Educación
Beta
KST Engine
Motor de aprendizaje adaptativo basado en Knowledge Space Theory — estructuras matemáticas formales para secuencias óptimas de enseñanza.
El problema
Los sistemas de aprendizaje adaptativo comerciales son cajas negras que adaptan contenido con heurísticas opacas. No existe un fundamento matemático riguroso detrás de sus decisiones: qué evaluar primero, qué prerequisito asumir, qué secuencia de temas minimiza la carga cognitiva. Para una consultora que diseña programas de capacitación corporativa, depender de algoritmos opacos no es aceptable cuando necesitas justificar cada decisión instruccional ante un comité de talento humano.
Por qué lo construimos
Knowledge Space Theory (Doignon & Falmagne, 1999) ofrece un marco matemático formal — basado en teoría de conjuntos, antimatroides y el teorema de Birkhoff — para modelar exactamente qué sabe un estudiante y cuál es la ruta óptima de aprendizaje. Ninguna librería existente implementaba el stack completo: BLIM assessment, estimación EM de parámetros, modelos de Markov para aprendizaje, y optimización de secuencias. Lo construimos para tener control total sobre la lógica adaptativa de nuestros programas de formación.
Qué aprendimos
La teoría matemática es elegante, pero la implementación revela fricciones que los papers no mencionan: la estimación EM converge lentamente con datasets pequeños (típico en capacitación corporativa donde tienes 20-50 participantes, no miles), y la complejidad combinatoria de los espacios de conocimiento crece exponencialmente con el número de competencias. La solución fue implementar heurísticas de poda informadas por la estructura del antimatroide. También aprendimos que 100% de test coverage y mypy strict no son lujos académicos — en código matemático, un error de tipos se manifiesta como un resultado sutilmente incorrecto, no como un crash.
Stack técnico
Python 3.12 FastAPI Knowledge Space Theory pytest mypy strict