Generación Automatizada de Resultados de Aprendizaje mediante LLM
Diseño y Validación
DOI:
https://doi.org/10.59471/raia2025217Palabras clave:
automatización educativa, generación de resultados de aprendizaje, modelos de lenguaje extensos, generación aumentada por recuperaciónResumen
Este artículo explora el uso de la inteligencia artificial para automatizar la generación de Resultados de Aprendizaje (RA) en contextos de educación superior. La propuesta combina un Modelo de Lenguaje Extenso (LLM) con una arquitectura de Generación Aumentada por Recuperación (RAG), con el objetivo de mejorar la precisión, coherencia y relevancia pedagógica de los textos generados. Para lograrlo, se integraron un corpus de documentos disciplinares y una base de datos de RA previamente validados por la comunidad educativa, los cuales fueron utilizados como fuentes contextuales durante el proceso de generación automática. La arquitectura propuesta fue implementada y se analizaron diversos escenarios experimentales utilizando un único curso, modificando configuraciones de entrada como la estructura del prompt y la temperatura del modelo. Los resultados muestran que el sistema es capaz de generar RA estructuralmente correctos y alineados con los parámetros curriculares. Como trabajo futuro, se propone la incorporación de mecanismos automáticos para evaluar la calidad pedagógica, junto con la extensión del modelo para apoyar la generación de otros artefactos educativos relevantes.
Descargas
Referencias
Benites, F., Benites, A. D., & Anson, C. M. (2023). Automated text generation and summarization for academic writing. In Digital Writing Technologies in Higher Education: Theory, Research, and Practice (pp. 279–301). Springer International Publishing. https://doi.org/10.1007/978-3-031-36033-6_18
Biggs, J. (2003). Teaching for Quality Learning at University.
Bloom, B. S., Engelhart, M. D., Furst, E. J., Hill, W. H., & Krathwohl, D. R. (1956). Handbook I: cognitive domain. (New York: David McKay, Ed.).
Chroma. (2023). Chroma is the open-source search and retrieval database for AI applications. Https://Www.Trychroma.Com/.
Chu, Z., Wang, S., Xie, J., Zhu, T., Yan, Y., Ye, J., Zhong, A., Hu, X., Liang, J., Yu, P. S., & Wen, Q. (2025). LLM Agents for Education: Advances and Applications.
Corchado, J. M., Sebastian López, F., Núñez, J. M. V., Raul Garcia, S., & Chamoso, P. (2023). Generative Artificial Intelligence: Fundamentals. Advances in Distributed Computing and Artificial Intelligence Journal, 12(1). https://doi.org/10.14201/adcaij.31704
Gaete Quezada, R. (2021). Evaluación de resultados de aprendizaje mediante organizadores gráficos y narrativas transmedia. Revista de Estudios y Experiencias En Educación, 20(44), 384–407. https://doi.org/10.21703/0718-5162.v20.n43.2021.022
Jeong, C. (2023). A Study on the Implementation of Generative AI Services Using an Enterprise Data-Based LLM Application Architecture. Advances in Artificial Intelligence and Machine Learning, 03(04), 1588–1618. https://doi.org/10.54364/AAIML.2023.1191
Li, Y., Li, Z., Zhang, K., Dan, R., Jiang, S., & Zhang, Y. (2023). ChatDoctor: A Medical Chat Model Fine-Tuned on a Large Language Model Meta-AI (LLaMA) Using Medical Domain Knowledge. Cureus. https://doi.org/10.7759/cureus.40895
Meta. (2024). Introducing Llama 3.1: Our most capable models to date. Https://Ai.Meta.Com/Blog/Meta-Llama-3-1/.
Min, B., Ross, H., Sulem, E., Veyseh, A. P. Ben, Nguyen, T. H., Sainz, O., Agirre, E., Heintz, I., & Roth, D. (2024). Recent Advances in Natural Language Processing via Large Pre-trained Language Models: A Survey. ACM Computing Surveys, 56(2), 1–40. https://doi.org/10.1145/3605943
Neil, C. (2024). Marco conceptual para la definición, desarrollo y evaluación de competencias (Fundación Iberoamericana de Estudios Superiores (ed.); 1a ed.). Fundación Iberoamericana de Estudios Superiores.
Neil, C., Battaglia, N., & De Vincenzi, M. (2023). La matriz de competencias como herramienta para orientar la escritura de resultados de aprendizaje. XVIII Congreso Nacional de Tecnología En Educación y Educación En Tecnología-TE&ET 2023.
Pavlyshenko, B. M. (2023). Financial News Analytics Using Fine-Tuned Llama 2 GPT Model.
Posedaru, B.-S., Pantelimon, F.-V., Dulgheru, M.-N., & Georgescu, T.-M. (2024). Artificial Intelligence Text Processing Using Retrieval-Augmented Generation: Applications in Business and Education Fields. Proceedings of the International Conference on Business Excellence, 18(1), 209–222. https://doi.org/10.2478/picbe-2024-0018
Prieto J. (2012). Las competencias en la docencia universitaria. Pearson Educación.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2019). Improving Language Understanding by Generative Pre-Training.
Ray, P. P. (2023). ChatGPT: A comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope. In Internet of Things and Cyber-Physical Systems (Vol. 3, pp. 121–154). KeAi Communications Co. https://doi.org/10.1016/j.iotcps.2023.04.003
Yeung, C., Yu, J., Cheung, K. C., Wong, T. W., Chan, C. M., Wong, K. C., & Fujii, K. (2025). A Zero-Shot LLM Framework for Automatic Assignment Grading in Higher Education.
Zhao W., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., Min, Y., Zhang, B., Zhang, J., Dong, Z., Du, Y., Yang, C., Chen, Y., Chen, Z., Jiang, J., Ren, R., Li, Y., Tang, X., Liu, Z., Wen, J.-R. (2023). A Survey of Large Language Models.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
