Copiloto impulsado por IA para el aprendizaje personalizado de las habilidades básicas de inglés con análisis de rendimiento avanzado en tiempo real

Palabras clave:

Aprendizaje personalizado, Learning Analytics, Agentes conversacionales, Gamificación impulsada por IA, Aprendizaje por refuerzo, Aprendizaje profundo, LLMs, Redes de creencias

Perfil del candidato a doctorado:

BAC+5 en campos relacionados con la informática (Inteligencia Artificial, Ciencia de Datos, Ingeniería de Software) con un nivel sólido en matemáticas, programación e inglés.

Antecedentes:

El imperativo global de adquirir competencia en inglés ha aumentado, sin embargo las plataformas digitales tradicionales de aprendizaje de idiomas a menudo adolecen de limitaciones críticas: un enfoque pedagógico único para todos, falta de interactividad genuina, insuficiente concentración en habilidades productivas (habla y escritura) y ausencia de análisis explicativos profundos del aprendiz. Estas deficiencias no logran emular la naturaleza adaptable, receptiva y de apoyo de un tutor humano. Los avances recientes en inteligencia artificial (IA), particularmente en razonamiento probabilístico, aprendizaje profundo y procesamiento del lenguaje natural (NLP), presentan una oportunidad sin precedentes para superar estas barreras y diseñar un nuevo paradigma en la educación de idiomas.

Objetivos:

Este proyecto de investigación tiene como objetivo diseñar, desarrollar y validar empíricamente un Asistente de Aprendizaje Adaptativo de inglés, un agente pedagógico integral impulsado por IA. El objetivo central del proyecto es funcionar como un asistente personalizado y omnicanal para los aprendices de inglés. La innovación del proyecto radica en la integración sinérgica de una arquitectura de IA multinivel.

Metodología:

1. Fundamento pedagógico: Investigar las mejores prácticas establecidas en adquisición de segunda lengua y diseño curricular para definir objetivos de aprendizaje y estrategias docentes eficaces.

2. Revisión de tecnologías de IA: Identificar y evaluar técnicas de IA relevantes como Redes de Creencias para rastreo del conocimiento, Aprendizaje por Refuerzo para la personalización y LLMs para generación de contenidos e interacción.

3. Análisis de brechas: Analizar las limitaciones de las herramientas de aprendizaje de idiomas actuales y la investigación académica para definir la brecha de innovación específica que este proyecto abordará, como la falta de tutores de IA adaptativos profundamente integrados.

4. Investigación de escritorio: Desarrollar un prototipo funcional que integre los componentes de IA seleccionados. Validar su eficacia mediante estudios controlados y difundir los resultados a través de publicaciones y conferencias académicas.

5. Desarrollo de producto: Convertir el prototipo de investigación en un producto de software robusto, escalable y fácil de usar listo para el mercado mediante aplicaciones web y móviles. 6. Pruebas iterativas: Realizar pruebas beta con usuarios, recopilar datos de rendimiento y retroalimentación, y utilizarlos para reentrenar continuamente los modelos de IA y mejorar las funcionalidades y la usabilidad del producto.

7. Piloto en el mundo real: Implementar el producto finalizado en entornos educativos auténticos a través de usuarios individuales y alianzas institucionales. Realizar un estudio longitudinal para medir los resultados de aprendizaje, la implicación y el impacto general.

Resultados:

El proyecto está estructurado como un programa doctoral central, proporcionando el trabajo fundamental para la tesis del candidato. La investigación dará lugar a un prototipo totalmente funcional de la plataforma y se difundirá a la comunidad científica mediante cuatro publicaciones clave:

1. Publicación 1: Un artículo teórico en una revista sobre IA en Educación sobre el marco novedoso para integrar Redes de Creencias y Aprendizaje por Refuerzo para el modelado del estudiante y el aprendizaje de políticas pedagógicas.

2. Publicación 2: Un estudio empírico sobre el uso de LLMs afinados para generar materiales de aprendizaje apropiados para el nivel, atractivos y retroalimentación diagnóstica.

3. Publicación 3: Un artículo técnico sobre la arquitectura e implementación del motor de analítica multimodal, centrado en modelos de aprendizaje profundo para la evaluación del habla y la detección de errores.

4. Publication 4: Un estudio sumativo exhaustivo en una revista líder en tecnología educativa que presenta los resultados de un ensayo controlado longitudinal, evaluando la eficacia del agente sobre los resultados de aprendizaje, la participación y la motivación en comparación con los grupos de control.

Difusión:

La transferencia de conocimientos se realizará mediante una estrategia multicanal dirigida tanto a audiencias académicas como públicas mediante la participación activa en las principales conferencias internacionales para presentar los hallazgos, recibir retroalimentación y establecer colaboraciones. Las participaciones programadas son:

2026: Presentar el marco teórico inicial para el agente conversacional tutor.

2027: Presentar los hallazgos sobre el uso de LLMs afinados y la retroalimentación diagnóstica. 2028: Presentar el marco teórico inicial de la detección de brechas de aprendizaje.

Impacto:

Un resultado principal de este proyecto es la tecnología fundacional y la prueba de concepto validada necesaria para lanzar una startup deep-tech. La investigación está diseñada explícitamente para eliminar el riesgo de desafíos tecnológicos centrales y proporcionar evidencia empírica sólida de eficacia, que servirá como base para buscar financiación semilla y capital de riesgo. La startup se encargará de refinar el prototipo hasta convertirlo en un producto listo para el mercado, escalar su infraestructura y desarrollar un modelo de negocio sostenible para llevar esta tecnología pedagógica de vanguardia a una audiencia global.