Què vol dir avaluar amb IA sense perdre humanitat
Principis que posen l’alumne al centre
Avaluar amb suport d’eines d’intel·ligència artificial vol dir reforçar allò que ja sabem fer bé com a docents. La IA pot ajudar a organitzar evidències, generar feedback inicial o proposar criteris; la mirada humana continua essent qui defineix el sentit, decideix el que és rellevant i cuida la relació pedagògica. Quan parlem de “no perdre humanitat” parlem de respecte, escolta i context per a cada alumne.
Els principis que guien aquesta integració són clars. Primer, la transparència, perquè els estudiants han de saber quan i com s’utilitza la IA. Segon, la finalitat formativa, prioritzant el progrés per sobre de la simple classificació. Tercer, la responsabilitat compartida entre docent, alumne i tecnologia. I quart, la justícia i l’accessibilitat, evitant esbiaixos i oferint oportunitats d’aprenentatge reals per a tothom.
Riscos a anticipar i com minimitzar-los
Hi ha riscos que no podem ignorar. L’ús acrític de la IA pot conduir a una avaluació desconnectada del procés, a feedback genèric i a decisions automatitzades poc sensibles al context. També hi ha el perill de convertir l’avaluació en una carrera de detecció del frau que malmeti la confiança. Cal dissenyar la integració amb criteris clars, límits i espais d’acompanyament.
Per reduir riscos, proposem tres filtres: fidelitat als objectius d’aprenentatge, pertinència al nivell i la tasca i explicabilitat de les decisions. Si una recomanació de la IA no és explicable a l’alumne, no és útil. Si una rúbrica automàtica no reflecteix el que volem avaluar, cal revisar-la. La tecnologia ha de servir la pedagogia, no a l’inrevés.
Disseny d’avaluacions més humanes amb suport de la IA
Objectius clars i rúbriques co-creades
La IA pot ajudar-nos a transformar resultats d’aprenentatge en rúbriques operatives i adaptades. A partir d’uns criteris inicials, podem generar descriptors a diferents nivells, exemples de bones respostes i preguntes que orientin la reflexió de l’alumne. El pas clau és co-crear aquests descriptors amb l’alumnat perquè els facin seus i els entenguin.
Proposta de pràctica ràpida. Presentem la rúbrica esborrany, demanem a la IA tres formulacions alternatives per a cada descriptor i fem una sessió de consens amb la classe. Entre tots, simplifiquem el llenguatge, triem exemples i acordem què vol dir qualitat. El resultat és una rúbrica que parla el llenguatge de l’aula i que augmenta la autoria dels estudiants.
Tasques autèntiques i evidències variades
Una manera d’evitar que la IA supleixi l’esforç de l’alumne és plantejar tasques autèntiques amb connexió a problemes reals, rols i audiències. La IA pot suggerir escenaris, fonts o casos, però l’alumne ha de prendre decisions, justificar criteris i mostrar el procés. El que s’avalua és la traça cognitiva, no només el producte final.
Exemples concrets a Secundària. A Ciències Socials, anàlisi d’un barri amb dades públiques, on la IA ajuda a ordenar les dades i l’alumne argumenta propostes. A Llengua, creació d’un article d’opinió on la IA genera contraarguments i l’estudiant elabora la seva veu. A Matemàtiques, resolució de problemes modelitzant situacions, amb la IA com a assistent de comprovació i l’alumne explicant estratègies.
- Defineix evidències de procés com diaris d’aprenentatge i esborranys anotats.
- Inclou moments de defensa oral o escrita on l’alumne explica decisions.
- Valora la capacitat d’autorevisió i millora incremental.
Feedback de qualitat: docents, IA i alumnat en diàleg
Estratègies per combinar feedback humà i suport intel·ligent
El feedback més valuós és oportú, específic i accionable. La IA pot accelerar l’anàlisi inicial d’un text, suggerir preguntes per a l’autoavaluació o detecta patrons d’errors. El docent s’hi suma afegint context, empatia i prioritats. Aquesta combinació genera un diàleg que transforma la correcció en acompanyament.
Pràctica recomanada. Primer, l’alumne demana a la IA una revisió guiada amb dues preguntes clau i un suggeriment de millora. Segon, el docent llegeix la peça i valida o reorienta el feedback, triant només tres accions concretes de millora. Tercer, l’alumne aplica canvis i escriu un breu metacomentari explicant com els ha implementat. El feedback es converteix en aprenentatge transferible.
Exemples pràctics de feedback a l’aula
A Física, l’alumne aporta el seu informe de laboratori. La IA assenyala inconsistències entre el gràfic i la discussió; el docent els converteix en dues preguntes sobre validesa i fiabilitat i proposa repetir una mesura. A Història, la IA identifica manques de fonts primàries; el docent guia cap a l’anàlisi de perspectiva i credibilitat. A Tecnologia, la IA compara codi amb bones pràctiques; el docent ajuda a prioritzar refactors segons l’impacte.
- Usa plantilles de feedback amb tres seccions: fortaleses, punts cecs, pròxim pas.
- Demana un “resum d’acció” de l’alumne amb compromisos concrets i terminis.
- Arxiva versions i comentaris per visualitzar el progrés en un portafolis.
Integritat acadèmica i pensament crític
Autoria transparent i ús responsable
L’objectiu no és atrapar, sinó educar. Establim un marc de autoria transparent on l’alumne declara com ha utilitzat la IA: consulta d’idees, revisió de llenguatge, generació de contraexemples o comprovació de càlculs. Aquesta declaració forma part de l’avaluació i afavoreix la responsabilitat i la traçabilitat del procés.
Podem definir una escala d’ús acceptable que vagi de suport lleu a col·laboració guiada. El límit és clar quan la IA substitueix la capacitat cognitiva que volem avaluar. Per exemple, en una tasca d’argumentació, es permet inspiració i revisió, però s’exigeix autoria en la tesi, l’estructura i els exemples. La clau és fer públics aquests criteris i recordar-los sovint.
Avaluar processos i no només productes
Per reduir dependències i temptacions, l’avaluació ha de capturar el camí. Portafolis digitals, diaris reflexius i checkpoints amb mini-defenses fan visible el pensament. La IA pot ajudar a etiquetar evidències, a detectar progressos i a suggerir àrees de reforç. El docent assigna valor al criteri mostrat en cada decisió.
- Inclou una breu defensa on l’alumne explica com ha usat la IA i per què.
- Valora la capacitat de detectar errors de la IA i proposar correccions.
- Insereix microtasques d’elaboració personal com analogies, exemples vivencials o mapes mentals.
Implementació gradual i ètica de centre
Protocol senzill per començar bé
La integració funciona millor si és gradual. Proposem un protocol inicial en quatre moviments. Primer, delimitar els usos permesos per matèria i tipus de tasca. Segon, establir criteris d’autoria i plantilles de declaració d’ús. Tercer, pilotatge amb un grup classe i recollida d’evidències. Quart, revisió col·lectiva i ajustaments.
En cada fase definim indicadors observables. Volem saber si el feedback és més ràpid i útil, si l’alumnat entén millor els criteris i si les qualificacions són més coherents. També observem l’impacte emocional. S’han reduït les angoixes per la correcció. Hi ha més seguretat a l’hora de revisar i millorar. Les dades qualitatives són tan importants com les quantitatives.
Privacitat, esbiaixos i formació docent
Qualsevol ús d’eines d’IA ha de respectar la privacitat i evitar la circulació innecessària de dades personals. Treballem amb materials desidentificats i revisem opcions de configuració que minimitzin riscos. En paral·lel, formem el professorat en esbiaixos algorítmics i en estratègies de verificació, perquè la tecnologia no és neutra i pot amplificar desigualtats si no l’acompanyem.
Planifica petites càpsules de formació amb casos reals del centre. Mostra errors freqüents de la IA i com detectar-los amb preguntes de control. Practica la redacció de prompts pedagògics que demanin justificacions i fonts. I reserva temps per compartir pràctiques d’aula, perquè el coneixement es consolida quan el fem comunitari.
Guia operativa per al docent: del disseny a la revisió
Passos per planificar una avaluació amb IA
Comencem amb la intenció d’aprenentatge i les evidències que la demostraran. Després, seleccionem on la IA pot aportar valor sense substituir el raonament de l’alumne. Dissenyem la rúbrica amb descriptors clars i exemples. Definim què pot fer l’estudiant amb IA i què no. Preparem instruccions d’ús per a l’alumnat i una plantilla d’autoria.
Abans de llançar la tasca, fem una prova pilot amb dues o tres respostes simulades i verifiquem com respon la IA al feedback i com s’ajusta la rúbrica. Ajustem el que calgui. Finalment, calendaritzem checkpoints i dues fites de revisió per garantir que el procés sigui visible i que el feedback arribi a temps per impactar en el resultat.
Correcció eficient i humana
Durant la correcció, la IA pot agrupar respostes per patrons d’error i proposar exemples model. El docent tria i personalitza comentaris, redueix el soroll i posa el focus en un màxim de tres accions de millora. En tancar la unitat, dediquem un espai a la avaluació metacognitiva, on cada alumne explica com ha après i què farà diferent la pròxima vegada.
Tanca el cicle amb una revisió de pràctica docent. Què ha funcionat. Què ajustaries. Quins indicadors mostren progrés. Així convertim la IA en un instrument per aprendre millor, no només per corregir més ràpid, i mantenim viva la nostra responsabilitat d’educar amb criteri i calidesa.
Checklist ràpid per començar demà
- Defineix un objectiu d’aprenentatge i dues evidències de procés.
- Co-crea una rúbrica amb la classe i acorda usos permesos de la IA.
- Estableix una plantilla d’autoria i una pauta de feedback en tres passos.
- Programa dos checkpoints amb mini-defenses i registre de decisions.
- Recull impressions de l’alumnat i ajusta la tasca per al següent cicle.
Una última idea
Quan la IA entra a l’avaluació, la nostra feina no s’evapora, es redefineix. Som qui dona sentit, qui cuida el ritme i qui manté viva la dignitat de cada aprenentatge. Comencem petit, aprenem junts i recordem que cap algoritme pot substituir una pregunta ben feta a temps ni una mirada que confia.
