Con el rápido avance del sector de la aviación civil y la expansión concurrente de los programas de formación de pilotos, surge una necesidad urgente de metodologías de evaluación más eficientes durante el proceso de formación de pilotos. Las evaluaciones escritas tradicionales realizadas por los instructores de vuelo a menudo están marcadas por la subjetividad y la ineficiencia, lo que las hace inadecuadas para satisfacer las estrictas demandas de los marcos de Formación y Evaluación Basada en Competencias (CBTA). Para abordar este desafío, este estudio presenta un novedoso modelo de clasificación multi-etiqueta que integra sin problemas RoBERTa, un robusto modelo de lenguaje, con Redes Neuronales Convolucionales de Grafos (GCNs). Al modelar simultáneamente las características del texto y las interdependencias de las etiquetas, este modelo permite la clasificación automatizada y multidimensional de las evaluaciones de los instructores. Incorpora una estrategia de fusión de pesos dinámica, que ajusta inteligentemente los pesos de salida de RoBERTa y GCNs en función de las correlaciones de las etiquetas. Además, introduce una capa de convolución de grafos de co-ocurrencia de etiquetas, diseñada para capturar intrincadas dependencias de orden superior entre las etiquetas. Este estudio se basa en un conjunto de datos del mundo real que comprende 1078 evaluaciones y 158 etiquetas, abarcando seis dimensiones principales, incluidas las capacidades operativas y las habilidades de comunicación. Para proporcionar contexto para la mejora, el modelo propuesto RoBERTa + GCN se compara con modelos de referencia clave, como BERT y LSTM. Los resultados muestran que el modelo RoBERTa + GCN logra una puntuación F1 de 0.9737, lo que representa una mejora promedio del 4.73% sobre estos métodos tradicionales. Este enfoque mejora la consistencia y eficiencia de las evaluaciones de formación de vuelo y proporciona nuevas perspectivas sobre la integración del procesamiento del lenguaje natural y las redes neuronales de grafos, demostrando amplias perspectivas de aplicación.