RIACT: A Responsible AI System for Personalized Study Habit Tracking and Early Burnout Signal Detection in University Students

RIACT es un preprint que presenta un sistema web de inteligencia artificial responsable para detectar señales tempranas de agotamiento académico en estudiantes universitarios mediante el registro y análisis de hábitos de estudio. El sistema combina el registro estructurado de sesiones de estudio con una arquitectura híbrida que incluye reglas determinísticas auditables y un modelo de lenguaje acotado a esquemas fijos de salida. Los estudiantes registran sesiones por ubicación y tiempo; el sistema calcula el tiempo neto de concentración, detecta señales de agotamiento a través de comparaciones conductuales semana a semana, y genera recomendaciones personalizadas contextualizadas. El diseño incorpora principios de IA responsable: las advertencias se rigen por reglas transparentes, los resultados se enmarcan como observaciones y no diagnósticos, y la recopilación de datos se limita a campos conductuales autoinformados. El trabajo sitúa el sistema en la literatura sobre agotamiento estudiantil e IA explicable en educación.

Puntos clave

• RIACT registra sesiones de estudio estructuradas por ubicación y tiempo para calcular el tiempo neto de concentración, contabilizando descansos y períodos de inactividad.
• El sistema detecta señales de agotamiento mediante reglas determinísticas auditables que comparan patrones conductuales semana a semana, sin depender de juicios de modelos de caja negra.
• Un modelo de lenguaje limitado a esquemas fijos de salida contextualiza los patrones detectados y genera recomendaciones personalizadas enmarcadas como observaciones.

Para quién: Estudiantes de educación superior, desarrolladores de herramientas educativas e investigadores interesados en detectar agotamiento académico temprano mediante sistemas de IA transparentes y responsables.