Código abierto

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

Código abierto — el uso de modelos, código, datos y contenido con licencias abiertas en la IA en la educación. La apertura es el principal contrapeso de la base de conocimiento frente al cautiverio de proveedor y a la exposición de datos: los modelos de pesos abiertos pueden ejecutarse en hardware del campus para cumplir con FERPA, el RGPD y las obligaciones del Reglamento de IA de la UE, los corpus con licencias abiertas pueden indexarse y ajustarse sin permiso del editor, y la publicación de puntos de referencia y conjuntos de datos abiertos hace replicable la investigación. Las cargas son igual de reales: infraestructura y garantía de seguridad, mantenimiento que sobrevive a la subvención, y una calidad que la apertura no garantiza por sí sola.

Preguntas para reflexionar

• «Código abierto» se entiende a menudo como «gratis y fácil». ¿Cuál de las cuatro capas siguientes —modelos, código, datos o contenido— le cuesta más de adoptar a su institución, y por qué?
• Los pesos abiertos hacen posible el despliegue local, pero alguien tiene que alojar, parchear y evaluar el sistema. ¿Quién debería asumir ese trabajo cuando termina el proyecto inicial, y quién lo paga?
• Un estudio de esta base encontró que un modelo abierto de 32B superaba a un sistema propietario mucho mayor en conocimiento pedagógico, mientras que otro encontró que todos los modelos abiertos probados quedaban por debajo de la línea base humana en alfabetización de visualización científica. ¿Cómo decide qué punto de referencia es el adecuado para su decisión?
• Un único corpus con licencia abierta es lo que permite a un centro ejecutar un asistente local sobre sus propios materiales de curso. ¿Qué obligaciones conlleva eso: hacia los autores originales, hacia el estudiantado cuyos datos se indexan y hacia la propia licencia?
• Si la IA generativa puede producir un curso en menos de media hora por un par de dólares, ¿cuál es la razón que queda para los recursos educativos abiertos: el coste, la libertad de licencia, la garantía de calidad o algo distinto?
• ¿Deberían las instituciones tratar la adopción de código abierto como una decisión de compras, una decisión de infraestructura o una decisión pedagógica? ¿Qué se rompe si se trata como solo una de ellas?

Introducción

En términos generales, «abierto» en la educación con IA significa que cuatro tipos de artefactos están disponibles para su inspección, reutilización y modificación: pesos de modelo, código fuente, datos e instrumentos de evaluación y contenido educativo. Los artículos de la base de conocimiento se agrupan de forma desigual entre estas capas, y el panorama resultante es más útil que el eslogan: la apertura compra cosas concretas —control local, auditabilidad, replicabilidad y claridad legal— y cuesta cosas concretas: infraestructura, experiencia, mantenimiento y una carga de garantía de calidad que se traslada del proveedor a la institución.

Modelos abiertos y pesos abiertos

Los pesos abiertos importan sobre todo allí donde los datos del estudiantado no pueden salir del campus. LaTA es un corrector automático local de LLM que se integra sin fricción y cumple FERPA, para trabajos de STEM de cursos superiores, construido sobre rúbricas y soluciones de referencia escritas por el profesorado, con coste marginal cero por entrega. SCRIPT, un sistema de tutoría en Python de la Universidad de Bielefeld, evita deliberadamente las API comerciales de LLM y autoaloja un modelo Llama-70B de pesos abiertos para cumplir con el RGPD y el Reglamento de IA de la UE (que clasifica algunos usos de la IA en educación como de alto riesgo), separando los registros de IP del sistema de tutoría, usando nombres de usuario seudónimos y registrando pulsaciones de teclas solo con consentimiento explícito, una elección a la que los autores también atribuyen un menor impacto ambiental y una mejor reproducibilidad.

La calidad ya no es el precio automático de la apertura. EduQwen aplica aprendizaje por refuerzo (DAPO) y ajuste fino supervisado a una familia de modelos abiertos, extrayendo 440 negativos difíciles, generando 40.000 respuestas sintéticas reducidas a 1.050 ejemplos ordenados por dificultad, y alcanza el 96,52% en el punto de referencia de pedagogía, por encima del 90,55% de Gemini-3 Pro, con 32B de parámetros densos. AiAWE llega a conclusiones similares para la evaluación automatizada de la escritura: un Gemma-3-27B-it de pesos abiertos adaptado con LoRA supera a LLaMA-3.3-70B y a una línea base de GPT-3.5 ajustada en 480 ensayos TOEFL y se ejecuta en un servidor de gama de consumo, con el llamativo hallazgo subsidiario de que el número de parámetros no es un predictor fiable del rendimiento posterior bajo adaptación LoRA. La contraevidencia merece el mismo espacio: un punto de referencia de seis MLLM (tres cerrados, tres abiertos) encontró que todos los modelos de código abierto quedaban por debajo de la línea base humana en alfabetización de visualización científica, mientras que Gemini superaba la media humana en varios subconjuntos. La apertura eleva el techo del control, no el de la capacidad.

Herramientas, tutores e infraestructura de investigación abiertos

El caso más claro a favor del código abierto es la replicación. OATutor —el primer sistema de tutoría adaptativa totalmente abierto construido sobre principios de ITS— combina un código con licencia MIT con una biblioteca de contenido Creative Commons (CC BY) procedente de los manuales de álgebra de OpenStax, además de traza de conocimiento, pruebas A/B y soporte LTI; su objetivo de diseño explícito es que una persona investigadora pueda ejecutar un experimento y luego publicar todo el marco, el contenido y la plataforma de extremo a extremo como un enlace a un repositorio. StanBKT defiende lo mismo en la capa de método, sustituyendo las estimaciones puntuales por maximización de la expectativa por inferencia bayesiana completa (HMC, inferencia variacional, Pathfinder, optimización) en un paquete abierto de Python que expone la incertidumbre de la que dependen las comparaciones A/B de intervenciones adaptativas. DeepTutor publica un marco completo de tutoría agéntica con una memoria de estudiante en forma de bosque de trazas —Apache 2.0, y para finales de 2026 un espacio de trabajo de aprendizaje completo y no solo los flujos que evalúa su artículo— y el generador de aulas OpenMAIC de MAIC se distribuye bajo MIT junto con el estudio que lo evalúa, de modo que un curso puede generarse, autoalojarse e inspeccionarse en lugar de solo leerse; VISMATIC publica su sandbox en contenedores para la monitorización orientada a procesos, de modo que otras instituciones puedan adoptar el modelo de integridad y no la versión del proveedor. El código abierto también conlleva la carga de transparencia: los scripts de los prompts de tutoría afectiva de MathBuddy se publican para su inspección y para más trabajo de entrenamiento pedagógico. La infraestructura abierta fija el punto de referencia de lo que deberían hacer los agentes educativos: la revisión de alcance de 474 estudios sobre IA agéntica de la base de conocimiento usa un proyecto de agentes de código abierto en rápido crecimiento como su punto de referencia del «paradigma de agente de frontera» y encuentra que los sistemas educativos siguen careciendo de orquestación de herramientas gobernada, memoria persistente, planificación de horizonte largo y acción auditable.

Puntos de referencia, conjuntos de datos y transparencia de método abiertos

Varias contribuciones de esta base son infraestructura de evaluación abierta más que sistemas. El punto de referencia de pedagogía (CDPK + SEND, construido a partir de ítems reales de exámenes docentes chilenos) abarca 97 modelos: el modelo abierto DeepSeek R1 alcanzó el 86,65% frente a un top-10 de modelos de razonamiento mayoritariamente cerrados, y la frontera de coste y precisión pasó de ~50% a ~82% con \$0,10/M tokens de entrada entre abril de 2024 y junio de 2025, con el abierto Qwen-3 8B a 3,5¢ casi igualando al mejor modelo cerrado de abril de 2024 con un coste más de 400 veces menor. El rendimiento cae bruscamente por debajo de unos 8B parámetros, una restricción práctica de tamaño para los despliegues de campus. ASTRA publica un conjunto de datos, un esquema y un prototipo para la evaluación basada en trazas de la tutoría multiagente socialmente inteligente (540 participantes, 360 sesiones, 1.440 episodios de tarea). IKS-Instruct muestra el argumento cultural a favor de los datos abiertos: 24.795 pares de instrucción y respuesta en siete idiomas y 41 técnicas pedagógicas extraídas de fuentes védicas y clásicas, alineadas con el currículo de la CBSE, que permitieron a un modelo compacto de 7B acercarse a un modelo de referencia de propósito general mucho mayor (puntuación mediana del juez 6,39 frente a 6,54) con una fracción del coste de despliegue. Los puntos de referencia escritos por el propio estudiantado son otra vía hacia la apertura: AcademiClaw cura 80 tareas académicas de horizonte largo a partir de 230 candidatas enviadas por estudiantes (que abarcan más de 25 dominios profesionales, 16 de ellas con requisitos de GPU CUDA, ejecutadas en sandboxes Docker aislados) y extiende un ecosistema abierto de agentes hacia la evaluación de nivel académico. Eimler et al. (2026) sostienen que la apertura es también una obligación ambiental: al revisar todos los artículos de AIED 2025 encontraron un patrón de «adopción de LLM sin divulgación» y respondieron con una metodología de medición de código abierto —herramientas de software más una fórmula que estima el gasto computacional incluso cuando se desconocen los recuentos de parámetros.

Recursos educativos abiertos y contenido abierto

Shen et al. (2026) es el único artículo de la base de conocimiento en el que los recursos educativos abiertos son el objeto central y no una referencia de pasada. Construyen un asistente local de base de conocimiento con IA para la enseñanza de la informática a partir de 82 documentos de REA en hardware de gama de consumo (una RTX 3060 con 12 GB de VRAM), combinando extracción estructurada, generación aumentada por recuperación y ajuste fino con cuantización consciente de NF4 de 4 bits. El ajuste fino aportó valor real más allá de la recuperación (Qwen-7B 69,8%, +3,2 pp, p = 0,031; DeepSeek-MoE 78,6%, +12,0 pp, p < 0,001, incluido un 82,3% en razonamiento de múltiples saltos); el ajuste consciente de la cuantización mantuvo la brecha de precisión en 4 bits en 1,7 y 1,2 pp mientras recortaba la VRAM un ~38% y la energía a 1,8 mWh por consulta (un 43,8% por debajo de la línea base); y la alucinación inflada por la cuantización se recuperó en parte con el ajuste fino (DeepSeek-MoE 10,4% → 8,1%), medida mediante un procedimiento NLI de dos etapas contra los fragmentos de REA recuperados. El punto analítico es generalizable: un corpus con licencia abierta puede indexarse, adaptarse y servirse sin permisos del editor, y anclar un asistente en REA recuperados ofrece un rastro de procedencia comprobable, que es exactamente lo que un corpus de manual propietario no puede ofrecer.

La apertura del contenido y la apertura de los modelos también son complementarias en otros lugares. OATutor cura manuales de OpenStax con licencia CC BY en un sistema cuyo código tiene licencia MIT, así que los términos de licencia del código y del contenido deben mantenerse compatibles por diseño. Una biblioteca abierta de módulos ejecutables para la IA en sistemas de energía rebaja la barrera de entrada con cuadernos de Jupyter que se ejecutan en local o en Colab, impartidos a través de un curso en línea del IEEE. Y un currículo de ingeniería mecánica basado en proyectos publica su programa, sus datos y su código en repositorios de acceso abierto para que otras instituciones puedan adoptarlo (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering). Junto a los REA, la impartición abierta de cursos es donde la economía está cambiando más rápido: MAIC informa de una caída de la producción de MOOC desde unos \$25.000 y 60 horas por curso hasta menos de \\$2 y 30 minutos con generación multiagente impulsada por LLM. Si la producción de contenido se vuelve casi gratuita, el argumento de los REA se desplaza del coste de producción hacia la libertad de licencia, la verificabilidad y la garantía de calidad, que es una propuesta distinta de aquella sobre la que se construyó la defensa de los REA.

Beneficios y cargas

• Beneficios. Soberanía de los datos y cumplimiento normativo (privacidad, regulación) mediante el alojamiento local; control de costes, ya que la inferencia local no tiene tarifa por consulta y los modelos abiertos se acercan a la calidad propietaria por una fracción del precio (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised); reproducibilidad, porque el marco, los prompts, el contenido y los datos pueden publicarse con el artículo (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring); auditabilidad y revisión de seguridad bajo la gobernanza institucional; y la capacidad de ajustar para una pedagogía concreta o para la base de conocimiento de una comunidad concreta (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems).
• Cargas. El alojamiento local exige hardware y experiencia que muchas instituciones no tienen; la calidad y la seguridad no están garantizadas de fábrica —los modelos abiertos pueden quedar por debajo de las líneas base humanas en alfabetizaciones concretas (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy) y la cuantización eleva las tasas de alucinación si no se mitiga (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources)—; alguien debe mantener el sistema tras su publicación (Programming Intelligent Tutoring Systems documenta un pequeño equipo de doctorandos, exposición de seguridad en trabajo en curso y una carga de cumplimiento sustancial); y una licencia abierta es un permiso, no un producto que funcione: el mantenimiento que mantiene utilizable un sistema publicado recae en quienes desarrollan tecnología educativa que lo construyeron, y su financiación e incentivos deciden si una institución hereda un repositorio bifurcable, un producto mantenido o ninguna de las dos cosas cuando termina la subvención.

Poner la apertura en práctica

• Para el profesorado y las instituciones: compruebe la licencia del contenido además de la del código antes de adoptar un sistema: código MIT sobre manuales CC BY es reutilizable, pero una licencia permisiva no garantiza que existan rutas de tutoría, bancos de ítems o traducciones. Prefiera modelos abiertos cuando los datos del estudiantado no puedan salir legalmente del campus (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), pero evalúe el modelo en su tarea en lugar de confiar en las tablas de clasificación generales (Benchmarking the Pedagogical Knowledge of Large Language Models). Presupueste a alguien que ejecute y evalúe el sistema después del piloto.
• Para quienes desarrollan e investigan: publique todo —la entrega de extremo a extremo de OATutor (código, contenido, arnés de experimentos) es el estándar de replicabilidad que esta literatura sigue premiando. Publique los prompts y los esquemas de extracción junto con los pesos (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring). Informe del cómputo y del carbono (The Environmental Cost of LLMs in AIED: Reporting and Practices). Ancle los asistentes en corpus con licencias abiertas para que la procedencia sea comprobable y la adaptación legal (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources). Use ajuste fino consciente de la cuantización en lugar de cuantización simple si importan tanto la precisión como la energía, y mantenga compatibles las licencias del código y del contenido.

Conceptos conectados

• Tutoría inteligente
• Entrenamiento y ajuste fino de LLM
• Aprendizaje adaptativo
• Plataforma edtech
• Privacidad
• Regulación de la IA en educación
• Gobernanza de la IA
• IA agéntica
• Evaluación automatizada
• Punto de referencia
• Seguimiento del conocimiento
• RAG (Generación Aumentada por Recuperación)
• Seguridad pedagógica
• Sostenibilidad
• Métodos de investigación en AIED
• Escritura
• Integridad académica
• Desarrolladores de tecnología educativa

Artículos conectados

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — Asistente local de base de conocimiento sobre REA en hardware de gama de consumo (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — Tutor adaptativo con licencia MIT y una biblioteca de contenido CC BY de OpenStax (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised — Modelo pedagógico abierto de 32B que supera a sistemas propietarios mucho mayores (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — Corrector automático local con LLM que cumple FERPA y se integra sin fricción
• Programming Intelligent Tutoring Systems — LLM de pesos abiertos autoalojado para cumplir el RGPD y el Reglamento de IA de la UE en un ITS en Python
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — Modelo de pesos abiertos adaptado con LoRA para la evaluación automatizada de la escritura
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Paquete abierto de Python para la traza de conocimiento bayesiana completa
• DeepTutor: Towards Agentic Personalized Tutoring — Marco de tutoría agéntica totalmente de código abierto con memoria del estudiante
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — Sandbox abierto en contenedores para la evaluación orientada a procesos
• MathBuddy: Affective Math Tutoring — Tutor afectivo de matemáticas con base de código abierta
• Benchmarking the Pedagogical Knowledge of Large Language Models — Punto de referencia abierto de pedagogía con 97 modelos y la frontera de coste y precisión
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Conjunto de datos y prototipo abiertos para la evaluación de tutoría multiagente basada en trazas
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Modelos abiertos por debajo de la línea base humana en alfabetización de visualización
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — Conjunto de datos multilingüe abierto para instrucción culturalmente anclada
• The Environmental Cost of LLMs in AIED: Reporting and Practices — Método de código abierto para informar del coste ambiental de los LLM
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — Biblioteca abierta de módulos ejecutables para la IA en ingeniería
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Currículo, datos y código disponibles públicamente
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — Generación de cursos impulsada por LLM y la economía cambiante de la producción de cursos
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu: modelos fundacionales abiertos para el aprendizaje y la enseñanza
• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: esquemas basados en aserciones para una codificación auditable de diálogos educativos