Optimización de la planificación del sílabo en la Universidad Técnica de Cotopaxi mediante Inteligencia Artificial Generativa: Un enfoque personalizado basado en LLAMA 2 (Large Language Model Meta AI)

Authors

DOI:

https://doi.org/10.55204/trc.v4i2.e464

Keywords:

Planificación Silabo, LLAMA 2, Educación superior, RAG, Inteligencia artificial.

Abstract

En la educación superior, una planificación curricular eficiente y personalizada es esencial para garantizar la calidad del proceso de enseñanza y aprendizaje. En la Universidad Técnica de Cotopaxi, la elaboración manual de sílabos consume tiempo y recursos significativos y no siempre se adapta a las necesidades específicas de los docentes, afectando negativamente la calidad educativa. Objetivo: Desarrollar e implementar un sistema automatizado basado en el modelo de lenguaje LLAMA 2 (Large Language Model Meta AI) para optimizar la planificación curricular mediante la generación de sílabos personalizados. Métodos: La metodología incluyó la recopilación y transformación de planificaciones curriculares previas para su procesamiento por LLAMA 2, ejecutando cinco experimentos con complejidad creciente y evaluando la precisión. Se utilizó la herramienta Pandas AI para el análisis de datos y la técnica de Recuperación Aumentada por Generación (RAG) para enriquecer la generación de sílabos. Resultados: Los resultados mostraron una precisión del 92,5% en las recomendaciones generadas, representando una mejora significativa respecto a los métodos tradicionales. Conclusiones: La implementación del sistema automatizado basado en LLAMA 2 demostró mejorar significativamente la eficiencia y precisión en la generación de sílabos personalizados, optimizando la planificación curricular y contribuyendo a mejorar la calidad educativa.

Downloads

Download data is not yet available.

References

Atencio-González, R. E., Bonilla-Ron, D. E., Miles-Flores, M. V., & López-Zavala, S. Á. (2023). Chat GPT como Recurso para el Aprendizaje del Pensamiento Crítico en Estudiantes Universitarios. CIENCIAMATRIA, 9(17), 36-44. https://doi.org/10.35381/cm.v9i17.1121

Banerjee, S., & Lavie, A. (2005). METEOR: An Automatic Metric for MT Evaluation with Improved Correlation with Human Judgments. En J. Goldstein, A. Lavie, C.-Y. Lin, & C. Voss (Eds.), Proceedings of the ACL Workshop on Intrinsic and Extrinsic Evaluation Measures for Machine Translation and/or Summarization (pp. 65-72). Association for Computational Linguistics. https://aclanthology.org/W05-0909

Burgos, J. J. P., Baque, C. J. S., Rosales, A. J. L., & Ramírez, C. N. J. (2024). Chatgpt como herramienta para la planificación microcurricular del currículo Ecuatoriano. Conocimiento global, 9(3), Article 3.

Giuffrè, M., & Shung, D. L. (2024). Scrutinizing ChatGPT Applications in Gastroenterology: A Call for Methodological Rigor to Define Accuracy and Preserve Privacy. Clinical Gastroenterology and Hepatology, 22(10), 2156-2157. https://doi.org/10.1016/j.cgh.2024.01.024

Giuffrè, M., You, K., & Shung, D. (2023). Evaluating ChatGPT in Medical Contexts: The Imperative to Guard Against Hallucinations and Partial Accuracies. Clinical Gastroenterology and Hepatology, 22. https://doi.org/10.1016/j.cgh.2023.09.035

Introduction to PandasAI. (s. f.). PandasAI. Recuperado 13 de octubre de 2024, de https://docs.pandas-ai.com/intro

Jerez, O. (2015). El diseño de Syllabus En La Educación Superior: Una Propuesta Metodológica.

Kresevic, S., Giuffrè, M., Ajcevic, M., Accardo, A., Crocè, L. S., & Shung, D. L. (2024). Optimization of hepatological clinical guidelines interpretation by large language models: A retrieval augmented generation-based framework. Npj Digital Medicine, 7(1), 102. https://doi.org/10.1038/s41746-024-01091-y

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2021). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv:2005.11401). arXiv. http://arxiv.org/abs/2005.11401

Lin, C.-Y. (2004). ROUGE: A Package for Automatic Evaluation of Summaries. Text Summarization Branches Out, 74-81. https://aclanthology.org/W04-1013

Meyes, R., Lu, M., de Puiseau, C. W., & Meisen, T. (2019). Ablation Studies in Artificial Neural Networks (arXiv:1901.08644). arXiv. http://arxiv.org/abs/1901.08644

Morles, V. (2002). Sobre la metodología como ciencia y el método científico: Un espacio polémico. Revista de Pedagogía, 23(66), 121-146.

Navarro, Y., Pereira, M., Pereira de Homes, L., & Fonseca Cascioli, N. (2010). Una mirada a la planificación estratégica curricular. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 12(2), 202-216.

Ocaña-Fernández, Y., Valenzuela-Fernández, L. A., & Garro-Aburto, L. L. (2019). Inteligencia artificial y sus implicaciones en la educación superior. Propósitos y Representaciones, 7(2). https://doi.org/10.20511/pyr2019.v7n2.274

Ojeda, A. D., Solano-Barliza, A. D., Alvarez, D. O., & Cárcamo, E. B. (2023). Análisis del impacto de la inteligencia artificial ChatGPT en los procesos de enseñanza y aprendizaje en la educación universitaria. Formación universitaria, 16(6), 61-70. https://doi.org/10.4067/S0718-50062023000600061

Papineni, K., Roukos, S., Ward, T., & Zhu, W.-J. (2002). Bleu: A Method for Automatic Evaluation of Machine Translation. En P. Isabelle, E. Charniak, & D. Lin (Eds.), Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (pp. 311-318). Association for Computational Linguistics. https://doi.org/10.3115/1073083.1073135

Romero-Sacoto, L. A., Yambay-Bautista, X. R., Ramírez-Coronel, A. A., Andrade-Molina, M. C., Cordero-Zumba, N. B., & Magdalena-Sarmiento, M. (2021). Validation of the questionnaire of perception of the importance, usefulness and structure of the syllabus in microcurricular planning. https://doi.org/10.5281/ZENODO.5557285

Salamanca Leguizamón, C., Neira Camacho, S. M., & Medina Díaz, E. (2020). Estrategia para el fortalecimiento y seguimiento de las competencias genéricas en el contexto universitario. Revista Interamericana de Investigación, Educación y Pedagogía, RIIEP, 13(2), 283-307. https://doi.org/10.15332/25005421.5509

Solari, M. (2018). Tendiendo puentes para fortalecer la articulación entre la planificación institucional y la planificación de aula. Cuadernos de Investigación Educativa, 3(18), 157-188. https://doi.org/10.18861/cied.2012.3.18.2713

Toapanta Pinta, P. C., Céspedes Granda, S. R., & Núñez Hurtado, P. J. (2018). Instrumento de evaluación docente en la Carrera de Obstetricia – Ecuador. Investigación en Educación Médica, 7(28), 115-116. https://doi.org/10.22201/facmed.20075057e.2018.28.18131

Touvron, H., Martin, L., Stone, K., Albert, P., Almahairi, A., Babaei, Y., Bashlykov, N., Batra, S., Bhargava, P., Bhosale, S., Bikel, D., Blecher, L., Ferrer, C. C., Chen, M., Cucurull, G., Esiobu, D., Fernandes, J., Fu, J., Fu, W., … Scialom, T. (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models (arXiv:2307.09288). arXiv. https://doi.org/10.48550/arXiv.2307.09288

Yu, H., Gan, A., Zhang, K., Tong, S., Liu, Q., & Liu, Z. (2024). Evaluation of Retrieval-Augmented Generation: A Survey (arXiv:2405.07437). arXiv. https://doi.org/10.48550/arXiv.2405.07437

Zhang, Y., Li, Y., Cui, L., Cai, D., Liu, L., Fu, T., Huang, X., Zhao, E., Zhang, Y., Chen, Y., Wang, L., Luu, A. T., Bi, W., Shi, F., & Shi, S. (2023). Siren’s Song in the AI Ocean: A Survey on Hallucination in Large Language Models (arXiv:2309.01219). arXiv. http://arxiv.org/abs/2309.01219

Published

2025-03-27

Issue

Section

Original Research Articles

How to Cite

Chiluisa Gallardo, J. D., & Rodríguez Bárcenas, G. (2025). Optimización de la planificación del sílabo en la Universidad Técnica de Cotopaxi mediante Inteligencia Artificial Generativa: Un enfoque personalizado basado en LLAMA 2 (Large Language Model Meta AI). Tesla Revista Científica, 4(2). https://doi.org/10.55204/trc.v4i2.e464