Dos aprendices pueden terminar hoy con 80 % de precisión. Uno llega tras varias sesiones sólidas y comete dos lapsus al final. El otro está en una primera exposición, donde alguno de esos aciertos puede deberse simplemente al azar. El porcentaje los trata igual; sus historias no lo son.
El Rastreo Bayesiano de Conocimiento (BKT) ofrece a Interlaza una forma compacta de conservar esa historia.
Las cuatro partes de la estimación
Para cada objetivo, el modelo comienza con una probabilidad inicial: el valor antes de la siguiente respuesta elegible. Después la actualiza usando:
- aprendizaje: probabilidad modelada de cambio entre oportunidades;
- azar: probabilidad de acertar sin el conocimiento modelado;
- lapsus: probabilidad de fallar a pesar de ese conocimiento.
Interlaza varía los valores iniciales según el tipo de tarea y ajusta el azar al número de comparaciones. Una identidad de dos opciones y una sonda de equivalencia —unos ensayos sin ayuda y sin corregir, sobre relaciones que nunca se entrenaron— no deben partir de las mismas suposiciones. El servicio sí lleva un valor por defecto para ese tipo de sonda, con el aprendizaje puesto a cero porque una comprobación sin feedback no puede enseñar — pero en la práctica el motor nunca envía un ensayo de sonda a BKT, así que ese valor por defecto queda sin usarse en vez de guiar ninguna estimación.
El ejemplo resuelto de abajo es ilustrativo, no una afirmación sobre ningún niño real: muestra cómo un acierto o un fallo independiente mueve la estimación bajo los parámetros propios de esa tarea.
Figura — Un concepto, nueve ensayos, una estimación
Escala vertical, leída fuera del gráfico: de 0 a 1 (P(dominio)). Este ejemplo empieza en 0,10 y su línea de criterio está en 0,95.
Los tres momentos que explican la curva
-
El error: 0,62 → 0,20. En este ejemplo un error resta más de lo que suma un acierto, porque el modelo asume que los despistes son raros (5 %) para esta tarea, así que un fallo es informativo — esa proporción es propia de estos parámetros, no una regla general sobre errores y aciertos. Pero no lo derrumba a cero, y dos aciertos independientes después la estimación ya supera el punto donde empezó la racha.
-
El ensayo con ayuda: la línea no se mueve. Un acierto con ayuda demuestra que la ayuda funciona, no que el niño sepa el concepto — así que el motor lo registra y no lo puntúa. La estimación solo se mueve con lo que el niño hace solo.
-
El umbral: cruzar 0,95. Este ejemplo usa 0,95 como criterio configurado. Cruzarlo apoya la decisión de programa mostrada; no demuestra generalización, transferencia ni mantenimiento.
Calculada con la regla de actualización del propio motor y sus parámetros publicados para igualación de idénticos (a priori 0,10, aprendizaje 0,10, azar 0,33 con tres opciones en pantalla, despiste 0,05). No es un boceto de la idea: es la misma aritmética que ejecuta la app.
Qué respuestas mueven el modelo
El registro puede contener resultados independientes, con ayuda, incorrectos y sin respuesta. La información de enseñanza debe seguir visible, pero la estimación solo se mueve con una respuesta independiente — una respuesta correcta con ayuda se conserva como evidencia de enseñanza, nunca se puntúa como si el niño la hubiera producido solo.
La separación permite al Instructor ver tanto el éxito del procedimiento de enseñanza como la evidencia relevante para el criterio configurado.
Cuatro tipos de ensayo nunca llegan al modelo: las sondas, los ensayos de corrección, cualquier cosa que corra en modo de práctica guiada y un repaso de mantenimiento que vuelve a presentar material ya dominado. Una sonda comprueba una relación no entrenada o sin apoyo, y perdería el sentido si el modelo aprendiera de ella solo porque produjo una respuesta.
Cómo cambia la práctica
Interlaza combina la estimación con rachas y patrones de error recientes. Cuando la evidencia es fuerte y estable, el motor puede aumentar las comparaciones. Cuando es débil o los errores se repiten, puede reducir el conjunto o conservar más apoyo.
Eso es dosificación, no diagnóstico. La misma estimación puede verse afectada por estímulos mal diseñados, acceso motor, motivación o una regla de ayuda inadecuada. El Instructor puede inspeccionar las condiciones y anular la elección automática.
Por qué el umbral no significa «aprendido»
Un programa puede definir el umbral de probabilidad para considerar alcanzado su criterio. La etiqueta debe leerse literalmente: este modelo, para este objetivo y bajo estas reglas de evidencia, cruzó el umbral configurado.
Generalización a ejemplos nuevos, transferencia a otra ejecución y mantenimiento después de un intervalo requieren observaciones propias. BKT ayuda a decidir cuándo plantear esas preguntas; no las responde por adelantado.
Qué lo hace útil
BKT reduce dos fuentes habituales de desperdicio: sobrerreaccionar a un error y celebrar demasiado una racha corta. Da memoria a la siguiente sesión.
Lo que aporta es un sistema de ritmo cuyos datos y límites puede examinar un Instructor, no una puntuación mágica de aprendizaje.