Se ha identificado una elevada tasa de deserción en las áreas de CTIM, acompañada de una marcada brecha de género en el ingreso a carreras en estas disciplinas. Estos fenómenos se explican, en parte, por factores como la percepción sobre el síndrome del impostor, la amenaza de estereotipo, el dominio de las matemáticas y otros elementos agrupados en esta tesis bajo el concepto de barreras psicológicas. Una vía para enfrentar estas barreras es la retroalimentación descriptiva. En este sentido, la teoría de la mentalidad de crecimiento ha mostrado eficacia para fortalecer la motivación, especialmente en los campos CTIM. La presente tesis propone el diseño, desarrollo y validación de un sistema denominado Grow Together, basado en Modelos Grandes de Lenguaje (LLMs). Para evaluar su uso se realizó una intervención con estudiantes de preparatoria. Se les aplicaron encuestas demográficas y psicológicas mediante escalas validadas para medir mentalidad de crecimiento, síndrome del impostor, autoeficacia y amenaza de estereotipo. Posteriormente, los participantes resolvieron ejercicios matemáticos con la posibilidad de solicitar apoyo a un agente conversacional con dos condiciones experimentales: un agente con enfoque de mentalidad de crecimiento (G) y otro neutral, limitado dar orientación (N). La evaluación de resultados se realizó con un enfoque mixto. En el análisis cuantitativo se aplicó la prueba de Shapiro-Wilk para verificar normalidad y la prueba de Mann-Whitney para identificar diferencias entre condiciones. Los resultados mostraron que, en la condición experimental, no hubo diferencias estadísticamente significativas ni en las respuestas correctas ni en los intentos realizados. Asimismo, tampoco se observaron diferencias significativas en función del género. En el análisis cualitativo, mediante la técnica de análisis de contenido, se elaboró un Codebook a partir de las interacciones con el agente, agrupando códigos en categorías afines. Los hallazgos mostraron que el 72% de las interacciones correspondió a un uso pedagógico, mientras que el 6% a demanda de respuesta directa. Aunque no hubo diferencias significativas en el análisis cuantitativo, el análisis cualitativo mostró que los estudiantes usaron el agente sobre todo con fines pedagógicos, lo que destaca el potencial de los LLM’s para apoyar el aprendizaje en contextos educativos.

Colleges and universities experience high dropout rates in STEM fields, and a marked gender enrollment gap. These phenomena are partially explained by individual psychological actors such as personal perceptions of the impostor phenomenon, stereotype threat, perceived mathematical competence, and other elements grouped in this thesis under the concept of psychological barriers. One way to address these barriers is through effective and descriptive pedagogical feedback. Growth Mindset theory has proven effective in strengthening motivation, particularly in STEM fields and successfully applied to feedback systems through Growth Mindset supportive language. This thesis proposes the design, development, and validation of a pedological feedback system called Grow Together, which uses growth mindset trained Large Language Models (LLMs) to provide timely feedback and support for students in math. We conducted an exploratory study with high school students to identify strengths and weaknesses of the system as well as understand student use and overall effectiveness. We administered demographic and psychological surveys using validated scales to measure growth mindset, impostor phenomenon, self-efficacy, and stereotype threat. Subsequently, participants solved mathematics exercises with the option of requesting support from a conversational agent configured under two experimental conditions: a growth-mindset-oriented agent (G) and a neutral agent limited to technical guidance (N). The evaluation of results was carried out using a mixed-methods approach. In the quantitative analysis, the Shapiro–Wilk test was applied to verify normality, and the Mann–Whitney test was used to identify differences between groups. The results indicated that, within the experimental condition, there were no statistically significant differences in either the number of correct responses or the number of attempts. Likewise, no significant differences were observed by gender. In the qualitative analysis, using content analysis, a codebook was developed from interactions between students and agent, grouping codes into related categories. The findings showed that 72% of the interactions corresponded to pedagogical use, while 6% reflected direct answer demands. Although no significant differences emerged in the quantitative analysis, the qualitative analysis revealed that students used the agent primarily for pedagogical purposes, underscoring the potential of LLMs to support learning in educational contexts.