Generación de contenido educativo integrando modelos de difusión y estilos de aprendizaje

Abstract

Esta tesis surge a partir del reciente auge y las crecientes capacidades de la inteligencia artificial generativa, en particular de los modelos de difusión generadores de imágenes, como herramienta para complementar contenidos pedagógicos considerando los estilos de aprendizaje como insumo. Para ello, se desarrolló una herramienta web utilizando el framework Django, servicios nube de AWS y ComfyUI, estructurada en dos etapas, una etapa de identificación, que adapta un cuestionario de estilos de aprendizaje mediante imágenes generadas, y una etapa de inferencia, en la cual se generan imágenes a demanda por parte de los participantes para la evaluación de cuatro modelos de difusión. En ambas etapas se aplicaron preguntas de percepción utilizando la escala Likert, validadas mediante el Coeficiente de Cronbach de 0.836 y 0.721 respectivamente.

Los resultados evidenciaron que, en la etapa de identificación, el 60% de las respuestas fueron clasificadas como altas, el 23.78% como bajas y el 16.22% como medias. En la etapa de inferencia, se observó una leve disminución en la proporción de respuestas altas 47.83%, mientras que las respuestas medias y bajas aumentaron a 30.98% y 21.20%, respectivamente.

Adicionalmente, se incorporó el análisis de los estilos de aprendizaje preferentes de los participantes, revelando patrones significativos en la percepción según cada estilo. En general, los participantes con estilos VIS (visual), REF (reflexivo), SEN (sensitivo) y ACT (activo) tendieron a otorgar calificaciones altas en ambas etapas. Los modelos de difusión fueron evaluados también mediante el CLIP Score, evidenciando preferencias diferenciadas según el estilo de aprendizaje. El modelo DALLE 3 fue el más preferido en términos generales, mientras que los participantes con estilo visual mostraron una inclinación positiva hacia Stable Diffusion XL y Stable Diffusion 3.5. Estos hallazgos indican que la percepción de utilidad o calidad de las imágenes generadas varía de acuerdo con el estilo de aprendizaje predominante, lo cual tiene implicaciones relevantes para la personalización de herramientas educativas basadas en inteligencia artificial generativa. (Tomado de la fuente)

This thesis arises from the recent surge and growing capabilities of generative artificial intelligence particularly image generating diffusion models as a tool to supplement pedagogical content by taking different learning styles into account. For this purpose, a web based tool was developed using the Django framework, AWS cloud services and ComfyUI, structured in two stages, an identification stage, which adapts a learning style questionnaire by means of generated images, and an inference stage, in which images are generated on demand by participants for the evaluation of four diffusion models. In both stages, perception was measured through Likert scale questions, validated by Cronbach’s alpha coefficients of 0.836 and 0.721, respectively.

The results showed that, in the identification stage, 60% of the responses were classified as high, 23.78% as low, and 16.22% as medium. In the inference stage, there was a slight decrease in the proportion of high responses 47.83%, while medium and low responses rose to 30.98% and 21.20%, respectively.

Additionally, an analysis of participants’ preferred learning styles was included, revealing significant perceptual patterns based on each style. Overall, participants with VIS (visual), REF (reflective), SEN (sensing), and ACT (active) styles tended to provide high ratings in both stages. The diffusion models were also evaluated through the CLIP Score, showing differentiated preferences depending on the learning style. The DALLE 3 model was the most widely preferred in general, whereas participants with a visual style showed a positive inclination toward Stable Diffusion XL and Stable Diffusion 3.5. These findings indicate that perceptions of the usefulness or quality of the generated images vary according to the predominant learning style, which has important implications for personalizing educational tools based on generative artificial intelligence.