Resumen:La retroalimentación formativa es fundamental para el aprendizaje eficaz; sin embargo, proporcionar retroalimentación oportuna e individualizada a escala sigue siendo un desafío persistente. Si bien trabajos recientes han explorado el uso de grandes modelos de lenguaje (LLM) para automatizar la retroalimentación, la mayoría de los sistemas existentes todavía conceptualizan la retroalimentación como un artefacto estático y unidireccional, que ofrece soporte limitado para interpretación, aclaración o seguimiento. En este trabajo, presentamos REFINE, un sistema de retroalimentación de múltiples agentes implementable localmente construido sobre pequeños LLM de código abierto que trata la retroalimentación como un proceso interactivo. REFINE combina un agente de generación de retroalimentación con base pedagógica con un ciclo de regeneración guiado por un LLM como juez que utiliza un juez alineado con un ser humano y un agente interactivo de llamada de herramientas autorreflexivas que respalda las preguntas de seguimiento de los estudiantes con respuestas procesables y conscientes del contexto. Evaluamos REFINE a través de experimentos controlados y una implementación auténtica en el aula en un curso universitario de informática. Las evaluaciones automáticas muestran que la regeneración guiada por jueces mejora significativamente la calidad de la retroalimentación y que el agente interactivo produce respuestas eficientes y de alta calidad comparables a un modelo de código cerrado de última generación. El análisis de las interacciones reales de los estudiantes revela además distintos patrones de participación e indica que la retroalimentación generada por el sistema dirige sistemáticamente la investigación posterior de los estudiantes. Nuestros hallazgos demuestran la viabilidad y eficacia de los sistemas de retroalimentación aumentada con herramientas y multiagente para una retroalimentación escalable e interactiva.
Publicado originalmente en export.arxiv.org el 31 de marzo de 2026.
Ver fuente original
