Este artículo propone un marco generativo de preguntas y respuestas basado en IA que utiliza un modelo de lenguaje a gran escala (LLM) para ayudar a los estudiantes a prepararse para el Examen de Aptitud para Graduados en Ingeniería (GATE). Al aprovechar las amplias capacidades de procesamiento de información bibliográfica del LLM, construimos un sistema que explica el proceso de resolución de problemas de GATE y apoya a los estudiantes sin fuentes externas. Realizamos una evaluación comparativa exhaustiva para seleccionar el modelo de incrustación y el LLM óptimos, y evaluamos el marco en función de la latencia, la precisión y la relevancia, y lo verificamos mediante una evaluación humana adicional. Desarrollamos un chatbot que integra el modelo de incrustación de última generación y el LLM, y realizamos experimentos rigurosos para encontrar una configuración que equilibre el rendimiento y la eficiencia computacional. También analizamos los problemas y las soluciones que surgen durante el procesamiento y el modelado de datos, y demostramos que la Generación Aumentada por Recuperación (RAG) se aplica a la tarea de explicación de preguntas y respuestas de GATE para mejorar la precisión de la recuperación y la calidad de la respuesta. Por último, proporcionamos información práctica para el desarrollo de herramientas educativas efectivas basadas en IA y sugerimos futuras direcciones de investigación para mejorar la usabilidad y la escalabilidad.
