Asistente Docente IA Integrado en Moodle

Abstract

Este Trabajo Fin de Máster tiene como objetivo diseñar, implementar y evaluar un asistente docente basado en generación aumentada por recuperación (RAG), integrado en Moodle y orientado a responder preguntas a partir de los materiales reales de una asignatura. El trabajo parte de tres requisitos: que las respuestas puedan rastrearse hasta sus fuentes, que el sistema se abstenga cuando no disponga de evidencia suficiente y que el tratamiento de la información permanezca bajo control institucional mediante una ejecución local o self-hosted. La solución separa la ingesta documental, la consulta y la interfaz de usuario. Moodle actúa como fuente de los recursos docentes; su interfaz REST permite recuperar los documentos; FastAPI expone el servicio de consulta; y los bloques Moodle en PHP funcionan como capa de interacción. El motor RAG se implementa en Python, combina recuperación léxica y densa, almacena las representaciones en ChromaDB y genera las respuestas con un modelo local servido mediante Ollama. La evaluación se realiza sobre el corpus real de un curso de posgrado y analiza de forma diferenciada la recuperación, la generación, la citación, la abstención y el coste operativo. Los resultados muestran que la recuperación híbrida ofrece un equilibrio adecuado entre cobertura semántica y coincidencia léxica, aunque BM25 mantiene ventajas en algunas métricas de ordenación. El mecanismo de abstención permite rechazar consultas sin evidencia suficiente y la mayoría de las respuestas generadas incorpora fuentes y citas. No obstante, la comprobación realizada es estructural, no semántica, y detecta duplicaciones frecuentes. Asimismo, el reordenamiento avanzado no justifica su coste en la configuración evaluada y la generación concentra la mayor parte de la latencia. El resultado es un prototipo funcional y modular para el entorno estudiado. Su arquitectura puede servir como base para otros cursos, pero los parámetros, el rendimiento y la utilidad educativa deben recalibrarse y validarse con nuevos corpus, varios anotadores y usuarios reales.