AngelPalomino: AngelPalomino moved page Draft Palomino 218062351 to Palomino Cervantes 2026a

2026-07-21T01:00:41Z

AngelPalomino moved page Draft Palomino 218062351 to Palomino Cervantes 2026a

AngelPalomino at 00:57, 21 July 2026

2026-07-21T00:57:25Z

AngelPalomino at 00:40, 21 July 2026

2026-07-21T00:40:20Z

Show changes

AngelPalomino: Created page with "==1 Title, abstract and keywords

@@ Line 187: / Line 187: @@
 .1. Respuestas a las preguntas de investigación
-'''Tabla 5 – RQ1: ¿Qué propósitos educativos principales cumplen los sistemas que integran chatbots RAG?'''
+'''Tabla 2 – RQ1: ¿Qué propósitos educativos principales cumplen los sistemas que integran chatbots RAG?'''
 {| class="MsoNormalTable"
@@ Line 467: / Line 467: @@
 La elaboración de esta tabla responde a la necesidad de '''sintetizar y estructurar''' cómo se están implementando las tecnologías de Inteligencia Artificial (IA), y de manera específica la arquitectura ''Retrieval-Augmented Generation'' (RAG), en el ámbito educativo. Dado que el objetivo central de la revisión sistemática es analizar el uso de chatbots RAG para el seguimiento y apoyo del progreso académico, esta tabla permite '''identificar las tendencias tecnológicas actuales y los propósitos pedagógicos precisos''' que motivan el desarrollo de estos sistemas. Además, establecer esta categorización facilita la comparación directa entre los enfoques tradicionales (como el ''Machine Learning'' predictivo o los chatbots basados en intenciones predefinidas) y los sistemas generativos modernos, evidenciando la evolución de las herramientas de apoyo al estudiante.
-'''Tabla 6 – RQ2: ¿Qué modelos de lenguaje (LLMs) son los más utilizados en el diseño de sistemas de seguimiento estudiantil?'''
+'''Tabla 3 – RQ2: ¿Qué modelos de lenguaje (LLMs) son los más utilizados en el diseño de sistemas de seguimiento estudiantil?'''
 {| class="MsoNormalTable"
@@ Line 567: / Line 567: @@
 Sin embargo, el análisis de la literatura revela una fuerte tendencia emergente hacia la adopción de Modelos de Lenguaje de Código Abierto (Open-Source LLMs), liderados por las familias LLaMA (Meta) y Mistral. La elección de estos modelos de menor escala (como LLaMA 3 de 8B o Mistral 7B) responde a una necesidad crítica en el sector educativo: la gobernanza de datos. Al ser implementados en infraestructuras locales (utilizando motores como Ollama o LM Studio), las instituciones logran ejecutar arquitecturas de Generación Aumentada por Recuperación (RAG) sin enviar los datos sensibles de los estudiantes y el currículo a servidores de terceros, garantizando así el cumplimiento de normativas de privacidad. Asimismo, destaca la reciente incorporación de modelos altamente eficientes como Qwen y DeepSeek, los cuales demuestran que los "Modelos de Lenguaje Pequeños" (SLMs, por sus siglas en inglés) pueden ofrecer capacidades de tutoría y razonamiento equivalentes a los modelos comerciales masivos, pero a una fracción del costo computacional.
-'''Tabla 7 – RQ3: ¿Qué arquitecturas RAG o Agentes RAG son los más utilizados en el diseño de sistemas de seguimiento estudiantil?'''
+'''Tabla 4 – RQ3: ¿Qué arquitecturas RAG o Agentes RAG son los más utilizados en el diseño de sistemas de seguimiento estudiantil?'''
 {| class="MsoNormalTable"
@@ Line 699: / Line 699: @@
 El avance técnico más crítico en este ámbito es la transición hacia la Recuperación Híbrida; al combinar la similitud semántica de los embeddings con la búsqueda léxica (BM25) y utilizar algoritmos de re-ranking (Cross-Encoders) basados en metadatos, los sistemas logran anclarse estrictamente al material de clase, mitigando las alucinaciones de los LLMs
-'''Tabla 8 – RQ4: ¿Cuáles son las métricas utilizadas para evaluar la precisión de riesgo escolar y la fiabilidad de los chatbots educativos?'''
+'''Tabla 5 – RQ4: ¿Cuáles son las métricas utilizadas para evaluar la precisión de riesgo escolar y la fiabilidad de los chatbots educativos?'''
 {| class="MsoNormalTable"
@@ Line 823: / Line 823: @@
 Las instituciones de educación superior han adoptado marcos de evaluación multidimensionales para la IA, superando las simples encuestas de satisfacción. Para evitar alucinaciones y proteger la privacidad, implementan arquitecturas RAG validadas con métricas de fidelidad (como el marco RAGAS) y optimizan la eficiencia computacional y seguridad mediante despliegues locales. Por otro lado, en la analítica predictiva para sistemas de alerta temprana, combaten la opacidad algorítmica de la "caja negra" integrando Inteligencia Artificial Explicable (como los valores SHAP y LIME) para interpretar las causas exactas de abandono estudiantil, apoyándose además en técnicas de ''clustering'' (segmentación) validadas estadísticamente. Finalmente, para garantizar que el éxito técnico se traduzca en éxito pedagógico, se evalúa la carga cognitiva y la experiencia de usuario (usando índices como NASA-TLX y TAM/UTAUT), lo cual se complementa con Auditorías Humanas (''Human-in-the-Loop'') respaldadas por métricas de acuerdo entre expertos (como ICC y Kappa de Cohen) para asegurar que la IA actúe como un apoyo de aprendizaje riguroso y seguro
-'''Tabla 9 – RQ5: ¿Qué estrategias metodológicas emplean los estudios para mitigar los desafíos técnicos en el ámbito educativo?'''
+'''Tabla 6 – RQ5: ¿Qué estrategias metodológicas emplean los estudios para mitigar los desafíos técnicos en el ámbito educativo?'''
 {| class="MsoNormalTable"

← Older revision	Revision as of 01:00, 21 July 2026
(No difference)

Palomino Cervantes 2026a - Revision history

AngelPalomino: AngelPalomino moved page Draft Palomino 218062351 to Palomino Cervantes 2026a

AngelPalomino at 00:57, 21 July 2026

AngelPalomino at 00:40, 21 July 2026

AngelPalomino: Created page with "==1 Title, abstract and keywords