Creación de guías y rúbricas de evaluación formativa y pedagógica para química orgánica a nivel de pregrado con IA para implementación en AulaWeb
DOI:
https://doi.org/10.63688/pbqd5p77Palabras clave:
evaluación formativa, rúbricas, inteligencia artificial, química orgánica, educación superiorResumen
La evaluación de la química orgánica exige valorar no solo la respuesta final, sino también la comprensión conceptual, la representación molecular, el razonamiento mecanístico y la capacidad para corregir errores. El objetivo de esta revisión fue analizar la evidencia sobre evaluación formativa, rúbricas e inteligencia artificial aplicada a la educación química, con el propósito de establecer una propuesta de guías y rúbricas para estudiantes de pregrado en AulaWeb. Se realizó una revisión sistemática con síntesis cualitativa, reportada conforme a PRISMA 2020. Se evaluaron 22 publicaciones a texto completo; 18 respondieron directamente las preguntas de revisión y se incorporaron en la matriz de análisis, mientras que cuatro se utilizaron exclusivamente como apoyo teórico o metodológico. Los estudios se agruparon en cuatro categorías: evaluación formativa y rúbricas, inteligencia artificial en educación superior, inteligencia artificial en ciencias y química, y aplicaciones en química orgánica. Los hallazgos muestran que las rúbricas son más útiles cuando contienen criterios observables, niveles diferenciados, retroalimentación orientada a la acción y oportunidades de reelaboración. La inteligencia artificial puede apoyar la generación de actividades, descriptores y comentarios preliminares, pero también produce explicaciones plausibles con errores químicos. Se propone un modelo de implementación en AulaWeb basado en orientación, desarrollo, autoevaluación, retroalimentación y nueva entrega. Se concluye que la inteligencia artificial debe operar como asistencia pedagógica bajo validación disciplinar y supervisión docente.
Referencias
Black, P., y Wiliam, D. (2009). Developing the theory of formative assessment. Educational Assessment, Evaluation and Accountability, 21(1), 5–31. https://doi.org/10.1007/s11092-008-9068-5
Bond, M., Khosravi, H., de Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., y Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21, Article 4. https://doi.org/10.1186/s41239-023-00436-z
Brookhart, S. M., y Chen, F. (2015). The quality and effectiveness of descriptive rubrics. Educational Review, 67(3), 343–368. https://doi.org/10.1080/00131911.2014.929565
Carless, D., y Boud, D. (2018). The development of student feedback literacy: Enabling uptake of feedback. Assessment and Evaluation in Higher Education, 43(8), 1315–1325. https://doi.org/10.1080/02602938.2018.1463354
Clark, T. M. (2023). Investigating the use of an artificial intelligence chatbot with general chemistry exam questions. Journal of Chemical Education, 100(5), 1905–1916. https://doi.org/10.1021/acs.jchemed.3c00027
Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32(3), 444–452. https://doi.org/10.1007/s10956-023-10039-y
Costa, G. G., Nascimento Junior, W. J. D., Mombelli, M. N., y Girotto Junior, G. (2024). Revisiting a teaching sequence on the topic of electrolysis: A comparative study with the use of artificial intelligence. Journal of Chemical Education, 101(8), 3255–3263. https://doi.org/10.1021/acs.jchemed.4c00247
Crompton, H., y Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20, Article 22. https://doi.org/10.1186/s41239-023-00392-8
Du, H., Jia, Q., Gehringer, E., y Wang, X. (2024). Harnessing large language models to auto-evaluate the student project reports. Computers and Education Artificial Intelligence, 7, Article 100268. https://doi.org/10.1016/j.caeai.2024.100268
Erümit, A. K., y Özdemir Sarıalioğlu, R. (2025). Artificial intelligence in science and chemistry education: A systematic review. Discover Education, 4, Article 178. https://doi.org/10.1007/s44217-025-00622-3
Farrokhnia, M., Banihashem, S. K., Noroozi, O., y Wals, A. (2024). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, 61(3), 460–474. https://doi.org/10.1080/14703297.2023.2195846
Gikandi, J. W., Morrow, D., y Davis, N. E. (2011). Online formative assessment in higher education: A review of the literature. Computers and Education, 57(4), 2333–2351. https://doi.org/10.1016/j.compedu.2011.06.004
Harwood, C. J., Hewett, S., y Towns, M. H. (2020). Rubrics for assessing hands-on laboratory skills. Journal of Chemical Education, 97(7), 2033–2035. https://doi.org/10.1021/acs.jchemed.0c00200
Nicol, D. J., y Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199–218. https://doi.org/10.1080/03075070600572090
Okoth, R. (2025). Using Kahoot! as a formative assessment tool in undergraduate organic chemistry lecture courses. Journal of Chemical Education, 102(7), 3004–3009. https://doi.org/10.1021/acs.jchemed.4c01538
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. Systematic Reviews, 10, Article 89. https://doi.org/10.1186/s13643-021-01626-4
Panadero, E., y Jonsson, A. (2013). The use of scoring rubrics for formative assessment purposes revisited: A review. Educational Research Review, 9, 129–144. https://doi.org/10.1016/j.edurev.2013.01.002
Ruff, E. F., Franz, J. L., y West, J. K. (2024). Using ChatGPT for method development and green chemistry education in upper-level laboratory courses. Journal of Chemical Education, 101(8), 3224–3232. https://doi.org/10.1021/acs.jchemed.4c00193
Tassoti, S. (2024). Assessment of students use of generative artificial intelligence: Prompting strategies and prompt engineering in chemistry education. Journal of Chemical Education, 101(6), 2475–2482. https://doi.org/10.1021/acs.jchemed.4c00212
Watts, F. M., Dood, A. J., Shultz, G. V., y Rodriguez, J. M. G. (2023). Comparing student and generative artificial intelligence chatbot responses to organic chemistry writing-to-learn assignments. Journal of Chemical Education, 100(10), 3806–3817. https://doi.org/10.1021/acs.jchemed.3c00664
Yik, B. J., y Dood, A. J. (2024). ChatGPT convincingly explains organic chemistry reaction mechanisms slightly inaccurately with high levels of explanation sophistication. Journal of Chemical Education, 101(5), 1836–1846. https://doi.org/10.1021/acs.jchemed.4c00235
Zawacki-Richter, O., Marín, V. I., Bond, M., y Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators? International Journal of Educational Technology in Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0
Publicado
Número
Sección
Licencia
Derechos de autor 2026 José Julio Barriga Jiménez, Ledys Alejandra Barliza Daza, Alcides Antonio Torregroza Mozo, Jessica Andrea Plazas Moreno, Javier Sair Molina Daza (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
