Investigación
Investigación sobre educación robótica adaptativa y gemelos digitales
HCR es un instrumento académico para evaluar programación Blockly, aprendizaje adaptativo y educación robótica con gemelos digitales. Cada participante decide si se une antes de crear un jugador o una sesión.
Participación
Decide si quieres participar antes de comenzar
El cliente no crea una sesión del simulador ni un identificador de jugador hasta que la persona decide participar en el estudio.
Datos necesarios para el estudio
Blockly Program IR compilado, versión del reto, puntuación e identificadores técnicos de sesión o envío necesarios para reproducir y analizar el resultado.
Contexto opcional
El idioma principal se guarda como un código general, como zh o en, y el desfase UTC como un número de minutos. El botón «Participar» activa ambos; «Más opciones» permite desactivarlos por separado.
Datos que no recopilamos
No recopilamos huellas del navegador, nombres exactos de zonas horarias IANA, ubicaciones inferidas, identificadores publicitarios ni perfiles de seguimiento entre sitios.
Cómo describimos los datos
No afirmamos que los datos sean totalmente anónimos. Los registros del estudio pueden conservar identificadores de sesión y el servidor mantiene sus registros de seguridad habituales; por eso hablamos de datos desidentificados.
Planteamiento
Dos problemas, un sistema
Pedagógico
Una clase avanza a un solo ritmo
El coste del equipo y la supervisión limitan la enseñanza de robótica, por lo que la clase suele seguir una única secuencia fija. Como cada estudiante aprende a un ritmo distinto, el desfase perjudica tanto a quienes avanzan más rápido como a quienes necesitan más tiempo.
Medición
La capacidad de programación es difícil de puntuar
A diferencia de una respuesta de opción múltiple, un programa tiene un espacio de respuesta abierto y un resultado continuo. Los métodos habituales de evaluación adaptativa no suponen ninguna de estas dos condiciones y deben ajustarse para medir el rendimiento en programación.
Contribuciones
Qué aporta este trabajo
- 01
Selección adaptativa sobre un banco de ítems generados
Los retos no proceden de una lista fija. Las familias generan y calibran candidatos, y la información de Fisher elige uno próximo a la capacidad estimada. El banco puede crecer sin diseñar cada nivel a mano.
- 02
Ítems generados con solución garantizada
La generación procedimental puede producir objetivos plausibles pero inalcanzables. Resolver cada candidato antes de servirlo convierte la posibilidad de solución en un requisito.
- 03
Puntuaciones continuas en un estimador dicotómico
El rendimiento es continuo, pero el estimador disponible no. Una reasignación que conserva el orden alrededor del umbral de dominio mantiene la clasificación y guarda la puntuación bruta para el análisis.
- 04
El determinismo como propiedad de equidad
El servidor reproduce cada programa y estima el tiempo por el recorrido articular. El equipo del cliente no altera un resultado destinado a competir o diagnosticar.
Método
Cómo se construye la capa adaptativa
Tras cada intento, la plataforma vuelve a estimar el progreso y elige un reto adecuado. Si resulta fácil, sube la dificultad; si cuesta, retrocede un nivel.
Modelo
Modelo logístico de dos parámetros
El modelo usa capacidad θ en escala logit, dificultad b y discriminación a. El parámetro de azar se fija en cero: la respuesta es un programa, no una lista de opciones, así que no hay nada que acertar al azar. Estimar un tercer parámetro solo ajustaría ruido.
Respuesta
El programa es la respuesta
El servidor reproduce y puntúa el IR del programa del estudiante. La puntuación normalizada se reajusta en torno al umbral de dominio τ para que «superar τ» equivalga a «dominar», y luego pasa al estimador. La puntuación bruta se conserva aparte.
Selección
Información y después control de exposición
Los ítems candidatos se ordenan por su información en el θ actual y después se limita su exposición. Así, estudiantes del mismo nivel no reciben siempre los mismos ítems y el banco no se agota.
Generación
La dificultad como objetivo, no como resultado
Las familias de ítems usan rasgos que predicen la dificultad, como el espacio libre, el esfuerzo de alcance, la presión del presupuesto y la estructura de bucles. Cada candidato se resuelve para una dificultad objetivo b y se descarta al generarlo si el solucionador de referencia no encuentra solución.
Calibración
Provisional hasta reunir evidencia
Cada ítem nuevo empieza en estado provisional: con exposición limitada y sin contar para las actualizaciones formales de capacidad. Cuando reúne respuestas, se vuelve a ajustar su dificultad mediante iteración de Newton sobre la verosimilitud marginal, manteniendo θ en las medias posteriores.
Esta versión representa la capacidad mediante un único θ compuesto y guarda etiquetas de dimensión en cada respuesta para los informes. Un modelo realmente multidimensional es un paso futuro, no una afirmación de esta versión.
Validez
Un ítem que nadie puede completar no mide nada
Dibujar primero el corte y confiar en que el brazo pueda alcanzarlo no funciona. Un reto inicial pedía cortar 91 piezas de cabello cuando el brazo solo alcanzaba 20. Era imposible, pero el nivel no avisaba al estudiante.
Ahora el solucionador actúa primero. Cada objetivo candidato se barre por el espacio articular sin colisiones y pasa a un solucionador de referencia; si este no puede completarlo, se descarta al generarlo y nunca se presenta. La solución fija el coste y el tiempo de referencia del nivel.
El conjunto alcanzable reúne todos los vóxeles que la herramienta puede tocar al barrer el espacio articular sin colisiones. Como ese cálculo es costoso, se realiza una vez y se guarda como dato fijo de prueba. Después, las pruebas comprueban que la solución de referencia puede reproducirse y que ningún objetivo queda en una zona muerta.
El fallo que motivó esta solución
El estudiante podría confundir una imposibilidad estructural con un fallo propio. La estimación de capacidad tomaría entonces ese fallo como evidencia.
Reproducibilidad
De qué depende un resultado
Generación determinista
La generación del peinado es una función pura de la configuración del reto. Una misma configuración produce siempre el mismo conjunto ordenado de vóxeles, sin azar en el proceso.
Reproducción en el servidor
Las puntuaciones competitivas se obtienen al reproducir el programa enviado en el servicio, nunca de un valor comunicado por el navegador.
Tiempo estimado, no medido
El tiempo de ejecución se calcula a partir del recorrido articular y las velocidades configuradas; por tanto, depende del programa, no del equipo que lo ejecuta.
Contrato de comunicación estable
La aplicación y el servicio comparten los mismos tipos de puntuación y programa. Los cambios del protocolo son aditivos, por lo que los clientes antiguos siguen funcionando.
Otros sitios
Publicaciones y equipo
Publicaciones
Artículos de congresos, patentes y BibTeX del grupo que desarrolla HCR, incluido su trabajo sobre el sistema adaptativo de aprendizaje y evaluación usado en esta plataforma. La colección se mantiene en el sitio de Pmine Research.
El equipo
Pmine Research, de Field of Dream Studio, desarrolla HCR. Los perfiles completos están disponibles en el sitio del grupo.