ChatGPT alucina sobre la didáctica específica.
Un modelo de lenguaje genérico suena convincente, incluso cuando su consejo sobre exámenes o calificación no se basa en nada.
Caso · Producto propio · Educación
DocentRAG
Un asistente de IA (el motor detrás de TeachFoundry) que fundamenta a los docentes en la evaluación formativa, con citación de fuentes en cada respuesta.
Cuatro oficios, una misma vara.
Educación y materiales didácticosConsultoría y estrategiaEditoriales y redaccionesInvestigación y think tanksTeachFoundryBookaflowValoraEducación y materiales didácticosConsultoría y estrategiaEditoriales y redaccionesInvestigación y think tanksTeachFoundryBookaflowValora
Para quiénDocentes y colegios
QuéAsistente de conocimiento RAG + generador de materiales
BaseLiteratura reconocida · evaluación formativa
El reto
La IA genérica alucina sobre la didáctica específica.
ChatGPT y chatbots similares dan consejos que suenan convincentes sobre exámenes y calificación. Incluso cuando ese consejo no se basa en nada. Para la didáctica específica eso es un riesgo: un consejo equivocado afecta directamente al alumno.
Los docentes que aplican en serio la evaluación formativa no quieren consejos sueltos. Quieren saber en qué se basa un enfoque. Un marco reconocible, no conjeturas de un modelo de lenguaje.
No existía ningún asistente de conocimiento curado específicamente para la evaluación formativa, con citación de fuentes en cada respuesta. Eso es lo que añade DocentRAG.
Lo que construimos
Un asistente de conocimiento que muestra su fuente.
Este es nuestro propio producto, conocido públicamente como TeachFoundry. DocentRAG es el título de trabajo interno para el motor que hay debajo. Junto con una experta en la materia de evaluación formativa, construimos un asistente de conocimiento RAG: los docentes hacen una pregunta en lenguaje normal y reciben una respuesta desde una base de conocimiento curada, con su fuente adjunta.
El sistema también genera materiales de clase listos para usar (planes de clase, exit tickets, rúbricas, planes de implementación) que se exportan directamente a PDF o Google Docs.
Técnicamente esto se llama generación aumentada por recuperación (RAG): el sistema primero busca en su propia base de conocimiento los fragmentos relevantes y solo después deja que el modelo de lenguaje formule una respuesta, basada en lo que ha encontrado. No en lo que casualmente “sabe”. Así, cada respuesta se puede rastrear hasta un documento concreto del marco de evaluación formativa.
¿En qué se basa esto?Citación de fuentes en cada respuesta.
La evaluación formativa empieza con un objetivo que el alumno puede explicar con sus palabras.
La hoja en la que se apoya la respuesta, en la base de conocimiento.Fuente · Objetivos 2024, §4.2
No lo sé.
Sin fuenteFiabilidad baja · sin fuente en la base
Cómo funciona
De la pregunta al material listo para usar.
+ 01 · Paso
El docente hace una pregunta.
En lenguaje normal, como se lo preguntarías a un compañero. Sobre evaluación formativa, exámenes o calificación.
+ 02 · Paso
Búsqueda en la base de conocimiento curada.
No en el internet abierto ni en la memoria del modelo de lenguaje: solo en la base de conocimiento aislada, basada en literatura reconocida.
+ 03 · Paso
Respuesta con citación de fuentes e indicador de fiabilidad.
Resumen, desarrollo, fuentes y preguntas de seguimiento. Más un indicador: fiabilidad alta, media o baja.
+ 04 · Paso
Generar material de clase listo para usar.
Desde un plan de clase hasta un exit ticket, una rúbrica o un plan de implementación, listo para exportar directamente a PDF o Google Docs.
+ 05 · Paso
El docente valora y lo utiliza.
El sistema aporta la fundamentación y el material, el docente conoce la clase y decide qué entra en la lección.
Para quién
Construido para docentes y colegios.
Docentes y colegios usan DocentRAG (públicamente: TeachFoundry) para hacer preguntas sobre evaluación formativa y obtener rápidamente material de clase listo para usar, fundamentado en literatura reconocida.
Por qué
Lo que un chatbot normal no ofrece.
Consejos sueltos, sin marco.
Consejos sin referencia a un marco pedagógico. No puedes comprobar de dónde vienen, ni si coinciden con lo que ya se sabe sobre la evaluación formativa.
Una respuesta no es material de clase.
Un chatbot devuelve un bloque de texto, no un plan de clase, una rúbrica o un exit ticket que puedas usar mañana en el aula.
Cada docente lo vuelve a averiguar por su cuenta.
La misma pregunta sobre evaluación formativa se le hace a un chatbot por separado en cien sitios distintos, sin una base de conocimiento curada y compartida detrás.
La diferencia
Por qué esto es distinto de un chatbot normal.
Un chatbot de propósito general suena a menudo convincente en cuestiones educativas, incluso cuando la respuesta es una alucinación. El modelo rellena un vacío en su conocimiento con algo que suena plausible sobre didáctica específica, sin que se note.
DocentRAG funciona al revés: la respuesta solo llega después de que el sistema haya encontrado algo en la base de conocimiento curada. Sin resultado (o con una puntuación de fiabilidad baja) y eso se refleja de inmediato en la respuesta.
Un chatbot normal suena convincente. DocentRAG muestra de dónde viene la respuesta, y cuán seguro está de ella.
Cómo lo abordamos
Citación de fuentes y fiabilidad como principio de diseño.
Lo que hizo el motor, por preguntaentorno de administración
Coincidencias brutas33
Tras el filtrado11
En el contexto final4
La intención reconocidaSobre evaluación formativa, exámenes o calificación.
Base de conocimiento curada.
Unos 196 documentos por instancia de idioma, elaborados con una experta en la materia de evaluación formativa. Basados en literatura reconocida, incluido el marco Toetsrevolutie (René Kneyber) y el modelo HOP.
Citación de fuentes en cada respuesta.
Ninguna respuesta sin una fuente localizable. Estructura: resumen → desarrollo → fuentes → preguntas de seguimiento.
Indicador de fiabilidad + rechazo si está fuera de tema.
Cada respuesta muestra fiabilidad alta, media o baja. Las preguntas fuera del dominio de conocimiento se rechazan en lugar de que el sistema se invente algo.
Multilingüe, varias instancias.
Instancias separadas y en producción en neerlandés, inglés y para Hong Kong. Cada una con su propio idioma y su propia base de conocimiento. La inglesa sale al mercado bajo su propia marca, sobre el mismo motor.
El docente conserva la última palabra.
El sistema aporta la fundamentación y el material. El docente valora y decide qué entra en el aula.
Qué significa para los docentes
Lo que esto aporta, más allá de la respuesta en sí.
Una respuesta fundamentada, rápido.
Sin rebuscar en libros o artículos sueltos: la pregunta en lenguaje normal, la respuesta con su fuente adjunta.
Material de clase listo para usar.
Planes de clase, exit tickets, rúbricas y planes de implementación. Listos para exportar, en vez de redactarlos tú mismo.
Fundamentado en didáctica reconocida.
Cada respuesta está enraizada en un marco coherente de evaluación formativa, no en consejos sueltos de un chatbot genérico.
El juicio sigue siendo del docente.
El sistema aporta, el docente valora qué encaja con la clase. Eso sigue siendo trabajo humano.
En cifras
Lo que hay ahora en producción.
~196
por instancia de idioma
Documentos en la base de conocimiento curada
3
en producción
Instancias de idioma: neerlandés, inglés, Hong Kong
28
tipos
Tipos de material que el sistema genera listos para usar
Funciona en producción en tres idiomas, sobre una base de conocimiento curada construida con una experta en la materia. Cada respuesta llega con su fuente y un indicador de fiabilidad. Ese es el punto, no un panel lleno de cifras.
Empezar pequeño, llegar lejos.
¿Prefieres mirar primero por tu cuenta? El escáner de proveedores y el Chequeo de cadena son gratuitos y no requieren una conversación.
El escáner de proveedores¿Quieres algo así para tu dominio de conocimiento?
En una conversación de media hora vemos si vuestro dominio de conocimiento se presta a lo mismo.
Reserva una llamadaAsí es en la práctica.
Tres mundos distintos, un mismo principio: la IA hace el trabajo, la persona comprueba y aprueba.
Lee el caso