Resumen del Proyecto
Proyectos de Generación de Conocimiento
Adaptación y Generación Optimizada de Rutas para el Aprendizaje con IA. Proyecto ÁGORA
Plan Estatal de Investigación Científica, Técnica y de Innovación 2024-2027
UNIVERSIDAD PABLO DE OLAVIDE
I.Ps: Chaves Maza, Manuel y López Cobo, Isabel
2. JUSTIFICACIÓN Y NOVEDAD DE LA PROPUESTA
La innovación del proyecto ÁGORA, en comparación con lo existente, radica en combinar en un solo enfoque la identificación y categorización de perfiles, el diagnóstico dinámico de necesidades y barreras de aprendizaje y la creación automática de materiales utilizando LLM y aprendizaje profundo a través de la nueva metodología NL que supera el problema del olvido catastrófico y que no requiere de volúmenes de millones de parámetros para configurar el modelo. Al interactuar con cada estudiante para adquirir conocimientos y ajustar las rutas de aprendizaje de manera dinámica, se propone un enfoque que va más allá de simplemente sugerir recursos, estableciendo un sistema de adaptación y creación de contenido mejorado. Mediante esto, ÁGORA promueve una transformación en la concepción de la enseñanza individualizada, planteando suposiciones que, de ser validadas, establecerán los cimientos de los próximos entornos de aprendizaje avanzados. Asimismo, la propuesta ayuda a abordar los inconvenientes y retos relacionados con la prioridad temática "Digitalización y telecomunicaciones" mediante la creación de herramientas innovadoras que fomenten el desarrollo y la mejora de habilidades, atendiendo a la creciente necesidad de profesionales con destrezas digitales y flexibilidad. En una sociedad donde persisten la falta de igualdad en el acceso al conocimiento y la separación digital, el uso de técnicas de IA en la adaptación de la educación puede ofrecer respuestas que benefician la igualdad educativa, perfeccionan la comunicación de datos y favorecen la educación constante. Al unir la informática, el análisis de datos y la didáctica, la propuesta del proyecto es un sistema adaptable a diferentes entornos y tipos de estudiantes, profundizando en el conocimiento actual del tema y promoviendo la integración y reforzando las habilidades tecnológicas de la sociedad, lo que a su vez impulsa la competitividad y la unión social.
Introducción
Para superar las limitaciones inherentes a los modelos LLM y resolver el problema del aprendizaje anidado, incorporamos el "Nested Learning" (NL). Este nuevo paradigma, descubierto en Noviembre de 2025 por investigadores de Google Research (Behrouz et al., 2025), está diseñado específicamente para abordar el problema persistente del "olvido catastrófico" en el aprendizaje continuo, constituyendo la principal novedad científica de ÁGORA (Figura 1). Este enfoque propone unificar la arquitectura del modelo y el algoritmo de optimización, tratándolos como un sistema coherente de problemas de aprendizaje anidados e interconectados (Doan et al, 2024). Este modelo refleja directamente el principio pedagógico de la Zona de Desarrollo Próximo de Vygotsky (1978), al adaptar dinámicamente el contenido con base en el conocimiento previo consolidado y en el contexto inmediato del estudiante. Esto representa una oportunidad innovadora para la personalización del proceso de aprendizaje.
Figura 1: Arquitectura del Nested Learning
Los desarrolladores del Nested Learning (Behrouz et al., 2025) desarrollaron la arquitectura autorreferencial Hope, la cual utiliza este CMS para gestionar contextos de información mucho más amplios. Los resultados experimentales confirman que Hope demuestra un rendimiento superior en tareas de modelado de lenguaje y razonamiento complejo en comparación con los modelos de vanguardia existentes, pero, sobre todo, no requiere esos volúmenes de datos tan gigantescos que siempre han requerido modelos como los de OpenAi, Claude o Gemini. En la figura 2 se muestra la diferencia entre el innovador modelo "Nested Learning" y "Transformer" en el que se basan los actuales modelos LLM.
Figura 2: Comparación entre Nested Learning y Transformer
Ejemplo de Modelo Predictivo
A continuación se presenta un ejemplo del futuro modelo predictivo que se pretende generar con el proyecto.
Ajustar Valores para Predicción
Resultado de la Predicción
Ajusta los valores y haz clic en "Predecir" para ver el resultado.
Objetivos del Proyecto ÁGORA
ÁGORA tiene como meta principal profundizar en el desarrollo de un modelo experimental que ajuste y cree rutas de aprendizaje de forma eficiente a través de la IA, y en concreto la nueva técnica del NL. Esta iniciativa fusionará un diagnóstico dinámico de necesidades y barreras con un mecanismo de aprendizaje profundo para optimizar la personalización educativa.
De esta manera, se proponen cinco objetivos específicos:
Objetivo 1
Desarrollar la estructura de perfiles de aprendizaje teniendo en cuenta el diagnóstico dinámico de las barreras (cognitivas y emocionales), las necesidades de aprendizaje y la perspectiva de género, basándose en la adaptación conversacional de instrumentos psicométricos validados. (Objetivo relacionado con Fase 1- diseño integral y Fase 2- recolección/entrenamiento).
Objetivo 2
Crear y validar el modelo adaptado de NL diseñando algoritmos capaces de configurar la trayectoria inicial y reorganizar dinámicamente los recorridos en tiempo real ante la detección de barreras o cambios en el desempeño. (Objetivo relacionado con Fase 1-diseño y Fase 2- entrenamiento)
Objetivo 3
Integrar un Chabot LLM local con el motor de aprendizaje profundo, desarrollando una interfaz conversacional segura que permita la recolección de datos de perfilado progresivo y la interacción personalizada con el estudiante sin comprometer la privacidad. (Objetivo relacionado con Fase 2-prototipo y Fase 3-construcción e integración)
Objetivo 4
Desarrollar agentes de IA especializados (Modelos de Control Pedagógico, MCP), para la generación automática de contenido educativo adaptado a cada modalidad (por ejemplo, MCP1 para contenidos visuales -actualmente está en fase de prototipo y con él se ha elaborado algunas de las figuras de la presente propuesta-, MCP2 para contenidos textuales y MCP3 para contenidos de video). Esta última tarea asegurará que cada modalidad de aprendizaje (imágenes, texto, audio, video) se aborde mediante herramientas específicas optimizadas para ese medio. (Objetivo relacionado con Fase 2-entrenamiento) y Fase 3-integración)
Objetivo 5
Analizar y validar el impacto del sistema, evaluando la mejora en el desempeño académico (eficiencia y retención) y el cambio motivacional (V23) del alumnado mediante un diseño experimental que contraste los resultados con un grupo de referencia. (Objetivo relacionado con Fase 4-despliegue piloto y validación).
Simulación de Impacto y Generación de Perfiles
A continuación se muestra una simulación de cómo sería el impacto del proyecto y cómo funcionaría de manera simplificada el simulador de itinerarios en función de la generación de perfiles.
Simulación de Mejora
Itinerario Personalizado
Itinerario de Aprendizaje Interactivo
A continuación, se muestra un ejemplo de la interfaz de comunicación con el estudiante y cómo funcionaría la configuración de itinerario.