Co-construcción de una pauta de cotejo en atención farmacéutica mediante inteligencia artificial

En la formación de profesionales y técnicos en salud, uno de los desafíos recurrentes es la dificultad que experimentan los estudiantes para situarse en escenarios laborales reales (Flores Fiallos, 2024), especialmente cuando carecen de experiencia previa. Esta brecha entre teórico-práctica se hace evidente en asignaturas que contemplan la simulación clínica como en Técnico en Farmacia, donde se espera que los estudiantes demuestren no solo conocimientos técnicos, sino también habilidades de razonamiento clínico, comunicación y autonomía (Diley Guevara Saínz et al., 2022; Núñez, 2008; Ortega, 2022).

Frente a esta problemática, surge la siguiente pregunta: ¿Cómo promover, en aula, las habilidades de razonamiento clínico, comunicación y autonomía, siendo que los estudiantes no enfrentan aún escenarios laborales reales?

El objetivo de esta experiencia consiste en desarrollar un instrumento de evaluación que reflejen contextos reales del sector farmacéutico, donde se propone como estrategia didáctica la co-construcción participativa de una pauta de cotejo, mediada por inteligencia artificial y validada por Coordinación Técnico-Pedagógica, con el fin de ofrecer un instrumento de evaluación contextualizado que promueva dichas habilidades en un entorno simulado.

Este artículo adopta una perspectiva colaborativa tanto estudiante como docente, donde ambos actores participan activamente en el diseño de instrumentos de evaluación contextualizados. A través de un proceso guiado de co-construcción, se utilizó la IA para sistematizar aportes estudiantiles y generar casos de simulación relevantes, que posteriormente fueron evaluados mediante una matriz de impacto.

La relevancia de esta experiencia radica en la integración de la metacognición, siendo el “conocimiento del ser”, como eje central en la formación técnica, permitiendo que los estudiantes reflexionen sobre su propio aprendizaje y se preparen para desempeñarse con mayor seguridad y autonomía en entornos profesionales dinámicos

Contexto institucional y curricular

Esta experiencia se implementó en la asignatura Servicios Farmacéuticos II de Técnico en Farmacia en INACAP. La asignatura forma técnicos capacitados para gestionar la dispensación de medicamentos, brindar atención al usuario y apoyar labores logísticas en farmacias comunitarias y hospitalarias, desarrollando competencias para la atención farmacéutica integral.

No obstante, uno de los desafíos recurrentes en la formación es la transición desde el conocimiento teórico hacia su aplicación en contextos reales (López Cárdenas & Soto Mora, 2020; Uribe-Muñoz & Hidalgo-Mancilla, 2024), donde los estudiantes deben demostrar no solo competencias procedimentales, sino también habilidades de razonamiento clínico, socioafectivas y metacognitivas.

La evaluación auténtica se presenta como una necesidad formativa clave, aunque su diseño e implementación suelen estar mediados por instrumentos estandarizados que no siempre reflejan la complejidad del quehacer profesional (Cornejo Valderrama et al., 2015).

Marco teórico

La experiencia se sustenta en cuatro pilares conceptuales. En primer lugar, la taxonomía de Marzano, que integra el conocimiento de información, procedimental y el sistema de conciencia del ser (Marzano Robert J & Kendall John S., 2008). Este último dominio resulta esencial para que los estudiantes desarrollen autonomía y reflexionen sobre su propio desempeño.

En segundo lugar, se aplica el modelo de la Pirámide de Miller para la evaluación de competencias clínicas, la cual estructura el aprendizaje en una progresión desde el "saber" hasta el "demostrar cómo" y finalmente el "hacer" en un contexto real o simulado (Miller, 1990). Este marco asegura que los estudiantes no solo comprendan la teoría, sino que también demuestren su capacidad para aplicarla en situaciones prácticas, cerrando la brecha entre el conocimiento abstracto y la acción competente.

En tercer lugar, se adopta el enfoque de aprendizaje colaborativo, que promueve la construcción social del conocimiento (Dillenbourg, 1999) mediante la negociación de significados y corresponsabilidad, desarrollando autonomía y pensamiento crítico a través de una evaluación co-construida entre estudiantes y docente para lograr aprendizaje significativo (Santiago Otero-Potosi et al., 2023), superando la evaluación tradicional.

Finalmente, se incorpora el uso de inteligencia artificial generativa como herramienta de diseño instruccional, facilitando la sistematización de aportes y la generación de escenarios pedagógicos significativos y contextualizados (Parra-Sánchez, 2022).

En resumen, esta experiencia se sustenta en cuatro pilares conceptuales que se articulan en el proceso de co-construcción: la taxonomía de Marzano (conciencia del ser), la Pirámide de Miller (evaluación clínica), el aprendizaje colaborativo (Dillenbourg) y la IA generativa como herramienta de diseño instruccional (Parra-Sánchez). Estos referentes se integran sistemáticamente en el diseño metodológico.

Marco metodológico

El diseño siguió una secuencia colaborativa de cuatro etapas: lluvia de ideas en Google Drive para construir casos, sistematización con IA generativa que produjo cuatro escenarios, selección colectiva mediante matriz de impacto según relevancia formativa y desafío, y finalmente co-construcción de la pauta de cotejo considerando los criterios de la taxonomía de Marzano.

Los participantes fueron 27 estudiantes de Técnico en Farmacia y el docente a cargo. Los recursos tecnológicos utilizados incluyeron Google Drive para la colaboración asincrónica, la IA DeepSeek para la generación de casos, que con una matriz de impacto desafío-significatividad para la priorización. La pauta final fue validada por la Coordinación Técnico Pedagógica (CTP), asegurando su alineación con los criterios de evaluación institucionales, donde posteriormente se aplicó a los 25 estudiantes que rindieron la evaluación.

Desarrollo

El proceso de co-construcción, se integró tanto a los estudiantes como al docente y que utilizaron herramientas digitales e inteligencia artificial como facilitadores.

La primera etapa consistió en una lluvia de ideas colaborativa realizada de forma asincrónica en Google Drive. Las dos secciones del taller seleccionaron, en conjunto, seis medicamentos de alto impacto clínico y uso frecuente en el entorno farmacéutico local. Cada estudiante aportó párrafos descriptivos sobre posibles escenarios de atención relacionados con estos fármacos, generando un corpus inicial de situaciones realistas, pero aún desestructuradas.

En la segunda etapa, se empleó inteligencia artificial (DeepSeek) con un prompt basado en el modelo CO-STAR (Context, Objective, Style, Tone, Audience, Response) para sistematizar y dar coherencia pedagógica a los aportes estudiantiles con el descriptor de la asignatura. La IA generó los siguientes cuatro escenarios de simulación:

Alternativa 1: Paciente crónico con problemas de deglución y adherencia.

Un señor de 75 años, diabético, hipertenso y con osteoporosis, llega con una hoja de urgencia exigiendo sus medicamentos de siempre. Presenta problemas para tragar y está estreñido. Tras una consulta farmacéutica, se descubre que su tratamiento incluye Metformina y Losartan para sus patologías base, Omeprazol para proteger su estómago, Bisoprolol para la hipertensión, e Insulina NPH. Además, por su estado ansioso y problemas de sueño, tiene prescrito Zolpidem. Se le ofrece asesoramiento para solucionar el estreñimiento y se derivan sus comprimidos a formas líquidas o divisibles para facilitar la deglución, mejorando su adherencia terapéutica.

Alternativa 2: Intento de dispensación irregular con patologías no controladas.

Un hombre de 67 años llega a la farmacia desafiante, exigiendo Zolpidem sin receta, alegando que siempre se lo venden así. Manifiesta sed excesiva y estreñimiento. El técnico, sospechando de un mal control metabólico, inicia una consulta. Descubre que es paciente diabético e hipertenso que abandonó su tratamiento médico y ocupa una receta antigua con Metformina, Losartan y Bisoprolol, a lo que añade Omeprazol por pirosis. Se le niega la dispensación sin prescripción, se le explica el riesgo de la automedicación y se le urge a acudir al médico para ajustar su tratamiento, incluida la Insulina NPH que podría necesitar.

Alternativa 3: Confusión post-urgencia y solicitud de bioequivalentes.

Una paciente de 52 años llega enojada, con dolor musculoesquelético y sofocos tras una caída. Exige algo rápido y fuerte. Presenta un papel de urgencia donde se le prescribió un analgésico, pero ella insiste en que siempre toma Losartan, Metformina, Bisoprolol y Omeprazol. Además, pide Zolpidem para dormir e Insulina NPH, solicitando la opción más barata. El técnico verifica la receta, le ofrece los bioequivalentes y aprovecha para educarla sobre la importancia de no suspender sus crónicos y de tratar su dolor e hipertensión de forma segura, descartando automedicación.

Alternativa 4: Paciente polimedicado con depresión y riesgo iatrogénico.

Paciente de 68 años, viene por su medicación mensual. Refiere insomnio, cansancio matinal y mareos. Su tratamiento incluye Metformina, Losartan, Bisoprolol e Insulina NPH para diabetes e HTA. También toma Omeprazol y Zolpidem para el reflujo y el sueño. El técnico, al correlacionar sus síntomas, identifica que el mareo podría ser por la dosis de Bisoprolol y el cansancio matinal, un efecto residual del Zolpidem. Se le recomienda hablar con su médico para revaluar dosis y explorar si su insomnio y fatiga son síntomas de una depresión no tratada, que sería la causa real.

En la tercera etapa, las 4 alternativas fueron sometidas a una matriz de impacto con los estudiantes en clases. Esta matriz evaluó cada caso según dos dimensiones: Significativo para la formación (alineación con objetivos de aprendizaje) y Desafiante para la realización (complejidad procedimental y metacognitiva), que fue validado por Coordinación Técnico Pedagógica. El caso seleccionado fue la alternativa 3 según la categorización de los estudiantes en la siguiente imagen.

Figura 1. Matriz de impacto para la selección de las alternativas de escenarios de simulación.

 

En la última etapa, que fue la co-construcción de la pauta de cotejo, fue fundamental. A partir del caso elegido, se diseñó con indicadores de desempeño organizados alineados al descriptor de la asignatura, obteniendo la siguiente pauta de cotejo.

Tabla 1.          Pauta de cotejo co-construida para la evaluación de la atención farmacéutica en simulación clínica

Indicador	Puntaje
Saluda al cliente de forma cordial y respetuosa.	1
Verbaliza el contenido de las recetas (“Datos del paciente, Datos del médico, Nombre del producto, dosis, Vía de administración, Forma Farmacéutica, Posología y Duración de tratamiento”).	4
Se dirige a la oficina del farmacéutico con el carnet del paciente.	2
Brindar 2 recomendaciones farmacológicas de los medicamentos convencionales (Losartan, Metformina, Bisoprolol, Omeprazol).	2
Brindar 2 recomendaciones farmacológicas del medicamento de cadena de frío (Insulina NPH).	2
Brindar 2 recomendaciones farmacológicas del medicamento con control de saldo (Zolpidem).	2
Muestra al paciente 2 bioequivalentes de los productos de estantería.	2
Ofrece algún producto adicional como suplementos.	3
Realizar el recuento de la compra, verbalizando el total de compra.	1
Ofrece distintos medios de pago, verbalizando “Puede pagar con efectivo, débito o crédito”.	1
Entrega la boleta de compra.	1
Entrega el medicamento, anota en la bolsa sus indicaciones y se despide del cliente.	2
Entrega la receta retenida al farmacéutico según la normativa (consignando nombre, RUT y firma del cliente en el reverso).	4
Trata al paciente de forma adecuada y respetuosa durante toda la atención.	3
Total	30

La pauta fue validada internamente por la Coordinación Técnico Pedagógica para asegurar su alineación curricular y viabilidad en simulación. La evaluación consistió en una atención farmacéutica donde un estudiante simuló ser el Químico Farmacéutico (rol pasivo) y el estudiante en evaluación (rol activo) para dispensar los medicamentos, mientras el docente actuó como paciente simulado, aplicando los lineamientos del caso seleccionado.

Resultados

Se aplicó la pauta co-construida a 25 estudiantes que asistieron a la evaluación, donde se obtuvo resultados cuantitativos en relación con sus calificaciones, que reflejan un impacto notable en el desempeño académico del grupo.

Tabla 2 Estadísticos descriptivos del desempeño en evaluación de simulación clínica (n=25)

Dato estadístico	Total (n=25)
Media	6,33
Mediana	6,5
Moda	7,0
Desviación estándar	0,79
Coeficiente de Variación	12,5%

Figura 2 Histograma del desempeño en evaluación de simulación clínica (n=25).

 Figura 3 Diagrama de caja del desempeño en evaluación de simulación clínica (n=25).

 

La distribución de calificaciones mostró un rendimiento alto y homogéneo (SD = 0,79), con un CV de 12,5% que confirma baja dispersión. El histograma reveló una concentración destacada entre 6,0 y 7,0, alcanzando la nota máxima. El diagrama de caja ubicó el rango intercuartílico en ese mismo intervalo, sin valores atípicos, reforzando la uniformidad de los logros académicos.

Discusión

Si bien la totalidad de los estudiantes aprobó la evaluación (con dos casos aislados bajo 5,0), los resultados generales respaldan la hipótesis de que la co-construcción de la pauta de evaluación, alineada con la autopercepción del ser de Marzano, permitió a los estudiantes comprender mejor las expectativas y optimizar su desempeño.

Se observó en la ejecución el desarrollo de autonomía y metacognición durante la simulación, dado a que los estudiantes no solo ejecutaron procedimientos, sino que fundamentaron recomendaciones y adaptaron su comunicación, demostrando haber internalizado el "qué", el "por qué" y el "cómo" de una atención competente. La dimensión colaborativa fomentó la corresponsabilidad en el aprendizaje, mientras la IA actuó como catalizador, transformando aportes diversos en insumos estructurados que centraron el debate en la toma de decisiones clínicas. Se reconocen limitaciones como el tamaño de la muestra, la naturaleza única de la intervención y la posible influencia del efecto Hawthorne dado a que los participantes modifican su conducta al saberse evaluados, pudieron influir en los resultados observado, lo que impide generalizar los resultados y afirmar causalidad exclusiva de la intervención.

Conclusiones

La experiencia de co-construcción de una pauta de cotejo mediada por inteligencia artificial demostró ser una estrategia exitosa que no solo contextualizó la evaluación, sino que impactó positivamente en el desempeño y autonomía de los estudiantes de Técnico en Farmacia. Los hallazgos se organizan en tres dimensiones principales.

En primer lugar, se evidenció un alto nivel de logro académico con homogeneidad en los resultados. El promedio de 6,33 y un bajo coeficiente de variación (12,5%) reflejan que la pauta co-construida permitió alinear las expectativas de desempeño entre estudiantes y docente. La concentración de notas en el rango superior (6,0-7,0) sugiere que la transparencia en los criterios de evaluación facilitó una preparación más enfocada y una ejecución más segura durante la simulación clínica.

En segundo lugar, se consolidó el desarrollo de autonomía y metacognición. La participación activa en el diseño del caso y la pauta incrementó el compromiso con el aprendizaje y permitió a los estudiantes reflexionar sobre lo que constituye un desempeño competente en atención farmacéutica. Esto fortaleció el "sistema de conciencia del ser" de Marzano y el dominio de competencias clínicas de Miller, manifestándose en mayor seguridad actitudinal, capacidad de adaptación a imprevistos y fundamentación de decisiones clínicas durante la simulación.

Finalmente, la integración de inteligencia artificial como facilitador cognitivo y colaborativo demostró ser innovadora y eficaz. La IA no reemplazó el juicio pedagógico, sino que sistematizó y dio estructura a las contribuciones estudiantiles, permitiendo enfocar el debate en la relevancia clínica rather than en aspectos formales. Esto optimizó el tiempo, potenció la construcción social del conocimiento y abrió posibilidades para escalar la metodología en otros contextos formativos.

La relevancia de esta investigación aplicada radica en el potencial de esta estrategia para transformar la evaluación en carreras de salud, abordando directamente la brecha teoría-práctica. Al desarrollar instrumentos de evaluación co-construidos y contextualizados, la experiencia no solo mejora los resultados de aprendizaje inmediatos, sino que fortalece el perfil de egreso, formando profesionales más autónomos y mejor preparados para los desafíos laborales.

Como proyección, se plantean tres líneas de trabajo futuro: replicar la metodología en otros módulos para validar su transferibilidad, profundizar en el análisis cualitativo del impacto en la autopercepción y autoeficacia estudiantil, y medir la transferencia pedagógica mediante estudios longitudinales que sigan a los estudiantes hasta su práctica profesional. La evaluación auténtica, diseñada con y para los estudiantes, se revela, así como una herramienta poderosa para reducir la brecha entre la formación técnica y las demandas del mundo laboral.