En el panorama actual de l'educació digital, l'avaluació automàtica d'assajos s'ha convertit en una necessitat creixent. WrAFT (Writing Assessment and Feedback Tool) sorgeix com una solució modular que combina intel·ligència artificial i disseny arquitectònic avançat per oferir puntuacions precises i retroalimentació completa en assajos argumentatius. A diferència de sistemes monolítics, WrAFT divideix el procés d'avaluació en tres mòduls independents: puntuació, retroalimentació superficial i retroalimentació profunda. Aquesta separació no només facilita el manteniment i l'actualització de cada component, sinó que també permet personalitzar el sistema per a diferents contextos educatius o empresarials.
El mòdul de puntuació utilitza models de llenguatge de gran escala (LLMs) com LLaMA-3.3-70B-Instruct, GPT-4o i Claude 3.7, avaluats mitjançant prompting directe i ajust fi supervisat. Amb un conjunt de dades propi de 480 assajos TOEFL Independent Writing, WrAFT assoleix un rendiment capdavanter: un kappa quadràtic ponderat (QWK) de 0.84 i un error quadràtic mitjà (RMSE) de 0.44 en una escala de 0 a 5. Aquests números reflecteixen una alta correlació amb les puntuacions oficials, cosa que el fa fiable per a ús acadèmic i corporatiu.
La retroalimentació superficial aborda aspectes gramaticals, ortogràfics i d'estil, mentre que la retroalimentació profunda es divideix en macro (estructura argumentativa, coherència global) i micro (cohesió entre oracions, ús de connectors). En una avaluació humana, les taxes d'aprovació van assolir el 96.14 % per a la retroalimentació superficial, el 93.03 % per a la macroprofunda i el 94.69 % per a la microprofunda. Això demostra que WrAFT no només és precís, sinó també útil i acceptable per als usuaris finals.
Des d'una perspectiva tècnica, l'arquitectura modular de WrAFT permet integrar diferents models d'IA de forma intercanviable. Per exemple, una empresa podria substituir el LLM base per un de més lleuger per a entorns amb recursos limitats, o afegir un mòdul d'intel·ligència artificial específic per detectar biaixos. A més, el sistema es pot desplegar al núvol utilitzant serveis com AWS o Azure, garantint escalabilitat i disponibilitat. La retroalimentació generada pot alimentar panells de Business Intelligence, com Power BI, per analitzar tendències en el rendiment dels estudiants i millorar els processos d'ensenyament.
Per a les organitzacions que busquen implementar solucions similars, el desenvolupament d'aplicacions a mida és clau. WrAFT és un exemple de com la combinació de mòduls independents, agents d'IA i un disseny centrat en l'usuari pot transformar l'avaluació educativa. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, entenem que cada client té necessitats úniques. Per això oferim serveis que van des de la creació de sistemes modulars d'IA fins a la integració amb plataformes al núvol i la implementació de dashboards de BI. La ciberseguretat també és un pilar fonamental: protegir les dades dels estudiants i les avaluacions és crític, i per això apliquem pràctiques de pentesting i xifratge a totes les nostres solucions.
Mirant cap al futur, la tendència apunta a sistemes cada cop més autònoms. Els agents d'IA poden encarregar-se de personalitzar la retroalimentació segons el perfil de l'estudiant, mentre que l'automatització de processos redueix la càrrega administrativa dels docents. WrAFT, amb la seva interfície pública i gratuïta, ja està marcant el camí. Però per escalar aquestes innovacions a nivell empresarial, cal comptar amb socis tecnològics que dominin tant la teoria com la pràctica. La integració de models de llenguatge amb infraestructura al núvol i analítica de dades no és trivial; requereix experiència en enginyeria de programari, aprenentatge automàtic i seguretat informàtica.
En definitiva, WrAFT demostra que l'avaluació automàtica d'assajos pot ser precisa, útil i modular. Les empreses que vulguin adoptar tecnologies similars haurien de considerar una estratègia que combini IA, núvol i BI, però sempre amb un enfocament en la personalització. Des de Q2BSTUDIO, ajudem les organitzacions a dissenyar i implementar aquestes solucions, assegurant que cada component s'adapti als seus objectius específics. Ja sigui desenvolupant un sistema des de zero o integrant mòduls existents, la clau està en l'arquitectura modular i l'ús intel·ligent de les dades.
