Revista UCE Ciencias, ISSN 2306-3556,mayo- agosto 2025. Vol. 13 Núm. 2.

Simulaciones de entrevistas con IA generativa: Un enfoque pedagógico para mejorar la educción de requisitos en el posgrado

 

Dunia María Colomé Cedeño ^1*, Samira de las Mercedes Enríquez González ²

¹ Universidad de las Ciencias Informáticas. Carretera a San Antonio km 2 1/2 Torrens. Boyeros. La Habana. dcolome@uci.cu

² Universidad de las Ciencias Informáticas. Carretera a San Antonio km 2 1/2 Torrens. Boyeros. La Habana. samiradlmeg@uci.cu

 

 

^{Enviado: dic. 2024 Aceptado: mar 2025}

 

 

RESUMEN

La educción de requisitos constituye una fase crítica en la ingeniería de software, que demanda habilidades comunicativas, analíticas y de empatía para identificar con precisión las necesidades de los interesados. Tradicionalmente, su enseñanza en el posgrado ha estado centrada en enfoques teóricos, lo que limita el desarrollo práctico de competencias. Este trabajo propone una estrategia pedagógica que incorpora el uso de inteligencia artificial generativa para simular entrevistas con usuarios, facilitando la enseñanza de técnicas de educción de requisitos en entornos académicos. La propuesta se aplica en el contexto de la maestría en Informática Avanzada de la Universidad de las Ciencias Informáticas, brindando a los estudiantes experiencias de aprendizaje activas, realistas y adaptadas a escenarios profesionales. Los resultados obtenidos evidencian que el uso de IA generativa contribuye significativamente al fortalecimiento de habilidades clave para la educción efectiva de requisitos, superando las limitaciones de los métodos tradicionales.

PALABRAS CLAVE: Ingeniería de requisitos; Juego de roles; Educación en software; Partes implicadas; Aprendizaje activo

ABSTRACT

Generative AI Interview Simulations: A Pedagogical Approach to Enhance Requirements Elicitation in Graduate Education. Requirements elicitation is a critical phase in software engineering that demands communication, analytical, and empathy skills to accurately capture stakeholders' needs. Traditionally, its teaching at the postgraduate level has relied on theoretical approaches, limiting the development of practical competencies. This study proposes a pedagogical strategy that integrates generative artificial intelligence to simulate user interviews, enhancing the teaching of requirements elicitation techniques in academic environments. The proposal is implemented within the Master's in Advanced Informatics program at the University of Informatics Sciences, offering students active, realistic learning experiences aligned with professional scenarios. The results show that the use of generative AI significantly strengthens key skills for effective requirements elicitation, overcoming the limitations of traditional methods.

 

KEYWORDS: Requirements Engineering; Role-playing; software Education; Stakeholders; Active learning

INTRODUCCIÓN

La falta de habilidades prácticas en la educción de requisitos, actividad inicial de la ingeniería de requisitos (Brand et al., 2024), es un problema recurrente en los egresados de ingeniería informática. Estudios como el CHAOS Report del Standish Group (1995-2023) han demostrado consistentemente que entre el 60% y 70% de los fallos en proyectos de software están relacionados con requisitos incompletos, ambiguos o mal comunicados, lo que subraya la necesidad de mejorar su enseñanza.

Hasta la fecha, no existe un consenso sobre cuáles son los enfoques educativos más útiles en la formación en ingeniería de requisitos para integrar mejor la teoría con la práctica (Daun et al., 2023), pero el aprendizaje experiencial a través de proyectos, la colaboración y la participación activa de las partes interesadas se encuentran entre las tendencias más prometedoras para el desarrollo de las habilidades blandas en los estudiantes. Por otra parte, una investigación reciente destaca las oportunidades innovadoras que ofrece la inteligencia artificial generativa, en particular los modelos de lenguaje extenso (LLM), para mejorar la formación en ingeniería de software (Pereira et al., 2024).

A nivel pedagógico, tradicionalmente se ha enseñado la educción de requisitos mediante clases teóricas sobre técnicas como la entrevista, el cuestionario y el prototipado y, casos de estudio estáticos, sin interacción real con las partes interesadas. Sin embargo, estas metodologías han mostrado limitaciones en la preparación de estudiantes para enfrentar situaciones reales, donde la comunicación, la negociación y la empatía son cruciales (Wiegers & Beatty, 2013).

El juego de roles emerge como una solución innovadora, permitiendo a los estudiantes practicar técnicas en un entorno controlado pero realista, desarrollar habilidades blandas como la comunicación y la negociación y, experimentar los desafíos de interactuar con las partes interesadas con intereses diversos. En la formación en ingeniería de requisitos se recomienda practicar la realización de actividades de juego de roles (Bano et al., 2019; Svensson and Regnell, 2016; Ferrari et al., 2019), en las que los estudiantes pueden desempeñar el papel de analistas de requisitos, para tener una experiencia práctica.

En la simulación de contextos reales, como uno de los requisitos para aplicar la metodología de juego de roles, los estudiantes asumen papeles como analistas (preguntan, escuchan, documentan), como clientes (con necesidades ambiguas y/o contradictorias) y como usuarios finales (con limitaciones técnicas o resistencia al cambio). El juego de roles es una técnica de aprendizaje prometedora que permite a los estudiantes practicar entrevistas realistas, recibir retroalimentación en tiempo real y mejorar su desempeño bajo presión (Otemaier et al., 2024; Ferrari et al., 2020; Tachikawa and Nakamura, 2017).

Aunque existe poca evidencia empírica de la eficacia del juego de roles para la formación de las habilidades en el ingeniero de requisitos, algunas investigaciones resaltan su validez. Otemaier et al. (2024) presentan un enfoque que combina el juego de roles tradicional con un entorno de aprendizaje inmersivo, ofreciendo una experiencia atractiva y auténtica que prepara a los estudiantes para los desafíos de la industria. Específicamente, enseñan la técnica de entrevista para obtener requisitos de software. La experiencia la llevaron a cabo con quince estudiantes de grado en Ingeniería de Requisitos y entre los resultados muestran la eficacia del juego de roles inmersivo en la obtención de requisitos, promoviendo una mayor participación en las tareas y un aprendizaje auténtico mediante la retroalimentación y la reflexión sobre los errores cometidos.

Por su parte, Ferrari et al. (2019) proponen un enfoque pedagógico novedoso que combina juegos de roles, revisión por pares y autoevaluación para que los estudiantes reflexionen sobre sus errores y mejoren sus habilidades de entrevista, una de las técnicas para la educción de requisitos. En otra investigación, los mismos autores (Ferrari et al., 2020) presentan dos enfoques pedagógicos, SaPeer y ReverseSaPeer, para la enseñanza de la educción de requisitos. SaPeer utiliza juegos de rol, revisión por pares y autoevaluación para permitir que los estudiantes experimenten de primera mano las dificultades relacionadas con el proceso de entrevista, reflexionen sobre sus errores y mejoren sus habilidades de entrevista mediante la práctica y el análisis. ReverseSaPeer se basa en el primer enfoque e incluye una actividad de inversión de roles en la que los participantes desempeñan el papel de un cliente entrevistado por un entrevistador competente. 

En este trabajo se presenta una experiencia de la aplicación del juego de roles a través de la simulación de entrevistas con clientes, con el empleo de ChatGPT, para la enseñanza de la educción de requisitos en alumnos matriculados en la maestría de Informática Avanzada de la UCI.

METODOLOGÍA

Se adopta un enfoque metodológico mixto con predominancia cualitativa, orientado a la mejora educativa a través del diseño, aplicación y evaluación de una estrategia didáctica basada en inteligencia artificial generativa. El estudio se enmarca en un diseño de intervención educativa, con recolección de datos antes, durante y después de su implementación.

La intervención se llevó a cabo en la asignatura Ingeniería de Requisitos, correspondiente a la 4ta edición de la Maestría en Informática Avanzada de la UCI, en Cuba. Participaron 18 maestrantes con experiencia laboral previa en desarrollo de software, lo cual permitió enriquecer las dinámicas de simulación.

Etapa 1: Preparación

• Se utilizó el modelo ChatGPT (GPT-4o) como agente conversacional, por su capacidad de asumir distintos perfiles de usuario.
• Se tuvieron en cuenta tres escenarios representativos de proyectos reales:
• Sistema de gestión de pacientes en un policlínico.
• Plataforma de comercio electrónico para productos artesanales.
• Sistema para la distribución y control de los productos de distribución normada.
• Cada escenario fue documentado con un conjunto de atributos clave, como el rol del usuario, los objetivos del sistema, y posibles ambiguedades intencionadas.

Etapa 2: Capacitación inicial

• Se impartió una sesión introductoria sobre el uso de prompts y buenas prácticas para la conducción de entrevistas con IA.
• Se entregó a los maestrantes una guía para las entrevistas, que incluía ejemplos de preguntas abiertas, técnicas de paráfrasis y criterios para la validación de requisitos.

Etapa 3: Simulación con IA generativa

• Los maestrantes trabajaron en parejas o grupos de tres, seleccionando uno de los escenarios propuestos.
• En cada grupo, los maestrantes asumieron el rol de analistas de requisitos y sostuvieron sesiones de entrevista con la IA, que actuaba como usuario final del sistema.
• Durante las entrevistas, se aplicaron diferentes técnicas de educción (entrevistas exploratorias, aclaraciones, priorización, etc.).
• Cada grupo realizó al menos dos rondas de entrevista, permitiendo un proceso iterativo de mejora.

Etapa 4: Análisis, reflexión y retroalimentación

• Las conversaciones generadas fueron registradas y analizadas por los maestrantes para identificar fortalezas, omisiones y errores en la identificación de requisitos.
• Se utilizaron rúbricas de evaluación diseñadas por los docentes, que valoraban: claridad de las preguntas, profundidad en la exploración, identificación de requisitos funcionales y no funcionales, y gestión de ambiguedades.
• Se desarrollaron sesiones plenarias para compartir aprendizajes, discutir enfoques y recibir retroalimentación tanto de docentes como de los pares.
• Una segunda ronda de entrevistas permitió aplicar las mejoras identificadas.

En la evaluación del impacto de la intervención se emplearon fichas en las que se listaron los requisitos identificados, lo que permitió estructurar y comparar los resultados de las entrevistas; rúbrica de desempeño, utilizada por los docentes para evaluar el proceso y producto de cada grupo y encuesta de percepción estudiantil, compuesta por ítems tipo Likert y preguntas abiertas sobre el valor formativo de la estrategia.

RESULTADOS Y DISCUSIÓN

La implementación de la estrategia pedagógica basada en inteligencia artificial generativa mostró impactos positivos en el desarrollo de habilidades practices y blandas para la educción de requisitos en estudiantes de posgrado. Los resultados se han ubicado en tres dimensiones principales: desempeño en las simulaciones, percepción estudiantil y análisis cualitativo de la experiencia.

Mediante la aplicación de rúbricas de evaluación a las transcripciones de las entrevistas realizadas con IA, se identificó una mejora progresiva en la capacidad de los estudiantes para conducir procesos efectivos de educción de requisitos. En la tabla 1 puede apreciarse la puntuación para cada indicador evaluado (escala de 1 (deficiente) a 5 (excelente)).

Tabla 1: Resultados de la aplicación de las rúbricas de evaluación

Los resultados muestran que, luego de la retroalimentación inicial y la reflexión en el grupo, los maestrantes lograron mejoras significativas tanto en la estructura de sus entrevistas como en la capacidad de capturar requisitos más completos y precisos.

Luego, una encuesta de percepción fue aplicada al finalizar la intervención, con una escala de Likert de 1 (totalmente en desacuerdo) a 5 (totalmente de acuerdo). De las preguntas realizadas, las que mostraron mejores resultados fueron:

• La simulación con IA me permitió practicar situaciones realistas para la obtención de requisitos: 4,9 / 5
• Me sentí retado a pensar críticamente durante la entrevista: 4,7 / 5
• Este enfoque es más efectivo que los métodos puramente teóricos: 4,5 / 5
• Me gustaría que esta estrategia se aplicara en otras asignaturas: 4,6 / 5

Además, en las preguntas abiertas, los maestrantes valoraron de manera positiva el realismo de cada uno de los usuarios simulados, la posibilidad de repetir entrevistas y el aprendizaje autónomo que promovió la experiencia. Algunos testimonios representativos reflejaron el no tener miedo a equivocarse al estar interactuando con una IA y no con un usuario real.

Las fichas con la lista de los requisitos y sus versiones refinadas tras la segunda entrevista, mostraron mayor completitud, organización y diferenciación entre requisitos funcionales y no funcionales. En la primera vuelta, era común encontrar listas parciales, sin validación de supuestos ni aclaración de ambiguedades. En la segunda ronda, se observó un uso consistente de terminología técnica adecuada, la incorporación de restricciones y condiciones del entorno, la identificación de actores y flujos alternativos y la justificación de requisitos priorizados.

Los maestrantes demostraron avances significativos en habilidades blandas fundamentales para la ingeniería de requisitos, como:

• Formulación de preguntas adecuadas.
• Redacción clara de requisitos a partir de interacciones con el cliente simulado.
• Capacidad para identificar conflictos o ambiguedades en los requisitos.

CONCLUSIONES

El uso de ChatGPT para el desarrollo de entrevistas simuladas como estrategia didáctica resultó eficaz para la enseñanza de esta técnica de educción de requisitos, en el posgrado. La dinámica permitió a los maestrantes experimentar de forma activa los desafíos y responsabilidades del rol analista, fortaleciendo su comprensión del proceso de identificación de requisitos en el desarrollo de software.

Los tres escenarios diseñados cubrieron una variedad representativa de técnicas de educción aplicables durante una entrevista, lo cual favoreció el desarrollo de competencias específicas en la formulación de preguntas, análisis de necesidades, generación de ideas y validación de prototipos. Esta diversidad metodológica enriqueció la experiencia formativa al exponer a los estudiantes a diferentes contextos de interacción.

Las listas de funcionalidades elaboradas reflejan un nivel satisfactorio de comprensión de los requerimientos funcionales, así como una capacidad emergente para estructurarlos de manera lógica y coherente. No obstante, se identificó variabilidad en la calidad y profundidad de las entregas, lo cual sugiere la necesidad de reforzar la guía y los criterios de evaluación para futuras implementaciones.

Los maestrantes mejoraron no solo en habilidades técnicas, sino también en habilidades comunicativas, de análisis y de empatía, fundamentales en la práctica profesional de la ingeniería de requisitos. La simulación de entrevistas con ayuda de ChatGPT demostró ser una herramienta eficaz para fomentar estas habilidades en un entorno cómodo.

Finalmente, el enfoque basado en escenarios y simulaciones permite acercar a los maestrantes a situaciones reales del ejercicio profesional, contribuyendo al desarrollo de una visión más práctica, crítica e integral del proceso de ingeniería de requisitos.

REFERENCIAS BIBLIOGRÁFICAS

1.       Bano, M., Zowghi, D., Ferrari, A., Spoletini, P. and Donati, B. (2019) Teaching requirements elicitation interviews: an empirical study of learning from mistakes, Requirements Engineering, pp. 1-31, 2019.

2.  Brand, A., Hauber, D., Lauenroth, K., van Loenhoud, H., & Steiger, P. (2024). Certified Professional for Requirements Engineering. Syllabus Requirements Elicitation: Vol. 3.1.0. https://www.ireb.org/content/downloads/9-syllabus-advanced-level-requirements-elicitation/cpre_elicitation_syllabus_en_3.1.pdf

3.    Daun, M., Grubb, A. and Tenbergen, B. (2021) "A Survey of Instructional Approaches in the Requirements Engineering Education Literature," 2021 IEEE 29th International Requirements Engineering Conference (RE), Notre Dame, IN, USA, pp. 257-268, doi: 10.1109/RE51729.2021.00030.

4.       Daun, M., Grubb, A. M., Stenkova, V., & Tenbergen, B. (2023). The Field of Requirements Engineering Education. In 2023 IEEE 35th International Conference on Software Engineering Education and Training (CSEE&T) (pp. 119-119). IEEE.

5.       Ferrari, A., Spoletini, P., Bano, M. y Zowghi, D. (2020). SaPeer y ReverseSaPeer: entrevistas de elicitación de requisitos docentes con juego de roles e inversión de roles. Requirements. Engineering. 25, 4 (diciembre de 2020), 417-438. https://doi.org/10.1007/s00766-020-00334-0

6.    Ferrari, A., Spoletini, P., Bano, M. y Zowghi, D. (2019). Learning Requirements Elicitation Interviews with Role-playing, Self-assessment and Peer-review, 2019 IEEE 27th International Requirements Engineering Conference (RE), doi: 10.1109/RE.2019.00015

7.       Otemaier, K., Albuquerque, R., Diniz, R., Reinehr, S. y Malucelli, A. (2024) Juego de rol inmersivo: Un informe de experiencia sobre un enfoque prometedor para la obtención de requisitos de aprendizaje. En Actas del XXIII Simposio Brasileño sobre Calidad de Software (SBQS '24). Association for Computing Machinery, Nueva York, NY, EE. UU., 586-595. https://doi.org/10.1145/3701625.3701683

8.       Ouhbi, S. and Nuno, P. (2020) Software Engineering Education: Challenges and Perspectives. 2020 IEEE Global Engineering Education Conference (EDUCON), 978-1-7281-0930-5/20/, Porto, Portugal.

9.       Pereira, J., López, J., Garmendia, X. and Azanza, M. (2024) "Leveraging Open Source LLMs for Software Engineering Education and Training," 2024 36th International Conference on Software Engineering Education and Training (CSEE&T), Worzburg, Germany, pp. 1-10, doi: 10.1109/CSEET62301.2024.10663055.

10.    Svensson, R. and Regnell, B. (2016) Is role playing in requirements engineering education increasing learning outcome? REJ, pp. 1-15, 2016.

11.    Standish Group. (2023). CHAOS Report.

12.    Tachikawa, Y. and Nakamura, T. (2017) "Education for requirements elicitation using group-work and role-play," 2017 IEEE Global Engineering Education Conference (EDUCON), Athens, Greece, pp. 780-783, doi: 10.1109/EDUCON.2017.7942935.

13.    Wiegers, K. & Beatty, J. (2013). Software Requirements. Microsoft Press.

 

Dunia María Colomé Cedeño y Samira de las Mercedes Enríquez González

^{Derechos de autor 2025}

^{Esta obra está bajo una licencia internacional Creative Commons Atribución-No Comercial 4.0.}