Automation of learning outcome generation using a Large Language Model

• Autores: Garrido, Nelson; Neil, Carlos Gerardo
• Año de publicación: 2025
• Idioma: inglés
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Educación; Evaluación; competencias; Inteligencia artificial; education; assessment; competencies; artificial intelligence
• Institución: Universidad Nacional de La Plata

Learning Outcomes are clear and specific statements about what students should know, understand, and be able to do at the end of a learning process. They are a fundamental pillar in curriculum design and competency assessment, ensuring coherence between teaching, learning, and evaluation. Their proper formulation is key to constructive alignment and educational planning. Traditionally developed through manual writing, learning outcomes present challenges such as structural variability, the lack of standardized guidelines, and the workload for educators. To address these difficulties, methodologies based on competency matrices, cognitive taxonomies, and tools such as analytical rubrics have been developed, facilitating the connection between competencies, teaching strategies, and assessment. However, the increasing need for standardization and efficiency in their formulation highlights the necessity of automating their generation. This article analyzes the writing process of learning outcomes and the feasibility of automation to improve coherence and applicability in higher education.
Los resultados de aprendizaje son enunciados claros y específicos sobre lo que los estudiantes deben saber, comprender y ser capaces de hacer al final de un proceso de aprendizaje. Son un pilar fundamental en el diseño curricular y la evaluación de competencias, asegurando la coherencia entre la enseñanza, el aprendizaje y la evaluación. Su formulación adecuada es clave para la alineación constructiva y la planificación educativa. Tradicionalmente desarrollados mediante escritura manual, los resultados de aprendizaje presentan desafíos como la variabilidad estructural, la falta de directrices estandarizadas y la carga de trabajo para los educadores. Para abordar estas dificultades, se han desarrollado metodologías basadas en matrices de competencias, taxonomías cognitivas y herramientas como rúbricas analíticas, facilitando la conexión entre competencias, estrategias de enseñanza y evaluación. Sin embargo, la creciente necesidad de estandarización y eficiencia en su formulación resalta la necesidad de automatizar su generación. Este artículo analiza el proceso de escritura de los resultados de aprendizaje y la viabilidad de la automatización para mejorar la coherencia y la aplicabilidad en la educación superior.
Sociedad Argentina de Informática e Investigación Operativa