La taxonomía de Bloom sigue siendo un marco fundamental en el diseño educativo para clasificar el nivel cognitivo de las preguntas de evaluación. Sin embargo, su aplicación manual por parte de los docentes resulta subjetiva y consume un tiempo valioso. En este contexto, la automatización mediante técnicas de machine learning (ML) y deep learning (DL) ha mostrado resultados prometedores dentro de un mismo conjunto de datos, pero su capacidad de generalización al cruzar distintas fuentes —lo que se conoce como clasificación transversal— había quedado sin evaluar rigurosamente. Un estudio reciente ha abordado precisamente esta brecha, comparando el rendimiento de modelos supervisados tradicionales con el de modelos de lenguaje de gran escala (LLMs) utilizando diversas estrategias de prompting. Los resultados revelan que los modelos supervisados pierden significativamente precisión cuando se enfrentan a datos desconocidos, mientras que los LLMs mantienen un desempeño más estable, especialmente cuando se combinan ejemplos contextuales con verbos de acción propios del curso. Esto abre la puerta a herramientas más robustas para instituciones educativas, y también para el sector empresarial, donde la clasificación de contenidos formativos es clave en plataformas de inteligencia artificial aplicada al aprendizaje.
Desde una perspectiva técnica, la investigación evidenció que los enfoques supervisados se sobreajustan fácilmente a las particularidades de cada dataset, mientras que los LLMs, al aprovechar el conocimiento lingüístico general y las indicaciones precisas (prompts), logran una transferencia más efectiva entre dominios. La mejor estrategia de prompting combinó ejemplos de preguntas clasificadas previamente con una lista de verbos de acción característicos del ámbito evaluado, lo que permitió al modelo inferir la categoría de Bloom incluso sin entrenamiento específico. Este hallazgo es relevante no solo para el ámbito académico, sino también para empresas que gestionan grandes bancos de preguntas en procesos de certificación, onboarding o formación continua. Para implementar estas soluciones de forma eficiente, muchas organizaciones optan por aplicaciones a medida que integren motores de IA, permitiendo personalizar la lógica de clasificación según los verbos y el contexto de cada curso o área de conocimiento.
Además, la posibilidad de desplegar estas capacidades en la nube amplía su alcance. Con servicios cloud aws y azure, es posible escalar la inferencia de LLMs sin preocuparse por la infraestructura, mientras que la ciberseguridad garantiza la protección de los datos educativos y corporativos. La combinación de ia para empresas con herramientas de servicios inteligencia de negocio como power bi permite a los responsables de formación analizar tendencias en la dificultad de las preguntas y ajustar los planes de estudio. Incluso se puede ir un paso más allá incorporando agentes IA que asistan a los instructores en tiempo real, sugiriendo etiquetas de Bloom o detectando desviaciones en la calidad de las evaluaciones. Empresas como Q2BSTUDIO ofrecen software a medida para integrar estos flujos, combinando modelos de lenguaje con interfaces ligeras que reducen la carga cognitiva del usuario, tal como se demostró en el estudio con una interfaz de usuario que obtuvo altas puntuaciones de usabilidad y baja carga de trabajo.
En definitiva, la clasificación transversal de preguntas según Bloom no solo es factible con LLMs, sino que representa un cambio de paradigma frente a los métodos clásicos supervisados. Para las instituciones educativas y empresas que buscan modernizar sus procesos de evaluación, adoptar un enfoque basado en prompts con modelos lingüísticos avanzados resulta más fiable y menos dependiente de datos etiquetados. La clave está en diseñar estrategias de prompting contextualizadas y apoyarse en desarrollos tecnológicos que permitan su implementación ágil, como los que proporciona Q2BSTUDIO en áreas de inteligencia artificial, cloud y automatización de procesos.
.jpg)
.jpg)
.jpg)
.jpg)