Resumen: En el aprendizaje de habilidades procedimentales, las explicaciones instructivas deben transmitir no sólo los pasos, sino también la lógica causal, dirigida a objetivos y compositiva detrás de ellos. Los modelos de lenguaje grande (LLM) a menudo producen respuestas fluidas pero superficiales que pasan por alto esta estructura. Presentamos Ivy, un sistema de entrenamiento de IA que ofrece explicaciones estructuradas de varios pasos mediante la combinación de modelos simbólicos de Tarea-Método-Conocimiento (TMK) con una capa de interpretación generativa: un LLM que construye explicaciones mientras está limitado por la estructura de TMK. TMK codifica transiciones causales, jerarquías de objetivos y descomposiciones de problemas, y guía el LLM dentro de límites estructurales explícitos. Evaluamos a Ivy en comparación con las respuestas de GPT y las líneas de base de GPT con recuperación aumentada utilizando anotaciones de expertos e independientes en tres dimensiones inferenciales. Los resultados muestran que las restricciones simbólicas mejoran consistentemente la calidad estructural de las explicaciones de las preguntas de “cómo” y “por qué”. Este estudio demuestra un enfoque de IA escalable para la educación que fortalece el valor pedagógico de las explicaciones generadas por IA en sistemas de entrenamiento inteligentes.
Publicado originalmente en export.arxiv.org el 26 de noviembre de 2025.
Ver fuente original
