🧠 Motor de Aprendizaje Adaptativo — Rastreo de Conocimiento en Vivo

El BKT asume que un estudiante puede aprender del propio acto de intentar responder una pregunta, sin importar si acertó — por la retroalimentación, por trabajar el problema, o simplemente por la exposición repetida. Tras calcular la posterior bayesiana a partir de la corrección observada, el modelo aplica un paso más: P(L_siguiente) = P(L_posterior) + (1−P(L_posterior))·T, donde T es la probabilidad de tasa de aprendizaje (transición) de que un estudiante no dominante cruce hacia el dominio en este intento. Fundamentalmente, el BKT asume que el aprendizaje es unidireccional — nunca se asume que el dominio se olvide — así que T solo empuja la estimación hacia arriba. Esto es exactamente lo que controla el control deslizante de tasa de aprendizaje en esta simulación, y puedes observar cómo ajustes más altos acercan las estimaciones de dominio al 100% mucho más rápido.

La política «Habilidad más débil primero» simplemente formula una pregunta de la habilidad que actualmente tiene la P(L) más baja, concentrando la práctica donde el modelo cree que el estudiante más la necesita — esta es la idea central detrás de los sistemas adaptativos basados en dominio como el motor de práctica de Khan Academy y ALEKS. «Ponderada por incertidumbre» hace lo mismo de forma probabilística, muestreando habilidades con una probabilidad proporcional a (1 − P(L)), de modo que las habilidades débiles son favorecidas pero no forzadas de forma determinista. «Turno rotativo» recorre las habilidades en un orden fijo sin importar el dominio, y «Aleatorio» elige de forma uniforme al azar como línea base. Alternar entre estas políticas mientras se observa el gráfico de barras de dominio hace directamente visible la ganancia de eficiencia de la adaptatividad: el enfoque de habilidad más débil primero alcanza el dominio total en las cinco habilidades en notablemente menos preguntas que la línea base aleatoria.

Esto es exactamente lo que modelan los parámetros de adivinanza y desliz, y por eso el BKT rastrea una probabilidad en lugar de un único hecho observado. Un estudiante con estado de dominio real «no dominado» aún puede responder correctamente con probabilidad g (una adivinanza afortunada, o un conocimiento parcial que en esta ocasión funciona) — la simulación literalmente lanza esta moneda cada vez que se le pregunta algo a un estudiante simulado no dominante. Simétricamente, un estudiante realmente dominante responde incorrectamente con probabilidad s (un desliz momentáneo, una mala lectura de la pregunta, o una errata). Como ambos se simulan como sorteos aleatorios genuinos — no resultados guionizados —, verás ocasionalmente aciertos afortunados en habilidades débiles y fallos ocasionales de mala suerte en habilidades que el modelo ya estima como muy dominadas, exactamente como ocurriría con un estudiante real.

Las suposiciones del BKT son simplificaciones fuertes: trata el dominio de cada habilidad como totalmente binario e independiente de cualquier otra habilidad, ignora el crédito parcial y el tiempo de respuesta, y asume una tasa fija de adivinanza/desliz en lugar de una que varíe según la dificultad de la pregunta o el estudiante. Sistemas de investigación modernos como el Rastreo Profundo de Conocimiento (DKT, que usa redes neuronales recurrentes) y extensiones bayesianas con parámetros de dificultad por ítem (más cercanas a la Teoría de Respuesta al Ítem) relajan estas suposiciones y a menudo se ajustan más fielmente a los datos reales de los estudiantes, a costa de ser mucho menos interpretables — no se puede leer una única probabilidad transparente de que el estudiante domina las fracciones a partir del estado oculto de una red neuronal como sí se puede con el BKT. Esa interpretabilidad es precisamente la razón por la que el BKT, a pesar de tener tres décadas de antigüedad, sigue ampliamente desplegado hoy en sistemas de tutoría de producción reales.