Algoritmos de Machine Learning para Evaluación Formativa: Reducción de carga en el aula

Resumen

En este estudio se analiza el potencial de algoritmos de machine learning para apoyar la evaluación formativa en el subnivel de Básica Elemental de instituciones educativas de Ambato (Tungurahua, Ecuador), con el fin de reducir la carga operativa docente sin afectar la calidad pedagógica. Se desarrolló una investigación mixta, no experimental y de tipo aplicado, que combinó cuestionarios y entrevistas a docentes con el uso de datos abiertos educativos y registros anonimizados de desempeño estudiantil para entrenar modelos de clasificación supervisada. Entre los algoritmos probados, el bosque aleatorio obtuvo la mejor capacidad predictiva para anticipar niveles de logro formativo, con métricas de exactitud y discriminación comparables a las reportadas en estudios recientes sobre sistemas de alerta temprana. Los resultados muestran que la automatización de la agregación de datos y la generación de reportes puede reducir entre 1,5 y 2,5 horas semanales el tiempo dedicado a corrección y elaboración de informes, a la vez que se mejora la oportunidad y precisión de la retroalimentación ofrecida al estudiantado. Las y los docentes valoran positivamente el apoyo de la IA para priorizar casos y organizar la información evaluativa, aunque expresan preocupaciones sobre la transparencia de los modelos, el riesgo de etiquetamiento y la protección de datos, en concordancia con las orientaciones nacionales que exigen un uso ético y pedagógicamente fundamentado de la IA. El estudio concluye que la integración de machine learning en la evaluación formativa es viable y pertinente en Ambato, siempre que se implemente de forma gradual, contextualizada y bajo marcos claros de gobernanza y formación docente.