Asistentes virtuales de enseñanza basados en generación aumentada por recuperación

Abstract

Los avances recientes en los Grandes Modelos de Lenguaje (LLM) los han consolidado como una tecnología transformadora en inteligencia artificial. Entrenados con grandes volúmenes de texto, aprenden patrones del lenguaje que les permiten generar contenido coherente, responder preguntas, resumir, traducir, programar y asistir en tareas cognitivas complejas.

En educación, su potencial es especialmente relevante: pueden actuar como tutores virtuales, adaptar explicaciones al nivel del estudiante, proponer ejercicios, corregir actividades y acompañar procesos de aprendizaje personalizado, favoreciendo la accesibilidad y la retroalimentación inmediata.

No obstante, su aplicación efectiva requiere abordar el problema de las alucinaciones (es decir, la generación de información incorrecta o no verificada con apariencia plausible), así como integrar contenido institucional específico. En este sentido, la Generación Aumentada por Recuperación (RAG, Retrieval-Augmented Generation, por sus siglas en inglés) combina un modelo generativo con un sistema externo de recuperación de información, lo que permite consultar documentos y repositorios verificados antes de producir una respuesta.

El presente trabajo propone medir empíricamente la mejora en la calidad de las respuestas de un LLM base frente a una variante con enfoque RAG en contextos educativos. Asimismo, busca elaborar una metodología para guiar la carga de contenido académico con dicha arquitectura.