💬 NLP

Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges

Este artículo presenta un marco práctico y un modelo matemático formal para que los instructores de facultades de computación integren responsablemente las herramientas de IA en sus evaluaciones, equilibrando sus beneficios pedagógicos con la preservación de la integridad académica mediante directrices generales y recomendaciones específicas.

Autores originales: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

Publicado 2026-04-14

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que la educación universitaria, especialmente en computación, es como un gimnasio de la mente. Antes, los estudiantes iban allí a levantar pesas (resolver problemas de código, escribir ensayos) para hacerse fuertes y desarrollar sus propios músculos intelectuales.

Ahora, ha llegado un nuevo entrenador muy poderoso llamado Inteligencia Artificial (IA), como ChatGPT. Este entrenador es increíble: puede hacer las pesas por ti en segundos, te da rutinas perfectas y te hace sentir que eres un atleta de élite.

El problema es: ¿Qué pasa si el estudiante deja que el entrenador haga todo el trabajo y luego se presenta a la competencia diciendo que él levantó las pesas? ¡Eso no es justo y no lo hace más fuerte!

Este artículo es como un manual de reglas para los profesores de computación. Su objetivo no es prohibir al entrenador (la IA), sino enseñar a los estudiantes cómo usarlo para entrenar mejor, sin hacer trampa.

Aquí tienes los puntos clave explicados con analogías sencillas:

1. El Dilema: ¿Herramienta o Trampa?

El artículo dice que la IA es como un calculadora gigante.

Mal uso: Si un estudiante usa la calculadora para hacer la tarea de matemáticas y luego dice "yo hice todo", está haciendo trampa. No aprendió a sumar.
Buen uso: Si usa la calculadora para verificar sus propios cálculos o para entender un concepto difícil, se vuelve más inteligente y rápido.
La idea central: No se trata de prohibir la calculadora, sino de asegurar que el estudiante siga siendo el que piensa y decide.

2. Las Reglas del Juego (Guías para los Profesores)

Los autores proponen cambiar la forma en que se evalúa a los estudiantes, como si cambiaran las reglas de un videojuego para que sea imposible hacer trampa con "mods" (modificaciones ilegales).

La regla de la "Caja Transparente": Si usas la IA, debes decirlo. Es como cocinar: si usas una salsa comprada en el supermercado, debes decirlo en la receta. No puedes decir que la hiciste tú desde cero.
La "Entrevista de Verdad": Imagina que un estudiante entrega un ensayo o un código. El profesor le hace preguntas al azar: "¿Por qué elegiste esta parte?" o "¿Qué pasaría si cambiamos este número?". Si el estudiante no puede explicar su trabajo, es como si alguien más le hubiera prestado el cuerpo.
El "Diario de Viaje": En lugar de solo pedir el producto final (el código o el ensayo), piden ver el proceso. Como un chef que muestra las fotos de cómo fue cortando los ingredientes, no solo el plato terminado.

3. Adaptando las Pruebas (Tipos de Exámenes)

El artículo explica cómo cambiar cada tipo de tarea para que la IA no pueda "hackear" el sistema:

Tareas de Casa (Homework): En lugar de preguntar "¿Qué es un algoritmo?", el profesor pregunta: "Resuelve este problema específico con estos datos extraños que solo tú tienes". La IA no puede adivinar tus datos secretos.
Exámenes en Clase: Aquí no hay IA. Es como un examen de conducir en la calle: el profesor te ve conduciendo en tiempo real.
Proyectos de Programación: Se pide que el estudiante muestre cómo construyó el código paso a paso (como ver los planos de una casa) y que explique por qué puso cada ladrillo.
Entrevistas Orales: El profesor habla con el estudiante. La IA puede escribir un guion, pero no puede improvisar una conversación real si el estudiante no entiende el tema.

4. La Fórmula Matemática (El "Árbitro Digital")

Al final, los autores crean una fórmula matemática (un modelo formal) para calcular la nota. Imagina que es una receta de cocina para la calificación:

Nota Final = (Calidad del trabajo) + (Cuánto mejoró el estudiante el trabajo de la IA) + (Si el estudiante puede explicar su trabajo en una entrevista)

Si el estudiante usa la IA pero no lo dice o no puede explicar el trabajo, la "bandera de integridad" se pone en rojo y la nota es cero.
Si lo usa, lo dice, lo mejora y lo explica, la nota es alta.

En Resumen

Este papel nos dice: "No luches contra la IA, úsala con inteligencia".

Es como si la IA fuera un andamio en la construcción de un edificio. Puedes usar el andamio para llegar más alto y trabajar más rápido, pero al final, tú tienes que haber puesto los ladrillos y saber cómo se sostiene el edificio. Si el edificio se cae porque no entendiste cómo se construyó, el andamio no te sirvió de nada.

La meta es que los estudiantes de computación sigan siendo los arquitectos de su propio conocimiento, usando la IA como una herramienta poderosa, pero no como un sustituto de su cerebro.

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Resumen Técnico: Uso de Herramientas de IA y Directrices para Mantener la Integridad Académica en Facultades de Computación

1. Planteamiento del Problema
La adopción masiva de herramientas de Inteligencia Artificial Generativa (IAG), como ChatGPT y GitHub Copilot, ha transformado radicalmente las prácticas académicas en las facultades de computación. Si bien estas herramientas ofrecen beneficios pedagógicos significativos (eficiencia, autoeficacia académica y apoyo conceptual), su uso desregulado plantea una amenaza crítica a la integridad académica.
El problema central identificado es la ausencia de directrices estructuradas que permitan equilibrar el uso beneficioso de la IA con la preservación de los objetivos educativos. La dependencia no supervisada de estas herramientas puede llevar a:

La entrega de trabajos generados por IA sin comprensión real por parte del estudiante.
La erosión del pensamiento crítico y la capacidad de resolución de problemas independiente.
La violación de normas académicas por uso no autorizado.
Actualmente, las respuestas institucionales oscilan entre prohibiciones totales (poco efectivas) y debates sin políticas claras, dejando a los instructores sin un marco para integrar éticamente estas tecnologías.

2. Metodología
El estudio emplea un enfoque analítico y propositivo basado en la revisión de la literatura y la clasificación de los métodos de evaluación existentes en la educación en computación. La metodología se estructura en tres fases principales:

Clasificación de Evaluaciones: Se identifican y categorizan los tipos de evaluación comunes en facultades de computación (tareas, exámenes, proyectos, presentaciones, etc.) y se analiza cómo las capacidades específicas de diferentes herramientas de IA (modelos de lenguaje vs. asistentes de código) impactan la integridad de cada tipo.
Desarrollo de Directrices: Se formula un conjunto de recomendaciones generales y específicas para instructores, diseñadas para adaptar los métodos de evaluación tradicionales a la era de la IA.
Modelado Formal: Se introduce un marco matemático riguroso para cuantificar y evaluar el proceso de calificación en presencia de herramientas de IA, definiendo variables para la divulgación, refinamiento y verificación.

3. Contribuciones Clave

Clasificación de Riesgos por Tipo de Evaluación: El artículo distingue cómo afectan diferentes herramientas a distintos formatos. Por ejemplo, ChatGPT impacta más en ensayos y revisiones de literatura, mientras que GitHub Copilot representa un riesgo mayor en asignaciones de programación. Se propone una tabla de riesgos y controles sugeridos para cada combinación.
Directrices Generales (G 4.1): Se establecen cuatro pilares fundamentales aplicables a cualquier evaluación:
- Divulgación Obligatoria: Los estudiantes deben citar explícitamente el uso de IA.
- Entrevistas Posteriores: Defensas orales o entrevistas breves para verificar la autoría y comprensión.
- Evaluación Crítica: Asignaciones donde el estudiante debe analizar, criticar y mejorar una salida generada por IA.
- Exámenes Orales: Uso de preguntas en tiempo real para validar el conocimiento.
Directrices Específicas por Modalidad (G 4.2): Se detallan estrategias para 10 tipos de evaluación, incluyendo:
- Tareas: Uso de parámetros específicos y aleatorios para evitar respuestas genéricas.
- Programación: Énfasis en el control de versiones (Git), demostraciones en vivo y modificaciones en clase.
- Proyectos de Diseño: Requerimiento de diarios de diseño y justificación de decisiones.
- Presentaciones Orales: Inclusión de sesiones de preguntas y respuestas (Q&A) para evaluar la comprensión profunda.
Modelo Formal de Evaluación (Sección 5): Se propone un modelo matemático estructurado que define:
- Conjuntos de tareas ( $\mathcal{A}$ ), herramientas ( $\mathcal{T}$ ) y directrices ( $\mathcal{G}$ ).
- Funciones de mapeo para el uso de herramientas ( $u$ ), divulgación ( $d$ ), generación de borradores ( $f_{AI}$ ) y entrega estudiantil ( $f_{ST}$ ).
- Un factor de refinamiento ( $r$ ) que mide cuánto mejora el estudiante la salida de la IA.
- Una función de verificación ( $v$ ) que confirma la comprensión (0 o 1).
- Una función de calificación ponderada: $G(a) = w_1 \cdot score(S_{ST}) + w_2 \cdot r + w_3 \cdot v$ .
- Una bandera de integridad ( $I$ ): $I(a) = d(a) \land v(S_{ST}, r)$ . La calificación solo es válida si hubo divulgación y verificación exitosa.

4. Resultados
El análisis demuestra que la prohibición total de la IA es contraproducente y que la integración responsable es viable mediante el rediseño de las evaluaciones.

Las directrices propuestas transforman la IA de una herramienta de "copiar y pegar" a un asistente de aprendizaje que requiere intervención crítica del estudiante.
El modelo formal proporciona una base objetiva para asignar calificaciones que reflejen no solo el producto final, sino el esfuerzo de refinamiento y la comprensión demostrada.
Se valida que la combinación de divulgación transparente, evaluación de procesos (versiones, logs) y verificación oral mitiga eficazmente los riesgos de plagio y falta de comprensión, manteniendo la rigurosidad académica.

5. Significado e Impacto
Este trabajo es significativo para la comunidad académica en computación por varias razones:

Marco Práctico: Ofrece a los instructores un conjunto de herramientas accionables para adaptar sus cursos sin tener que abandonar la tecnología emergente.
Equidad y Transparencia: Aborda problemas de equidad (acceso a herramientas premium) y sesgos, proponiendo mecanismos de verificación humana ("human-in-the-loop").
Evolución de la Evaluación: Marca un cambio de paradigma desde la evaluación de productos finales hacia la evaluación de procesos de pensamiento, refinamiento y comprensión conceptual.
Sostenibilidad Académica: Proporciona un modelo matemático que permite a las instituciones estandarizar la evaluación en entornos asistidos por IA, asegurando que los títulos académicos sigan representando competencias reales y no solo la capacidad de usar herramientas.

En conclusión, el artículo argumenta que la integridad académica no se mantiene prohibiendo la tecnología, sino mediante la implementación de directrices pedagógicas robustas y marcos de evaluación que exijan y validen el pensamiento crítico del estudiante en un entorno asistido por IA.