Falsa seguridad
Acertar preguntas no siempre significa comprender la base del tema.
caso de estudio · ia educativa · beta
Muchas plataformas te dicen si acertaste, pero no siempre ayudan a entender por qué fallaste ni qué conviene repasar después. LudoScript convierte cada respuesta en una señal para orientar el siguiente repaso. Mi trabajo se centró en construir el backend que hace posible ese recorrido.
Versión beta. La generación de preguntas con IA sigue en pruebas y la recompensa diaria inicial puede no activarse correctamente.
punto de partida
Muchas plataformas educativas miden aciertos, pero no ayudan a entender por qué se falla ni qué debería repasarse después. LudoScript nace para convertir la práctica en una herramienta de diagnóstico.
Acertar preguntas no siempre significa comprender la base del tema.
Tras practicar, el usuario necesita saber qué repasar y por qué.
Cada estudiante tropieza en conceptos distintos y a ritmos distintos.
flujo de aprendizaje
El flujo está diseñado para que la IA genere preguntas orientadas a los puntos débiles del usuario y le haga avanzar con práctica guiada, no con ejercicios aleatorios.
El contenido funciona como base estructurada para generar práctica coherente y alineada con cada tema.
El sistema registra aciertos, errores y patrones para detectar qué conceptos necesitan refuerzo.
La integración con IA prepara preguntas nuevas enfocadas en los puntos débiles del usuario.
El alumno practica, recibe feedback y vuelve al recorrido con objetivos de repaso más claros.
producto en uso
Las pantallas principales: inicio, quiz, resultados, progreso y aprendizaje. Pulsa una captura para ampliarla.
Home la puerta de entrada a la plataforma.
arquitectura
Mi aportación principal estuvo en el backend: API, persistencia, integración con IA y tiempo real.
Interfaz centrada en práctica, lectura clara y feedback visual.
API para usuarios, actividades, contenido y resultados.
Persistencia de preguntas, flashcards, perfiles y progreso.
Generación de preguntas con Gemini y partidas multijugador sincronizadas con Socket.IO.
Me encargué sobre todo del backend y de conectar la IA con el flujo de aprendizaje: generación de preguntas, refuerzo de puntos débiles y coordinación del modo multijugador con Socket.IO.
Cómo pensé el proyecto
Organizadas por impacto: qué problema resolvía cada decisión, qué opción elegí y qué coste asumía.
decisión Vue 3 para la interfaz, Express para la API y PostgreSQL/Supabase para persistencia.
trade-off Exige más coordinación inicial, pero permite evolucionar usuarios, progreso y funcionalidades en tiempo real sin mezclar responsabilidades.
decisión Integrar Gemini API para crear preguntas orientadas al temario y al diagnóstico del usuario.
trade-off Aporta personalización, pero obliga a controlar prompts, validación, coste por llamada y calidad de las respuestas generadas.
decisión Registrar resultados, fallos y evolución para alimentar el diagnóstico de puntos débiles.
trade-off Requiere más modelado y pantallas, pero transforma el quiz en una herramienta de avance y no solo en una nota final.
decisión Incorporar comunicación en tiempo real para coordinar sesiones multijugador.
trade-off Añade complejidad de sincronización y estados compartidos, pero hace posible una experiencia más social y dinámica.
decisión Priorizar un recorrido de demo claro y controlado para enseñar bien el producto.
trade-off Reduce libertad en la versión pública, pero evita que una función experimental opaque el valor principal del proyecto y permite completar con cuidado las funciones que siguen en pruebas.
aprendizajes
Optimizar prompts, validar respuestas y evitar llamadas redundantes fue tan importante como integrar la API.
La IA no debía ser el titular vacío: el foco real era que el estudiante entendiera qué hacer después de practicar.
Preparar temario y actividades coherentes hizo que la demo fuera más clara, estable y fácil de explicar.