Maestría Estadística Aplicada y Ciencia de Datos · 2026
Evaluando la utilidad de un chatbot con técnica de fine tunning para práctica de semiología en estudiantes de fisioterapia de la Universidad del Rosario, Bogotá
Introducción: Los grandes modelos de lenguaje (LLMs) basados en arquitecturas Transformer, ha reconfigurado el paradigma educativo al permitir la transición desde sistemas de tutoría basados en reglas estáticas hacia agentes conversacionales adaptativos. En el contexto de la educación médica, estos agentes facilitan la creación de pacientes virtuales de alta fidelidad que superan las limitaciones de recursos, costo y escalabilidad inherentes a los métodos tradicionales de simulación. Métodos: Se diseñó un estudio experimental descriptivo-analítico enfocado en la generación de agentes conversacionales mediante el fine-tuning de la arquitectura base Mistral. Se construyeron tres conjuntos de datos sintéticos en formato JSONL, cada uno conteniendo 7,000 pares de prompt-response (128 tokens promedio) diseñados para representar casos clínicos específicos: (1) un hombre jubilado con caquexia por cáncer; (2) un ejecutivo joven con parálisis facial periférica por herpes; y (3) una mujer de mediana edad con neuropatía periférica del nervio ciático. Las respuestas se desarrollaron integrando coherencia narrativa, variabilidad lingüística y rasgos psicosociales. El entrenamiento se realizó utilizando Quantized Low-Rank Adaptation (QLoRA) Resultados: Los tres modelos independientes mostraron una convergencia estable y adecuada generalización. El primer modelo redujo la pérdida de validación de 0.2183 a 0.0808; el segundo, de 0.2204 a 0.0617; y el tercero, de 0.2001 a 0.0598, sin evidencia de sobreajuste significativo. Los mínimos de pérdida se alcanzaron en alrededor de los pasos 1800–2000, lo que indica un punto de convergencia estable donde las mejoras posteriores son marginales. Se realizó una encuesta de tipo likert de forma general con los estudiantes. Los resultados evidenciaron consistentemente una percepción global positiva sobre el uso de esta tecnología. En relación con aspectos clave del desempeño de la herramienta, los participantes manifestaron un alto grado de acuerdo respecto a la coherencia y la calidad general de las respuestas generadas por el chatbot. Respecto al proceso formativo, se identificó que la simulación mejoró significativamente la capacidad de formular preguntas clínicas y estimuló el razonamiento clínico. En cuanto a su integración curricular, la herramienta demostró ser altamente complementaria con la enseñanza tradicional. De hecho, un significativo 68.8% consideró que la actividad es preferible e ideal para incluirla en el currículo formativo. Conclusiones: Este estudio demuestra que es técnicamente viable desarrollar agentes conversacionales especializados para la educación médica utilizando fine-tuning eficiente sobre arquitecturas Transformer como Mistral. Los resultados indican que, incluso con datasets sintéticos de tamaño reducido y estrictas restricciones de recursos computacionales (una hora de entrenamiento por modelo), es posible entrenar sistemas que mantengan una coherencia narrativa, personalidad y fidelidad clínica adecuada para simular pacientes virtuales realistas.