Dos docentes miran el mismo pase, con la misma rúbrica delante, y ponen notas distintas. No es un fallo de quien la usa. Es el punto de partida de cualquier instrumento, y la investigación ha medido con bastante precisión cuánto de esa distancia se puede cerrar.
Termina la unidad de deportes de invasión. Tienes veintiocho alumnos, cuatro sesiones de observación y una rúbrica de cinco criterios que descargaste en septiembre. Rellenas la tabla en el pabellón, entre dos partidos, y al llegar a casa te asalta la duda de siempre: si mañana la pasara tu compañero de departamento, ¿saldrían las mismas notas? La respuesta honesta, con los datos en la mano, es que probablemente no.
Conviene decirlo pronto, porque la rúbrica se ha vendido en muchos claustros como la vacuna contra la subjetividad. No lo es. Y aun así merece la pena usarla.
Qué mide una rúbrica y qué no
Una rúbrica es una matriz que cruza criterios de evaluación con niveles de logro, y describe con palabras qué se observa en cada cruce. La versión analítica puntúa cada criterio por separado: decisión de pase, ejecución técnica, apoyo posterior. La holística emite un juicio global sobre el desempeño completo, apoyándose en un descriptor por nivel. Ambas son instrumentos de valoración graduada, no de registro dicotómico: no responden si el alumno hizo o no hizo algo, sino con qué grado de dominio lo hizo.
Lo que una rúbrica hace de verdad es hacer explícito el criterio que el docente ya tenía interiorizado. Ordena la mirada, la comparte con el alumnado y deja rastro escrito de por qué esa ejecución vale un tres y no un dos. Lo que no hace, y aquí empieza el problema, es garantizar que dos personas distintas lean el mismo descriptor de la misma manera. La rúbrica documenta el criterio; no lo iguala.
El error más extendido
El error consiste en tratar la rúbrica como un instrumento de medida cerrado, del tipo cronómetro o cinta métrica, cuando funciona como un protocolo de observación que necesita calibrarse. Se descarga una plantilla, se reparte al departamento y se da por resuelta la objetividad de la evaluación. El instrumento cambia de manos sin que nadie haya acordado qué significa exactamente «se desmarca con intención» en un grupo de segundo de la ESO.
La corrección es menos glamurosa que la plantilla: antes de usar la rúbrica con el alumnado, hay que puntuar en común. Dos o tres ejecuciones grabadas, cada docente puntúa por separado, se comparan resultados y se discute cada discrepancia hasta acordar el descriptor. Media hora de departamento. Esa sesión, y no el diseño de la tabla, es la que mueve la aguja, y es exactamente lo que la revisión de Jonsson y Svingby (2007) encontró al sintetizar setenta y cinco estudios empíricos: la fiabilidad de la puntuación mejora cuando las rúbricas son analíticas, específicas del contenido y se acompañan de ejemplos o de entrenamiento previo de los evaluadores.
Cuánto se ponen de acuerdo dos evaluadores
Aquí es donde los números incomodan. Chamberlain y colaboradores (2026) pusieron a siete evaluadores, cuatro con más de cinco años de experiencia corrigiendo y tres sin ella, a puntuar doscientos setenta y cuatro trabajos con descriptores holísticos y analíticos. Cada evaluador consigo mismo fue casi perfecto: los coeficientes de correlación intraclase intraevaluador oscilaron entre 0,926 y 0,978. Entre evaluadores distintos, el acuerdo se desplomó a 0,489 con descriptor holístico entre dos personas experimentadas, y a 0,432 cuando una de ellas era inexperta. Con descriptor analítico subió, pero se quedó en 0,646 y 0,550.
Traducido a la sala de profesores: cada uno de nosotros es muy coherente con su propio criterio y bastante menos coherente con el del compañero de al lado. El descriptor analítico ayuda, la experiencia ayuda, y aun sumando las dos cosas el acuerdo se queda en moderado.
En Educación Física el dato tiene una réplica cercana. Gavigan y colaboradores (2025) hicieron que diez docentes generalistas evaluaran la competencia motriz de doscientos cuarenta y seis escolares de diez a trece años en tres colegios de Dublín. La fiabilidad interobservador global fue buena, con un coeficiente de 0,701. Pero al bajar a habilidades concretas el rango se abrió de 0,352 a 0,863: los mismos docentes, con el mismo instrumento, eran fiables valorando unas habilidades y poco fiables valorando otras, sobre todo las de manipulación de móviles.
0,49
Acuerdo entre dos evaluadores experimentados con descriptor holístico. Consigo mismos, ambos superan el 0,92
Hay un tercer dato que conviene tener presente antes de fiarse de cualquier instrumento de observación. La revisión sistemática de Manso-Lorenzo y colaboradores (2024) sobre el uso del GPAI en Educación Física localizó veintisiete artículos; veintitrés evaluaron a partir de grabaciones de vídeo, solo doce detallaron cuánto tiempo se entrenó a los codificadores y solamente uno lo aplicó en vivo con alumnado. Es decir: casi toda la evidencia sobre observación en EF procede de condiciones que no se parecen a un pabellón un martes a las nueve.
Analítica u holística, y por qué la pregunta está mal planteada
Tolgfors y colaboradores (2025) entrevistaron en seis grupos focales a veintidós docentes suecos de EF sobre el mandato de evaluar de forma holística. La valoración fue buena: les permitía ponderar factores y ver el cuadro completo con lo que ellos llamaban su ojo entrenado. El análisis, sin embargo, señaló la contrapartida, que es la que nos interesa: menos transparencia para el alumnado y riesgo de dejar áreas de contenido en la sombra.
La decisión, entonces, no es cuál es mejor en abstracto. La analítica sirve cuando quieres devolver información útil sobre partes concretas del desempeño y cuando varias personas van a evaluar. La holística sirve cuando lo que evalúas es un desempeño integrado y quien evalúa es una sola persona con criterio consolidado. Elegir por moda, y no por esa pregunta, es lo que produce rúbricas de doce criterios que nadie rellena en el pabellón.
Cómo se lleva esto al lunes
La rúbrica rinde de verdad cuando el alumnado la usa antes de ser calificado con ella. Panadero y Jonsson (2013), al revisar veintiún estudios sobre su uso formativo, describen mejoras de rendimiento y de autorregulación cuando el instrumento acompaña el proceso en lugar de cerrarlo. El trabajo posterior de Jonsson y colaboradores (2025), sobre los quince estudios de intervención de mayor calidad, es todavía más concreto: los efectos más grandes aparecen cuando el docente explica el contenido de la rúbrica y su uso, y cuando la secuencia es producir, recibir retroalimentación o autoevaluarse, y revisar.
Cuatro decisiones antes de repartir la rúbrica
- Tres criterios, no ocho. Si no se puede rellenar mirando un partido, no es una rúbrica de aula.
- Descriptores observables. Cambia «muestra buena actitud» por «ofrece línea de pase tras entregar el balón».
- Media hora de calibración. Dos vídeos, puntuación individual, comparación y acuerdo sobre las discrepancias.
- La rúbrica se entrega antes. El alumnado tiene que poder usarla para producir, no solo recibirla con la nota.
Queda una incomodidad que no se resuelve con ninguna plantilla. Si tu departamento nunca ha calibrado, las notas de EF de tu centro dependen hoy de qué profesor te tocó. Eso no lo arregla descargar una rúbrica mejor. Lo arregla sentarse media hora con un vídeo.
Mientras tanto, sigue siendo mejor evaluar con rúbrica que sin ella. Avilés Salgado (2025) analizó sesenta y tres relatos profesionales de promotores de EF y encontró que, pese al peso creciente de la evaluación formativa en el discurso curricular, persisten las prácticas tradicionales y un uso escaso de la retroalimentación. Frente a eso, un instrumento imperfecto pero explícito sigue siendo preferible a un criterio impecable pero guardado en la cabeza del docente.
Guía V01 · Rúbrica analítica y holística
Cómo se construye paso a paso, ocho errores frecuentes con su corrección, los sesgos documentados del instrumento, dos ejemplos completos de aula y dos plantillas rellenables para imprimir y llevar al pabellón.
Referencias
- Avilés Salgado, K. E. (2025). Evaluación formativa en Educación Física. Prácticas evaluativas y propuestas formativas. Revista Iberoamericana de Evaluación Educativa, 18(2). https://doi.org/10.15366/riee2025.18.2.003
- Chamberlain, J., Francis, S., & Herrick, T. (2026). Assessor experience, not rubric type, determines grading reliability in biosciences coursework. Frontiers in Education, 11, 1729644. https://doi.org/10.3389/feduc.2026.1729644
- Gavigan, N., Goss, H., & Belton, S. (2025). Inter-rater reliability of the FMS2 assessment tool among generalist primary-school teachers. Journal of Science and Medicine in Sport. https://doi.org/10.1016/j.jsams.2025.07.008
- Jonsson, A., Panadero, E., Pinedo, L., & Fernández-Castilla, B. (2025). Using rubrics for formative purposes: Identifying factors that may affect the success of rubric implementations. Assessment in Education: Principles, Policy & Practice. https://doi.org/10.1080/0969594X.2025.2486947
- Jonsson, A., & Svingby, G. (2007). The use of scoring rubrics: Reliability, validity and educational consequences. Educational Research Review, 2(2), 130–144. https://doi.org/10.1016/j.edurev.2007.05.002
- Manso-Lorenzo, V., Evangelio, C., Ruiz-Tendero, G., & González-Víllora, S. (2024). Game performance assessment instrument in physical education: A systematic review from 2015 to 2024. Physical Education and Sport Pedagogy. https://doi.org/10.1080/17408989.2024.2432313
- Panadero, E., & Jonsson, A. (2013). The use of scoring rubrics for formative assessment purposes revisited: A review. Educational Research Review, 9, 129–144. https://doi.org/10.1016/j.edurev.2013.01.002
- Tolgfors, B., Caldeborg, A., Jansson, K., Mustell, J., Sjödin, K., & Barker, D. (2025). Holistic assessment in school physical education: Seeing the whole picture with our trained eye. European Physical Education Review. https://doi.org/10.1177/1356336X251380095
0 comentarios