Paper: La IA en la Generación de Datos Educativos: Hacia un Aprendizaje y Enseñanza a Gran Escala

 

Khalil, M., Liu, Q. and Jovanovic, J. (2025), AI for data generation in education: Towards learning and teaching support at scale. Br J Educ Technol. https://doi.org/10.1111/bjet.13580

La inteligencia artificial está revolucionando la educación, proporcionando oportunidades sin precedentes para personalizar el aprendizaje, generar retroalimentación en tiempo real y permitir intervenciones educativas a gran escala. Un aspecto clave de esta transformación es la generación de datos sintéticos educativos, que pueden suplir la falta de datos reales debido a restricciones de privacidad o disponibilidad. Estos datos generados por IA incluyen desde conjuntos de datos tabulares hasta contenido educativo como texto, imágenes y videos, lo que permite expandir la investigación y la práctica educativa sin comprometer la seguridad de la información.

El artículo explora cómo la IA puede generar datos de alta calidad para mejorar los procesos de enseñanza y aprendizaje. Entre los enfoques analizados, se destaca el uso de modelos de lenguaje de gran escala (LLMs) para la creación de materiales educativos personalizados, la evaluación automatizada de estudiantes y la generación de datos que respeten la privacidad. Estas herramientas permiten desarrollar contenidos escalables y adaptables a diferentes contextos, favoreciendo la inclusión y el acceso equitativo a la educación digital.

Uno de los estudios presentados en la investigación analiza el uso de LLMs para apoyar la enseñanza de matemáticas en secundaria. Se evaluó la capacidad de estos modelos para generar ejercicios y guías de estudio, comparando su calidad con la de los docentes expertos. Los resultados mostraron que, cuando se utilizan de manera complementaria, los LLMs pueden mejorar la accesibilidad y la alineación de los materiales con los objetivos de aprendizaje.

Otro hallazgo relevante es el papel de los datos sintéticos en la protección de la privacidad. Se analizó cómo la generación de datos mediante técnicas de privacidad diferencial puede permitir la publicación de conjuntos de datos sin comprometer la identidad de los estudiantes. Este enfoque es clave para la investigación educativa, ya que facilita la recopilación de información sin infringir regulaciones sobre protección de datos.

El artículo concluye que, aunque la IA tiene el potencial de transformar la educación a gran escala, su implementación debe ser equilibrada con la intervención humana. Si bien los modelos de IA pueden agilizar la generación de contenido y datos, la supervisión y el juicio de los docentes siguen siendo fundamentales para garantizar la calidad y la pertinencia de los materiales educativos.

En el futuro, la investigación deberá centrarse en evaluar cómo estos datos generados por IA impactan el aprendizaje de los estudiantes, así como en mejorar las estrategias para garantizar su precisión, equidad y aplicabilidad en entornos educativos diversos.

Meta ha presentado su propia versión de 'ChatGPT libre': LLaMa 2

Meta ha presentado su propia versión de 'ChatGPT libre', LLaMa 2, que ya está disponible para su descarga en PC. Lo más destacado de esta nueva versión es la colaboración con Microsoft, permitiendo que LLaMa 2 se convierta en el principal modelo de lenguaje 'open source'. Anteriormente, la alianza entre OpenAI y Microsoft había llevado a lanzar productos como Bing Chat y Copilot, pero ahora, con LLaMa 2, Microsoft expande sus opciones en el ámbito de la inteligencia artificial.

La primera versión de LLaMa se lanzó hace apenas unos meses, y tras su filtración, surgieron rápidamente varios modelos derivados de código abierto, como Alpaca y Vicuna. Ahora, LLaMa 2, con su funcionamiento similar a ChatGPT, ofrece la posibilidad de trabajar en 27 idiomas diferentes y permite su uso tanto para fines de investigación como comerciales. Gracias a sus 70.000 millones de parámetros, el modelo ofrece resultados más precisos y respuestas con un lenguaje más natural.

Microsoft se ha involucrado en este anuncio al incluir LLaMa 2 en su catálogo de inteligencia artificial en Azure, su servicio en la nube. Esto permitirá a los desarrolladores utilizar el modelo y aprovechar las herramientas nativas de la nube para el filtrado de contenido y características de seguridad. Sin embargo, al ser open source, otros proveedores también pueden ofrecer LLaMa 2, como AWS de Amazon, y ya está disponible para su prueba gratuita en Hugging Face.

Una de las ventajas más destacadas de LLaMa 2 es que, si el equipo cuenta con suficiente potencia, se puede ejecutar localmente en MS Windows sin necesidad de un proveedor de nube. Esto ha generado un gran interés, con una lista de espera para descargar el modelo en su web oficial. El pre-entrenamiento de un LLM (Large Language Model) como ChatGPT suele ser costoso, pero ahora Meta ha brindado esta ventaja a la comunidad.

Los datos publicados muestran que LLaMa 2 tiene un rendimiento equivalente a GPT-3.5 en la mayoría de los benchmarks, aunque queda rezagado en el HumanEval, relacionado con la generación de código de software. Este desarrollo representa una pérdida de margen de negociación para OpenAI en sus relaciones con Microsoft, ya que ahora Microsoft tiene la opción de cambiar de modelo de lenguaje manteniendo la misma interfaz, lo que podría afectar a Bing Chat y Copilot a largo plazo. Además, Meta ha sido más abierto en la publicación de sus trabajos, lo que ha atraído talento y ha llevado a una competencia más cercana en el ámbito del código abierto.

El potencial de los Large Language Models (LLM) en la retroalimentación del proceso de aprendizaje de los estudiantes

Los Large Language Models (LLM), o modelos de lenguaje de gran escala en español, son sistemas de inteligencia artificial que han demostrado un gran potencial en diversas áreas, incluyendo la educación. En particular, los LLM tienen un gran potencial para mejorar la retroalimentación en el proceso de aprendizaje de los estudiantes.

La retroalimentación es una parte fundamental del proceso de aprendizaje, ya que permite a los estudiantes conocer sus fortalezas y debilidades y mejorar su desempeño. Los LLM pueden ayudar a mejorar la retroalimentación que se brinda a los estudiantes de varias maneras, a continuación, se presentan algunos ejemplos:

• Retroalimentación automatizada: Los LLM pueden proporcionar retroalimentación automatizada y personalizada para las tareas y evaluaciones. Estos sistemas pueden evaluar el trabajo de los estudiantes y proporcionar comentarios precisos y útiles en tiempo real. Esto puede ayudar a los estudiantes a comprender mejor sus errores y a mejorar su desempeño.
• Retroalimentación en tiempo real: Los LLM también pueden ofrecer retroalimentación en tiempo real durante las actividades de aprendizaje. Por ejemplo, un LLM puede proporcionar retroalimentación en tiempo real durante una tarea de escritura, sugiriendo mejoras en la gramática, ortografía y estilo. Esto puede ayudar a los estudiantes a mejorar su desempeño mientras realizan la tarea.
• Retroalimentación personalizada: Los LLM pueden proporcionar retroalimentación personalizada y adaptada a las necesidades individuales de cada estudiante. Por ejemplo, un LLM puede identificar las áreas en las que un estudiante necesita mejorar y proporcionar retroalimentación específica y personalizada para ayudar a abordar esas áreas.
• Retroalimentación accesible: Los LLM pueden proporcionar retroalimentación accesible y fácil de entender para los estudiantes. Por ejemplo, un LLM puede proporcionar retroalimentación en un formato visual o auditivo para ayudar a los estudiantes a comprender mejor los comentarios.

En resumen, los LLM tienen un gran potencial para mejorar la retroalimentación en el proceso de aprendizaje de los estudiantes. Estos sistemas pueden proporcionar retroalimentación automatizada, en tiempo real, personalizada y accesible para ayudar a los estudiantes a mejorar su desempeño. Sin embargo, es importante recordar que los LLM no deben reemplazar la retroalimentación proporcionada por los profesores. En su lugar, los LLM pueden complementar y mejorar la retroalimentación brindada por los profesores para un proceso de aprendizaje más efectivo y completo.