Corregir una pregunta de opción múltiple es sencillo para un ordenador.
Pero ¿qué ocurre cuando un estudiante debe explicar un concepto con sus propias palabras? Dos respuestas pueden ser muy diferentes y, sin embargo, igualmente correctas. Y también pueden parecer similares aunque una contenga un error importante. Reconocer estas diferencias es uno de los grandes desafíos de la evaluación automatizada, especialmente en materias que utilizan un lenguaje especializado.
David Bañeres Besora, Ana-Elena Guerrero Roldán y M. Elena Rodríguez González desarrollaron SLASys, un sistema de inteligencia artificial integrado en Moodle que recomienda al profesorado cómo evaluar respuestas cortas. En lugar de recurrir a modelos generativos como ChatGPT, utiliza BERT, un modelo más ligero que compara significados y aprende de respuestas previamente corregidas.
La herramienta se probó con 120 estudiantes durante cuatro ediciones de un curso de formación de examinadores de patentes, en actividades sobre conceptos jurídicos y técnicos como la novedad y la claridad de las invenciones.
Los resultados muestran que el sistema mejora a medida que aprende de las correcciones del profesorado, hasta superar el 88 % de precisión en la última edición del curso. Los estudiantes valoraron positivamente la rapidez y utilidad de las explicaciones recibidas, aunque reclamaron comentarios más personalizados. Los docentes, inicialmente reticentes, terminaron apreciando el ahorro de trabajo y la posibilidad de mantener criterios de evaluación coherentes.
La clave está en que SLASys no decide las calificaciones: propone una evaluación y ofrece información de apoyo, pero la decisión final sigue correspondiendo al profesor.
---
Cómo citar: Bañeres Besora, D., Guerrerro Roldán, A.-E., & Rodríguez González, M. E. (2026). Recomendador de evaluación para preguntas cortas utilizando modelos de lenguaje en propiedad intelectual. RIED-Revista Iberoamericana de Educación a Distancia, 29(1), 321–352. https://doi.org/10.5944/ried.45541









