Agente conversacional con LLMs, RAG y trazado de conocimiento en el aprendizaje adaptativo y personalizado: Impacto en la educación universitaria

Se propone evaluar el impacto de un agente conversacional que combina LLMs, RAG (citación obligatoria al material del estudiante) y trazado de conocimiento para personalizar la práctica y el feedback en cursos universitarios de diversa naturaleza (conceptuales, resolución de problemas y lectura/escritura intensiva). El sistema permite que cada alumno suba su propio corpus (apuntes, PDFs, diapositivas) y, con base en su historial de desempeño, ajusta dificultad, secuenciación y timing de micro-tareas, integrando recuperación activa, práctica espaciada e intercalado, alineados a la Taxonomía de Bloom. El estudio medirá efectos en rendimiento (post-test), retención a cuatro semanas, adherencia y tiempo en tarea, usabilidad (SUS) y carga cognitiva (NASA-TLX). Se incorporan garantías de IA responsable (trazabilidad de fuentes, rechazo fuera de corpus, consentimiento, anonimización y políticas de retención). Los resultados orientarán lineamientos para un despliegue escalable y costo-efectivo en educación superior y generarán productos científicos y tecnológicos transferibles.