Agente tutor en bases de datos: integraci´on de LLM y grafos de conocimiento para una orientaci´on efectiva en pr´acticas de álgebra relacional y SQL

Resumen

 El presente trabajo expone el desarrollo de un agente tutor basado en modelos grandes de lenguaje (LLM) y grafos de conocimiento (KG) con implementación en bases de datos orientadas a grafos, dedicado a asistir a estudiantes de carreras de ingeniería en la materia de Bases de Datos, pudiendo, en el futuro ser aumentado para prácticas de otras materias. Particularmente, este trabajo se enfoca en la resolución de ejercicios de álgebra relacional y SQL, proponiendo una solución educativa que fomenta la autonomía del alumno sin proporcionar respuestas directas, sino acompañamiento para la resolución adecuada del problema ayudando al alumno a recalibrar su razonamiento para llegar a una solución compatible con la respuesta al ejercicio. La propuesta se fundamenta en la integración de dos componentes tecnológicos esenciales. Por un lado, el flujo agéntico basado en LLM se encarga de procesar el lenguaje natural, capturando la esencia de la pregunta y generando respuestas orientativas, así como implementar el flujo de razonamiento basado en el conocimiento almacenado en el KG. Por otro lado, el KG almacena el conocimiento teórico derivado del contenido curricular de la asignatura y las directrices pedagógicas definidas por el cuerpo docente. Esta estructura (ontología y taxonomía) garantiza que la asistencia brindada sea coherente con los objetivos académicos y el estilo particular del curso, evitando conocimientos generales del LLM que puedan contradecir los lineamientos del programa. Una de las características distintivas del agente tutor es su capacidad para interactuar de forma dinámica y personalizada con cada estudiante. Mediante el análisis del lenguaje y del contexto de la consulta, el tutor identifica áreas de dificultad y ofrece pistas y sugerencias que orientan al alumno en la resoluci´on del ejercicio. Este proceso de retroalimentación se diseña para reforzar los avances del estudiante y corregir errores constructivamente, sin revelar la respuesta final de forma explícita. Además, el tutor es capaz de vincular la práctica con la teoría, permitiendo que el alumno acceda al detalle teórico específico cuando sea necesario. El modelo incorpora la posibilidad de ser ajustado y personalizado según las necesidades del curso. Los docentes pueden definir y actualizar los patrones y objetivos de la práctica, permitiendo que el agente tutor actúe como refuerzo del estilo del curso. Esta adaptabilidad asegura una mayor congruencia entre la asistencia automatizada y el contenido curricular, facilitando la incorporación de nuevas directrices pedagógicas. La ontología del KG está orientada al refuerzo y al feedback constante, permitiendo tanto el trabajo en particular en ejercicios específicos, como la abstracción razonada en temáticas específicas, o en conjuntos de ejercicios, favoreciendo la capacidad de generalización del agente. En resumen, este trabajo representa un avance en la aplicación de tecnologías emergentes en el ámbito educativo, combinando inteligencia artificial y estructuración del conocimiento para crear un agente tutor que refuerza el proceso de aprendizaje. La sinergia entre el flujo agéntico basado en LLMs y el KG da lugar a una herramienta innovadora que potencia el desarrollo de habilidades críticas y analíticas en los estudiantes.