Desarrollo de una plataforma web para la generación y validación de datasets sintéticos para docencia en aprendizaje automático creados a través de inteligencia artificial generativa
Year: 2026
Type: dissertation
Abstract: El uso de datasets constituye un elemento fundamental en la enseñanza del Aprendizaje Automático y la Ciencia de Datos, ya que permite al alumnado aplicar de forma práctica técnicas de análisis, entrenamiento, evaluación e interpretación de modelos. Sin embargo, la disponibilidad de conjuntos de datos adecuados para fines docentes presenta limitaciones relevantes, como restricciones legales o éticas, falta de adaptación a objetivos pedagógicos concretos, reutilización excesiva de datasets públicos y dificultad para controlar propiedades estadísticas específicas. Este Trabajo Fin de Grado presenta el desarrollo de GenLearn, una plataforma web orientada a la generación y validación de datasets sintéticos para docencia en Aprendizaje Automático. La herramienta permite configurar conjuntos de datos tabulares mediante formularios guiados o esquemas estructurados, generar datos sintéticos con apoyo de modelos de lenguaje de gran tamaño y validar los resultados obtenidos mediante un módulo de auditoría estadística. La plataforma adopta un enfoque human-in-the-loop, en el que el usuario participa activamente en la revisión y refinamiento del esquema antes de iniciar la generación definitiva del dataset. Desde el punto de vista técnico, GenLearn se ha desarrollado mediante una arquitectura cliente-servidor, con un backend basado en Django y Django REST Framework, y un frontend implementado con React y TypeScript. El sistema incorpora persistencia de proyectos, gestión de estados, integración con proveedores de modelos de lenguaje, generación por lotes, validación estadística y visualización interactiva de resultados. La validación del sistema se ha realizado mediante pruebas funcionales, pruebas de integración, pruebas de rendimiento y análisis de la calidad de datasets generados para problemas de clasificación, regresión y clustering. Los resultados obtenidos muestran que la plataforma permite generar datasets sintéticos coherentes, configurables y adecuados para su uso en contextos docentes, manteniendo mecanismos de supervisión y validación que ayudan a detectar desviaciones respecto a la configuración solicitada. ABSTRACT Datasets are a fundamental element in the teaching of Machine Learning and Data Science, as they allow students to apply practical techniques related to data analysis, model training, evaluation and interpretation. However, the availability of suitable datasets for educational purposes presents several limitations, including legal or ethical restrictions, lack of adaptation to specific pedagogical objectives, repeated use of public datasets and difficulty in controlling specific statistical properties. This Final Degree Project presents the development of GenLearn, a web platform designed for the generation and validation of synthetic datasets for Machine Learning education. The tool allows users to configure tabular datasets through guided forms or structured schemas, generate synthetic data with the support of large language models and validate the generated results through a statistical auditing module. The platform follows a human-in-the-loop approach, where the user actively participates in reviewing and refining the dataset schema before the final data generation process. From a technical perspective, GenLearn has been developed using a client-server architecture, with a Django and Django REST Framework backend, and a frontend implemented with React and TypeScript. The system includes project persistence, state management, integration with language model providers, batch-based generation, statistical validation and interactive visualization of results. The system was evaluated through functional tests, integration tests, performance tests and quality assessment of datasets generated for classification, regression and clustering problems. The results show that the platform can generate coherent, configurable and educationally useful synthetic datasets, while maintaining supervision and validation mechanisms that help detect deviations from the requested configuration.
Author: Guzmán González, Alicia
Language: Spanish
Subfield: Computer Science Applications
Field: Computer Science
Domain: Physical Sciences
SDG: Quality education
Open Access status: green
OpenAlex ID: W7212090203