PEPamela Navarro Escobar

Pamela Navarro Escobar

*This is an algorithmically generated author record based on publicly available information.

Pamela Navarro Escobar has a total of 1 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Equity and bias in automated educational evaluation systems based on artificial intelligence

    by Pamela Navarro Escobar

    Introduction: Equidad y sesgos en sistemas automatizados de evaluación educativa basados en inteligencia artificial is an emerging higher-education issue related to measurement quality, decision-making and learning experience. Objective: To systematically synthesize available evidence and identify patterns of effectiveness, methodological quality and implementation conditions. Method: A PRISMA-oriented systematic review was conducted on a consolidated academic corpus of 135 records; 7 studies met relevance and documentary sufficiency criteria. Results: Evidence was methodologically heterogeneous but converged on the need to align technology, constructs, feedback and educational decisions. Conclusions: Findings support evidence-informed adoption, institutional monitoring and continuous assessment of validity, equity and utility.

  • Open Access

    Analítica del aprendizaje neuroinclusiva: identificación de sesgos en la evaluación de estudiantes neurodivergentes

    by Giovanni Juan Maldonado Aguirre, Pamela Navarro Escobar

    La analítica del aprendizaje utiliza datos educativos y modelos computacionales para describir comportamientos, predecir resultados y apoyar decisiones relacionadas con el aprendizaje. Sin embargo, los indicadores utilizados pueden incorporar supuestos sobre formas consideradas típicas de participación, comunicación, atención y rendimiento que no representan adecuadamente la diversidad neurocognitiva. Esta revisión narrativa tuvo como objetivo analizar los riesgos de sesgo asociados con la utilización de analítica del aprendizaje en la evaluación de estudiantes neurodivergentes y determinar principios para una aproximación neuroinclusiva. Se examinó literatura publicada entre 2020 y 2024 relacionada con analítica del aprendizaje, discapacidad, neurodiversidad, equidad algorítmica, evaluación, privacidad y sistemas educativos predictivos. La evidencia muestra que una elevada precisión global no garantiza resultados equitativos entre subgrupos y que las fuentes de datos, políticas de calificación, variables demográficas y definiciones de riesgo pueden modificar las clasificaciones producidas. Para estudiantes neurodivergentes, estos problemas adquieren especial importancia cuando diferencias legítimas de interacción son interpretadas como indicadores de bajo compromiso o riesgo académico. Se concluye que una analítica neuroinclusiva requiere evaluación desagregada de fairness, participación estudiantil, transparencia, protección de datos, validación diferenciada y supervisión humana. La analítica debe utilizarse para identificar barreras y proporcionar apoyos, evitando convertir diferencias neurocognitivas en déficits algorítmicamente construidos.