NYIT desarrolla un asistente LLM para su curso de análisis aplicado en MATLAB

Investigadores del departamento de Tecnología de Ingeniería Eléctrica e Informática del Instituto Tecnológico de Nueva York (NYIT) presentaron en arXiv, en julio de 2026, VectorizationLLM, un asistente de lenguaje muy especializado basado en los modelos de pesos abiertos de Google y diseñado para un único curso concreto.

Para qué curso se creó el asistente

VectorizationLLM se desarrolló exclusivamente para el curso CTEC 247, «Análisis computacional aplicado II», del departamento de ECE Technology en el campus de NYIT en Old Westbury, Nueva York. El curso abarca varios temas que tradicionalmente resultan difíciles para los estudiantes de ingeniería:

• Vectorización inteligente (smart vectorization) en MATLAB
• Análisis de vectores temporales y de onda
• Funciones definidas a trozos
• Análisis de Fourier
• Ecuaciones diferenciales ordinarias

En estos temas los estudiantes suelen atascarse y buscan ayuda fuera del aula. El asistente cubre ese vacío al estar disponible las 24 horas, a diferencia de un profesor del departamento.

Cómo funciona el modelo y qué no hace

La arquitectura de VectorizationLLM tiene dos componentes. El primero es RAG (Retrieval Augmented Generation): una base de conocimiento formada con los materiales del curso CTEC 247, incluidos apuntes de clase, ejemplos de código en MATLAB e ilustraciones. Cuando un estudiante hace una pregunta, el modelo busca primero los fragmentos relevantes en ese corpus y después genera la respuesta a partir de ellos. Esto reduce de forma notable el riesgo de «alucinaciones» frente a los chatbots de propósito general.

El segundo componente es un prompt de sistema que define un papel pedagógico: el asistente explica y orienta, pero deliberadamente no entrega soluciones completas de los problemas. Aplica el principio del «diálogo socrático»: el estudiante debe llegar a la respuesta por sí mismo. Las respuestas pueden incluir a la vez explicaciones de texto, bloques de código e imágenes, lo que permite explicar los conceptos matemáticos en el formato más visual.

Por qué la «IA por curso» es una línea prometedora

VectorizationLLM encaja en la tendencia creciente de crear LLM educativos muy especializados, ligados a una asignatura o un curso concretos. A diferencia de ChatGPT «en bruto», un asistente así no se sale del programa de estudios, se apoya solo en materiales verificados del profesor y reduce la carga del departamento en las preguntas rutinarias de los estudiantes.

El principal reto para replicar estas soluciones es llenar el corpus RAG: crear una base de conocimiento de calidad para cada curso requiere tiempo y experiencia académica. Ahí, y no en el propio LLM, se concentra la mayor parte del trabajo.

Qué significa

VectorizationLLM muestra cómo se pueden aplicar los modelos de pesos abiertos de Google en la educación sin un costoso reentrenamiento: la combinación de RAG y prompt de sistema permite adaptar rápidamente un LLM base a cualquier curso sin perder el control sobre el contenido. Que estas soluciones se adopten ampliamente en las universidades dependerá de lo fácil que les resulte a los profesores crear por sí mismos este tipo de bases de conocimiento.