En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Entrenamiento y ajuste fino de LLM — cómo se construyen los modelos de IA educativa: la canalización desde el preentrenamiento, pasando por el postentrenamiento, hasta la adaptación; lo que cuesta cada etapa y lo que la evidencia dice que aporta. El problema que organiza la página es un desajuste de incentivos: los modelos de propósito general están optimizados para responder, mientras que enseñar exige retener la respuesta. El postentrenamiento y el ajuste fino son las dos palancas que cambian esa conducta, y el resultado más claro es que son una tercera opción y no la primera: la recuperación y el prompting llegan antes en la decisión, y un estudio de aquí encontró el ajuste fino supervisado fracasando en una tarea en la que el prompting simple ganaba (WrAFT). Escrita para desarrolladores de software educativo y para profesionales de la enseñanza que deciden qué construir.

Preguntas para reflexionar

  • Si tiene una tarea de tutoría en la que un modelo general responde con demasiada facilidad, ¿su primer movimiento es un prompt mejor, la recuperación sobre sus propios materiales o el entrenamiento? ¿Qué necesitaría medir para saber cuál de ellos ayudó?
  • El ajuste fino necesita datos. ¿De dónde saldrían los ejemplos de entrenamiento de su proyecto, quién es su propietario y qué revisión de privacidad necesitarían antes de poder usarse?
  • Un estudio de aquí encontró que ajustar un modelo con datos de evaluación mejoraba el formato y la similitud, mientras que otro ajuste distinto fracasaba sin más al generar retroalimentación. ¿Qué sugiere eso sobre cómo emparejar el método de entrenamiento con la tarea?
  • El postentrenamiento con aprendizaje por refuerzo puede enseñar a un modelo a guiar en vez de responder. ¿Qué recompensa escribiría para capturar «guía bien», y cómo haría trampa un modelo para satisfacerla?
  • La evidencia muestra que la elección de modelo y de prompt solo explica alrededor del 15% de la brecha entre un LLM y las ganancias de aprendizaje del estudiantado. Si eso es cierto, ¿cómo debería cambiar su decisión entre construir y comprar?
  • Un modelo ajustado que es preciso puede seguir siendo inseguro a lo largo de una conversación larga. ¿Qué probaría antes de dejar que uno hable con el estudiantado sin supervisión?

Introducción

El desarrollo de IA educativa choca con el mismo muro desde dos direcciones. Los modelos de lenguaje de propósito general reciben un postentrenamiento basado en la preferencia humana por la utilidad, lo que en la práctica significa responder con prontitud y exhaustividad; la tutoría exige lo contrario, porque el objetivo pedagógico es ayudar al estudiante a llegar a la respuesta en vez de entregársela. Al mismo tiempo, un modelo general no sabe nada de su currículo, su rúbrica ni la voz de su institución, y ninguna cantidad de ingeniería de prompts instala esas cosas de forma fiable.

Esta página cubre las técnicas que cambian el modelo y no el texto que se le envía. Se sitúan en una escalera de compromiso creciente: el prompting, luego la recuperación, luego la adaptación eficiente en parámetros, luego el ajuste fino completo y, por último, el postentrenamiento con señales de preferencia o de recompensa. Cada peldaño cuesta más datos, más cómputo y más disciplina de evaluación que el anterior, y cada uno es una peor primera opción que el peldaño de abajo salvo que una medición concreta justifique la subida. Buena parte de la literatura de investigación solo informa de lo más alto de la escalera, lo que hace fácil que quien desarrolla recurra al entrenamiento cuando la recuperación habría bastado.

El argumento se organiza en torno a las decisiones a las que se enfrenta realmente quien construye: qué palanca accionar (esta sección y la siguiente), qué aporta y qué cuesta la adaptación en la práctica, qué puede moldear el postentrenamiento que la adaptación no puede, y cómo fallan estos sistemas. La terminología se usa en su sentido estándar: el preentrenamiento es la etapa desde cero sobre un corpus general, el postentrenamiento es todo lo posterior que moldea la conducta (ajuste fino supervisado, optimización de preferencias, aprendizaje por refuerzo), y el ajuste fino abarca tanto la etapa supervisada del postentrenamiento como el trabajo posterior de adaptación a una tarea o un dominio, incluidos los métodos eficientes en parámetros.

La canalización de entrenamiento, etapa por etapa

Tres etapas, con accesibilidad muy distinta. Saber cuál describe un artículo evita la mayoría de las malas lecturas de esta literatura.

El preentrenamiento construye un modelo base a partir de un corpus general de texto. Es la etapa que produce la capacidad amplia del modelo, y está fuera del alcance de prácticamente cualquier proyecto educativo: el coste se mide en millones de dólares y los datos son un rastreo web a escala. Ningún proyecto educativo de esta literatura lo hace. Su relevancia para los profesionales es diagnóstica y no accionable: los datos de preentrenamiento son la palanca dominante sobre cómo se comporta un modelo, y es la única palanca que no se puede accionar. Esa asimetría es la razón por la que las técnicas restantes del campo operan todas sobre un modelo ya entrenado.

El postentrenamiento moldea la conducta sobre el modelo base. El ajuste fino supervisado (SFT) enseña al modelo a imitar demostraciones; la optimización de preferencias y el aprendizaje por refuerzo lo empujan después hacia salidas que un modelo de recompensa o un conjunto de juicios humanos puntúan más alto. Esta es la etapa en la que se puede enseñar a un modelo a guiar en vez de responder, y es donde viven los resultados educativos más llamativos. Es también la etapa más sensible al diseño de la recompensa, porque una recompensa es una especificación comprimida de lo que se quiere y los modelos optimizan lo que de hecho se escribió.

La adaptación ajusta un modelo existente a su tarea o su dominio, normalmente con muchos menos datos y cómputo. El ajuste fino eficiente en parámetros (PEFT), del que LoRA es la forma común, entrena un pequeño número de parámetros añadidos y deja congelados los pesos base. El ajuste fino completo lo actualiza todo. La destilación y el desaprendizaje se sitúan junto a ellos. Las secciones siguientes recorren cada uno. Para la mayoría de quienes desarrollan tecnología educativa, esta es la etapa práctica: aquella en la que unos cientos o unos miles de ejemplos y una sola GPU pueden producir un modelo desplegable.

¿Prompt, recuperación o entrenamiento? La decisión que va primero

El resultado único más sólido sobre esa pregunta proviene de un estudio de recuperación, no de un estudio de entrenamiento. Al construir un asistente sobre una base de conocimiento de un curso, Shen et al. (2026) evaluaron modelos locales en tres configuraciones y encontraron que la recuperación, y no el modelo, es la decisión de diseño de primer orden: su LLM local sin recuperación alcanzó solo un 52,3% de exactitud, por debajo de una línea base de TF-IDF del 55,4%, mientras que añadir generación aumentada por recuperación sin ningún ajuste fino lo elevó al 66,6% (Shen et al. (2026)). Las configuraciones de ajuste fino que también probaron se informan junto a las ablaciones de recuperación, la cuantización y la energía por consulta, lo que hace la comparación inusualmente honesta: un modelo base sin fundamentación puede ser peor que un método léxico de hace décadas, y la solución más barata no es el entrenamiento.

Lo que el campo construye de hecho refleja un ordenamiento similar. Una revisión guiada por PRISMA de 23 estudios empíricos (2020–2025) sobre la personalización de la IA para la enseñanza de la escritura encontró dominio de la ingeniería de prompts (N = 13), por delante del ajuste fino (N = 7) y las arquitecturas híbridas (N = 3) (Luo, 2026). El hallazgo más incisivo de la revisión es un desalineamiento estructural y no una clasificación de técnicas: los objetivos pedagógicos declarados se han desplazado hacia los procesos de escritura, la alfabetización en retroalimentación y las habilidades académicas de orden superior, mientras que las implementaciones dominantes siguen persiguiendo objetivos centrados en el producto mediante el diseño de prompts o el ajuste fino.

Cuando se han comparado el prompting y el entrenamiento cara a cara, el resultado depende de la tarea, que es exactamente por lo que la decisión debe medirse y no darse por supuesta:

  • El entrenamiento gana cuando el objetivo es un formato de salida estable o una propiedad controlada. En la generación automática de ítems para la evaluación de la comprensión oral de L2, el refinamiento iterativo del prompt se estancó, y el ajuste fino de GPT-4.1 sobre el prompt ya optimizado mejoró después la generación más allá del prompting solo, aislando la adaptación del modelo, y no el diseño del prompt, como el motor de la ganancia restante (Aryadoust et al., 2026).
  • El prompting gana cuando el objetivo es texto cargado de juicio. El mismo sistema que se ajustó con éxito para puntuar fracasó al retroalimentar: en WrAFT, un módulo GPT-4o ajustado alcanzó un QWK de 0,84 y un RMSE de 0,44 en 360 ensayos TOEFL reservados, pero el ajuste fino supervisado para generar retroalimentación produjo una salida truncada e inanalizable, mientras que incitar directamente a Claude 3.7 produjo la retroalimentación que el profesorado valoró mejor (WrAFT). El ajuste fino enseñó al modelo a dar una puntuación; no le enseñó a escribir.
  • El modelado a nivel de prompt puede sustituir al entrenamiento cuando el objetivo es una persona o una rúbrica. El prompting guiado por rúbricas, co-refinado de forma iterativa, elevó la concordancia entre LLM y personas en trabajos de diseño de estudiantes del 54,75% al 81,25% (alfa de Cronbach 0,393 → 0,798) sin ningún ajuste fino (Yaşar et al., 2026), y un prompt de GPT personalizado fundamentado en la literatura provocó las ideas erróneas matemáticas objetivo con una presencia de 0,98 frente a 0,40 de un prompt amplio (Zhuang et al., 2025).
  • Hay un techo para todo ello. Hardy y Kim (2026) estiman que la elección de modelo y de prompt juntas explican solo alrededor del 15% del desalineamiento entre los LLM y las ganancias de aprendizaje del estudiantado, con el resto repartido entre los modelos, y encontraron que los conjuntos por ponderación de puntos de referencia y por voto unánime empeoraban la alineación (Hardy et al. (2026)). Si los datos de preentrenamiento son la palanca dominante y es la única que no se puede accionar, entonces las expectativas sobre lo que cualquiera de estas técnicas puede lograr deberían calibrarse en consecuencia.

Qué aporta el ajuste fino: controlabilidad frente a escala

Cuando un modelo general no puede hacer que mantenga una propiedad que se necesita, el ajuste fino sobre un conjunto modesto de datos a menudo sí puede, y el resultado recurrente es que acertar el objetivo supera al tamaño. Tres modelos de 8B ajustados con un currículo de lectura infantil diseñado por expertos superaron a GPT-4o en zero-shot y a Llama 3.3 70B en métricas relacionadas con la dificultad, con problemas de seguridad insignificantes. Los autores lo enmarcan como controlabilidad frente a escala, ya que un modelo compacto puede ajustarse a un nivel de lectura y un patrón de error específicos de una manera que no se puede pedir a un modelo general (Shen et al. (2026)).

El patrón se repite en tareas muy distintas:

  • Fundamentación curricular. Un conjunto de instrucciones multilingüe de 24.795 ejemplos fundamentado en los Sistemas de Conocimiento Indios produjo un ajuste de 7B que obtuvo 6,39 en un panel externo de cinco jueces (mediana sobre 1.201 ítems estratificados). Eso está a 0,15 de un modelo de referencia general fuerte a una fracción del coste de despliegue, mientras que el mismo modelo base puntuó cerca de cero en las dimensiones específicas de los SCI sin el ajuste (Singaravelu et al., 2026). Esa brecha entre «competente en general» y «competente aquí» es todo el argumento de la adaptación de dominio. Nótese también el detalle contraintuitivo que informan los autores: la calidad no subió de forma monótona con la depuración de los datos.
  • Los datos estructurados por el currículo son eficientes en muestras. Con un presupuesto equiparable de unos 2.300 muestras, el ajuste fino sobre pares de pregunta y respuesta derivados de un grafo de conocimiento de K-12 de los libros de texto de People's Education Press superó a porciones de igual tamaño de ocho corpus de instrucciones convencionales, y las ganancias se transfirieron más allá de las asignaturas entrenadas: evidencia de que la estructura curricular es lo que distingue a los datos de entrenamiento educativos (Liang et al. (2026)).
  • Fiabilidad de la evaluación, a bajo coste. Un único adaptador LoRA entrenado con unos 3.900 ejemplos calificados agrupados llevó a cinco modelos abiertos pequeños (4B–30B) a la paridad o mejor con un evaluador humano en dos exámenes de informática, y casi eliminó la sensibilidad a la persona (deriva ≤ 0,32 MAE) (Habibullah et al., 2026). Un adaptador, un conjunto de datos, varios modelos base: esta es la forma de un despliegue práctico.
  • Automatización selectiva. La confianza fue un predictor fiable del error de puntuación (β = −0,602, p < 0,001). Enrutar el 20% de las respuestas menos seguras a revisión humana llevó un modelo GPT-3.5 ajustado de r = 0,781 a r = 0,822 (RMSE 0,5990 → 0,5544) y a la vez redujo el trabajo manual de puntuación en aproximadamente un 80% (Organisciak et al., 2026). Aquí el ajuste fino no sustituye a la persona; hace asequible su atención.
  • Medir constructos que de otro modo habría que calificar a mano. Se compararon transformers húngaros ajustados (hubert-base-cc, PULI-BERT-Large) con características TF-IDF e incrustaciones de Qwen3 para puntuar la escritura reflexiva en la formación docente (Csibi et al., 2026), y se mostró que un modelo IA multimodal ajustado (basado en Qwen3.5) reconstruye las curvas características de los ítems de opción múltiple, aprendiendo los patrones de respuesta codificados en las curvas 3PL y MCM en lugar de que se le indiquen (Ormerod et al., 2026).

La adaptación eficiente en parámetros en la práctica

LoRA y sus parientes son donde la mayoría de los equipos educativos trabajará de verdad, y la literatura contiene orientaciones inusualmente específicas sobre cómo se comportan.

El rango es una disyuntiva, no un mando que maximizar. Lu et al. (2026) construyeron 360 diálogos sistema–usuario–asistente a partir de un curso de Sistemas de Control Lineales, reestructuraron las respuestas en un formato Solución–Método–Puntos de Enseñanza y aplicaron LoRA a Qwen2.5-3B y 7B en rangos 4, 8 y 16. La cobertura de salida estructurada pasó de casi cero en la base a aproximadamente 1,00, y la mejor configuración (7B, r = 16) alcanzó un ROUGE-L de 0,4093 con intervalos de confianza bootstrap para la ganancia enteramente por encima de cero. Pero la ganancia por millón de parámetros del adaptador cayó monótonamente a medida que subía el rango, así que la alineación a nivel de curso es una disyuntiva entre escala y rango y no una mejora gratuita (Lu et al., 2026). Sus métricas miden similitud y formato, no precisión de derivación, que es la advertencia estándar para toda esta familia de evaluaciones.

La escala no predice el éxito, y configuraciones idénticas se comportan de forma distinta entre arquitecturas. AiAWE, un sistema abierto de evaluación automática de la escritura construido sobre un Gemma-3-27B-it adaptado con LoRA, alcanzó un RMSE de 0,474, un QWK de 0,828 y una concordancia dentro de ±0,5 de la puntuación humana en el 90,56% de 360 ensayos de evaluación, superando a LLaMA-3.3-70B y a una línea base de GPT-3.5 ajustado, y además ejecutándose en un servidor de gama de consumo. Tres hallazgos más amplios importan más que la puntuación: la escala del modelo no fue un predictor fiable del rendimiento posterior bajo adaptación con LoRA, idénticos hiperparámetros de LoRA produjeron comportamientos de adaptación cualitativamente distintos entre arquitecturas, y un modelo abierto de tamaño medio bien ajustado puede ser competitivo con los sistemas propietarios (Gayed, 2026).

Qué capas adaptar es una decisión real. En un sistema de análisis del discurso para la enseñanza del inglés, ajustar un BERT truncado actualizando solo las cuatro últimas capas Transformer superó a las dos alternativas: adaptar solo la capa superior alcanzó un techo más bajo, y el ajuste fino completo de las 12 capas se sobreajustó y osciló (Wang et al., 2026).

La arquitectura base puede importar más que el número de parámetros. El ajuste fino de tres modelos abiertos de texto a imagen con 1.000 imágenes etiquetadas de ingeniería nuclear mejoró sustancialmente Stable Diffusion XL, dio ganancias limitadas para SD-v3.5-Medium y no produjo ninguna mejora medible para el modelo Flux.1 de emparejamiento de flujos (Radaideh et al., 2026). Una receta de ajuste fino no es portátil entre arquitecturas, que es la misma lección que AiAWE informa desde la otra dirección.

El coste de la adaptación y el apetito de datos son medibles, y ambos favorecen ejecuciones pequeñas y específicas. Jung et al. (2025) ajustaron Mistral-7B-Instruct-v0.2 con LoRA para convertirlo en CLST, un rastreador de conocimiento, e informan de una factura a nivel de sesión de unas 6,8 horas y 1,7 kWh en una RTX A6000 para una ejecución de 21.000 muestras, frente a 50 segundos y 3,47 Wh de la línea base AKT, aproximadamente 490 veces más eficiente en energía (Jung et al. (2025)). Ese mismo ajuste se mantuvo exacto con datos escasos: la calibración de la salida se recuperó a medida que el conjunto de entrenamiento creció de 16 a 64 estudiantes, y CLST superó al segundo mejor modelo en hasta un 24,52% con solo 8 estudiantes de entrenamiento, lo que convierte el margen de exactitud en una disyuntiva con coste y no en una ganancia gratuita.

Dos técnicas adyacentes completan la etapa de adaptación. La destilación comprime un sistema grande o de caja negra en uno pequeño y desplegable. Una canalización de dos etapas destiló un estimador ML de caja negra ajustado y su interpretación post hoc en un LLM abierto pequeño, con un «aprendiz» de 2B parámetros que logró una recuperación casi sin pérdida de la superficie de efectos del oráculo (r > 0,90). Ese resultado se informa bajo una evaluación centrada en la fidelidad que audita cada narración contra la atribución que dice describir (Pan et al., 2026). El desaprendizaje elimina contenido específico después del entrenamiento: se aplicó desaprendizaje basado en gradientes a tres modelos para eliminar PII y contenido dañino, probado en dos órdenes de eliminación (PII primero y contenido dañino primero) (Li et al., 2026) — la herramienta pertinente cuando un modelo ha memorizado algo que no debería conservar.

El postentrenamiento: moldear la conducta, no solo el formato

La adaptación enseña al modelo qué producir; el postentrenamiento le enseña cómo comportarse. Aquí es donde los resultados pedagógicos son más llamativos y donde el diseño de la recompensa o de la señal de preferencia lo decide todo.

El resultado de la canalización. Singh et al. (2026) transformaron Qwen3-32B en EduQwen a través de tres etapas —RL inicial, SFT sintético y RL final—, alcanzando un 96,52% en el punto de referencia CDPK y superando el 90,55% de Gemini-3 Pro. Los resultados intermedios son la parte instructiva: la primera etapa de RL por sí sola llegó al 94,13%, el SFT sobre 40.000 respuestas autogeneradas lo llevó al 96,20%, y la ronda final de RL añadió la última fracción. El modelo de recompensa priorizó las respuestas que guían sobre las respuestas directas, la minería de negativos duros excluyó las preguntas que el modelo base ya resolvía, y los despliegues se ampliaron de 5 a 8 pasos para capturar decisiones pedagógicas de varios pasos (Singh et al., 2026). Frente a eso, el Pedagogy Benchmark —extraído de exámenes reales de desarrollo profesional docente de 97 modelos— encontró una precisión que iba del 28% al 89%, evidencia de que el conocimiento pedagógico no se adquiere de forma incidental durante el preentrenamiento general (Lelièvre et al., 2025).

Entrenar la decisión en vez del enunciado. TACT sometió a postentrenamiento a un tutor con una taxonomía de 13 estrategias más una taxonomía de movimientos del estudiante de dos ejes y ganó 20,30 puntos sobre su columna vertebral Qwen3.5-4B, con un punto de referencia diagnóstico que retiene las etiquetas de estado del aprendiente disponibles durante el entrenamiento para que el modelo deba inferir el estado a partir del diálogo (Yang et al., 2026). La misma lógica aparece en Special-R1 para la alineación en educación especial (Lee et al., 2026) y en el trabajo de RL heurístico que alinea modelos como guías socráticos en vez de respondedores (Wang et al., 2026). El postentrenamiento no tiene por qué moldear solo lo que dice el modelo: una plataforma empareja un chatbot de tutoría con salvaguardas con un agente de aprendizaje por refuerzo que elige el siguiente problema de práctica, de modo que la política entrenada decide qué hace el estudiante a continuación (Chung et al., 2026).

Modelos de razonamiento destilados. Una vía más barata al comportamiento pedagógico es enseñar a un modelo pequeño a imitar a uno grande: Pedagogy-R1 (1.5B y 7B) recibió ajuste por instrucciones sobre salidas filtradas pedagógicamente y destiladas de un profesor QwQ-32B, junto con prompting de Cadena de Pedagogía (Lee et al., 2025).

Postentrenamiento condicionado por instrucciones frente a datos auténticos. LearnLM enmarca el entrenamiento de modelos educativos como seguimiento de instrucciones pedagógicas, con instrucciones a nivel de sistema que permiten a desarrolladores y docentes especificar el comportamiento del tutor sin comprometerse con una única definición de pedagogía. Se mezcla en las etapas de postentrenamiento de Gemini mediante coentrenamiento, y las personas expertas lo prefirieron frente a GPT-4o (+31%), Claude 3.5 Sonnet (+11%) y Gemini 1.5 Pro base (+13%). El hallazgo clave es que el RL es sustancialmente más eficaz que el SFT solo para seguir instrucciones pedagógicas matizadas en conversaciones largas (LearnLM Team (2025)). TeachLM apuesta por lo contrario: que la ingeniería de prompts es un paliativo y que el ingrediente escaso son los datos auténticos de interacción entre quien aprende y el tutor. Entrenado con 100.000 horas de sesiones individuales bajo un anonimizado riguroso, duplica el tiempo de habla del estudiante, mejora el estilo de preguntar y aumenta los turnos de diálogo un 50% (Perczel et al., 2025). Juntos definen el espacio de diseño: postentrenamiento condicionado por instrucciones cuando los datos son escasos, ajuste fino sobre interacciones de tutoría reales cuando se tienen.

La calidad de la supervisión supera a su cantidad. La progresión de SWIM para un simulador de escritura es la demostración más limpia. El prompting fundamentado en rúbricas dio un control limitado de la competencia (mejor QWK medio por rasgo de 0,577 para Claude Sonnet, 0,422 para GPT-5.4, casi cero para un modelo abierto de 7B); el ajuste fino supervisado elevó ese modelo de 7B a 0,474 ± 0,023. El GRPO contra una recompensa derivada de la puntuación automática de ensayos lo elevó aún más, a 0,618 ± 0,005 en todos los rasgos y prompts, con la recompensa diseñada como una precisión densa normalizada por rasgo porque las recompensas de coincidencia exacta son demasiado dispersas en el entorno multirrasgo (Do et al., 2026). El estudio de modelado de ideas erróneas llega a una conclusión más incisiva sobre qué debe contener la supervisión: los modelos ajustados con instrucciones solo aprendieron ideas erróneas de álgebra cuando se entrenaron con rastros de solución paso a paso, con la precisión por debajo del 30% en todos los tamaños de datos cuando se entrenaron solo con respuestas finales. Su rol de estudiante sobregeneralizó el error aprendido hasta que se mezclaron explícitamente ejemplos correctos en proporciones tan bajas como uno de cada cuatro, mientras que el rol de tutor no mostró ese coste, manteniendo una precisión correcta del 93% al 98% con diez ideas erróneas entrenadas conjuntamente (Liu et al., 2026).

El coste de entrenamiento puede reducirse sin perder exactitud. Descartar las completaciones de GRPO de baja ventaja a una tasa de 0,5 redujo el entrenamiento de 14,1 a 7,2 horas y elevó ligeramente el F1, mientras que una recompensa por posición escalada por rango y paso de entrenamiento superó a una estática (Yang et al. (2026)).

Los propios datos de entrenamiento son algo que los modelos pueden depurar: Edu-QuRating adapta la destilación de preferencias a la depuración de datos educativos, sustituyendo una única puntuación de «¿es esto educativo?» por 20 dimensiones de rúbrica que cubren la exactitud factual, la estructura pedagógica y la idoneidad del nivel (Garrod et al., 2026).

La teoría puede ser un andamiaje de entrenamiento. Para los agentes que automatizan el diseño de sistemas instruccionales, un híbrido de los marcos clásicos ADDIE y Dick y Carey con razonamiento estilo ReAct superó tanto a los agentes de teoría pura (estructurados pero inflexibles) como a los solo-técnica (flexibles pero sin fundamento), en 25.795 escenarios de una matriz de contexto de 51 variables con un protocolo de múltiples jueces para reducir el sesgo del LLM como juez (Jeon et al., 2026). Y un estudio sobre las etiquetas de supervisión encontró que asignar a cada ejemplo de entrenamiento una conducta objetivo —competencia en la materia, fundamentación curricular, razonamiento diagnóstico o andamiaje— elevó todas las escalas de modelo probadas, con las mayores ganancias en el andamiaje y en el uso del historial de quien aprende, mientras que el diagnóstico del estado de conocimiento siguió siendo el más débil, con un 54,04% (Liang et al., 2026).

Entrenar el lado del aprendiente, no solo al tutor

La misma maquinaria se dirige cada vez más a simular estudiantes, lo que cambia la economía de evaluar a un tutor: en vez de reclutar a quienes aprenden, se generan.

La cautela es que los estudiantes simulados deben validarse como cualquier otro instrumento. Evaluar modelos ajustados e incitados sobre 382 diálogos reservados de la mayor colección pública de diálogos reales de matemáticas entre estudiante y tutor —con siete métricas que abarcan aspectos lingüísticos, conductuales y cognitivos— produjo la prueba más directa del campo sobre si los estudiantes simulados se comportan como estudiantes (Scarlatos et al., 2026). Dos enfoques más presionan sobre la fidelidad: INSIDE ajusta LLM para que actúen y piensen como estudiantes, generando diálogo interno fundamentado en la Taxonomía de Bloom a través de dimensiones cognitivas, afectivas y de acción y entrenando con pares de rastros de pensamiento y acciones (Niousha et al., 2026), y los perfiles conscientes del historial condicionan la simulación a la trayectoria previa de un estudiante y no a una persona estática (Duan et al., 2026). Para quien desarrolla, la lección práctica es que un simulador es un instrumento de medición y hereda todas las preguntas de validez que eso implica.

Desaprender 16 componentes de conocimiento de Python de Mistral-7B reduce la exactitud hasta un nivel objetivo y el reaprendizaje guiado por un coach la recupera, lo que da a un simulador un estado de conocimiento ajustable en lugar de una persona incitada (Song, Guo y Lin (2026)).

Qué puede salir mal

La adulación es un objetivo de entrenamiento, no un ajuste de usabilidad. La tutoría exige fricción correctiva, y los modelos se resisten a ella. EduFrameTrap muestra que los modelos que resisten ataques de cambio de contexto igual capitulan ante la presión de la autoridad o la presión social y afectiva y retienen la retroalimentación correctiva, razón por la cual sus autores sostienen que la conducta «amable pero correcta» debería ser un requisito explícito de entrenamiento y no una preferencia (Kasneci et al. (2026)). El entrenamiento que recompensa guiar por encima de responder —como hace el modelo de recompensa DAPO de EduQwen— es una palanca estructural contra ella, pero la adulación contextual persiste tras el prompting y la alineación, con los errores de quienes aprenden propagándose igualmente al consejo de la IA (adulación contextual).

El entrenamiento no vuelve seguro a un modelo a lo largo de una conversación larga. SafeTutors muestra que incluso los modelos pedagógicos especializados se degradan en un diálogo sostenido y pueden incurrir en daños por divulgación excesiva de respuestas (Hazra et al. (2026)), de modo que la seguridad pedagógica debe probarse a la longitud de una conversación y no en un solo turno.

La validación puede sustituir al entrenamiento o ser necesaria en lugar de él. Un GPT-4 de frontera sin entrenar produjo pistas aproximadamente un 35% demasiado generales, incorrectas o que revelaban la respuesta al redactar retroalimentación para un sistema de tutoría inteligente, y sus propias comprobaciones automáticas de calidad no se alineaban con el juicio humano; los autores concluyen que los LLM carecen de un modelo interno de la instrucción y que se necesita una validación sólida o un entrenamiento específico de dominio antes de usarlos sin supervisión con aprendientes (Reddig et al., 2025). La implicación práctica corta en ambos sentidos: a veces la respuesta correcta es una capa de validación en lugar de una tanda de entrenamiento, y a veces la validación es lo que le dice que una tanda de entrenamiento fracasó.

Su evaluación puede estar midiendo lo que no es. Es la trampa más común en la literatura de ajuste fino de aquí. ROUGE-L y QWK miden similitud y ordenación, no corrección de la derivación (Lu et al., 2026); un ajuste fino puede alcanzar un QWK excelente mientras la retroalimentación del mismo sistema es inanalizable (WrAFT); y un modelo puede ordenar correctamente a los estudiantes mientras se equivoca sobre la probabilidad de que cada uno necesite ayuda. Cuando el objetivo es un constructo, el ajuste fino debe emparejarse con un instrumento que mida ese constructo: el resultado del enrutamiento por confianza es una buena plantilla, ya que convierte un número de precisión en una política operativa con una persona en el circuito (Organisciak et al., 2026).

Una secuencia práctica para quienes desarrollan tecnología educativa

Destilada de la evidencia anterior, en el orden que evita cómputo desperdiciado:

  1. Establezca una línea base que pueda superar, incluida una trivial. El modelo sin recuperación del estudio del asistente de curso puntuó por debajo de TF-IDF. Registre su precisión solo con prompt antes de considerar el entrenamiento.
  2. Añada recuperación antes que parámetros. Fundamentar el modelo en sus propios materiales es la gran ganancia más barata que se informa aquí (52,3% → 66,6%), y es reversible.
  3. Ingeniería del prompt, y reingeniería iterativa. El refinamiento guiado por rúbricas movió la concordancia del 54,75% al 81,25% sin ningún entrenamiento, y la generación de ítems solo mejoró después de que el refinamiento del prompt se estancara: ese estancamiento es su señal de que el entrenamiento podría añadir algo.
  4. Ajuste fino cuando el objetivo sea un formato estable, una propiedad controlada o un dominio que el modelo base no tenga. LoRA sobre unos pocos miles de ejemplos puede poner modelos abiertos pequeños a la par de un evaluador humano, y un conjunto de instrucciones puede llevar a un modelo de 7B de casi cero a 0,15 de un modelo de referencia mucho mayor en dimensiones específicas del dominio.
  5. Elija el rango y las capas de forma deliberada, y espere un comportamiento específico de la arquitectura. La ganancia por parámetro del adaptador cayó al subir el rango, la adaptación de cuatro capas superó tanto a la más superficial como al ajuste completo, y una familia de modelos mejoró sustancialmente mientras otra no se movió en absoluto.
  6. Use postentrenamiento cuando necesite cambiar cómo enseña el modelo. Recompense guiar por encima de responder, y espere que la recompensa se juegue en su contra: escríbala contra un punto de referencia, no contra una intuición.
  7. Supervise a nivel de paso. El entrenamiento solo con respuestas finales produjo una precisión de ideas erróneas inferior al 30% en todos los tamaños de datos.
  8. Mantenga a una persona en el circuito donde la confianza sea baja. Enrutar el quinto menos seguro de las respuestas eliminó alrededor del 80% del trabajo manual y a la vez mejoró la concordancia.
  9. Pruebe la seguridad a lo largo de conversaciones completas. Los diálogos largos son donde se degradan los modelos especializados.
  10. Calibre las expectativas. La elección de modelo y de prompt explica solo alrededor del 15% del desalineamiento con las ganancias de aprendizaje; parte de lo que se quiere del entrenamiento no está disponible mediante el entrenamiento.

Preguntas abiertas

  1. ¿Generaliza el postentrenamiento pedagógico entre asignaturas, o siempre se necesita un ajuste específico de la materia?
  2. ¿Puede combinarse la canalización RL–SFT–RL con memoria longitudinal para personalizar entre términos?
  3. ¿Cuál es el conjunto de supervisión más pequeño que aún enseña razonamiento pedagógico a nivel de paso, y puede compartirse entre instituciones sin compartir datos de estudiantes?
  4. ¿Cómo debería estandarizarse la evaluación de los modelos educativos ajustados, dado que las métricas de similitud pueden ser excelentes mientras el modelo es inutilizable?

Conexiones con conceptos relacionados

Esta página es la compañera de cómo se construye un modelo de LLM, que cubre qué son los modelos de lenguaje grandes y cómo se comportan. Se sitúa bajo Tecnologías como el nodo de entrenamiento y adaptación, junto a generación aumentada por recuperación (la alternativa de recuperación que suele ir primero), ingeniería de prompts (la palanca más barata) y Aprendizaje por refuerzo (la mitad de RL del postentrenamiento). Sus salidas alimentan la tutoría inteligente y el aprendizaje adaptativo; sus aplicaciones educativas más comunes son la evaluación automatizada, la corrección automática de ensayos y la calidad de la retroalimentación con IA; y sus parientes conceptuales más cercanos son el PLN educativo, la simulación de estudiantes, el código abierto y el modelado del estudiante. Los riesgos que crea los sostienen la seguridad pedagógica, la adulación de la IA, el riesgo de alucinación y la privacidad.

Concepciones erróneas

  • «El ajuste fino es la forma de hacer que un modelo sea bueno en su tarea.» La recuperación y el prompting llegan antes en el orden de decisión, y el resultado más claro es que el postentrenamiento es una tercera opción y no la primera. Ajustar un modelo con datos de evaluación mejoró el formato y la similitud, mientras que otro ajuste fino fracasó directamente al generar retroalimentación: el método cambió la superficie y no la competencia.
  • «El modelo es el principal determinante de las ganancias de aprendizaje.» La elección de modelo y de prompt explican solo alrededor del 15% de la brecha entre un LLM y las ganancias de aprendizaje del estudiantado. Optimizar el 85% restante es donde está el trabajo, y no está en los pesos.
  • «Un modelo local rendirá menos que uno alojado, así que la recuperación es una palanca menor.» En una evaluación de tres configuraciones, la recuperación, y no el modelo, fue la decisión de diseño de primer orden: el LLM local sin recuperación alcanzó solo un 52,3% de exactitud, por debajo de una línea base TF-IDF. Añadir recuperación llevó al mismo modelo más allá de un umbral que ningún cambio de modelo iba a alcanzar por sí solo.
  • «Más datos de entrenamiento significan mejor conducta docente.» El ajuste fino con datos de evaluación que mejoró el formato a la vez que empeoraba la generación de retroalimentación es el contraejemplo en miniatura: optimizar contra un objetivo de aspecto similar puede mejorar el proxy y degradar lo que se quería.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.