Libro de Actas del III Congreso Latinoamericano y del Caribe e Investigación en Educación Superior- LatinSoTL- 2025

156 37 Integración de Chatbots con IA Generativa en Educación Superior: Resultados de un Piloto en Programación de Sistemas Carlos Alario-Hoyos, calario@it.uc3m.es.Rodrigo Prestes Machado, rodrigo.prestes@poa.ifrs.edu.br.Carlos Delgado Kloos, cdk@it.uc3m.es.Rebiha Kemcha, rkemcha@pa.uc3m.es.Iria Estévez Ayres, ayres@it.uc3m.es.Patrici a Callejo, pcallejo@it.uc3m.es . 1 Universidad Carlos III de Madrid, Leganés, Spain.2 Instituto Federal do Rio Grande do Sul, Porto Alegre, Brazil. Abstract Introducción En los últimos años, los chatbots basados en Inteligencia Artificial (IA) Generativa, especialmente aquellos soportados por Large Language Models (LLMs), tales como ChatGPT, Claude, o Gemini, se han convertido en herramientas cada vez más utilizadas por los estudiantes para resolver dudas, explorar conceptos y apoyar sus procesos de aprendizaje (Lo et al., 2024). Sin embargo, el uso de estos chatbots (en ocasiones también denominados asistentes de IA Generativa) no está exento de limitaciones. Por ejemplo, estos chatbots suelen carecer de conocimiento contextual específico para responder de forma más precisa a las preguntas planteadas por los estudiantes. Además, pueden generar respuestas incorrectas o engañosas (las llamadas “alucinaciones”). Finalmente, y lo que es más relevante desde la perspectiva educativa, su uso actual no deja trazabilidad ni ofrece datos accesibles para los docentes, lo que dificulta orientar y mejorar el aprovechamiento pedagógico de estos chatbots. En este contexto, surge la necesidad de desarrollar soluciones más adaptadas al entorno educativo frente a la utilización de chatbots de propósito general (p. ej., ChatGPT). En particular, se propone la implementación de chatbots especializados para cada asignatura o materia, aprovechando la técnica de RAG ( Retrieval- Augmented Generation ) (Alario-Hoyos et al., 2024), con el objetivo de proporcionar respuestas más precisas y contextualizadas a los estudiantes. RAG combina la recuperación de información con la generación de texto para mejorar la calidad de las respuestas de un modelo de lenguaje, permitiéndole buscar y utilizar datos relevantes de una base de conocimiento externa antes de formular su respuesta final (Swacha & Gracel, 2025). De esta forma, el LLM no solo se basa en la información utilizada para su entrenamiento, sino que también incorpora información específica obtenida de dicha base de conocimiento para ofrecer contestaciones más precisas (Thüs et al., 2024). Además, RAG puede combinarse con la utilización de interfaces específicas para ofrecer el correspondiente chatbot a los estudiantes, de tal forma que el estudiante utilice dicha interfaz, la cual se conecta con la base de conocimiento y muestra la información devuelta por el LLM; de esta forma, se puedan recoger también datos de uso, incluyendo el prompt utilizado por el estudiante y la respuesta proporcionada por el LLM.