Qué es RAG y por qué puede mejorar un asistente educativo

Cuando un estudiante pregunta a un asistente de inteligencia artificial sobre un contenido del módulo, hay una diferencia importante entre responder desde lo que el modelo “recuerda” y responder después de consultar los materiales que realmente se utilizan en el aula. Esa diferencia está en el centro de RAG, una arquitectura que combina recuperación de información y generación de texto.

En TutorIA, esta idea es especialmente relevante porque el objetivo no es disponer de un chatbot que sepa de todo, sino de un asistente que pueda trabajar con un corpus definido, priorizar determinadas fuentes y hacer visible cuándo no encuentra información suficiente.

El problema: un modelo no conoce necesariamente nuestro contexto

Los modelos de lenguaje contienen conocimiento aprendido durante su entrenamiento, pero ese conocimiento no equivale a los materiales concretos de una asignatura, una normativa actualizada o los criterios utilizados en una actividad. Tampoco garantiza que una respuesta pueda vincularse con una fuente que el estudiante pueda consultar.

Para un tutor educativo, esa limitación es importante. Si la pregunta se refiere a una unidad didáctica, una rúbrica o un procedimiento trabajado en clase, interesa que la respuesta se apoye primero en ese contexto y no en una explicación genérica producida únicamente desde los parámetros del modelo.

Qué significa RAG

RAG corresponde a Retrieval-Augmented Generation, generación aumentada mediante recuperación. El trabajo de Patrick Lewis y colaboradores, presentado en NeurIPS en 2020, propuso combinar la memoria paramétrica de un modelo generativo con una memoria no paramétrica externa accesible mediante un recuperador.

En aquel trabajo, el sistema recuperaba pasajes de Wikipedia mediante búsqueda densa y utilizaba esos documentos para condicionar la generación. La propuesta se evaluó en tareas de procesamiento del lenguaje intensivas en conocimiento. La idea que hoy suele trasladarse a aplicaciones RAG es más general: buscar primero información relevante en una colección externa y entregar ese contexto al modelo antes de pedirle la respuesta.

Del documento a la respuesta: qué ocurre en un sistema RAG

En una implementación educativa sencilla, el proceso puede entenderse en cinco pasos.

1. Preparar el corpus. Se seleccionan los documentos que formarán parte del conocimiento accesible para el tutor.
2. Dividir y representar. Los documentos se fragmentan en unidades manejables y se transforman en representaciones que permiten comparar su proximidad semántica.
3. Recuperar. Cuando llega una consulta, el sistema busca los fragmentos más relacionados con ella.
4. Añadir contexto. Los fragmentos recuperados se incorporan a la petición que recibe el modelo.
5. Generar. El modelo construye la respuesta utilizando la pregunta, las instrucciones y el contexto recuperado.

Este esquema parece lineal, pero cada paso introduce decisiones. El tamaño de los fragmentos, el solapamiento, los metadatos, el número de resultados recuperados o la forma de redactar las instrucciones pueden modificar el comportamiento final.

Por qué tiene sentido en un tutor educativo

La primera ventaja es el contexto. Un tutor puede responder a partir de materiales del módulo, documentación institucional, manuales o recursos seleccionados por el docente. Esto permite aproximar la respuesta a lo que realmente se trabaja en el aula.

La segunda es la trazabilidad. Si el sistema conserva la referencia de los fragmentos recuperados, puede indicar qué documento ha utilizado. Esto no convierte la respuesta en infalible, pero facilita que el alumnado y el profesorado contrasten la información.

La tercera es la actualización del conocimiento externo. Modificar un documento del corpus puede ser más viable que volver a entrenar un modelo cada vez que cambia un procedimiento, una guía o un material docente. La actualización del corpus, sin embargo, también necesita gobernanza: versiones, vigencia y retirada de contenidos obsoletos.

RAG no elimina las alucinaciones

Una de las simplificaciones más frecuentes es presentar RAG como una solución automática a las alucinaciones. No lo es. El recuperador puede seleccionar un fragmento poco relevante, el documento puede estar desactualizado y el modelo puede interpretar mal el contexto o añadir afirmaciones que no aparecen en él.

Por eso, en un tutor educativo no basta con comprobar que “hay RAG”. También hay que evaluar si recupera las fuentes correctas, si la respuesta se mantiene dentro de la evidencia disponible y qué hace cuando la búsqueda no encuentra información suficiente.

El corpus forma parte del diseño pedagógico

En educación, la parte más interesante de RAG quizá no sea el buscador vectorial ni el modelo generativo, sino la obligación de decidir qué conocimiento ponemos a disposición del sistema.

En TutorIA, esa decisión se traduce en una estructura de fuentes con distinta función y prioridad. Un manual puede ser la referencia principal para explicar un concepto; una actividad puede aportar el contexto de aplicación; un artículo del blog puede ampliar el tema; una norma puede tener prioridad cuando la consulta depende de una exigencia vigente.

Así, la arquitectura técnica y la decisión pedagógica se encuentran en el mismo punto: qué debe recuperar el tutor antes de responder.

Qué debemos evaluar en un RAG educativo

Probar únicamente si la respuesta “suena bien” es insuficiente. Para validar un tutor basado en RAG conviene separar, al menos, tres preguntas:

• Recuperación: ¿ha localizado los fragmentos que realmente contienen la información necesaria?
• Fidelidad: ¿la respuesta se apoya en esos fragmentos o añade afirmaciones que no están respaldadas?
• Adecuación pedagógica: aunque la información sea correcta, ¿la forma de responder ayuda a aprender o resuelve la tarea que debía realizar el estudiante?

La tercera pregunta es la que diferencia especialmente un sistema educativo de un asistente documental convencional. Una respuesta puede estar bien fundamentada y, aun así, ser pedagógicamente inadecuada si entrega una tarea evaluable completa.

De buscar documentos a acompañar el aprendizaje

RAG aporta una pieza importante al diseño de TutorIA: permite separar el conocimiento del modelo del conocimiento que el proyecto quiere gobernar. Gracias a esa separación podemos seleccionar fuentes, actualizarlas, priorizarlas y relacionar las respuestas con documentación concreta.

Pero la recuperación no define por sí sola un tutor. Después de encontrar el contexto adecuado sigue siendo necesario decidir cómo intervenir: explicar, preguntar, ofrecer una pista, pedir una justificación o reconocer que no hay información suficiente. RAG acerca el conocimiento al modelo; la pedagogía decide qué hacer con él.

Fuente principal

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33, 9459–9474.

Esta entrada forma parte de la serie TutorIA: diseñar un tutor IA educativo con criterio.