Analizar la retroalimentación de los estudiantes a gran escala es fundamental para la garantía de calidad en la educación superior, sin embargo, el análisis manual es ineficiente y subjetivo. Este documento propone un marco integrado que unifica la clasificación supervisada, el agrupamiento no supervisado y la generación aumentada por recuperación (RAG) para producir información basada en evidencia y accionable. Los modelos supervisados basados en conjuntos realizan clasificación temática, mientras que la fusión de incrustaciones de múltiples codificadores permite el descubrimiento no supervisado de clústeres de retroalimentación coherentes. Un módulo RAG de múltiples etapas integra las predicciones de categoría y la estructura de clúster para recuperar evidencia representativa y generar resúmenes transparentes con trazabilidad de citas. El marco se evalúa en la retroalimentación de estudiantes recopilada de una universidad de Asia Central y dos puntos de referencia públicos, EduRABSA y reseñas de cursos de Coursera, cubriendo siete categorías temáticas. El conjunto supervisado logra una precisión del 83.0% y un Macro-F1 de 0.829 en el conjunto de datos principal, mientras que el agrupamiento no supervisado alcanza una puntuación de silueta de 0.271 bajo la mejor estrategia de fusión. La evaluación independiente en puntos de referencia externos arroja una precisión del conjunto del 81.1% en EduRABSA y del 49.8% en Coursera, confirmando la adaptabilidad del marco en diversos contextos educativos. Al aprovechar las etiquetas supervisadas y la estructura no supervisada, el marco propuesto permite resúmenes basados en LLM que son conscientes de las categorías y que reflejan fielmente la diversidad y distribución de la retroalimentación de los estudiantes, apoyando la toma de decisiones educativas accionables.