Ampliando la comprensión lectora a través de un sistema inteligente basado en la arquitectura GPT

Este trabajo propone utilizar un Large Language Model (LLM) con capacidades avanzadas de procesamiento de lenguaje natural para generar preguntas de un relato y apoyar la comprensión lectora de los estudiantes. La metodología incluye la obtención de datos de entrenamiento de la base de datos Fairytale QA, la traducción de relatos, preguntas y respuestas, y la vectorización correspondiente para el modelo LLM basado en la arquitectura Transformer.

La motivación para este trabajo surge de la disminución en el nivel de aprendizaje de los estudiantes, especialmente en comprensión lectora. Se busca abordar esta problemática mediante el uso de herramientas tecnológicas, proponiendo un modelo especializado de texto que pueda personalizar el acompañamiento a los estudiantes.

El aporte original radica en la implementación de un sistema inteligente adaptado al entorno peruano, capaz de generar preguntas contextualizadas y relevantes. Se espera que este enfoque mejore la comprensión lectora de los estudiantes al proporcionar información precisa y pertinente. Además, se destaca la creación de un conjunto de datos innovador y la aplicación de técnicas avanzadas de aprendizaje por transferencia para optimizar el rendimiento del modelo en el contexto educativo peruano.

Autores:
Benjamin Arriaga (Universidad del Pacífico), Fiorella Calderón (Universidad del Pacífico), Alvaro Talavera Lopez (Universidad del Pacífico)