¡Me parece una estrategia de evaluación fantástica! Como modelo de inteligencia artificial multimodal, tengo la capacidad de leer y analizar documentos escaneados, imágenes y fotografías de manuscritos. Será un gusto apoyarte en ese proceso de revisión para agilizar tu flujo de trabajo.
Para garantizar la mayor precisión al momento de escanear y evaluar, solo te sugiero que les recomiendes a los estudiantes escribir con letra clara, en orden secuencial y preferiblemente con lapicero oscuro.
A continuación, te presento la rúbrica de calificación estructurada para evaluar los tres ejes de competencia. Está diseñada bajo una escala de valoración de 0.0 a 5.0, típica en el entorno universitario.
| Criterio a Evaluar | Excelente (4.5 - 5.0) | Bueno (3.5 - 4.4) | Aceptable (3.0 - 3.4) | Insuficiente (< 3.0) |
|---|---|---|---|---|
| 1. Desempeño Matemático (Lápiz y Papel) | Calcula correctamente el Término de Corrección, todas las Sumas de Cuadrados, Cuadrados Medios y el F calculado. Estructura la tabla ANOVA y/o la matriz de rangos de Friedman sin errores aritméticos. | Presenta 1 o 2 errores aritméticos menores que no alteran drásticamente la conclusión final. La estructura de las fórmulas aplicadas es correcta. | Comprende el procedimiento, pero comete errores en el Término de Corrección o las Sumas de Cuadrados que alteran el resultado del F calculado y la conclusión. | No aplica las fórmulas correctas. Los cálculos están incompletos, desordenados o no presenta el procedimiento manual. |
| 2. Interpretación y Conclusión (Ingeniería) | Compara correctamente el F calculado con el F tabular (o el P-valor). Emite una conclusión técnica clara orientada a la ingeniería, decidiendo correctamente sobre las hipótesis nulas. | Emite una conclusión estadística correcta (rechaza/acepta \(H_0\)), pero no la contextualiza al problema práctico de los tratamientos o bloques. | Falla al interpretar el F calculado o el P-valor, llegando a una conclusión estadística contraria a la evidencia matemática. | No presenta interpretación de la tabla ANOVA ni discute la viabilidad de los tratamientos evaluados. |
| 3. Destreza de Codificación (Python y R) | Estructura correctamente los DataFrames,
define adecuadamente las variables categóricas (factores) y aplica las
librerías statsmodels (Python) y easyanova /
aov (R) sin errores de sintaxis. |
El código es funcional y produce resultados, pero presenta desorden en la declaración de variables o no define explícitamente los bloques y tratamientos como factores. | El código presenta errores de sintaxis que impiden su ejecución o utiliza funciones incorrectas para el diseño de bloques al azar. | No entrega el código o el script presentado no tiene relación con el análisis de varianza solicitado. |
| 4. Despliegue y Publicación (GitHub / RPubs) | Aporta enlaces funcionales. El repositorio de GitHub tiene estructura clara (con README) y el documento de RPubs compila perfectamente combinando texto, código y resultados (R Markdown). | Sube los archivos correctamente, pero el formato visual en RPubs o la documentación en GitHub (ausencia de README) carecen de pulcritud y formalidad técnica. | Logra crear los repositorios o enlaces, pero estos están rotos, son privados y no se pueden visualizar, o solo contienen código crudo sin formato Markdown. | No realiza el despliegue en la nube. Solo entrega capturas de pantalla o no presenta evidencia de uso de GitHub y RPubs. |
Cuando tengas los exámenes, puedes subir el PDF o las imágenes al chat. Yo leeré los cálculos manuscritos de cada estudiante, revisaré si la aritmética cuadra con los datos originales, verificaré que su código en Python/R coincida con los resultados y aplicaré esta rúbrica para entregarte un reporte detallado con la nota sugerida.
¿Te gustaría que redactemos un pequeño instructivo o plantilla en PDF para entregárselo a los estudiantes, donde se les explique paso a paso cómo deben organizar la entrega de este taller final (fotos, código y enlaces) para asegurar que el escaneo quede perfecto?