Corrección automática de ejercicios de inglés utilizando modelos neuronales.

Abstract

En los últimos años, ha crecido la importancia de la enseñanza del inglés en Uruguay. Sin embargo, el país enfrenta un desafío significativo: la escasez de docentes, lo que dificulta que los estudiantes alcancen un nivel adecuado en su educación. Este problema afecta especialmente a los niños en los niveles iniciales, limitando su progreso en el aprendizaje del idioma. Este proyecto continúa el trabajo de iniciativas anteriores que buscan apoyar a los docentes en la corrección de ejercicios escritos por estudiantes. El propósito central del proyecto es desarrollar una herramienta que facilite la corrección automática de textos escritos por estudiantes de inglés en etapas iniciales. La herramienta debe recibir los textos y devolver una versión corregida, señalando los errores identificados. En un inicio, exploramos el uso exclusivo de Grandes Modelos de Lenguaje (LLMs por su sigla en inglés), para abordar este problema. Sin embargo, tras varios experimentos, los resultados no fueron satisfactorios. Ante esta limitación, optamos por una solución alternativa que combina el uso de LLMs, una herramienta para marcar diferencias y un clasificador entrenado para predecir los tipos de errores, logrando el mismo objetivo de corrección. El sistema desarrollado se compone de tres módulos independientes que pueden funcionar por separado o de manera conjunta. Obtuvimos un corrector basado en Mistral, con una puntuación F0,5 de 0.80, y un clasificador de errores con un F1 de 0.76. En conjunto, el sistema alcanzó un rendimiento global de F0,5 de 0.60.