Los asistentes de inteligencia artificial generativa se han convertido en una herramienta habitual entre los estudiantes. ChatGPT, Gemini o Copilot permiten resolver dudas y obtener explicaciones en segundos. Pero desde el punto de vista docente surge un problema: ¿qué ocurre cuando la respuesta de la IA es correcta, pero no está alineada con lo que estamos enseñando en nuestra asignatura?
En nuestro reciente artículo “Design and Evaluation of a RAG-Based Educational Assistant Grounded in Course Materials: A Case Study in Vocational Training”, publicado en Big Data and Cognitive Computing, exploramos una alternativa: desarrollar un asistente de IA que responda utilizando exclusivamente los materiales seleccionados por el profesor.
Una IA que conoce la asignatura
El sistema utiliza una arquitectura Retrieval-Augmented Generation (RAG) o generación aumentada mediante recuperación.
Cuando un estudiante formula una pregunta, el asistente busca primero dentro de los documentos de la asignatura los fragmentos más relacionados con su consulta. Estos se proporcionan posteriormente al modelo de lenguaje para construir la respuesta.
El proceso puede resumirse así:
Pregunta → búsqueda en los materiales docentes → recuperación de información relevante → respuesta → fuentes
El modelo recibe además instrucciones para responder únicamente con la información recuperada y abstenerse cuando los materiales no contienen evidencia suficiente.
La finalidad es aumentar tres aspectos especialmente relevantes en educación: alineamiento curricular, trazabilidad y control docente sobre las fuentes de conocimiento.
¿Qué ocurrió al llevarlo al aula?
Evaluamos el asistente con 19 estudiantes de Formación Profesional de Grado Superior, concretamente del ciclo de Administración de Sistemas Informáticos en Red (ASIR), dentro del módulo Servicios de Red e Internet.
Además, todos eran usuarios frecuentes de herramientas de IA generativa, por lo que no se trataba de estudiantes que utilizaban por primera vez este tipo de tecnología.
Los resultados fueron positivos. La facilidad de uso obtuvo una valoración media de 4,63 sobre 5 y la claridad y utilidad de las explicaciones alcanzó 4,47.
También encontramos valoraciones elevadas en aspectos directamente relacionados con el aprendizaje:
- resolver dudas: 4,42/5;
- obtener resúmenes y aclaraciones rápidamente: 4,42/5;
- estudiar de forma más autónoma: 4,37/5;
- comprender mejor los contenidos: 4,21/5.
La percepción de que las respuestas eran correctas la mayoría de las veces alcanzó 4,53/5. Conviene matizar que hablamos de fiabilidad percibida, no de una medida objetiva de precisión de las respuestas.
La paradoja: más control significa también menos cobertura
Uno de los resultados más interesantes apareció precisamente en una de las principales limitaciones del sistema.
Más de la mitad de los estudiantes señaló que algunas preguntas no podían responderse porque la información necesaria no estaba incluida en los materiales de la asignatura.
Aparece así un dilema importante para el diseño de asistentes educativos:
control curricular ↔ cobertura del conocimiento
Cuanto más restringimos el asistente a nuestros materiales, mayor control tenemos sobre sus fuentes y mayor es su alineamiento con la asignatura. Sin embargo, también reducimos su capacidad para responder preguntas que quedan fuera de ese corpus.
Una posible evolución sería utilizar diferentes niveles de conocimiento: materiales oficiales de la asignatura, recursos complementarios previamente validados y, cuando sea necesario, fuentes externas. El sistema debería indicar siempre al estudiante de dónde procede la información.
Los estudiantes quieren conversar, no solo preguntar
Otro resultado especialmente interesante apareció en las respuestas abiertas: 11 de los 19 estudiantes solicitaron espontáneamente memoria conversacional.
La versión evaluada trataba cada consulta de manera independiente. Sin embargo, aprender mediante diálogo implica poder preguntar, recibir una respuesta y continuar profundizando:
“¿Puedes ponerme un ejemplo?”
“¿Y qué ocurriría si cambio este parámetro?”
“No he entendido esa parte, explícamela de otra manera.”
Esto apunta hacia una evolución importante. Un sistema que únicamente recupera información y responde puede convertirse en un excelente buscador semántico de los materiales docentes. Pero un tutor necesita mantener el contexto e interpretar qué necesita el estudiante en cada momento.
Del RAG al agente educativo
Nuestro estudio es exploratorio y descriptivo, con una muestra pequeña y sin grupo de control ni pretest-postest. Por tanto, no permite afirmar que utilizar el asistente produzca un mayor aprendizaje o mejores calificaciones. Lo que sí proporciona es evidencia inicial sobre su viabilidad en un aula real y sobre cómo lo perciben estudiantes acostumbrados a utilizar IA generativa.
Y también señala hacia dónde avanzar.
Un futuro asistente podría determinar primero qué necesita el estudiante: una explicación, una pista, un ejemplo, una aclaración o quizá una pregunta que le ayude a razonar.
Pasaríamos así de:
pregunta → RAG → respuesta
a:
pregunta → diagnóstico → recuperación de información → estrategia pedagógica → respuesta adaptada
En ese momento ya no hablaríamos simplemente de un chatbot conectado a los documentos de una asignatura, sino de un agente educativo fundamentado en conocimiento curricular.
Además, las propias consultas podrían convertirse en learning analytics: detectar qué conceptos generan más dudas, qué preguntas se repiten o dónde existen lagunas en los materiales proporcionaría también información valiosa al profesor.
Restringir una inteligencia artificial puede parecer contradictorio cuando los modelos compiten por saber cada vez más. Pero en educación saber más no significa necesariamente enseñar mejor.
Quizá el siguiente reto no sea conseguir asistentes educativos capaces de responder a más preguntas, sino conseguir que sepan cuándo responder, con qué información hacerlo y cómo utilizar esa respuesta para ayudar realmente a aprender.
Referencia
Burillo, J. D., Hijón Neira, R., & Borrás-Gené, O. (2026). Design and Evaluation of a RAG-Based Educational Assistant Grounded in Course Materials: A Case Study in Vocational Training. Big Data and Cognitive Computing, 10(9), 299. https://doi.org/10.3390/bdcc10090299
