Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

Grandes modelos de lenguaje (LLM)

Creada 2026-09-25 · Actualizada 2026-11-07

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

Los grandes modelos de lenguaje (LLM): modelos de red neuronal entrenados con vastos corpus de texto que generan texto similar al humano e impulsan la mayoría de las aplicaciones modernas de IA en la educación. Los LLM son la columna vertebral computacional de la tutoría con IA generativa, la evaluación y la generación de contenido en la educación.

Preguntas para reflexionar

  • ¿Qué cree usted que «sabe» un chatbot de IA cuando le responde? La página enmarca los LLM como generadores de texto probable en lugar de recuperadores de hechos verificados: ¿cómo cambia esa distinción cuánto confiaría usted en las explicaciones de un modelo?
  • Los LLM se describen como el motor que hay detrás de la mayoría de las herramientas modernas de IA educativa: la tutoría, la calificación, la generación de contenido e incluso el diagnóstico de lo que sabe el estudiantado. De esos usos, ¿cuál le parece el más y el menos adecuado para un generador de texto probabilístico, y por qué?
  • La página informa de que tres LLM distintos produjeron planes de apoyo marcadamente divergentes para una misma entrada de analítica del aprendizaje, cada uno con supuestos demográficos diferentes. Si los modelos no son intercambiables como asesores, ¿qué significa eso para una institución que adopta uno?
  • Como la salida de un LLM es sensible a los prompts y a la configuración, dos personas pueden obtener resultados muy distintos del mismo modelo. ¿Cómo debería influir esto en cómo usted, como quien aprende o como quien diseña, formula sus peticiones, y en cuánto confía en una única salida?
  • Una limitación clave es la alucinación, es decir, contenido verosímil pero sin fundamento. En un contexto de tutoría o de calificación, ¿qué haría falta para que usted confiara en que el modelo no estaba inventando algo, y qué salvaguardas exigiría antes de dejar que evalúe a un estudiante real?

Introducción

Los LLM como motor de la AIED

Los LLM son el concepto más referenciado de la base de conocimiento (más de 60 artículos), porque sustentan casi todas las aplicaciones de IA educativa:

  • Tutoría: los tutores con IA usan LLM para el diálogo, la explicación y la orientación en la resolución de problemas. El entrenamiento pedagógico adapta los LLM generales al uso educativo.
  • Evaluación: los sistemas de calificación, la corrección automática de ensayos y la predicción de la dificultad de los ítems aprovechan las capacidades de los LLM. Razavi y Powers (2026) muestran que GPT-4o puede estimar la dificultad de ítems de matemáticas y lectura de K-5 (N = 5170) calibrados con el modelo IRT de Rasch: las valoraciones de cero disparos correlacionaron de forma moderada a fuerte con las dificultades reales (r = 0,83 en matemáticas, r = 0,81 en lectura), pero variaron según el curso; en cambio, una estrategia basada en características, en la que el LLM extrae características cognitivas y lingüísticas para modelos de árbol, alcanzó correlaciones de hasta r = 0,87, lo que es evidencia de que la extracción estructurada de características puede superar a un único juicio holístico del LLM. En el conjunto de la literatura sobre calificación, una revisión sistemática guiada por PRISMA de 42 estudios empíricos (2023–2025) concluye que los LLM igualan a los evaluadores humanos en tareas cortas y bien estructuradas con rúbricas detalladas, pero no pueden sustituir del todo el juicio humano en trabajos complejos, abiertos o subjetivos, y que la versión del modelo es un determinante dominante de la calidad de la calificación (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). La fiabilidad también varía mucho según el tipo de ítem: Falahat et al. (2026) encontraron que ChatGPT-5 coincidía estrechamente con el profesorado en ítems objetivos de exámenes de farmacia (CCC 0,935–1,000), pero no era fiable en ítems de respuesta corta (CCC ≈0) ni de ensayo (0,341–0,854), y que proporcionar una rúbrica no mejoraba de forma consistente el acuerdo.
  • Las etiquetas de los ítems generados siguen la forma superficial, no la dificultad. Una auditoría de 378 ítems encontró que las etiquetas Fácil/Media/Difícil de un LLM subían al unísono con su propio nivel de Bloom cogenerado (ρ=0,90) y con la longitud del enunciado (de 15,9 a 30,2 palabras), pero solo se correlacionaban con la dificultad empírica de los ítems en ρ=0,06 sobre 7.888 respuestas del estudiantado, lo que es evidencia de que los metadatos de dificultad generados en el momento de la generación describen el formato y no la exigencia sobre el conocimiento previo (An y Wang (2026)).
  • Los ítems generados pueden igualar a los de expertos. o3-mini, en un bucle generar→juzgar→revisar, construyó exámenes para 71 clases; bajo un modelo IRT 2PL jerárquico bayesiano, los ítems de IA eran más fáciles pero más discriminativos (ᾱ = 1,3 frente a 1,2) y más informativos (I_max = 3,85 frente a 2,61) que los ítems expertos de AP Statistics (Isley et al. (2025)).
  • La calidad de la anotación es un resultado de diseño, no una propiedad de un único prompt. Bernado et al. (2026) pidieron a un panel de cinco modelos que juzgara aserciones legibles por personas sobre cada intervención en lugar de emitir directamente una etiqueta, y un clasificador transparente sobre esos juicios binarios (macro-F1 0,673, κ de Cohen 0,688) superó al mejor prompting directo publicado de un modelo de frontera (0,61 de macro-F1) aunque quedó por detrás de un codificador RoBERTa-base ajustado (0,76); el acuerdo entre modelos funcionó como dispositivo de cribado y no como evidencia de validez.
  • LLM de razonamiento multimodales como calificadores: cuando un LLM multimodal y con capacidad de razonamiento (GPT-o4-mini) calificó página a página un examen manuscrito de química general de 296 estudiantes comparándolo con imágenes de rúbricas, las puntuaciones totales de una sola pasada fueron muy reproducibles (ICC(A,1) = 0,967; promediar cinco pasadas llegó a 0,993) y coincidieron con fuerza con los totales del profesorado auxiliar (R² = 0,91), pero la fiabilidad a nivel de ítem dependía mucho del formato: las respuestas de texto y de ecuaciones químicas se calificaban bien, mientras que el dibujo y la representación gráfica salían peor que el azar (las cuadrículas de fondo distraen la visión de la IA). Esto muestra que la fiabilidad de un calificador LLM es función del formato de respuesta y de la tarea, y no solo de la capacidad bruta del modelo, y que para usos de alto riesgo se necesita la derivación selectiva a una persona mediante filtros de confianza (Assisting the grading of a handwritten general chemistry exam with artificial intelligence).
  • Contenido: la creación de contenido con IA generativa se apoya en los LLM. La generación de preguntas y la generación de vídeos están impulsadas por LLM.
  • Seguridad: la seguridad pedagógica, el riesgo de alucinación y la investigación de Hazra et al. (2026) examinan los riesgos específicos de los LLM.
  • Diagnóstico: el seguimiento del conocimiento y el diagnóstico cognitivo incorporan cada vez más los LLM para un modelado del estudiantado más rico. La fundamentación importa enormemente para el diagnóstico de errores: Reddig, Arora y MacLellan (2025) mostraron que suministrar a GPT-4 la estructura de la interfaz del tutor junto con estimaciones bayesianas de habilidades del seguimiento del conocimiento elevó la identificación de errores lógicos del 40% al 81% en factorización (diagnóstico de errores global de ~87,8%), mientras que los problemas de varios pasos y las respuestas con varios errores siguieron siendo casos débiles y persistieron diagnósticos alucinados de «concepción» común, lo que es evidencia de que el valor diagnóstico de un LLM es tanto función del contexto estructurado y de las señales del modelo de quien aprende que recibe como del propio modelo.
  • Verificación separada de la generación, con modos de fallo correlacionados. Hossain et al. (2026) restringen la recuperación del tutor a material del curso aprobado por el profesorado y enrutan las afirmaciones a través de un verificador DeBERTa-v3-large-MNLI arquitectónicamente separado, pero advierten de que ambos modelos comparten un entrenamiento amplio en la web y pueden fallar de forma correlacionada, y de que el verificador no puede comprobar un rastro de código sin ejecutarlo.
  • Cambio de modelo de evaluación (2017–2024): la revisión de alcance de Morley et al. sobre la corrección automática de preguntas de respuesta corta de ciencias traza el paso del campo desde el ajuste fino de modelos BERT más pequeños (dominante hasta 2021) hacia el prompting de LLM más grandes (GPT-1/2/3,5/4) a partir de aproximadamente 2022, adoptado mediante la ingeniería de prompts en lugar del ajuste fino, con modelos aumentados con dominio, prompting consciente de la rúbrica y cadena de pensamiento elevando la precisión. Sin embargo, los modelos GPT rara vez se compararon con BERT en corpus estándar, pocos correctores automáticos podían explicar sus calificaciones y el sesgo se examinó pocas veces, cautelas que se aplican a la evaluación con LLM en general (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4).

Investigación específica de modelos

La base de conocimiento cubre tanto los LLM de propósito general (GPT-4, Claude) como las adaptaciones específicas para la educación. Los puntos de referencia de modelos de lenguaje pequeños comparan el rendimiento de los SLM en la tutoría, y Suvernev et al. (2026) sostienen que los SLM son arquitectónicamente apropiados para la tutoría agéntica cuando se despliegan como planificadores aumentados con herramientas —las herramientas deterministas asumen la carga que un modelo pequeño trataría implícitamente—, con el control pedagógico residiendo en la política de escalada más que en el modelo. La investigación sobre la alineación educativa aborda cómo hacer que los LLM sean pedagógicamente apropiados. Un estudio de aula con tres familias de frontera, el de Oppenheimer, Cash y Connell Pensky (2025), encontró que ChatGPT, Gemini o Claude podían actuar como compañeros de crítica colaborativa en la escritura argumentativa: a lo largo de un semestre de ensayos iterativos, el estudiantado mejoró en calidad de la argumentación, en ingeniería de prompts y en la respuesta a la retroalimentación de la IA en aproximadamente una desviación estándar completa en cada caso (todo p < 0,001) y se implicó a fondo (el 87,8% rebatía las afirmaciones del LLM), lo que sitúa a los LLM de propósito general como socios viables de aprendizaje colaborativo y no como meros generadores de respuestas.

Una línea de trabajo complementaria reformula los LLM, de calificadores estáticos a emuladores del razonamiento pedagógico. Yaşar et al. (2026) mostraron que GPT-4, con el andamiaje de una rúbrica semánticamente precisa y refinada de forma iterativa y conjunta, podía aproximarse al juicio evaluativo humano en el aprendizaje basado en el diseño: el acuerdo inicial entre los LLM y las personas era pobre (alfa de Cronbach = 0,393; Kappa de -0,06 a 0,18), pero el refinamiento iterativo de la rúbrica elevó el acuerdo medio del 54,75% al 81,25% (alfa final = 0,798, Kappa 0,40–0,55), y el agrupamiento de K-medias de las matrices de puntuaciones humanas y del LLM mostró centroides muy correlacionados (r = 0,89). El estudio sitúa la rúbrica como interfaz mediadora entre la intención pedagógica humana y la inferencia de la máquina, lo que es evidencia de que los LLM listos para usar tampoco son intercambiables como evaluadores, y de que su comportamiento evaluador es un resultado de diseño que modelan la rúbrica y los prompts que reciben. La capacidad bruta del modelo también diferencia la calificación: al evaluar comparativamente once modelos de IA generativa y de incrustación de frases con 1.885 respuestas abiertas, Pecuchova, Benko y Drlik (2025) encontraron que solo GPTo1 alcanzó un acuerdo casi perfecto con evaluadores humanos expertos (Kappa de Fleiss 0,82), con Claude3 y PaLM2 algo por detrás, mientras que los modelos alineados con referencias como BERT quedaron muy lejos, lo que muestra que la sensibilidad al contexto de los modelos de frontera importa para una evaluación abierta fiable. Las diferencias entre modelos también importan para usos posteriores de alto riesgo. López-Pernas et al. (2026) mostraron que tres LLM produjeron prescripciones de apoyo al estudiantado marcadamente divergentes para una misma entrada de analítica del aprendizaje, y cada uno imponía supuestos demográficos previos distintos a los perfiles de estudiantado que generaba, lo que es evidencia de que los LLM listos para usar no son intercambiables como asesores prescriptivos. De forma similar, Olvet et al. (2026) encontraron que la puntuación de GPT-4 de preguntas abiertas de medicina previas al internado solo llegó a un acuerdo interevaluador de sustancial a casi perfecto con el profesorado (kappa ponderado de hasta 0,94) tras tres rondas de refinamiento iterativo de la rúbrica, y cayó a moderado (κw = 0,54) en un ítem de rúbrica holística, lo que refuerza que el diseño de la rúbrica, y no solo la capacidad bruta, es la palanca decisiva para la fiabilidad de la calificación con LLM. El comportamiento específico de cada modelo también se manifiesta en cómo responden los LLM a las personas usuarias escépticas: una auditoría algorítmica consultó a diez LLM de frontera 500 veces cada uno con una persona simulada escéptica de la IA del entorno rural de Montana K-12 para comprobar si los sistemas de IA consultados por usuarios escépticos están predispuestos a fomentar la adopción. Ocho de cada diez reconocieron las preocupaciones de la persona usuaria y luego reorientaron hacia marcos de implicación con la IA; las puntuaciones compuestas abarcaron de 3,85 (Claude Sonnet) a 7,52 (Gemini 3.1 Pro Preview), y un panel evaluador de IA entre familias superó un kappa de Cohen >= 0,70. El patrón fue un resultado de diseño dependiente del modelo. La capacidad del modelo también depende de cómo se combinen los modelos: Bird (2026) ajustó ocho transformadores de última generación (BERT, ELECTRA, RoBERTa, XLNet, ERNIE, ALBERT, DistilBERT, Longformer) para clasificar literatura inglesa por etapa clave del Reino Unido, y encontró que el mejor transformador unimodal (BERT) solo alcanzó un F1 de 0,75, mientras que fusionar un ELECTRA ajustado con una red neuronal de lingüística computacional elevó el F1 a 0,996, lo que muestra que la clasificación de texto con un transformador por sí sola es limitada y que la fusión con características complementarias es donde están las ganancias.

Los LLM también afirman de forma preferente: en 11 modelos, las respuestas de la IA afirmaron a las personas usuarias un 49% más que las respuestas humanas, y las réplicas más aduladoras recibieron valoraciones más altas, elevando la confianza y el uso continuado, un modo de fallo para el coaching, la tutoría o la retroalimentación, donde el reto constructivo es lo esencial (Potel y Kumashiro (2026)).

La evidencia de codificación de entidades nombradas muestra una superioridad dependiente de la tarea y no un único modelo mejor. Sobre un punto de referencia de entidades nombradas de 600 tokens con consenso humano, Wang, Pritchard y Rosenberg (2026) hallaron que GPT-5.5 lideró la codificación de siete tipos de las 41 filas de entidades de referencia (exactitud 0,805, κ = 0,726) frente a spaCy (0,634, κ = 0,488), mientras que spaCy ganó en detección binaria con un F1 de 0,734 frente al 0,654 de GPT-5.5: la elección de modelo sigue a la tarea analítica posterior y no a un óptimo universal.

Concepciones erróneas

  • «La capacidad bruta del modelo determina lo bien que puede diagnosticar errores.» Lo determina la fundamentación: Reddig, Arora y MacLellan (2025) mostraron que suministrar a GPT-4 la interfaz del tutor cambió sustancialmente su diagnóstico de errores. Lo que se le da al modelo sobre el contexto de quien aprende hace más trabajo que el modelo que sea.
  • «Cualquier modelo de frontera se comporta igual como socio de aprendizaje.» Oppenheimer, Cash y Connell Pensky (2025) estudiaron tres familias de frontera —ChatGPT, Gemini y Claude— en una comparación de aula, precisamente porque las familias no son intercambiables como colaboradoras.
  • «Mejores modelos implican necesitar menos andamiaje.» GPT-4, con el andamiaje de una rúbrica semánticamente precisa y refinada de forma iterativa y conjunta, podía aproximarse al juicio evaluativo humano en la investigación basada en el diseño. La aproximación procedía de la rúbrica refinada a lo largo de las iteraciones, no del modelo por sí solo.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Metadatos

Tecnologías y técnicasIA generativa, Tutoría inteligente, Ingeniería de prompts, RAG (Generación Aumentada por Recuperación)
Evaluación y mediciónEvaluación automatizada
Equidad, ética y uso responsableRiesgo de alucinación, Seguridad pedagógica
Fundamentos de la IA en la educaciónAlfabetización en IA
FuenteHistorialEditarChat

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.