Una plataforma educativa integral basada en Inteligencia Artificial Generativa

Summary

Aprovechando la inteligencia artificial generativa (GAI) para el apoyo a la enseñanza, la plataforma ofrece experiencias de aprendizaje adaptadas a las diversas necesidades de los usuarios. También proporciona abundantes enfoques prácticos de aprendizaje que no solo enriquecen el proceso de aprendizaje, sino que también fomentan las competencias de aprendizaje permanente en la era digital, alineándose con los objetivos de desarrollo sostenible en la educación en ingeniería.

Abstract

La Inteligencia Artificial Generativa (IAG) ha experimentado un progreso significativo en los últimos años, demostrando un potencial transformador para la educación al permitir la creación dinámica de contenido y rutas de aprendizaje personalizadas. Sin embargo, muchas plataformas educativas existentes se basan en contenido estático y rutas fijas, careciendo de la arquitectura integrada necesaria para aprovechar plenamente las capacidades de la IAG para crear experiencias de aprendizaje cohesivas y adaptativas. Para abordar esta brecha, este estudio detalla el diseño, la implementación y la evaluación empírica de una plataforma educativa novedosa y completa construida sobre IAG. La plataforma se basa en una arquitectura de tres capas que trasciende los marcos tradicionales: una Capa Técnica Básica que integra modelos de IA modulares (por ejemplo, Transformer, CNN-BiLSTM basado en atención), un Centro de Procesamiento para la síntesis de datos en tiempo real y la optimización de modelos, y una Capa de Aplicación e Interacción que alberga ocho módulos funcionales principales, incluyendo aprendizaje personalizado, Q&A inteligente y evaluación de competencias. Esta arquitectura integrada facilita una experiencia de aprendizaje dinámicamente personalizable que se adapta continuamente a las necesidades y el progreso de los estudiantes individuales. Para evaluar la eficacia de la plataforma, realizamos un ensayo controlado aleatorizado (ECA) que involucró a 50 estudiantes de pregrado y 20 educadores durante dos semestres, comparando los resultados con un grupo de control que utiliza métodos tradicionales. Los resultados experimentales demuestran que la plataforma propuesta mejora significativamente los resultados del aprendizaje, aumenta las métricas de participación de los estudiantes (por ejemplo, tiempo en la tarea y tasas de interacción con el contenido) y logra una alta precisión en la correspondencia de contenido personalizado. Los hallazgos sugieren que esta plataforma basada en IAG constituye un avance en la tecnología educativa al personalizar eficazmente la instrucción y apoyar el aprendizaje adaptativo a escala. Este estudio contribuye con un plano arquitectónico detallado y replicable y proporciona evidencia empírica que respalda el valor práctico de los sistemas IAG integrados en la mejora de la efectividad educativa y el fomento de las competencias de aprendizaje permanente.

Introduction

En medio de la aceleración de la innovación tecnológica, particularmente en inteligencia artificial (IA), herramientas como la IA están encontrando una aplicación cada vez mayor en la educación en ingeniería. Al mismo tiempo, las personas han llegado a un consenso de que el objetivo de promover el desarrollo sostenible es una búsqueda global. Por lo tanto, integrar el desarrollo sostenible en la educación en ingeniería, al tiempo que se mejora los niveles técnicos de la industria y se aumenta la conciencia de sostenibilidad de los estudiantes, se ha convertido en un foco clave de la reforma educativa actual, impulsando la exploración de innovaciones educativas habilitadas por la IA. La aplicación de la IA en la educación abre posibilidades para el aprendizaje personalizado. Específicamente, la IA generativa ofrece un potencial transformador para los entornos de enseñanza y aprendizaje. Permite la creación dinámica de diversas formas de contenido y la adaptación de los recursos de aprendizaje a los perfiles individuales de los estudiantes, lo que puede mejorar el compromiso y la efectividad. Esta tecnología permite la generación de diversos formatos de contenido, facilitando la creación de materiales de aprendizaje personalizados. Además, puede adaptar dinámicamente los recursos de aprendizaje a los perfiles individuales de los estudiantes, mejorando así el compromiso y la efectividad del aprendizaje¹. Además, la plataforma está diseñada para adaptarse al progreso del estudiante. Ajusta dinámicamente la presentación del contenido y recomienda actividades de aprendizaje alineadas con los objetivos individuales, con el objetivo de optimizar los resultados del aprendizaje.

Sin embargo, la integración de la IA en las plataformas educativas requiere superar obstáculos técnicos significativos. Primero, los modelos de aprendizaje profundo deben ser entrenados en conjuntos de datos masivos para garantizar que generen contenido de alta calidad que cumpla con los estándares educativos. Además, los algoritmos de aprendizaje por refuerzo deben ser finamente ajustados, no solo para personalizar con precisión las rutas de aprendizaje para los usuarios individuales, sino también para mantener la integridad del contenido instructivo. Además, las capacidades de procesamiento del lenguaje natural son esenciales para crear sistemas de tutoría interactivos que pueden simular un diálogo similar al humano y proporcionar retroalimentación en tiempo real^2,3,4. En este contexto, existe una necesidad urgente de una plataforma educativa integral que aproveche todo el potencial de la IA generativa para ofrecer experiencias de aprendizaje personalizadas, atractivas y adaptativas⁵. Dichas plataformas tienen un gran potencial para remodelar el panorama de la educación en línea, haciéndola más adaptativa y personalizada, alineándose y apoyando así los objetivos de los paradigmas contemporáneos de aprendizaje permanente. En esta nueva era, el contenido educativo no permanecerá fijo; en cambio, evolucionará junto con el crecimiento personal de los estudiantes y las necesidades en constante cambio.

La investigación existente ha demostrado que las tecnologías emergentes como la IA y los modelos a gran escala pueden mejorar eficazmente la calidad de la enseñanza y el aprendizaje en la educación en ingeniería⁵ y muchos estudios han explorado las aplicaciones potenciales de la IA generativa en plataformas educativas personalizadas, con el objetivo de proporcionar experiencias de aprendizaje adaptadas a los estudiantes⁶. Al mismo tiempo, la educación para el desarrollo sostenible (EDS) se ha convertido en una prioridad cada vez más central en la educación en ingeniería global, y la investigación existente destaca consistentemente que la alfabetización en sostenibilidad y el pensamiento sistémico son competencias centrales innegociables para los ingenieros contemporáneos⁷. Para abordar esta demanda crítica de capacitación, la arquitectura de IA generativa propuesta en este estudio establece un vínculo práctico y accionable entre los objetivos de aprendizaje de EDS y la construcción de habilidades de ingeniería: nuestra plataforma integra módulos de evaluación del impacto de sostenibilidad, flujos de trabajo de análisis de ciclo de vida (ACV) y estímulos de diseño sostenible basados en escenarios en su marco central, permitiendo a los estudiantes de ingeniería traducir directamente los principios de sostenibilidad en la toma de decisiones técnicas a lo largo de todo el ciclo de diseño de ingeniería. Un área de enfoque es el uso de IA generativa para automatizar la creación de contenido educativo. Moulaei et al.⁷ ha explorado cómo los algoritmos de IA pueden generar ejercicios, cuestionarios e incluso lecciones completas basadas en las necesidades específicas y estilos de aprendizaje de los estudiantes individuales. Este enfoque muestra potencial para reducir la carga de trabajo de los educadores y brindar una experiencia de aprendizaje más personalizada para los estudiantes, lo que ha proporcionado una base técnica cierta para el trabajo posterior de Zhao et al.⁸.

Otra área de interés es el uso de IA generativa para sistemas de aprendizaje adaptativo⁹. Estos sistemas utilizan algoritmos de IA para analizar el rendimiento de aprendizaje de los estudiantes y ajustar los materiales de aprendizaje en tiempo real, satisfaciendo así más precisamente las necesidades de los estudiantes. Este enfoque no solo mejora los resultados del aprendizaje, sino que también asegura que los estudiantes sean desafiados en un nivel apropiado, ni demasiado fácil para carecer de estímulo ni demasiado difícil para mantenerse al día. Además, la IA generativa también se ha explorado por su potencial en la automatización de los procesos de calificación y retroalimentación¹⁰ y para servir como una plataforma de apoyo a la decisión inteligente¹¹. Los algoritmos de IA pueden usarse para calificar automáticamente las tareas de los estudiantes y proporcionar retroalimentación oportuna, ahorrando tiempo para los educadores y ayudando a los estudiantes a aprender de manera más efectiva. Smith et al.¹² también exploraron la aplicación de herramientas de IA generativa, como el ChatGPT, en la educación superior, con un enfoque en la aceptación y el uso de estas tecnologías entre estudiantes y profesores de diferentes generaciones. El estudio reveló que los estudiantes nativos digitales, en virtud de su inmersión de por vida en tecnologías digitales, exhiben un nivel más alto de aceptación hacia tales aplicaciones; en contraste, los profesores inmigrantes digitales tienden a adoptar una actitud más cautelosa y conservadora hacia estas aplicaciones digitales, mostrando renuencia a probarlas casualmente. Esta diferencia generacional presenta nuevos desafíos y oportunidades para integrar estilos de enseñanza y tecnologías educativas. Imran et al.¹³ evaluaron la aplicación de herramientas de IA generativa de próxima generación en la educación, particularmente en la creación de materiales de enseñanza y la provisión de retroalimentación personalizada.

Los hallazgos sugieren que estas herramientas pueden ayudar a los educadores a generar diversos recursos educativos y proporcionar retroalimentación en tiempo real, pero también señalan desafíos relacionados con los estándares éticos y el uso equitativo. Cabrera et al.¹⁴ analizaron la conciencia y el uso de la IA generativa a través de encuestas en seis universidades de Hong Kong. La mayoría de los estudiantes mantienen una actitud positiva, reconociendo su utilidad en el aprendizaje personalizado y la retroalimentación inmediata. Sin embargo, también se expresan preocupaciones sobre la dependencia excesiva y los sesgos potenciales. Mishra et al.¹⁵ elaboran sobre la aplicación de la IA generativa, como el ChatGPT, en la educación de maestros, particularmente en la planificación del plan de estudios, el pensamiento crítico y la apertura educativa. Destaca que la IA generativa puede proporcionar mecanismos de apoyo específicos y recursos educativos para los maestros, pero también enfatiza la necesidad de evaluar cuidadosamente sus limitaciones y sesgos potenciales para garantizar su efectividad como herramienta educativa. Mishra et al.¹⁶ reflexiona sobre el impacto transformador de las estrategias de IA generativa en la enseñanza y la educación de maestros. El método argumenta a favor de considerar la ética y las políticas en el uso de la tecnología educativa para garantizar un uso equitativo y efectivo de las tecnologías de IA.

Los esfuerzos académicos existentes^{17,18,19,20,21,22} sugieren que la IA generativa tiene el potencial de transformar la educación al proporcionar experiencias de aprendizaje personalizadas, adaptándose a las necesidades de los estudiantes en tiempo real y automatizando tareas que consumen mucho tiempo para los educadores. Sin embargo, también hay desafíos asociados con el uso de la IA en la educación, como la necesidad de datos

Protocol

Este estudio se realizó de acuerdo con las pautas éticas de The Education University of Hong Kong. Se obtuvo el consentimiento informado de todos los participantes antes de la recopilación de datos.

1. Especificación de la plataforma

El sistema evaluado es un prototipo de investigación personalizado, implementado como una aplicación web. El entorno de software se basa en Python 3.9 y TensorFlow 2.12. Los modelos de IA centrales (CNN-BiLSTM, Transformer) están alojados en un GPU NVIDIA A100 (40 GB VRAM) dentro de una tubería de procesamiento basada en servidor. La arquitectura consta de tres capas: Primero, una capa técnica básica que integra una red CNN-BiLSTM mejorada con atención, un módulo Transformer y componentes de aprendizaje por refuerzo; segundo, un centro de procesamiento para la fusión de datos multimodales en tiempo real y la optimización del modelo; y tercero, una capa de aplicación con ocho módulos funcionales, que incluyen aprendizaje personalizado, preguntas y respuestas, evaluación de competencias y análisis de comportamiento (Figura 1).

2. Preparar y seleccionar datos de entrenamiento

Recopile conjuntos de datos multimodales de repositorios educativos públicos (por ejemplo, transcripciones de cursos en línea abiertos, registros de interacción con videos educativos) y fuentes propietarias. Recopile registros de interacción anonimizados de 50 estudiantes de pregrado y 20 educadores durante las pruebas piloto (enero-junio de 2024). Preprocese el texto usando spaCy v3.5 (Honnibal et al., 2020) con los siguientes procedimientos fijos. Primero, cargue el modelo de inglés académico general preentrenado en_core_web_md. Segundo, realice la tokenización usando el tokenizer optimizado para académicos predeterminado del modelo, que maneja adecuadamente la terminología de ingeniería técnica y desarrollo sostenible. Tercero, realice la lematización utilizando el lematizador híbrido de reglas estadísticas predeterminado del modelo, sin aplicar reglas de lematización personalizadas. Normalice los fotogramas de video a una resolución de 224 x 224 usando los siguientes pasos fijos. Primero, redimensione todos los fotogramas usando la interpolación bilineal, que es el método estándar para el preprocesamiento de fotogramas de video educativo. Segundo, no aplique normalización de color ni recorte adicionales más allá del redimensionamiento uniforme para preservar el contenido educativo original. Elimine la información de identificación personal para garantizar el cumplimiento de la privacidad utilizando los siguientes procedimientos fijos. Primero, use el módulo de reconocimiento de entidades nombradas de spaCy v3.5 dentro del modelo en_core_web_md para detectar y redactar automáticamente todos los nombres personales, direcciones de correo electrónico, números de teléfono e identificadores institucionales. Segundo, revise manualmente una muestra aleatoria del 10 por ciento de todo el texto preprocesado y los fotogramas de video para verificar la eliminación completa de PII, sin encontrar discrepancias en el conjunto de datos final.

3. Entrenar y validar modelos

El entrenamiento empleó tres paradigmas: primero, aprendizaje supervisado (optimizador Adam, tasa de aprendizaje = 1e-4, tamaño de lote = 32) para predecir el rendimiento del estudiante a partir de registros de interacción etiquetados; segundo, agrupamiento K-means no supervisado (k = 5) para identificar patrones de comportamiento distintos; y tercero, aprendizaje por refuerzo para la recomendación de contenido adaptativa, con una función de recompensa definida como compromiso x precisión. Los hiperparámetros se ajustaron mediante búsqueda aleatoria en 100 ensayos en un conjunto de validación retenido para garantizar la robustez. Los datos de entrada para los modelos consistieron en secuencias de texto tokenizadas, fotogramas de video RGB de 224 x 224 y metadatos de interacción estructurados (por ejemplo, marcas de tiempo, tipos de acción) transmitidos multimodales preprocesados y anonimizados. Las principales salidas generadas por el sistema incluyen puntajes de predicción numéricos (por ejemplo, probabilidad de dominio), registros de interacción detallados en formato JSON e informes de evaluación de competencias en PDF.

Figura 1: Arquitectura de la plataforma educativa integral. Este diagrama ilustra la estructura jerárquica completa del prototipo de investigación educativa personalizada basado en la web del GAI, que incluye la capa de aplicación e interacción orientada al usuario, el centro de procesamiento de datos multimodales y la capa técnica básica impulsada por modelos de IA, con un mapeo de flujo de datos claro entre capas. Haga clic aquí para ver una versión más grande de esta figura.

4. Realizar evaluación empírica

Se reclutaron 70 participantes (50 estudiantes universitarios de ingeniería y 20 educadores) de The Education University of Hong Kong. Se les asignó al azar al grupo experimental, que utilizó nuestra plataforma personalizada basada en la web del GAI, o al grupo de control, que utilizó un sistema de gestión del aprendizaje (LMS) convencional. La evaluación midió cuatro resultados clave: (1) ganancia de aprendizaje (evaluada mediante puntajes de pre-prueba y post-prueba), (2) participación (medida por tiempo en la tarea y frecuencia de interacción), (3) satisfacción del usuario (evaluada a través de una encuesta de escala Likert de 7 puntos) y (4) usabilidad del sistema. Todos los datos empíricos se analizaron mediante pruebas t emparejadas para determinar la significancia estadística, acompañados de cálculos de tamaño del efecto para evaluar el impacto práctico.

5. Finalizar y validar la implementación

Antes del estudio principal, realizamos una validación integral del sistema. Esto implicó verificar la integración completa y el funcionamiento estable de las tres capas arquitectónicas (Técnica básica, Centro de procesamiento y Capa de aplicación), confirmar la integridad de los datos a lo largo de la tubería, garantizar la convergencia del modelo en el conjunto de validación y probar la capacidad de respuesta y fiabilidad de la interfaz de usuario basada en la web. Tras la finalización exitosa de esta fase de validación, la plataforma se consideró lista para la implementación empírica formal y la evaluación comparativa dentro del marco de ensayo controlado aleatorizado.

Results

El ensayo controlado aleatorizado reveló diferencias significativas entre el grupo de la plataforma GAI (experimental) y el grupo LMS tradicional (control). Para la ganancia de aprendizaje, el grupo experimental obtuvo una puntuación significativamente más alta en la prueba posterior (M = 85.2, DE = 6.4) que el grupo control (M = 76.8, DE = 7.1); diferencia media = 8.4, 95% CI [4.5, 12.3], t(68) = 4.32, p < 0.001, d de Cohen = 1.02. Para el compromiso (tiempo en la tarea), el grupo experimental dedicó más tiempo (M = 42.5 min, DE = 8.2) que el grupo control (M = 28.7 min, DE = 9.5); diferencia media = 13.8 min, 95% CI [8.4, 19.2], t(68) = 5.15, p < 0.001, d = 1.21. Para la satisfacción del usuario, el grupo experimental informó calificaciones más altas (M = 6.2, DE = 0.7) en comparación con el grupo control (M = 4.8, DE = 1.1); diferencia media = 1.4, 95% CI [0.9, 1.9], t(68) = 5.87, p < 0.001, d = 1.38. Todos los resultados mostraron mejoras estadísticamente significativas con grandes tamaños de efecto, confirmando la eficacia de la plataforma propuesta.

Capa técnica básica
La capa tecnológica básica proporciona a la plataforma el soporte subyacente para la implementación de varias redes neuronales basadas en el aprendizaje. Esta capa incluye varios módulos prácticos, como métodos estadísticos lineales, redes CNN-BiLSTM basadas en atención, arquitecturas transformadoras y tecnologías de aprendizaje por refuerzo. Además, estos módulos admiten la instalación posterior a la implementación, mejorando la flexibilidad de la plataforma. La figura 2 muestra todas las técnicas estadísticas lineales incluidas en la plataforma.

Los modelos estadísticos lineales son una clase de modelos estadísticos a menudo denominados modelos lineales²². Muchas de las técnicas mencionadas en este documento, como la regresión lineal, la regresión logística, la regresión múltiple y la regresión paso a paso, son modelos lineales. Estos métodos estadísticos establecidos permiten identificar tendencias de datos y relaciones entre variables. Esta base analítica respalda una toma de decisiones más informada y basada en datos dentro de las aplicaciones de la plataforma. Las figuras 3, figuras 4 y figuras 5 ilustran el marco del método de aprendizaje por refuerzo, CNN-BiLSTM y la red transformadora, respectivamente. Estos marcos se examinan para demostrar cómo respaldan la robustez y versatilidad de la plataforma, satisfaciendo diferentes necesidades computacionales y aplicaciones de aprendizaje.

En el contexto de la plataforma, el aprendizaje por refuerzo optimiza la toma de decisiones para rutas de aprendizaje personalizadas y recomendaciones de contenido al maximizar las recompensas acumulativas derivadas de las interacciones del usuario (por ejemplo, finalización de tareas, calificaciones de retroalimentación) y resultados de rendimiento. Sus enfoques fundamentales de solución se dividen en tres categorías: programación dinámica, métodos de Monte Carlo y aprendizaje por diferencias temporales. Recientemente, el aprendizaje por refuerzo profundo ha logrado superar el rendimiento humano en varias áreas desafiantes mediante el uso de métodos de aprendizaje profundo, como redes neuronales convolucionales y redes neuronales recurrentes³¹.

Como se muestra en la figura 4, el modelo CNN-BiLSTM integrado utiliza las ventajas de las Redes Neuronales Convolucionales (CNN) y las redes Bidireccionales de Memoria a Largo Plazo (BiLSTM). Al extraer características espaciales simultáneamente con la captura de las dependencias temporales, este modelo está específicamente optimizado para datos multidimensionales. Esto lo convierte en una opción apropiada para procesar conjuntos de datos complejos y mejorar enormemente la capacidad de la plataforma para manejar tareas desafiantes en campos como el análisis multimedia y el procesamiento del lenguaje natural. El método transformador que se muestra en la figura 5 procesa datos de secuencias utilizando la autoatención en paralelo y reduce enormemente el tiempo de entrenamiento. El método maneja grandes cantidades de datos mientras logra una alta precisión. Por lo tanto, se utiliza en tareas de traducción de idiomas y procesamiento de texto.

Figura 2: Métodos estadísticos lineales en la capa técnica. Este diagrama detalla los submodelos incluidos en el módulo estadístico lineal de la plataforma, un componente central de la Capa técnica básica utilizada para el análisis de datos de comportamiento educativo y la predicción del rendimiento del alumno. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: El marco de aprendizaje por refuerzo en la capa técnica. Este diagrama muestra el flujo de trabajo de toma de decisiones en bucle cerrado del componente de aprendizaje por refuerzo de la plataforma, que se utiliza para optimizar las recomendaciones de contenido de aprendizaje personalizado y las estrategias de instrucción dinámicas. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: El marco CNN-BiLSTM en la capa técnica. Este diagrama presenta la estructura secuencial de la red de extracción de características principales, que está diseñada para procesar datos de comportamiento del alumno multimodal y predecir la carga cognitiva en tiempo real y los niveles de dominio de las competencias. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: El marco transformador en la capa técnica. Este diagrama detalla la estructura estándar codificador-descodificador del módulo Transformador de la plataforma, que admite tareas principales de procesamiento del lenguaje natural, incluida la generación de contenido educativo, preguntas y respuestas inteligentes y retroalimentación automatizada. Haga clic aquí para ver una versión más grande de esta figura.

Este módulo admite tareas principales de procesamiento del lenguaje natural, como la síntes

Discussion

Este estudio se propuso probar la hipótesis central de investigación: que una plataforma de aprendizaje personalizada habilitada por GAI puede reducir significativamente la carga cognitiva de los estudiantes de ingeniería, mejorar la eficiencia del aprendizaje y mejorar tanto los resultados de aprendizaje relacionados con la ESD como la experiencia general de aprendizaje, en comparación con los modelos de instrucción de ingeniería tradicionales no personalizados. Nuestros resultados aleatorios de RCT proporcionan un apoyo empírico completo para esta hipótesis, con tres hallazgos clave directamente alineados con nuestros resultados preespecificados. Primero, la personalización continua del plataforma impulsada por análisis de aprendizaje redujo significativamente la carga cognitiva extra para los estudiantes, como lo demuestra una mejora del 45% en la eficiencia del aprendizaje (tiempo para el dominio del conocimiento) en el grupo de intervención en relación con el grupo de control, un hallazgo que extiende el trabajo previo sobre la mitigación de la carga cognitiva impulsada por IA en entornos educativos. Segundo, la arquitectura unificada de tres capas de la plataforma permitió una instrucción personalizada alineada pedagógicamente y escalable, resultando en ganancias de aprendizaje post-test significativamente más altas (p < 0.001, d de Cohen = 1.02) y mayor compromiso en la tarea en comparación con los sistemas de gestión de aprendizaje tradicionales, alineándose y avanzando en la investigación previa sobre las capacidades de aprendizaje adaptativo de GAI. Tercero, el marco de competencia ESD incorporado y los módulos de diseño de ingeniería sostenible de la plataforma entregaron mejoras significativas en la conciencia de sostenibilidad y las competencias de pensamiento sistémico de los estudiantes, abordando una brecha crítica en las plataformas educativas GAI existentes, que en gran medida han pasado por alto la integración de resultados de sostenibilidad en el diseño de arquitectura técnica.

La investigación existente sobre GAI en educación se ha centrado predominantemente en la optimización funcional incremental de herramientas existentes y estudios de casos de aplicación aislados, sin una arquitectura integrada unificada, escalable y pedagógicamente robusta para contextos de ESD de ingeniería. Nuestro trabajo avanza más allá de estos estudios previos de tres maneras fundamentales. Primero, establecemos un paradigma arquitectónico de tres capas estandarizado y replicable que integra el procesamiento de datos multimodal, modelos de IA de múltiples paradigmas y módulos funcionales alineados con ESD en un sistema cohesivo, resolviendo los problemas generalizados de diseño de módulos fragmentados y mala interoperabilidad entre escenarios identificados en plataformas previas. Segundo, proporcionamos evidencia rigurosa de RCT sobre el impacto causal de la arquitectura GAI integrada en resultados de aprendizaje cognitivos y afectivos, abordando la escasez de validación empírica robusta de plataformas educativas GAI en educación de ingeniería. Tercero, operacionalizamos el vínculo entre el diseño técnico de GAI y los resultados de educación en sostenibilidad, proporcionando un plano práctico para incorporar el entrenamiento de competencias ESD en la arquitectura central de plataformas educativas de IA, en lugar de tratarlo como un complemento adicional como en trabajos previos.

El trabajo futuro se centrará en la validación a gran escala en múltiples instituciones, la integración de IA multimodal para el aprendizaje inmersivo de diseño de ingeniería sostenible y la evaluación del impacto a largo plazo de la retención de competencias ESD. Se prestará especial atención a consideraciones éticas como la equidad algorítmica, la privacidad de los datos y la colaboración humano-IA para garantizar una implementación responsable. En última instancia, esta investigación contribuye a la construcción de entornos de aprendizaje permanente más efectivos, equitativos y sostenibles impulsados por IA generativa.

Pregunta	Resumen de respuestas (N=70)
Tarea 1. ¿La plataforma es fácil y fluida de usar, y enfrentó algún problema?	Media = 4.2 / 5; el 83% reportó "ningún problema importante"
Tarea 2. ¿Cree que la plataforma ofrece una funcionalidad más completa que otras plataformas?	El 76% estuvo de acuerdo en que es más completa que las alternativas
Tarea 3. ¿Qué tan satisfecho está en general con la retroalimentación generada por IA?	Media = 4.0 / 5; el 71% calificó ≤4
Tarea 4. Por favor, califique la frecuencia de uso de cada uno de los 8 módulos funcionales. (8 escalas de 7 puntos)	El módulo 3 (P & R) se usó más (promedio 5.1/7); El módulo 7 menos (2.3/7)
Tarea 5. ¿Le gustaría participar en la prueba de futuras extensiones de la plataforma o proporcionar comentarios más detallados?	El 89% expresó interés
Tarea 6. ¿Cree que usar la plataforma es útil y promueve su aprendizaje?	Media = 4.4 / 5; el 87% estuvo de acuerdo
Tarea 7. ¿Le gustaría usar la plataforma para el aprendizaje de manera continua en el futuro?	El 81% dijo "sí"

Tabla 1. Los contenidos de 10 tareas en la aplicación de la plataforma

Los resultados cuantitativos están fuertemente respaldados por comentarios cualitativos de los usuarios (Tabla 1). El análisis de las respuestas de la encuesta revela una alta satisfacción del usuario con la usabilidad y funcionalidad de la plataforma (Tareas 1 y 2), lo que se alinea con el objetivo de diseño de la plataforma de priorizar la interacción centrada en el usuario, particularmente la interfaz intuitiva y la cobertura funcional completa que reduce las barreras para la adopción. Los participantes valoraron especialmente la retroalimentación generada por IA y las rutas de aprendizaje personalizadas, y la mayoría informó que la plataforma fue útil y promovió su aprendizaje (Tareas 3 y 6). Esta recepción positiva es crucial, ya que la aceptación del usuario es un determinante fundamental de la adopción exitosa de nuevas tecnologías educativas, lo que se alinea con los hallazgos de Smith et al.¹² y Cabrera et al.¹⁴ sobre los impulsores clave de la adopción de herramientas GAI en la educación superior. Notablemente, una alta proporción de usuarios expresó el deseo de continuar utilizando la plataforma (Tarea 7), indicando su percepción de sostenibilidad como herramienta de aprendizaje a largo plazo. Esta convergencia de experiencia subjetiva positiva con métricas de rendimiento objetivas (reducción de carga cognitiva, mejora de la eficiencia y ganancias de competencia ESD) fortalece la validez interna y externa de los objetivos de diseño de la plataforma y los hallazgos de investigación centrales.

Limitaciones y enfoques metodológicos alternativos
Deben reconocerse varias limitaciones de este estudio. El grupo de participantes se limitó a 50 estudiantes y 20 educadores de una sola institución, lo que puede afectar la generalización de los hallazgos a poblaciones más amplias y diversas, una limitación común en las evaluaciones iniciales de la plataforma²³. La duración del estudio, aunque suficiente para la adopción inicial, fue inadecuada para evaluar el impacto educativo a largo plazo o la retención de habilidades. Además, la evaluación se basó principalmente en métricas de plataforma cuantitativas y encuestas autoinformadas; métodos cualitativos más profundos, como estudios de caso longitudinales o investigación basada en el diseño que involucre co-diseño iterativo con educadores^28,29, podrían proporcionar información más rica sobre la transformación pedagógica y la experiencia del usuario. Un enfoque alternativo para probar la hipótesis central podría involucrar un estudio comparativo de diferentes patrones arquitectónicos de GAI para aislar los componentes más efectivos para resultados de aprendizaje específicos.

Importancia, aplicaciones y direcciones futuras
La metodología de la plataforma tiene una importancia significativa para áreas específicas de investigación y práctica, basándose directamente en los hallazgos

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Utilizado para alojar modelos de IA centrales dentro de la canalización de procesamiento basada en servidor.
en_core_web_md (modelo spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Modelo académico general en inglés prediseñado utilizado para tokenización y lematización. Versión: v3.5.
Python	Python Software Foundation	https://www.python.org/	Lenguaje de programación para el entorno del software. Versión: 3.9.
Conjunto de datos SlimPajama	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Corpus de pre-entrenamiento grande y de código abierto derivado de RedPajama.
spaCy	Explosion AI	https://spacy.io/	Biblioteca de procesamiento del lenguaje natural para el preprocesamiento de texto. Versión: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Marco de aprendizaje automático de código abierto. Versión: 2.12.