2026-03-022025-10-2013° Congreso Nacional de Ingeniería Informática/Sistemas de Información (CONAIISI 2025)https://conaiisi2025.frc.utn.edu.ar/https://hdl.handle.net/20.500.12272/14620En este artículo se presenta la evaluación realizada de NotebookLM (IA con recuperación aumentada como soporte al análisis cualitativo de observaciones en clases con aula invertida. Sobre un corpus de 10 instrumentos aplicados en 7 asignaturas de ingeniería, se comparó la categorización asistida por IA con la codificación humana, utilizando un único instrumento por momentos (antes/durante/después), escala 0–5 y ponderación 20– 60–20. Se diseñaron prompts normalizados (PRON) para detección de indicadores (participación, autonomía, atención, retroalimentación, uso de TIC, clima) y síntesis con citas exactas. La revisión experta aseguró trazabilidad y validez. La IA reprodujo categorías predefinidas e identificó emergentes útiles, con concordancia cualitativa respecto de la codificación humana. Como observación (no métrica), el flujo asistido redujo tareas operativas tras estandarizar PRON, desplazando el esfuerzo hacia la interpretación. Limitaciones: tamaño muestral (n=10), ausencia de métricas formales de confiabilidad y sensibilidad a la segmentación/pedidos (prompting). Se concluye que NotebookLM amplía la capacidad analítica sin sustituir el juicio experto, bajo protocolos de trazabilidad, validación y reproducibilidad.pdfesinfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/análisis cualitativoaula invertidainteligencia artificialNotebookLMobservación educativainfo:eu-repo/semantics/articleAcceso abierto