Aprendizaje adaptativo y preferencias de presentación

Fecha: 2026-08-11 Estado: decisión de producto y dirección de diseño; la instrumentación causal descrita aquí no está implementada completa. Aplica a: cursos dinámicos v2, catálogo de componentes y futura librería externa.

1. Tesis

SkillNet debe respetar lo que el aprendiz pide y, dentro de esa preferencia, combinar estrategias que le ayuden a comprender, practicar y transferir el conocimiento.

El cliente manda sobre la presentación. El sistema adapta la enseñanza, no pelea contra la elección del cliente.

Si una persona quiere imágenes, audio, vídeo o texto, debe recibirlos cuando el kit y la fuente puedan producirlos. La respuesta no es invalidar esa elección, sino componer:

preferencia explícita: imagen
    + estrategia: recuperación
    + actividad: identificar errores en una escena
    + feedback: informativo

2. Cuatro capas distintas

Una tabla, imagen o audio son presentaciones. Un test puede implementar recuperación, pero también puede ser una comprobación superficial. El renderer no conoce por sí solo la intención pedagógica.

3. Evolución de format_vector

El vector actual (texto, ejercicio, codigo, dato) registra afinidad de uso, no aprendizaje. No se elimina sin datos mejores; se reclasifica como preferencia inferida y se separa del efecto:

{
  "presentation_preferences": {
    "declared": ["image", "audio"],
    "inferred": {"text": 0.3, "exercise": 0.7}
  },
  "learning_effects": {
    "retrieval_practice": {
      "immediate_delta": 0.10,
      "retention_delta": 0.16,
      "transfer_delta": 0.08,
      "samples": 12,
      "confidence": 0.64
    }
  }
}

Reglas:

1. Una preferencia declarada prevalece sobre la inferida.
2. La inferencia ordena opciones compatibles; nunca retira la modalidad solicitada.
3. learning_effects no se actualiza con clics aislados; necesita resultados comparables.
4. Engagement, dominio inmediato, retención y transferencia no se colapsan prematuramente.
5. Toda decisión adaptativa registra razón, muestra y confianza.

4. Taxonomía educativa

La librería de componentes no debe ser la ontología pedagógica. SkillNet selecciona primero la función educativa y después pide a la librería un componente capaz de implementarla.

Esto extiende ContentFunction de arquitectura-componentes-funcional.md: aquella capa describe la forma de la fuente (CONTRASTAR, PROCEDIMENTAR); esta añade la acción del aprendiz y el resultado observable.

5. Contrato con la librería externa

Los componentes actuales serán sustituidos gradualmente. El backend no importa nombres internos de React ni conoce su implementación. El límite es un descriptor versionado:

{
  "component_id": "scenario.dialogue",
  "version": 1,
  "pedagogical_functions": ["practice", "transfer"],
  "knowledge_types": ["conditional", "interpersonal"],
  "cognitive_actions": ["decide", "explain"],
  "presentations": ["text", "audio"],
  "qti_interaction": "extendedTextInteraction",
  "xapi_interaction": "long-fill-in",
  "requirements": ["branching_script"],
  "accessibility": {"keyboard": true, "drag_alternative": null},
  "events": ["started", "answered", "requested_hint", "completed"],
  "props_schema": {}
}

• La librería publica catálogo, schemas, renderer y adaptadores de eventos.
• SkillNet conserva política pedagógica, perfil, caché, generación y evaluación.
• component_id es estable y versionado; el nombre React no se persiste.
• Renderer antiguo y nuevo conviven hasta tener golden specs equivalentes.
• Un componente declina si faltan datos o media; nunca inventa relaciones ausentes en la fuente.
• QTI/xAPI son mapeos de interoperabilidad, no el modelo interno completo.

Referencias de diseño:

• QTI 3.0 Best Practices
• H5P semantics.json
• xAPI specification

Qué se adopta de las referencias y qué no

Estas referencias orientan contratos y pruebas; no justifican añadir dependencias a SkillNet antes de que la librería externa o un caso de producto las necesiten.

6. Estrategias iniciales

• Recuperación: responder sin releer inmediatamente la solución.
• Autoexplicación: explicar por qué una decisión es correcta.
• Comparación: discriminar casos próximos.
• Ejemplo resuelto: especialmente al introducir procedimientos a novatos.
• Escenario de decisión: conocimiento condicional e interpersonal.
• Ordenar/ejecutar: reconstruir procedimientos.
• Mapeo o dibujo: cuando la estructura espacial sea parte real del conocimiento.

Fiorella y Mayer describen ocho estrategias generativas —resumir, mapear, dibujar, imaginar, autoevaluarse, autoexplicarse, enseñar y ejecutar— como vocabulario, no como obligación de usarlas todas:

• Eight Ways to Promote Generative Learning
• Improving Students’ Learning With Effective Learning Techniques
• The Power of Feedback Revisited
• Does Simulation-Based Training Improve Learning?

El feedback útil informa qué falló, por qué y cuál es el siguiente paso. Elogio, puntos o un Correcto/Incorrecto sin información no son la unidad que se optimiza.

7. Eventos y resultados

Los eventos separan tratamiento, componente y presentación:

{
  "verb": "answered",
  "node_id": "...",
  "strategy": "retrieval_practice",
  "component_id": "assessment.order",
  "presentation": ["image"],
  "result": {"success": false, "attempt": 1, "duration_ms": 42000, "hints": 0},
  "context": {"variant": "B", "exploration": true}
}

Resultados separados: engagement, dominio inmediato, retención diferida y transferencia. SkillNet no inventa repasos artificiales solo para medir: puede obtener evidencia diferida en cursos posteriores, reintentos, tareas reales o recertificaciones si llegan a existir.

8. Experimentos necesarios

Preferencia explícita + mezcla

Para alguien que elige imágenes, mantenerlas en todas las variantes:

Así se aprende qué estrategia ayuda sin desobedecer la preferencia.

Crossover dentro del aprendiz

Aplicar tratamientos diferentes a objetivos equivalentes y cruzarlos después. Esto reduce la confusión por dificultad, conocimiento previo y tema.

Preferencia frente a resultado

Guardar por separado preferencia declarada, uso y resultado. Una discrepancia no elimina la preferencia: indica que debe mezclarse con otra estrategia.

Ablaciones del modelo actual

1. Estado frío/caliente con vector vacío.
2. Estado frío/caliente con vector poblado.
3. Mismo estado y rol distinto.
4. Mismo rol y experiencia distinta.
5. Mismo perfil con/sin short_blocks.

Medir 3–5 renders del mismo perfil antes de atribuir una diferencia al tratamiento.

Accesibilidad

Se prueba como conformidad, no como uplift. Toda funcionalidad de arrastre ofrece operación sin arrastrar, conforme a WCAG 2.2 2.5.7:

• Understanding Dragging Movements

9. Repetición espaciada

Fuera de alcance del producto actual. Los cursos son normalmente cortos y no hay un caso que justifique scheduler, cola diaria, FSRS, streaks o una tabla de repasos.

Solo se reabre con evidencia de producto: programas largos, recertificación periódica, conocimientos de seguridad que deban mantenerse meses o contratación explícita de entrenamiento continuo. Mientras tanto se conservan intentos y eventos, pero no se construye una experiencia de repetición espaciada. Las menciones antiguas en documentos v1 son planes históricos, no roadmap vigente.

10. Orden recomendado

1. Formalizar taxonomía y descriptor versionado de la librería.
2. Mapear los componentes actuales a función, conocimiento, acción e interacción.
3. Separar preferencia declarada de format_vector inferido.
4. Instrumentar estrategia, componente, presentación y variante en eventos.
5. Ejecutar pruebas de mezcla manteniendo la modalidad solicitada.
6. Añadir learning_effects solo con comparaciones suficientes.
7. Sustituir renderers gradualmente mediante golden specs; no migración big-bang.

La separación ejecutable entre objetivo, misión cognitiva, representación, componente y apoyo, con sus invariantes de caché y el plan de migración, se define en personalization-architecture.md.

Los resultados que justifican estas decisiones, incluidos experimentos revertidos, se conservan en el cuaderno de experimentos de personalización.