Diseño, desarrollo y evaluación de un asistente conversacional basado en RAG para potenciar la autorregulación del aprendizaje en estudiantes universitarios

Resumen

El presente artículo describe el diseño, desarrollo y evaluación de un asistente conversacional inteligente basado en la técnica de Recuperación Aumentada por Generación (RAG), orientado a fortalecer la autorregulación del aprendizaje en estudiantes universitarios. El sistema integra búsqueda semántica sobre documentos institucionales con modelos de generación de lenguaje natural, con el fin de ofrecer respuestas contextualizadas, recordatorios académicos y sugerencias de estrategias de estudio adaptadas a las necesidades de los estudiantes. La investigación se desarrolló en un contexto universitario de pregrado y contempló las fases de levantamiento de necesidades, definición de requisitos, diseño de la arquitectura técnica, implementación del prototipo y evaluación piloto con un grupo de usuarios. Para la evaluación se consideraron métricas de usabilidad, precisión en la recuperación de información y percepción del impacto en la planificación y gestión del tiempo de estudio. Los resultados muestran niveles satisfactorios de usabilidad, una adecuada precisión en las respuestas basadas en el corpus institucional y una percepción positiva del aporte del asistente en la organización académica y el acceso a información confiable. Se concluye que los sistemas basados en RAG constituyen una herramienta prometedora para el apoyo personalizado a la autorregulación del aprendizaje y se plantean líneas de mejora relacionadas con la ampliación del corpus, la integración con plataformas institucionales y la adaptación a otros contextos educativos.

Abstract

This article describes the design, development, and evaluation of an intelligent conversational assistant based on Retrieval-Augmented Generation (RAG), aimed at strengthening self-regulated learning among university students. The system combines semantic search over institutional documents with natural language generation models to provide contextualized answers, academic reminders, and study strategy suggestions tailored to students’ needs. The research was conducted in an undergraduate university context and included the phases of needs assessment, requirements definition, technical architecture design, prototype implementation, and pilot evaluation with a group of users. The evaluation considered usability metrics, information retrieval accuracy, and perceived impact on study planning and time management. Results indicate satisfactory usability levels, adequate answer accuracy based on the institutional corpus, and a positive perception of the assistant’s contribution to academic organization and access to reliable information. RAG-based systems are thus highlighted as promising tools for personalized support to self-regulated learning, and future work is proposed regarding corpus expansion, integration with institutional platforms, and adaptation to other educational contexts.