LLM en vietnamita para educación: asistente, calificación y rutas

01/10/2026

Mi maestra de literatura calificaba con pluma roja, y al final de cada trabajo siempre había unas líneas de comentarios escritos a mano. Ahora, al recordarlo, me doy cuenta de cuántas horas de sus noches le costaban esas líneas. Un grupo de cuarenta alumnos, un trabajo por semana. Es un buen punto de partida para hablar del LLM en vietnamita en la educación: esta herramienta no nació para reemplazar a la maestra, sino para devolverle parte del tiempo que le quita el trabajo repetitivo.

Asistente de enseñanza: responder dudas cuando no hay maestro

A los alumnos les surgen dudas a las diez de la noche, mientras hacen la tarea y ya no hay a quién preguntarle. Un asistente basado en un LLM, al que se le cargó el material y el programa de la propia materia, puede explicar de nuevo un concepto, dar otro ejemplo y hacer preguntas de vuelta para comprobar si el alumno realmente entendió. El diseño determina la calidad. Si el modelo solo da la respuesta, el alumno la copia y no aprende nada. Si sugiere paso a paso y hace preguntas que guían, se parece más a lo que haría un buen tutor.

El vietnamita plantea algunas cuestiones propias. El lenguaje de enseñanza en primaria es muy distinto al universitario: la forma de dirigirse al alumno, la longitud de las oraciones, los ejemplos tomados de la vida diaria. Un modelo que responde con tono de libro universitario a un niño de cuarto de primaria está dirigido al público equivocado, aunque el contenido sea correcto. Esto se resuelve en buena medida con instrucciones de sistema y datos adecuados, y es donde el fine-tuning de un LLM tiene un efecto real.

Calificación: apoyo, no sustitución

Las máquinas califican los exámenes de opción múltiple desde hace mucho. Lo difícil son los trabajos abiertos: un párrafo, un problema de matemáticas con desarrollo, un ensayo. El LLM puede leer el trabajo, contrastarlo con la rúbrica, señalar errores de argumentación y de ortografía, párrafos sin evidencia, y redactar un borrador de comentarios. El docente lo revisa, lo corrige y decide la calificación.

Quiero ser claro sobre los límites, porque es donde más fácil se abusa.

• Las calificaciones tienen consecuencias: el LLM puede calificar de forma inconsistente, y un mismo trabajo evaluado dos veces puede dar dos resultados. La calificación final debe definirla el docente.
• Sesgo de estilo: el modelo suele favorecer los textos fluidos, largos y con palabras "bonitas". Un alumno que escribe breve pero con ideas agudas puede salir mal calificado.
• Creatividad y postura propia: un ensayo con una mirada poco común a veces se considera fuera de tema, porque el modelo aprendió de trabajos promedio.
• Explicación de los errores: los comentarios de la máquina pueden sonar convincentes y estar equivocados, sobre todo en matemáticas y en razonamientos de varios pasos.

El uso más realista es dejar que la máquina haga la calificación preliminar y los comentarios sobre errores de forma, mientras el docente se concentra en la profundidad y en los alumnos que necesitan más atención.

Personalizar la ruta de aprendizaje

Esta es la parte más atractiva en el papel, y también la que más fácil se exagera. La idea es sencilla: con base en los trabajos, las preguntas y los errores de cada alumno, el sistema detecta en qué está flojo, sugiere ejercicios adecuados y ajusta la dificultad. Un alumno que no domina las fracciones las repasaría antes de pasar a las ecuaciones, en lugar de ser arrastrado por el ritmo general del grupo.

Hay algunas cosas que cuido al hablar de este tema. Una es que la calidad del diagnóstico depende de los datos, y los datos de aprendizaje suelen ser pocos y ruidosos. Otra es que la "personalización" puede convertirse en encerrar al alumno en una ruta estrecha según lo que predijo la máquina. La tercera es que los datos de los estudiantes, en especial de menores de edad, necesitan una protección estricta: dónde se guardan, quién los ve, por cuánto tiempo y si los padres lo saben.

Lo que el docente debe conservar

En mi opinión, hay cosas que no se le deben dejar a la máquina: la evaluación integral de las capacidades de un alumno, la decisión sobre la calificación final y darse cuenta de que un alumno está pasando por algo triste en su casa. Mi maestra de literatura, con solo ver la letra, adivinaba qué alumno no estaba bien ese día. El LLM todavía no puede hacer eso, y no estoy seguro de que deba hacerlo.

Un detalle pequeño pero que vale la pena probar: mostrar a los alumnos tanto la explicación de la máquina como los errores de su propio trabajo, y pedirles que lo expliquen con sus propias palabras. El alumno que logra explicarlo ya entendió; el que solo repite la frase de la máquina necesita más acompañamiento.

De nuestra parte

AIVISION es una empresa de IA en Vietnam que entrena y hace fine-tuning de LLM para vietnamita y para sectores específicos. Lanzamos el modelo L1.0 para vietnamita, y la educación es una línea de aplicación que nos interesa. No menciono resultados concretos porque no tenemos datos para afirmarlos, solo cómo pensamos que debería diseñarse: apegado a los programas reales, con un tono adecuado a la edad y siempre con el docente dentro del ciclo.

Si trabajan en una escuela o en un centro de estudios y quieren conversar más, la información sobre los modelos está en AIVISION.