RT info:eu-repo/semantics/bachelorThesis
T1 Generación de tareas de aprendizaje ubicuo con apoyo de herramientas de Inteligencia Artificial Generativa
A1 Sánchez Turrión, Luis Francisco
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Aprendizaje ubicuo
K1 Inteligencia artificial generativa
K1 RAG
AB Múltiples organizaciones publican datos abiertos —especialmente de patrimonio cultural— que no están listos para su uso directo en educación. Trabajos previos del grupo GSIC/EMIC abordaron esta brecha con Casual Learn, una aplicación distribuida(servidor+cliente Android) que, apoyándose en un almacén de triplas RDF y consultas SPARQL, ofrece tareas educativas basadas en plantillas validadas por docentes paraaprendizaje ubicuo, con experiencias reales en más de cien estudiantes de 4.º ESO y 1.ºde Bachillerato. Aunque eficaz, este enfoque depende del refinamiento previo de plantillasy de la disponibilidad de LOD, lo que limita la expresividad y la portabilidad a dominiosdistintos del patrimonio.Este Trabajo Fin de Grado propone una alternativa generativa para tareas de aprendizaje ubicuo: una herramienta para generar tareas de aprendizaje ubicuo con modelosde lenguaje y Generación Aumentada por Recuperación (RAG) a partir de Wikipedia ymateriales aportados por el docente. La solución se expone mediante API REST en unbackend monolítico que procesa localmente la información para proteger la privacidad,integrando embeddings (SentenceTransformers), almacenamiento vectorial (ChromaDB)y ejecución local de LLM (Ollama). Las salidas se fuerzan en JSON estructurado, facilitando su consumo por clientes móviles o flujos de autoría.En la comparación cualitativa frente a tareas tipo Casual Learn, el sistema genera ítemsmás ricos y contextualizados (distractores plausibles, preguntas abiertas interpretativas yactividades situadas), sin depender de plantillas rígidas. En la evaluación cuantitativa, laslatencias promedio para el hardware disponible en el grupo GSIC/EMIC fueron 42–43s para generación simple (con o sin RAG) y 365 s para generación compleja, identificando la inferencia del LLM como principal cuello de botella y acotando la concurrenciapráctica a 2–5 usuarios en el hardware evaluado. En conjunto, el trabajo complementa ytrasciende el enfoque basado en LOD al habilitar generación bajo demanda y portabilidadentre dominios, sentando bases para su integración futura con metadatos LOD, técnicasde caché y optimización de inferencia.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/79605
UL https://uvadoc.uva.es/handle/10324/79605
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 26-nov-2025