Este artículo explora en profundidad una metodología innovadora para la creación de asistentes de aprendizaje personalizados utilizando modelos de lenguaje a gran escala (LLMs), con el objetivo de mejorar la personalización educativa. Para que los LLMs sean realmente efectivos en este ámbito, es necesario ajustar sus capacidades a tareas específicas mediante el uso de datos especializados. Sin embargo, la creación de estos datos suele ser un proceso costoso y laborioso. En respuesta a este desafío, se presenta una metodología en la que los LLMs, guiados y supervisados por expertos humanos, generan de manera autónoma los datos necesarios para su ajuste, garantizando que sean relevantes y precisos para los contextos educativos. En el presente estudio, se implementó esta metodología en la asignatura de Economía de primero de Bachillerato. A través de la supervisión humana y el ajuste continuo del modelo, los asistentes de aprendizaje creados mostraron una mejora considerable en la calidad de las respuestas en comparación con los modelos que no fueron ajustados, aumentando significativamente su precisión y consistencia. Los hallazgos sugieren que este enfoque no solo facilita el ajuste de los LLMs, sino que también ofrece una solución escalable y sostenible para personalizar la enseñanza en diversas materias. Este trabajo extiende el debate sobre las posibilidades de los LLMs en educación, destacando su potencial para mejorar el rendimiento académico y la experiencia de aprendizaje a largo plazo en distintos contextos educativos.
© 2001-2025 Fundación Dialnet · Todos los derechos reservados