en la metodología para
no repetir los esquemas de evaluación tradicionales en entornos digitales. Es fundamental
crear formas de evaluación que aseguren la autenticidad del saber, estimulen el
pensamiento crítico y promuevan el uso consciente de las tecnologías.
Metodología
Para la investigación se siguió un enfoque cualitativo a través de un análisis de
documentos interpretativo. Este enfoque posibilita la comprensión de los acontecimientos
en el ámbito educativo a través de un estudio crítico, comparativo y reflexivo de los
aportes teóricos y los resultados de investigaciones procedentes de diversos orígenes.
Bowen (2009) plantea la revisión de la literatura como un método robusto de análisis
sistemático de las publicaciones académicas y científicas. El proceso de investigación se
estructuró en cuatro etapas: búsqueda documental, selección y ordenamiento de las
fuentes, análisis temático-categorial e integración teórica para la construcción del Modelo
Formativo de Evaluación Auténtica mediado por Inteligencia Artificial (MoFEA-IA).
Página | 671 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Sobre la búsqueda y selección documental, la información se recogió entre enero y
abril de 2026, revisando estudios científicos, textos académicos, informes oficiales y
artículos publicados en revistas reconocidas. Se trabajó en temáticas tales como la
evaluación educativa, evaluación auténtica, retroalimentación formativa, integridad
académica y uso de la inteligencia artificial para la enseñanza. Se utilizaron combinaciones
de palabras clave en español e inglés: evaluación auténtica, assessment for learning,
retroalimentación formativa, academic integrity, artificial intelligence in education,
generative AI, evaluación educativa, feedback, ética digital e inteligencia artificial
educativa.
Se tuvieron en cuenta para este estudio documentos publicados entre 2018 y 2025,
que trataran directamente sobre evaluación educativa, inteligencia artificial o integridad
académica; con un enfoque ya sea pedagógico o de investigación; y que aparecieran en
revistas académicas, libros científicos o documentos institucionales. También se
incorporaron algunos autores clásicos como Bloom (1956), Scriven (1967) y Vygotsky
(1978), debido a su relevancia histórica en la evolución conceptual de la evaluación.
Respecto al análisis temático y construcción categorial, la información se trabajó con
una lectura interpretativa y una clasificación temática, siguiendo la propuesta de análisis
temático de Braun y Clarke (2006), en la que las categorías son vistas como construcciones
del análisis, a partir de los patrones que aparecieron una y otra vez en los escritos
elegidos. Se develaron cinco categorías claves, recurrentes y que se conectan con los
cambios actuales en cómo la IA está impactando la evaluación educativa: evaluación
auténtica, alfabetización en búsqueda y uso crítico de IA, IA ética y transparente, mejora
del aprendizaje e integridad académica.
Finalmente, acerca de la construcción del modelo teórico, se sostiene que el Modelo
Formativo de Evaluación Auténtica mediado por Inteligencia Artificial (MoFEA-IA), se creó
siguiendo a Jabareen (2009), quien plantea que los modelos conceptuales articulan
categorías teóricas de distintos enfoques de investigación para así formar estructuras que
ayuden a entender fenómenos complejos. El modelo nació del análisis de documentos y al
encontrar puntos en común entre la evaluación auténtica, la retroalimentación formativa,
la integridad académica, la alfabetización digital y la inteligencia artificial educativa. Estos
Página | 672 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
aspectos se incorporaron como pilares del modelo porque aparecían constantemente en
los escritos analizados y porque son importantes para los problemas actuales de la
evaluación educativa. Finalmente, se abordó el estudio desde una perspectiva
interpretativa y reflexiva, con el fin de comprender las transformaciones recientes en la
evaluación educativa y sentar las bases teóricas para la elaboración de herramientas de
evaluación más acordes al contexto, más éticas y que satisfagan las necesidades actuales
de la educación primaria y secundaria.
Análisis e interpretación de los resultados
Los puntos de vista teóricos analizados muestran que la evaluación educativa actual
está cambiando. Esto se debe a la necesidad de incorporar métodos de formación,
evaluación auténtica, retroalimentación constante, alfabetización digital e inteligencia
artificial. Los estudios sobre la evaluación para el aprendizaje están de acuerdo en que la
evaluación debe ir más allá de solo medir y calificar. Debe ser una herramienta de
enseñanza que impulse aprendizajes significativos, el pensamiento crítico y
la participación de los alumnos.
Por lo tanto, la relación entre la evaluación auténtica, la retroalimentación
formativa, los principios éticos digitales, la autorregulación del aprendizaje y la
inteligencia artificial conforman ahora un área emergente de investigación educativa.
Sobre la base de estas ideas se genera el Modelo de Evaluación Auténtica con Apoyo de
Inteligencia Artificial (MoFEA-IA), el cual emerge como una alternativa para mejorar la
evaluación, ajustada a los requerimientos educativos, tecnológicos y éticos actuales.
Al analizar los documentos, se identificaron cinco categorías principales sobre cómo
la inteligencia artificial está transformando la evaluación educativa contemporánea:
evaluación auténtica, alfabetización en IA, IA educativa ética y transparente, mejora del
aprendizaje e integridad académica. Estas categorías sirvieron para organizar, entender y
discutir sobre lo encontrado en la información analizada.
Evaluación Auténtica (EA)
Página | 673 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Las evaluaciones convencionales todavía prefieren exámenes escritos, tareas que
repiten lo aprendido y sistemas de calificación final que no dejan ver bien todo lo que se
aprende ni dan muchas oportunidades para retroalimentación formativa. La
evaluación auténtica se presenta como otra opción educativa que intenta que lo que se
evalúa se parezca más a la vida real.
Wiggins (1998) sostiene que la evaluación debe centrarse en tareas prácticas que
imiten los retos y problemas del mundo real, más allá de los contextos académicos. En la
misma línea, Buitrago et al. (2018) encontraron que, al utilizar principios de evaluación
auténtica, las prácticas docentes cambian para construir entornos educativos más
colaborativos, adaptables y estimulantes. De igual forma, Alderete y Gallardo (2018)
hallaron que el desempeño académico de los alumnos y la percepción de éstos respecto a
su evaluación, se incrementan cuando se utilizan los principios de evaluación auténtica y
se les ofrece retroalimentación vinculada a contextos reales.
Quinlan et al. (2025) critican las visiones reduccionistas que limitan la autenticidad
evaluativa a la simulación de escenarios laborales. Ellos sugieren que se debe pensar en
este tipo de evaluación como la forma en que el estudiante se involucra de lleno en su
propio aprendizaje. Sus resultados demuestran que poder elegir, enlazar lo que se
aprende con la vida real y participar activamente hace que los estudiantes se interesen
más y se motiven más en sus estudios. Dawson, Carless y Lee (2021) proponen la idea de
retroalimentación auténtica, refiriéndose a métodos de dar feedback conectados con
situaciones profesionales y académicas verdaderas, mientras que Espinoza Freire (2021)
afirma que la retroalimentación que busca formar ayuda a reestructurar el pensamiento
del alumno y a asentar un aprendizaje con sentido a través de la reflexión crítica y el
acompañamiento constante.
Camacho-Navarro y Salinas-García (2022) mostraron que usar la evaluación
auténtica ayuda a potenciar las competencias digitales y hace que las habilidades
aprendidas en la escuela se conecten mejor con lo que se necesita en el mundo laboral.
Por otro lado, Hurtado Guerrero et al. (2025) llevaron a cabo un estudio detallado,
identificando los retos que enfrentan los docentes en su formación, la verificación de los
Página | 674 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
instrumentos de evaluación empleados y el contexto institucional requerido para la
implementación de estas metodologías, evidenciando barreras logísticas y administrativas
para su implementación. En conjunto, los hallazgos confirman que la evaluación auténtica
favorece aprendizajes contextualizados, incrementa la participación estudiantil y
responde a las demandas educativas actuales.
Alfabetización en búsqueda y uso crítico con IA (AI-Web)
La alfabetización en inteligencia artificial se vuelve clave para desenvolverse bien en
las clases que usan tecnología. Lo que se ha leído hasta ahora está de acuerdo en que no
es suficiente con usar las herramientas de IA. También hay que entender cómo funcionan,
saber hasta dónde llegan y ser capaces de juzgar si la información que dan las máquinas es
confiable. Long y Magerko (2020) definen la alfabetización en IA como un conjunto de
habilidades para comprender, interactuar, pensar de forma crítica y trabajar exitosamente
con los sistemas de inteligencia artificial, incorporando competencias como el
razonamiento crítico, la capacidad de tomar decisiones y la reflexión ética acerca del uso
de dispositivos inteligentes.
Yue Yim (2024) defiende que esta competencia surge de la combinación de
conocimientos digitales, pensamiento computacional, principios éticos tecnológicos y la
capacidad de juzgar la información de forma crítica. Siguiendo una idea parecida, Su et al.
(2023) señalan como principales obstáculos que los maestros no tienen suficiente
preparación, no hay directrices claras para los programas de estudio y cuesta enseñar a
pensar de forma crítica desde los primeros años de escuela. Tang et al. (2026) estudiaron
la enseñanza con IA generativa y encontraron que plantear interrogantes complejas sobre
las creaciones de la IA fomenta la reflexión, la diferenciación y la evaluación de la
información.
Castro et al. (2024) vieron la posibilidad de incluir habilidades de inteligencia
artificial en los planes de educación tecnológica de los grados iniciales, sugiriendo
maneras de cruzar habilidades digitales, pensamiento crítico y ser un ciudadano
tecnológico responsable. De forma similar, Alastor y Martínez García (2025) sugieren un
Página | 675 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
modelo para mejorar las destrezas digitales y de inteligencia artificial en la preparación de
quienes educan. Lagos Reinoso (2026) observó que, aun cuando la mayoría de los
estudiantes emplea con frecuencia herramientas de IA, son pocos los que comprenden
verdaderamente su funcionamiento o aplican criterios éticos al hacerlo, siendo necesario
fortalecer las competencias digitales críticas y la orientación pedagógica de los docentes.
Asimismo, Oviedo Guevara (2023) y Navarro Guaimares (2024) alertan sobre cómo
el rápido avance de la inteligencia artificial podría mermar el desarrollo del pensamiento
crítico si las herramientas tecnológicas se emplean de forma pasiva o sin un análisis
previo. Los dos trabajos coinciden en destacar que los jóvenes de hoy, inmersos en lo
digital, necesitan programas educativos enfocados en potenciar sus habilidades para
analizar, debatir y meditar sobre la información generada por sistemas automáticos. Los
estudios analizados señalan que enseñar inteligencia artificial es esencial para los cambios
detectados en la medición del aprendizaje. Los expertos coinciden en que la integración
de la IA en la educación requiere preparar a los estudiantes en pensamiento crítico,
consideraciones éticas y análisis riguroso del contenido digital.
IA educativa ética y transparente (IA-Ética)
En poco tiempo, la IA se ha vuelto importante en diferentes etapas de la educación.
Bolaño-García y Duarte-Acosta (2024) concluyen que estas herramientas facilitan la
personalización del aprendizaje, ofrecen comentarios instantáneos y permiten
evaluaciones flexibles. Sin embargo, también alertan sobre posibles inconvenientes,
relacionados con la calidad de la información, la seguridad de los datos y la importancia de
formar tanto a profesores como a alumnos. Álvarez Merelo y Cepeda Morante (2024)
afirman que la inteligencia artificial ha modificado las dinámicas habituales de enseñar y
aprender, gracias a tutores inteligentes, plataformas que se ajustan al alumno y formas
automáticas de dar a conocer errores. Aun así, insisten en que es crucial considerar con
atención las cuestiones éticas sobre quién tiene acceso a la tecnología y cómo se cuidan
los datos de los estudiantes.
Sánchez-Bolívar et al. (2024) señalan que la inteligencia artificial generativa plantea
Página | 676 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
riesgos asociados con el fraude académico y el uso inadecuado de sistemas
automatizados, por lo que consideran indispensable establecer directrices éticas para su
utilización. Alfaro Salas y Díaz Porras (2024) identifican preocupaciones relacionadas con
la ética, la integridad académica y el uso responsable de la inteligencia artificial,
destacando la necesidad de formar a los estudiantes para comprender sus alcances y
limitaciones.
Jara Alcívar (2024) señaló que los mayores impedimentos son la falta de equipos
tecnológicos, la necesidad de capacitar a los profesores y las inquietudes sobre la
confidencialidad y el resguardo de la información. En cuanto a los aspectos éticos y
normativos, Selgas-Cors (2025) propone un modelo unificado de ética algorítmica en
educación. Además, señala que la confianza excesiva en los instrumentos automatizados
podría obstaculizar el desarrollo del criterio propio y la libertad de los estudiantes.
Finalmente, Cabrera Loayza (2024) aborda los retos y las perspectivas de la
inteligencia artificial en la educación primaria. Indica que su incorporación puede mejorar
la calidad y la equidad de la educación, siempre que se diseñen estrategias para capacitar
a los profesores, distribuir la tecnología de forma equitativa y establecer normas para el
uso responsable de estas herramientas.
Los estudios revisados evidencian que la inteligencia artificial es a la vez una ventaja
y un problema para las escuelas de hoy. Aunque estas herramientas pueden traer mejoras
en la enseñanza, adaptar el aprendizaje y hacer las cosas más fáciles, también conllevan
peligros éticos, brechas digitales y complicaciones sobre la libertad, la confidencialidad y la
capacidad de pensar críticamente.
Mejora del aprendizaje (IMPACT-APR)
Los estudios revisados coinciden en que las tecnologías inteligentes han empezado a
transformar la dinámica educativa tradicional. Se enfatiza cómo la inteligencia artificial
promueve métodos de aprendizaje adaptativos que ayudan a optimizar el rendimiento
escolar. Suin Guerrero et al. (2024) afirman que el aprendizaje automático permite hacer
Página | 677 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
recomendaciones a medida, monitorear el progreso continuamente y dar
retroalimentación precisa, lo cual da lugar a una experiencia educativa más eficaz y
significativa.
Con una idea afín, Guzmán Pazmiño et al. (2025) exponen que el uso de sistemas
como plataformas LMS, inteligencia artificial y enfoques de aprendizaje a medida
impulsan la motivación, la implicación y la adaptabilidad en la enseñanza, mejorando así el
rendimiento e intervención en clase de los estudiantes. Para Cobos-Gutiérrez (2024), el
uso frecuente de herramientas de IA se relaciona significativamente con el aumento de las
calificaciones académicas, en particular en áreas como las matemáticas, las ciencias y las
humanidades.
Según Saquisari Pillajo (2024), el uso de herramientas de IA mejora la capacidad de
recordar lo aprendido, aumenta el interés de los alumnos y permite darles
retroalimentación adaptada a sus necesidades. Para Guardia et al. (2024), la
retroalimentación humana junto con herramientas inteligentes puede mejorar
significativamente el aprendizaje reflexivo. Arteaga (2023) afirma que la IA generativa
puede ser muy útil para personalizar la educación en Latinoamérica según las necesidades
de cada estudiante, pero también destaca que hay riesgos, como la falta de habilidades
digitales y de equipos tecnológicos.
Por otro lado, tanto en Cisneros Vásquez et al. (2024) como en Gangotena et
al. (2023), se observó que las herramientas digitales que emplean inteligencia artificial
promueven la interacción, el acceso a datos recientes y la adquisición de competencias
modernas, además de impulsar la integración en la enseñanza y un aprendizaje con
sentido en la escuela básica. Por otro lado, Guerschberg y Gutierrez (2024) señalan que su
integración con el microaprendizaje mejora la retención de información y el compromiso
estudiantil. Finalmente, Arteaga Alcívar et al. (2024) resaltan que las plataformas de
aprendizaje adaptativo facilitan la generación de vivencias formativas a medida de cada
estudiante. En síntesis, los estudios revisados demuestran que la IA ayuda a desarrollar la
autorregulación y la independencia.
Página | 678 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Integridad académica (INT-ACAD)
La integración creciente de la inteligencia artificial generativa en la educación ha
disparado un intenso debate sobre los dilemas éticos que se presentan en la creación
académica. Por eso, en los debates actuales sobre el uso de la inteligencia artificial en la
educación, la integridad en los estudios se ha situado como un elemento fundamental.
Díaz-Arce (2023) encontró que casi dos tercios de los encuestados (62,9 %) recurrieron a
recursos de IA para reescribir textos académicos y una porción menor los utilizó para
producir textos enteros.
Díaz Arce (2023) encontró que los métodos tradicionales para encontrar
coincidencias no funcionan bien con textos producidos por software como ChatGPT. Los
resultados mostraron que muchos textos generados por IA no eran fácilmente detectados
por los softwares antiplagio. Esto abre nuevos debates éticos y legales sobre derechos de
autor, sobre quién es el dueño de las creaciones y sobre la honestidad de los estudios.
Acuña Acuña (2024) señala la capacidad de la IA para identificar y evitar el plagio en la
universidad, facilitando así la mejora de los controles, la comprobación y la originalidad
del trabajo científico. Alonso Arévalo (2024) señala que las herramientas inteligentes
facilitan la labor de investigación, la revisión de textos y análisis de datos. Sin embargo,
pone en guardia sobre los riesgos de su mal uso, especialmente en cuanto a la protección
de la propiedad intelectual, la prevención del plagio y la integridad de la investigación
académica. De manera que, los estudios demuestran que la IA es, al mismo tiempo, un
camino hacia el progreso y un posible impedimento para la honestidad académica.
Propuesta del Modelo Formativo de Evaluación Auténtica mediado por Inteligencia
Artificial (MoFEA-IA)
A partir de la exploración de los conceptos fundamentales de la literatura revisada,
se propone el Modelo Formativo de Evaluación Auténtica con Inteligencia Artificial
(MoFEA-IA). El modelo se basa en integrar teoría y analizar categorías, tomando en
cuenta lo referente a evaluación auténtica, alfabetización en inteligencia artificial, ética
tecnológica, mejora del aprendizaje e integridad académica. Por ello, el MoFEA-IA nace al
Página | 679 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
unir y dar sentido a lo que se encontró en la revisión de documentos.
En este contexto, las herramientas de inteligencia artificial no sustituyen la
capacidad de los docentes para enseñar, sino que actúan como recursos complementarios
que mejoran el aprendizaje, las evaluaciones y la autonomía de los estudiantes. La
evaluación auténtica constituye el eje central del modelo pedagógico, ya que orquesta la
construcción de experiencias evaluativas situadas, significativas y vinculadas a contextos
de aprendizaje reales. La segunda dimensión del modelo trata la alfabetización en
inteligencia artificial.
Esta parte tiene como objetivo que los alumnos adquieran las competencias
necesarias para examinar la información generada por sistemas automáticos con
pensamiento crítico, reconocer sesgos en los algoritmos, evaluar la credibilidad de los
contenidos en la red y utilizar las tecnologías de IA de manera ética y correcta. Por otra
parte, la dimensión ética y transparente de la IA educativa incluye normas sobre equidad,
supervisión humana, confidencialidad de los datos, transparencia de los algoritmos y
responsabilidad pedagógica.
La mejora del aprendizaje constituye una dimensión formativa del modelo, inspirada
en cómo la inteligencia artificial ayuda en la adaptación del aprendizaje,
ofrece retroalimentación personalizada y promueve la autonomía estudiantil. Por último,
la integridad académica, es una dimensión transversal que articula todas las piezas del
modelo. Esto fomenta valores como la honestidad, la creatividad en los trabajos, la
claridad y la responsabilidad en el uso de las herramientas digitales en la educación. Las
dimensiones del modelo son interdependientes y en conjunto, favorecen el aprendizaje
autónomo y fortalecen la integridad académica como garantía de validez de los procesos
evaluativos.
Figura 1.
Estructura conceptual del Modelo Formativo de Evaluación Auténtica mediado por
Inteligencia Artificial (MoFEA-IA)
Página | 680 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Nota. Elaboración propia a partir de las categorías emergentes identificadas en la revisión documental sobre
evaluación auténtica, alfabetización en inteligencia artificial, ética tecnológica, mejora del aprendizaje e
integridad académica.
El MoFEA-IA en su totalidad, es un Modelo Formativo de Evaluación Auténtica que
pretende ofrecer un marco teórico para afrontar los retos educativos, digitales y morales
de la evaluación actual en el ámbito de la enseñanza, y que es mediado por Inteligencia
Artificial. No basta con introducir tecnología en la educación, sino que también es
necesario promover métodos de evaluación más cercanos, reflexivos, ajustados a cada
circunstancia y que estén alineados con las transformaciones actuales en el proceso de
aprendizaje.
Conclusiones
El análisis documental realizado permitió identificar que la evaluación educativa
contemporánea atraviesa un proceso de transformación derivado tanto de los cambios
pedagógicos asociados a la evaluación formativa como de la creciente incorporación de
Página | 681 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
tecnologías digitales e inteligencia artificial en los entornos escolares. Aunque las políticas
educativas han promovido enfoques orientados hacia el aprendizaje integral y la
retroalimentación formativa, la literatura revisada evidencia que en numerosos contextos
educativos, como el colombiano, continúan predominando prácticas evaluativas centradas
en la medición cuantitativa, las pruebas estandarizadas y la asignación de calificaciones
como principal indicador del desempeño académico.
Las investigaciones señalan que la evaluación auténtica es una opción educativa que
tiene la posibilidad de superar los inconvenientes de las formas convencionales de
evaluación. Los estudios revisados coinciden en asegurar que las estrategias de evaluación
adaptadas a los contextos, vinculadas a situaciones reales y respaldadas con una
retroalimentación significativa, promueven el pensamiento crítico, la participación de los
estudiantes y la apropiación de conocimientos más sólidos y aplicables. Sin embargo, el
análisis también puso al descubierto los retos que implica capacitar a los docentes y
cumplir con los requisitos organizacionales necesarios para afianzar estas prácticas de
evaluación. El estudio también apunta a que el auge de la IA está cambiando
significativamente el acceso, la creación y la apropiación del conocimiento en la
educación. Por ello, se hace imprescindible la alfabetización en este recurso digital, a fin
de propiciar un uso responsable, consciente y ético de la tecnología digital en el
aprendizaje y las evaluaciones. Los estudios revisados señalan que el mero uso de
herramientas inteligentes no garantiza por sí solo el pensamiento crítico ni la
autosuficiencia en el aprendizaje.
Además, los resultados muestran que la incorporación de inteligencia artificial en la
educación de forma adecuada, hacen falta directrices éticas y de enseñanza que guíen su
aplicación con responsabilidad. El estudio revisado señala peligros relacionados con
prejuicios en los algoritmos, automatización excesiva, brechas tecnológicas y la falta de
independencia de los alumnos, lo que indica que al integrar la IA en la escuela no solo
debemos pensar en la eficiencia tecnológica. Por lo tanto, que los algoritmos sean claros,
que haya supervisión por parte de las personas y que se cuide la honestidad académica
son fundamentales para asegurar métodos de enseñanza más justos y que realmente
enseñen.
Página | 682 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Una observación importante es cómo la inteligencia artificial puede mejorar el
aprendizaje individualizado, las respuestas a medida y la gestión del propio estudio. No
obstante, al examinar los documentos, se hizo evidente que el beneficio de estas
herramientas depende en gran medida de cómo se combinan con la enseñanza y del
apoyo que brindan los maestros. Por lo tanto, las investigaciones analizadas están de
acuerdo en que la inteligencia artificial aporta valor educativo si se une a métodos de
enseñanza reflexivos y no si reemplaza la forma en que los profesores piensan o guían a
los estudiantes.
En cuanto a la integridad académica, la presente investigación destacó que el rápido
desarrollo de la inteligencia artificial generativa ha complicado aún más los desafíos
relacionados con la autenticidad en los trabajos escolares, el plagio de ideas y la autoría
de los contenidos. Sin embargo, tras revisar lo que se ha escrito al respecto, también
resultó claro que la respuesta institucional frente a estas problemáticas no debe centrarse
únicamente en mecanismos de vigilancia o sanción, sino en el fortalecimiento de culturas
académicas basado en honestidad, responsabilidad y uso ético de tecnologías digitales.
Al incluir los temas que surgieron del estudio de documentos, esta investigación
presenta el Modelo de Formación para la Evaluación Auténtica mediado por Inteligencia
Artificial (MoFEA-IA). Es un marco conceptual pensado para integrar evaluación auténtica,
conocimiento sobre IA, ética tecnológica, optimización del aprendizaje y honestidad
académica, en un plan de estudios unificado. Este modelo busca brindar una visión más
completa de la evaluación educativa actual, reconociendo que las tecnologías avanzadas
deben usarse para ayudar al aprendizaje y no para reemplazar el pensamiento crítico, la
reflexión didáctica o la independencia de los alumnos.
Finalmente, es recomendable mejorar la formación de los maestros en evaluación
auténtica, en alfabetización sobre inteligencia artificial y en integridad académica, además
de promover políticas institucionales que impulsen el uso ético y claro de tecnologías
avanzadas en la enseñanza. Por ello, la construcción de modelos evaluativos más reales,
justos y ajustados a cada contexto es un objetivo central de la educación hoy, más aún
cuando la inteligencia artificial y los recursos digitales están tan extendidos. De igual
Página | 683 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
forma, en próximas investigaciones se aspira a trabajar en la construcción de métodos de
validación práctica y adaptación del modelo MoFEA-IA a distintos contextos y niveles
educativos, para ver cómo afecta a las metodologías de evaluación y al aprendizaje de los
estudiantes.
Referencias
Acuña Acuña, E. G. (2024). Fortalecimiento de la integridad académica a través de la IA: Estrategias
de prevención del plagio en la era digital. Areté. Revista Digital del Doctorado en Educación,
10(ee), 49–67. https://saber.ucv.ve/ojs/index.php/rev_arete/article/view/29452
Alastor, E., y Martínez-García, I. (2025). Competencias digitales e inteligencia artificial en el
prácticum: Un marco conceptual para la formación de agentes educativos. Revista Prácticum,
10(1), 66–84. https://doi.org/10.24310/rep.10.1.2025.21780
Alderete Martínez, A., y Gallardo, K. E. (2018). Evaluación del desempeño y auténtica en el modelo
por competencias en secundaria: Un estudio mixto. REICE. Revista Iberoamericana sobre
Calidad, Eficacia y Cambio en Educación, 16(3), 103–122.
https://doi.org/10.15366/reice2018.16.3.006
Alfaro Salas, H. y Díaz Porras, J. A. (2024). Percepciones del personal docente acerca del uso ético
de la inteligencia artificial en su labor educativa. Revista Innovaciones Educativas, 26(41), 63-
77. https://doi.org/10.22458/ie.v26i41.4952
Alonso Arévalo, J. (2024). La inteligencia artificial y su impacto en la escritura académica.
Universidad de Salamanca. https://riubu.ubu.es/bitstream/handle/10259/9607/Alonso-
BUCLE_VIII-Inteligencia_artificial.pdf?sequence=1&isAllowed=y
Álvarez Merelo, J. C. y Cepeda Morante, L. J. (2024). El impacto de la inteligencia artificial en la
enseñanza y el aprendizaje. LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades, 5(3), 599–610. https://doi.org/10.56712/latam.v5i3.2061
Aquino Merán, R. (2022). Evaluación auténtica en educación inicial. En 2.º Congreso Caribeño de
Investigación Educativa (pp. 465–471). Instituto Superior de Formación Docente Salomé
Ureña. https://congresos.isfodosu.edu.do/index.php/ccie/article/view/149/239
Arteaga, J. E. (2023). Perspectivas de los docentes sobre la IA generativa: Implicaciones para el
aprendizaje personalizado en América Latina. Ethos Scientific Journal, 1(1), 56–69.
https://doi.org/10.63380/esj.v1n1.2023.22
Arteaga Alcívar, Y. A., Vidal Jiménez, L. A., Espinosa Cevallos, P. A., y Valencia Arguello, E. (2024).
Evaluación de las plataformas de aprendizaje adaptativo en educación secundaria. Kosmos
Journal, 3(2), 113–129. https://doi.org/10.62943/rck.v3n2.2024.120
Página | 684 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Au, W. (2007). High-stakes testing and curricular control: A qualitative metasynthesis. Educational
Researcher, 36(5), 258-267. https://doi.org/10.3102/0013189X07306523
Barrientos-Hernán, E. J., López-Pastor, V. M., & Pérez-Brunicardi, D. (2020). Evaluación Auténtica y
Evaluación Orientada al Aprendizaje en Educación Superior. Una Revisión en Bases de Datos
Internacionales. Revista Iberoamericana De Evaluación Educativa, 13(2), 67-
83. https://doi.org/10.15366/riee2020.13.2.004
Bennett, R. E. (2011). Formative assessment: A critical review. Assessment in Education: Principles,
Policy & Practice, 18(1), 5–25. https://doi.org/10.1080/0969594X.2010.513678
Bloom, B. S. (Ed.). (1956). Taxonomy of educational objectives: The classification of educational
goals. Longman.
Boud, D., & Molloy, E. (2013). Feedback in higher and professional education: Understanding it and
doing it well. Routledge.
Bolaño-García, M. y Duarte-Acosta, N. (2024). Una revisión sistemática del uso de la inteligencia
artificial en la educación. Revista Colombiana de Cirugía, 39, 51–63.
https://doi.org/10.30944/20117582.2365
Bowen, G. A. (2009). Document Analysis as a Qualitative Research Method. Qualitative Research
Journal, 9(2), 27–40, https://doi.org/10.3316/QRJ0902027
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in
Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Bretag, T. (2016). Challenges in addressing plagiarism in education. PLOS Medicine, 13(12),
e1002183. https://pmc.ncbi.nlm.nih.gov/articles/PMC3876970/pdf/pmed.1001574.pdf
Buitrago Ramírez, M. T., Cabezas Landeros, M., Castillo Urrego, J. I., Moyano Nieto, A. M. y Pinzón
Tovar, M. Á. (2018). Evaluación auténtica: Un camino hacia la transformación de las prácticas
pedagógicas. Revista Educación y Desarrollo Social, 12(1), 74–89.
https://doi.org/10.18359/reds.3359
Cabero-Almenara, J. y Palacios-Rodríguez, A. (2021). La evaluación de la educación virtual: Las e-
actividades. RIED. Revista Iberoamericana de Educación a Distancia, 24(2), 169–188.
https://doi.org/10.5944/ried.24.2.28994
Cabrera Loayza, K. V. (2024). Transformando la educación básica: Retos y perspectivas de la
inteligencia artificial. Revista Científica de Salud y Desarrollo Humano, 5(2), 1–17.
https://revistavitalia.org/index.php/vitalia/article/view/113/179
Camacho-Navarro, A. y Salinas-García, R. J. (2022). Estrategia basada en la evaluación auténtica
para el desarrollo de competencias digitales en la formación inicial docente. RIDE. Revista
Iberoamericana para la Investigación y el Desarrollo Educativo, 12(24), e317.
Página | 685 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
https://doi.org/10.23913/ride.v12i24.1126
Canabal, C. y Margalef, L. (2017). La retroalimentación: La clave para una evaluación orientada al
aprendizaje. Profesorado. Revista de Currículum y Formación del Profesorado, 21(2), 149–170.
https://doi.org/10.30827/profesorado.v21i2.10329
Castro, A. N., Aguilera, C. A., Medina, J. A. y Prat, M. (2024). Hacia un currículo integrado:
Conectando la alfabetización en inteligencia artificial con la educación tecnológica en la
educación básica en Chile. Información Tecnológica, 35(6), 39–48.
http://dx.doi.org/10.4067/s0718-07642024000600039
Cerrillo i Martínez, A. (2024). El fomento de la integridad académica en tiempos de la inteligencia
artificial generativa. Docencia Y Derecho, (24), 17–39.
https://doi.org/10.21071/redd.vi24.18057
Cisneros Vásquez, E. D., Nevárez Loza, R. F., Farez Cherrez, A. M. y Torres Montes, R. E. (2024). Uso
de la inteligencia artificial en la personalización del aprendizaje. Conocimiento Global, 8(1), 75–
83. https://doi.org/10.70165/cglobal.v9i1.339
Cobos-Gutierrez, C. E. (2024). Impacto de la inteligencia artificial en el rendimiento académico de
estudiantes de secundaria: Un estudio correlacional. PURIQ, 6, e740.
https://doi.org/10.37073/puriq.6.740
Congreso de Colombia. (1994, 8 de febrero). Ley 115 de 1994 (Ley General de Educación).
https://www.secretariasenado.gov.co/senado/basedoc/ley_0115_1994.html
Dawson, P., Carless, D., & Lee, P. P. W. (2021). Authentic feedback: Supporting learners to engage
in disciplinary feedback practices. Assessment & Evaluation in Higher Education, 46(2), 286–
296. https://doi.org/10.1080/02602938.2020.1769022
Díaz-Arce, D. (2023). Plagio a la inteligencia artificial en estudiantes de bachillerato: Un problema
real. Revista Innova Educación, 5(2), 108–116. https://doi.org/10.35622/j.rie.2026.03
Díaz Arce, D. (2023). Inteligencia artificial vs. Turnitin: Implicaciones para el plagio académico.
Revista Cognosis, 8(1), 15–26. https://doi.org/10.33936/cognosis.v8i1.5517
Eke, D. O. (2023). ChatGPT and the rise of generative AI: Threat to academic integrity? Journal of
Responsible Technology, 13, 100060. https://doi.org/10.1016/j.jrt.2023.100060
Espinoza Freire, E. E. (2021). Importancia de la retroalimentación formativa en el proceso de
enseñanza-aprendizaje. Universidad y Sociedad, 13(4), 389–397.
http://scielo.sld.cu/pdf/rus/v13n4/2218-3620-rus-13-04-389.pdf
Gangotena Echeverría, G. S., Yuctor Alvarez, A. F., Arias Espinosa, M. J., Lopez Aguayo, E. M. y Luna
Rodriguez, P. M. (2023). Recursos digitales con inteligencia artificial para mejorar el
aprendizaje de los estudiantes de primaria. Ciencia Latina Revista Científica Multidisciplinar,
Página | 686 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
7(4), 1463–1480. https://doi.org/10.37811/cl_rcm.v7i4.6967
García Gámez, G. D. J. (2024). La evaluación como herramienta para mejorar los aprendizajes: la
retroalimentación y la evaluación auténtica. Revista Latinoamericana Ogmios, 4(9), 17–32.
https://doi.org/10.53595/rlo.v4.i9.091
Gedera, D. (2023). A Holistic Approach to Authentic Assessment. Asian Journal of Assessment in
Teaching and Learning, 13(2), 23–34. https://doi.org/10.37134/ajatel.vol13.2.3.2023
Gruenhagen, J. H., Sinclair, P. M., Carroll, J. A., Baker, P. R., Wilson, A. & Demant, D. (2024). The
rapid rise of generative AI and its implications for academic integrity: Students’ perceptions
and use of chatbots for assistance with assessments. Computers and Education: Artificial
Intelligence, 7, 100273. https://doi.org/10.1016/j.caeai.2024.100273
Guadamud Muñoz, J. D., Chiriboga Palacios, I. A., Zumba Juela, J. M., Briceño Salazar, R., Jiménez
Vargas, J. J., & Palma Candelario, Ángel L. (2024). Innovaciones y tendencias en los sistemas de
evaluación educativa: Innovations and trends in educational evaluation systems. LATAM
Revista Latinoamericana De Ciencias Sociales Y Humanidades, 5(3), 1724 – 1733.
https://doi.org/10.56712/latam.v5i3.2157
Guàrdia Ortiz, L., Maina, M., Cabrera Lanzo, N. y Fernández-Ferrer, M. (2024). La autorregulación
del aprendizaje desde un enfoque de feedback entre pares: Perspectivas de la IA generativa.
RED. Revista de Educación a Distancia, 24(78), 1–30. http://dx.doi.org/10.6018/red.599511
Guerschberg, L. y Gutierrez, Y. E. (2024). Revolución en la educación a través de la inteligencia
artificial y los microaprendizajes: Nuevas fronteras del aprendizaje personalizado. Sapiens
International Multidisciplinary Journal, 1(3), 1–14. https://doi.org/10.71068/j4bnna33
Guzmán-Pazmiño, P. J., Salcedo-Llivigañay, S. E., Aguilar-Granda, F. E., Manzano-Calero, N. R. y
Betancourt-Hidalgo, D. P. (2025). Impacto de las tecnologías y metodologías adaptativas en la
mejora del desempeño académico. Revista Científica Retos de la Ciencia, 1(5), 94–106.
https://doi.org/10.53877/rc1.5-574
Holmes, W., Bialik, M. & Fadel, C. (2019). Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning. Center for Curriculum Redesign.
Hurtado-Guerrero, M., Espoz-Lazo, S., Yáñez-Sepúlveda, R., Soto-González, M., Castro-Dávila, A.,
Galeano-Rojas, D., Valdivia-Moral, P. y Hinojosa-Torres, C. (2025). Instrumentos y estrategias
de evaluación auténtica en Educación Física escolar: Una revisión sistemática. Retos, 73, 784–
797. https://doi.org/10.47197/retos.v73.117462
International Center for Academic Integrity. (2021). The fundamental values of academic integrity.
https://academicintegrity.org/aws/ICAI/asset_manager/get_file/911282?ver=1
Jabareen, Y. (2009). Building a conceptual framework: Philosophy, definitions, and procedure.
International Journal of Qualitative Methods, 8(4), 49–62.
Página | 687 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
https://doi.org/10.1177/160940690900800406
Jara Alcívar, C. W. (2024). Aplicaciones de inteligencia artificial (IA) en el contexto educativo
ecuatoriano: Retos y desafíos. Ciencia Latina Revista Científica Multidisciplinar, 8(3), 7046–
7061. https://doi.org/10.37811/cl_rcm.v8i3.11897
Kulasegaram, K. & Rangachari, P. K. (2018). Beyond “formative”: Assessments to enrich student
learning. Advances in Physiology Education, 42(1), 5–14.
https://doi.org/10.1152/advan.00122.2017
Lagos Reinoso, G. G. (2026). Alfabetización digital y ChatGPT: Competencias que deben
desarrollarse para un uso crítico y ético en el aula. Ciencia y Educación, 7(1.2), 83–95.
https://doi.org/10.5281/zenodo.18297276
Lim, L. A., Gottipati, S. & Cheong, F. (2022). Authentic assessment in the age of digital
transformation. Journal of Educational Technology Systems, 51(2), 223–241.
https://ink.library.smu.edu.sg/cgi/viewcontent.cgi?article=8598&context=sis_research
Long, D. & Magerko, B. (2020). What is AI literacy? In Proceedings of CHI 2020.
https://doi.org/10.1145/3313831.3376727
Macazana Fernández, D. M., Rodríguez Grández, C., Collazos Paucar, E., Pastor Segura, J., y
Castañeda Terrones, R. H. (2022). Evaluación auténtica y autonomía estudiantil. Universidad y
Sociedad, 14(S2), 185–193. https://rus.ucf.edu.cu/index.php/rus/article/view/2780/2732
McArthur, J. (2023). Rethinking authentic assessment: Work, well-being, and society. Higher
Education, 85(4), 849–864. https://doi.org/10.1007/s10734-022-00822-y
Mellado-Moreno, P. C., Sánchez-Antolín, P. y Blanco-García, M. (2021). Revisión sistemática sobre
evaluación formativa y sumativa en educación. Revista Complutense de Educación, 32(2), 277–
289. https://doi.org/10.17163/alt.v16n2.2021.01
Ministerio de Educación Nacional. (1994, 3 de agosto). Decreto 1860 de 1994 (reglamenta
parcialmente la Ley 115 de 1994). https://www.mineducacion.gov.co/1759/articles-
86240_archivo_pdf.pdf
Ministerio de Educación Nacional. (2009, 16 de abril). Decreto 1290 de 2009 (evaluación del
aprendizaje y promoción de los estudiantes). https://www.mineducacion.gov.co/1621/articles-
187765_archivo_pdf_decreto_1290.pdf
Navarro-Dolmestch, S. (2023). Descripción de los riesgos y desafíos para la integridad académica
de aplicaciones generativas de inteligencia artificial. Revista Iberoamericana de Educación
Superior, 14(40), 112–128. https://doi.org/10.18800/derechopucp.202302.007
Navarro Guaimares, J. M. (2024). Pensamiento crítico vs inteligencia artificial, un desafío para la
educación. Orinoco. Pensamiento y Praxis, 14(20), 17–36.
Página | 688 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
https://revistaorinocopyp.org.ve/index.php/home/article/view/20/27
Nicol, D. J. & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: A
model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199–
218. https://www.fammed.wisc.edu/files/webfm-uploads/documents/faculty-dev/seven-
principles-of-good-feedback-practice.pdf
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2021).
Recommendation on the Ethics of Artificial Intelligence.
https://www.unesco.org/en/articles/recommendation-ethics-artificial-intelligence
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2023). Guidance for
generative AI in education and research. UNESCO Publishing.
https://unesdoc.unesco.org/ark:/48223/pf0000386693
Oviedo Guevara, L. G. (2023). Dilema de la inteligencia artificial: Pensamiento crítico y
generaciones digitales. Realidad y Reflexión, 23(58), 69–83.
https://doi.org/10.5377/ryr.v1i58.17397
Quinlan, K. M., Sellei, G. & Fiorucci, W. (2025). Educationally authentic assessment: Reframing
authentic assessment in relation to students’ meaningful engagement. Teaching in Higher
Education, 30(3), 717–734. https://doi.org/10.1080/13562517.2024.239404
Rosado García, T. L., Alcívar Vera, T. P., Cobeña Cedeño, A. A., Acosta Mariño, A. A., Rosado
García, R. R. y Bernal Mendieta, C. J. (2025). Formación ética en entornos digitales: Propuesta
pedagógica para estudiantes de básica media. Horizontes Revista de Investigación en Ciencias
de la Educación, 10(41), 1–14. https://doi.org/10.33996/revistahorizontes.v10i41.1214
Rosales Sánchez, E. M., Rodríguez Ortega, P. G. y Romero Ariza, M. (2020). Conocimiento,
demanda cognitiva y contextos en la evaluación de la alfabetización científica en PISA. Revista
Eureka sobre Enseñanza y Divulgación de las Ciencias, 17(2), 2302.
https://rodin.uca.es/bitstream/handle/10498/22837/2302.pdf?sequence=1&isAllowed=y
Sánchez Alvarado, A. F. y Orozco Alvarado, J. C. (2019). Las competencias y la evaluación. Hacia un
modelo de evaluación auténtica de los aprendizajes. Revista Científica de FAREM-Estelí, (32),
3–14. https://doi.org/10.5377/farem.v0i32.9225
Sánchez-Bolívar, L., Escalante-González, S. y Martínez-Martínez, A. (2024). La ética de la
inteligencia artificial en educación: ¿Amenaza u oportunidad? Revista Electrónica Educare,
28(Suplemento especial), 1–20. https://doi.org/10.15359/ree.28-S.20541
Saquisari Pillajo, A. P. (2024). Metacognición digital: Autorregulación del aprendizaje mediante IA.
Nexus Research Journal, 3(2), 132–145. https://doi.org/10.62943/nrj.v3n2.2024.129
Scriven, M. (1967). The methodology of evaluation*. In R. W. Tyler, R. M. Gagné, & M. Scriven
(Eds.), Perspectives of Curriculum Evaluation (pp. 39–83). Rand McNally.
Página | 689 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Selgas-Cors, M. (2025). Ética algorítmica en la educación: Un marco integrado para la formación
ética de estudiantes mediante sistemas de inteligencia artificial. Intelética, 2(3), 28–48.
https://doi.org/10.4114/INTELETICA.vol2iss3pp28-48
Stobart, G. (2010). Tiempos de pruebas: Los usos y abusos de la evaluación. Morata.
https://www.academia.edu/36760215/Tiempos_de_pruebas_Los_usos_y_abusos_de_la_eval
uaci%C3%B3n
Su, J., Ng, D. T. K. & Chu, S. K. W. (2023). Artificial intelligence (AI) literacy in early childhood
education: The challenges and opportunities. Computers and Education: Artificial Intelligence,
4, 100124. https://doi.org/10.1016/j.caeai.2023.100124
Suin Guerrero, A. R., Guerrero Lucio, N. I., Merchán Suin, R. R. y Quijije Moran, W. V. (2024). El
impacto del aprendizaje automático en la educación personalizada: Hacia un aprendizaje
adaptativo y eficiente. Revista Científica de Innovación Educativa y Sociedad Actual “ALCON”,
4(5), 83–92. https://doi.org/10.62305/alcon.v4i5.283
Tang, K.-S., Cooper, G., Rappa, N. & Edwards, J. (2026). Critical questioning with generative AI:
Developing AI literacy in secondary education. Thinking Skills and Creativity, 59, 102043.
https://doi.org/10.1016/j.tsc.2025.102043
Topping, K. J. (2023). Digital peer assessment and feedback in contemporary education. Computers
& Education, 191, 104648. https://doi.org/10.1080/02671522.2021.1961301
Tramallino, C., Pairetti, C. y Luján Rodríguez, G. (2024). Reflexiones en torno al uso de IA en
educación superior: Dos casos comparados. Revista Iberoamericana de Tecnología en
Educación y Educación en Tecnología, 37, 100–109. https://doi.org/10.24215/18509959.37.e9
Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes.
Harvard University Press.
Villarroel, V. y Bruna, D. (2019). Reflexiones en torno a la evaluación auténtica: una alternativa
para el mejoramiento de la calidad de los aprendizajes. Revista Iberoamericana de Evaluación
Educativa, 12(1), 45–60. https://www.scielo.cl/pdf/caledu/n50/0718-4565-caledu-50-492.pdf
Wiggins, G. (1998). Educative assessment: Designing assessments to inform and improve student
performance. Jossey-Bass.
Yue Yim, I. H. (2024). A critical review of teaching and learning artificial intelligence (AI) literacy:
Developing an intelligence-based AI literacy framework for primary school education.
Computers and Education: Artificial Intelligence, 7, 100319.
https://doi.org/10.1016/j.caeai.2024.100319
Página | 690 http://revistas.upel.edu.ve/index.php/dialogica D
Suárez Quiñonez, N. P. (2026). Transformaciones de la evaluación educativa en la era de la
inteligencia artificial. Dialógica, Revista Multidisciplinaria, 23(2), 662-690.
https://doi.org/10.56219/dialgica.v23i2.5930
Síntesis curricular
Nasly Paola Suárez Quiñonez
Magíster en Educación por la Universidad Cooperativa de Colombia. Cuenta con nueve años de
experiencia en la enseñanza del inglés como segunda lengua, de los cuales, tres años
corresponden a instituciones educativas públicas del departamento de Santander. Su trayectoria
profesional se centra en la evaluación educativa, la innovación pedagógica y la integración de
tecnologías digitales en los procesos de enseñanza y aprendizaje. Actualmente, su trabajo
investigativo se orienta al análisis de la evaluación mediada por inteligencia artificial en contextos
educativos.
