1Revisar o contido sen delegalo na IA

Os textos que xera a intelixencia artificial (IA) soan ben, as explicacións resultan convincentes e as referencias parecen reais. Porén, ás veces son falsos. O risco non está no erro evidente, que calquera detecta, senón no erro plausible: a data que case é correcta, a cita que case existiu, o dato que case coincide. Martín Núñez Calleja, do Centro Nacional de Desenvolvemento Curricular en Sistemas non Propietarios (CEDEC), resúmeo con claridade no seu relatorio «Crear REA con eXeLearning en tiempos de IA», dedicado aos recursos educativos abertos (REA): «Na aula, un erro que ninguén detecta non é un erro: é unha aprendizaxe equivocada».

Nun material interactivo o problema multiplícase, porque o erro non se le unha vez, senón que se repite con cada alumno que o utiliza. Un simulador cunha fórmula mal aplicada, un cuestionario que dá por boa unha resposta incorrecta ou unha explicación que inverte unha relación de causa e efecto ensinan ese erro tantas veces como se abra o material.

Convén revisar o material completo antes de publicalo, e non só a parte que se pediu expresamente. A comprobación abrangue catro aspectos:

• Os contidos. Os conceptos, os datos, as datas, as unidades e as fórmulas que aparecen nas explicacións.
• As actividades. Os enunciados, as opcións de resposta e, sobre todo, cales se dan por correctas. Un distractor mal formulado pode ser tan prexudicial como unha resposta equivocada.
• A retroalimentación. O que o material responde cando o alumnado se equivoca, que só se ve se se proban respostas incorrectas.
• O comportamento nos casos extremos. Que ocorre ao deixar unha resposta en branco, ao escribir un número negativo, ao introducir un valor enorme ou ao premer dúas veces seguidas.

A forma de facelo é percorrer o material como o faría o alumnado, tamén con respostas equivocadas, e non limitarse a mirar a pantalla inicial. Moitos fallos só aparecen ao chegar ao final da actividade ou ao repetila.

Coa IA é doado modificar un material xa revisado, e esa facilidade ten un risco. Un cambio que parece pequeno, como engadir unha pregunta ou cambiar o deseño, pode estragar outra parte que xa funcionaba, aínda que aparentemente non teña relación co que se pediu. Estes fallos coñécense como regresións, e a revisión inicial non os detecta, xa que se fixo sobre a versión anterior.

Para detectalos, a revisión convértese nunha lista de comprobacións que se repite despois de cada cambio importante. A lista recolle os percorridos principais e os casos extremos que xa se comprobaron, e pode redactala a propia IA a partir do que se probou. Nun cuestionario, por exemplo, podería ser a seguinte:

• O cuestionario complétase de principio a fin.
• Unha resposta incorrecta mostra a retroalimentación prevista.
• Unha resposta en branco non produce erros.
• Ao reiniciar, a actividade volve ao estado inicial.
• Funciona só co teclado.

Cando o proxecto o permite, a IA pode converter esas comprobacións en probas automáticas e executalas despois de cada cambio. Os axentes de programación fano sen axuda. Estas probas só confirman que o material segue funcionando como antes, e a corrección do que ensina segue dependendo da revisión descrita máis arriba. A IA pode encargarse de repetir as comprobacións, aínda que decidir que comportamentos deben conservarse correspóndelle á persoa que coñece o material.

A IA acelera a produción, pero a responsabilidade pedagóxica segue sendo da persoa que publica o material. Así o recolle tamén a «Guía sobre el uso de la inteligencia artificial en el ámbito educativo» do Instituto Nacional de Tecnoloxías Educativas e de Formación do Profesorado (INTEF), na súa versión 2.0 de setembro de 2026, que entre os seus principios éticos sitúa a supervisión humana e a responsabilidade: o profesorado debe manter o control sobre o uso da IA, e as decisións educativas non poden depender de sistemas automatizados.

Isto ten unha consecuencia práctica para o resto da guía. A IA pode encargarse de case todas as recomendacións, desde a licenza ata a accesibilidade, pero non desta. Pode sinalar que convén comprobar, e mesmo advertir daquilo do que non está segura, aínda que non pode certificar que o que ensina o material sexa correcto. Por iso, na avaliación VCER, a IA puntúa só os erros que detecta e sinala o que debe revisar a persoa.

A revisión non remata ao publicar. As persoas que utilizan o material atopan fallos que o seu autor non viu, porque o proban con outro alumnado, noutros dispositivos e con outras preguntas. Por iso convén dalo a coñecer nunha comunidade docente e atender aos comentarios das persoas que o proban. No grupo de Telegram Vibe Coding Educativo, a sección «¡Comparte tu App!» está pensada para presentar os programas publicados, e os comentarios que reciben serven para corrixilos e melloralos.

Que os datos sexan exactos é o mínimo, non o obxectivo. Un material pode non conter ningún erro e seguir sendo pobre desde o punto de vista didáctico. O artigo «Mantener la “A” de abierto en los REA en tiempos de IA» sinala tres aspectos que ningún código substitúe.

O primeiro é a claridade do obxectivo de aprendizaxe, de forma que o alumnado saiba en todo momento que se espera que aprenda e por que. O segundo é a retroalimentación formativa, que non consiste só en indicar se unha resposta é correcta, senón en explicar o motivo, ofrecer unha pista e invitar a intentalo de novo. O terceiro é a coherencia metodolóxica, é dicir, que cada actividade responda a unha decisión didáctica e non ao que a IA propuxo por defecto.

A pregunta que convén facerse ao revisar non é se o material quedou vistoso, senón se axuda a aprender mellor. Esa valoración correspóndelle á persoa que coñece a materia e ao alumnado, e é a súa achega ao vibe coding educativo.