Debat1el Hacia el TFM – Técnicas de análisis de datos.
Heu d'iniciar la sessió per escriure un comentari.
Heu d'iniciar la sessió per escriure un comentari.
No hi ha comentaris.
Heu d'iniciar la sessió per escriure un comentari.
No hi ha comentaris.
Les intervencions estan tancades.
Heu d'iniciar la sessió per escriure un comentari.
No hi ha comentaris.
Les intervencions estan tancades.
Heu d'iniciar la sessió per escriure un comentari.
Mis avances hacia el TFM
En el marco de mi preparación para el Trabajo Final de Máster (TFM), he avanzado en la delimitación metodológica y analítica de una investigación centrada en la generación automática de ítems de evaluación mediante inteligencia artificial, específicamente en las áreas de Lenguaje y Matemáticas en educación básica. El foco del estudio es analizar la viabilidad técnica, curricular y analítica de los ítems generados por IA en comparación con aquellos elaborados mediante procedimientos tradicionales.
A partir del trabajo realizado en las PEC del curso, he podido concretar que el enfoque metodológico más adecuado para dar respuesta a mis preguntas de investigación es mixto. Por un lado, el análisis cuantitativo permite examinar variables como la alineación curricular, la claridad del enunciado y la distribución del nivel cognitivo de los ítems, utilizando técnicas descriptivas y comparativas básicas. Por otro lado, el análisis cualitativo resulta imprescindible para interpretar los resultados de la revisión experta, identificar desajustes finos entre indicadores de logro y demanda cognitiva, y comprender las limitaciones pedagógicas de la generación automática de ítems.
En función del diseño de la investigación —de carácter exploratorio— y del tipo de datos recogidos, la combinación de ambos enfoques resulta coherente y necesaria. Los datos cuantitativos ofrecen una visión estructurada y replicable del comportamiento de los ítems generados, mientras que los datos cualitativos aportan profundidad interpretativa y permiten contextualizar los resultados desde la perspectiva del diseño evaluativo.
Las técnicas concretas de análisis de datos que he definido incluyen: análisis descriptivo (medias, distribuciones y frecuencias), matrices de correspondencia entre dominios, competencias e indicadores, y análisis comparativo entre ítems generados por IA y tradicionales. Complementariamente, se utiliza una revisión cualitativa mediante rúbricas de validación curricular y cognitiva, apoyada en el juicio experto.
Un avance relevante ha sido la integración explícita del enfoque de Evidence-Centered Design (ECD) como marco estructurante del proceso de generación y análisis de ítems. Este enfoque ha permitido reducir la variabilidad no deseada en los ítems generados por IA y ha demostrado ser un mecanismo eficaz de control de la validez de contenido, tal como se evidenció en los resultados preliminares del análisis realizado en la PEC 3 .
Finalmente, soy consciente de que estos avances constituyen una base provisional que deberá ser revisada y refinada en la fase de formulación definitiva del TFM, especialmente en lo relativo a la validación psicométrica posterior de los ítems y a la delimitación precisa del alcance del estudio, en coherencia con las exigencias metodológicas del trabajo final .
2. Recursos
Guía de Trabajo del TFM – Máster Universitario de Educación y TIC (UOC)
Este documento es clave para asegurar la coherencia metodológica y formal del proyecto de investigación, así como para alinear el diseño del estudio con los criterios de evaluación del TFM .
UNESCO (2021). AI and education: Guidance for policy-makers.
Este recurso aporta un marco conceptual y ético para el uso de la inteligencia artificial en educación, útil para contextualizar el estudio y justificar su relevancia.
UNESCO (2023). Guidance for generative AI in education and research.
Resulta especialmente pertinente para fundamentar el uso responsable de IA generativa en la construcción de instrumentos de evaluación.
Zawacki-Richter, O., et al. (2019). Systematic review of research on artificial intelligence applications in higher education.
Este artículo ofrece un estado del arte riguroso sobre aplicaciones de IA en educación, y sirve como referencia para situar el estudio en la literatura académica.
Mis PECs de la asignatura (PEC 1, PEC 2 y PEC 3)
Estos materiales constituyen la base empírica y metodológica del futuro TFM, ya que contienen la formulación del problema, el diseño metodológico y los primeros resultados analizados de manera sistemática .