158/365 · IA para convertir criterios en indicadores observables

Puede parecer baladí pero realmente, es fundamental construir la evaluación pensando en qué forma y dónde voy a poder observar aquellos indicadores de logro que estoy formulando. Porque resulta que el currículum está lleno de criterios de evaluación que suenan muy bien en papel pero que luego, cuando vas a evaluar, no sabes qué tienes que observar exactamente. "Comunica de forma oral conocimientos adquiridos" — vale, perfecto, pero ¿qué significa en la práctica? ¿Qué tengo que ver para saber que lo está haciendo? ¿Qué acciones concretas son observables?

Y ahí es donde la mayoría de la evaluación se vuelve subjetiva, vaga, o directamente injusta. Porque si el criterio no está traducido en indicadores observables, acabas evaluando "sensaciones" en lugar de evidencias. "Creo que este alumno comunica bien" — pero ¿en base a qué? ¿A que habla alto? ¿A que no se pone nervioso? ¿A que usa vocabulario técnico? ¿A que estructura bien las ideas? Si no has definido qué estás observando, tu evaluación es humo. Y a veces, incluso se hace por comparación... (no, no es buena idea...)

Y aquí es donde la IA puede ayudar de forma increíble: convertir criterios curriculares abstractos en indicadores observables concretos. No para sustituir tu criterio profesional, sino para darle estructura y precisión. Como ayuda, como apoyo y para darte un empujón, porque a veces con 72 criterios de evaluación, igual a todos no eres capaz de llegar... jajaja

Qué es un indicador observable

Un indicador observable es una acción, producto, o comportamiento CONCRETO que puedes VER, OIR, o LEER, y que te dice que el alumno está logrando (o no) un criterio de evaluación. No es una interpretación ("se nota que entiende"), es una evidencia ("explica con sus palabras el concepto, sin leerlo", "usa ejemplos propios para ilustrar la idea", "responde preguntas relacionadas sin dudar").

La diferencia es enorme, porque cuando tienes indicadores observables, dos docentes distintos pueden evaluar al mismo alumno y llegar a conclusiones similares. No idénticas (siempre hay matiz), pero similares. En cambio, cuando evalúas criterios vagos, dos docentes pueden ver lo mismo y evaluar de forma completamente distinta. Porque cada uno está interpretando el criterio según su propia concepción implícita de lo que significa "comunicar bien" o "resolver problemas de forma autónoma".

Y eso no es justo para el alumnado. Porque su calificación no debería depender de qué docente le toque, sino de lo que realmente sabe y sabe hacer. Y para eso, necesitas indicadores observables compartidos.

Del criterio abstracto al indicador concreto (con ayuda de IA)

Entonces, ¿cómo se hace? Coges un criterio de evaluación del currículum (que suele ser abstracto y general), y le pides a la IA que lo convierta en indicadores observables concretos. Pero ojo, no de cualquier forma — tienes que darle CONTEXTO. Porque el mismo criterio se puede observar de formas muy distintas según la tarea, el nivel educativo, y el área.

Te pongo un ejemplo, cuando propongo a la ia que me diseñe una rúbrica para X criterio en EF, lo que le indico es también metodología, que además me gusta establecer una evaluación basada en la evolución en ese criterio (para usar la rúbrica en diferentes momentos de la unidad y ver la evolución que ha tenido el alumnado), qué condiciones materiales o de tiempo les doy (si las hay...) y toda la información no personal como esta que pueda. Para así, que la rúbrica sea lo más definida posible.

La importancia de la acción observable (no de la intención)

Aquí hay algo clave: los indicadores tienen que ser sobre ACCIONES, no sobre intenciones o estados internos. Porque tú no puedes observar si un alumno "está motivado", "ha comprendido profundamente", o "se ha esforzado mucho". Eso son interpretaciones de estados internos que no puedes ver directamente.

Lo que SÍ puedes observar es: ha entregado la tarea a tiempo (acción), ha revisado su trabajo y corregido errores antes de entregar (acción observable en el documento), ha hecho preguntas durante la actividad para aclarar dudas (acción), ha usado estrategias distintas cuando la primera no funcionó (acción observable en el proceso).

Entonces, cuando le pido a la IA que me genere indicadores, siempre especifico: "Los indicadores deben ser acciones observables, no interpretaciones de estados internos. Usa verbos de acción concretos (explica, escribe, dibuja, compara, responde...), no verbos de estado interno (comprende, aprecia, valora...)". Y la IA ajusta.

Y si genera algún indicador vago tipo "muestra interés por el tema", lo descarto o lo reformulo: "hace al menos dos preguntas relacionadas con el tema durante la sesión" (eso SÍ es observable, y es un proxy razonable de interés).

Indicadores graduados: no solo sí/no

Aquí viene un refinamiento adicional: los indicadores no tienen por qué ser binarios (lo hace o no lo hace). Pueden ser graduados. Y eso te da más precisión en la evaluación.

Por ejemplo, en lugar de "Usa vocabulario específico del tema: Sí/No", puedes tener:
- No usa vocabulario específico, solo lenguaje coloquial.
- Usa vocabulario específico 1-2 veces, pero principalmente lenguaje coloquial.
- Usa vocabulario específico 3-5 veces de forma adecuada.
- Usa vocabulario específico más de 5 veces de forma precisa y consistente.

Eso son niveles de logro dentro de un indicador. Y puedes pedirle a la IA que los genere: "Dame cada indicador con 4 niveles de logro graduados, desde insuficiente hasta excelente". Y la IA te los genera. Y luego tú ajustas si algún nivel no tiene sentido o si la gradación no es clara.

Indicadores para procesos, no solo para productos

Aquí viene algo importante: no todos los criterios de evaluación se refieren a productos finales (un examen, un trabajo, una exposición). Muchos se refieren a PROCESOS (cómo trabaja en equipo, cómo gestiona el error, cómo planifica su trabajo). Y esos son más difíciles de observar, pero no imposibles.

Por ejemplo, criterio: "Trabaja de forma cooperativa en equipo". Le pido a la IA: "Convierte este criterio en indicadores observables para un proyecto cooperativo de dos semanas. Necesito indicadores que pueda observar DURANTE el proceso, no solo al final". Y la IA me devuelve:
- Escucha las propuestas de sus compañeros sin interrumpir.
- Aporta ideas propias al menos dos veces por sesión.
- Asume su rol dentro del equipo y realiza las tareas asignadas.
- Pide ayuda cuando no sabe cómo seguir, en lugar de quedarse bloqueado.
- Ayuda a compañeros que tienen dificultades sin hacer el trabajo por ellos.

Esos son indicadores de proceso. Y requieren observación sistemática durante varias sesiones. No puedes evaluarlos en un momento puntual. Pero si documentas lo que haces (como hablábamos en otro post), y vas registrando estas observaciones cada sesión, al final tienes una imagen completa y fundamentada de cómo ese alumno trabaja en equipo. No una impresión vaga, una evidencia acumulada.

Compartir indicadores con el alumnado: evaluación transparente

Aquí viene algo que he empezado a hacer este año y que cambia completamente la dinámica: compartir los indicadores observables con el alumnado ANTES de la tarea. No como sorpresa después, sino como guía antes. "Esto es lo que voy a observar cuando hagáis la exposición. Estos son los indicadores que me dirán que lo estáis haciendo bien".

Y eso convierte la evaluación en algo transparente, no en algo misterioso. El alumnado sabe QUÉ se espera de ellos de forma concreta. No "tienes que hacerlo bien" (vago), sino "tienes que explicar con tus palabras, usar vocabulario específico al menos 4 veces, presentar las ideas en orden lógico..." (concreto, accionable).

Y cuando el alumnado conoce los indicadores, puede AUTORREGULARSE. Puede revisar su trabajo antes de entregar y preguntarse: "¿He hecho esto? ¿Y esto? ¿Y esto?". Y eso es evaluación formativa de verdad. No evaluar para calificar, sino evaluar para aprender. Hattie y Timperley lo documentaron: el feedback de nivel de autorregulación es más efectivo que el feedback de nivel de tarea. Y compartir indicadores observables es exactamente eso: enseñar a autorregularse.

La IA no decide QUÉ es importante (eso lo haces tú)

Como siempre, advertencia final: la IA puede convertir criterios en indicadores, pero no decide QUÉ criterios son importantes ni QUÉ indicadores son relevantes para tu contexto. Eso lo decides tú. Porque la IA no sabe que en tu grupo este año hay especiales dificultades con la estructuración de ideas, o que lo que más necesitan trabajar es la capacidad de responder preguntas (y no tanto la precisión del vocabulario).

Entonces, cuando la IA te genera indicadores, tú revisas y priorizas. A veces, eliminas indicadores que no encajan. A veces, añades otros que la IA no propuso pero que tú sabes que son clave. A veces, ajustas la redacción para que sea más clara para tu alumnado. La IA genera, tú decides. Y esa separación es fundamental.

Al final, convertir criterios en indicadores observables no es un ejercicio burocrático. Es pasar de evaluar impresiones a evaluar evidencias. De evaluar lo que crees que pasó a evaluar lo que viste pasar. Y eso no solo hace la evaluación más justa — la hace más útil. Porque cuando sabes exactamente QUÉ observar, puedes dar feedback concreto ("has usado vocabulario específico solo dos veces, intenta llegar a cuatro la próxima"), no feedback vago ("tienes que mejorar la expresión oral"). Y el feedback concreto es el que de verdad ayuda a mejorar.

Nos vemos mañana.