caso de estudio · ia educativa · beta

LudoScript: aprender con práctica guiada, no con preguntas al azar.

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.

vue 3 express postgresql gemini api socket.io
ludoscript.com
Vista principal de LudoScript

punto de partida

El problema

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.

síntoma 1

Falsa seguridad

Acertar preguntas no siempre significa comprender la base del tema.

síntoma 2

Sin dirección

Tras practicar, el usuario necesita saber qué repasar y por qué.

síntoma 3

Poca adaptación

Cada estudiante tropieza en conceptos distintos y a ritmos distintos.

flujo de aprendizaje

Del temario al diagnóstico

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.

Temario

El contenido funciona como base estructurada para generar práctica coherente y alineada con cada tema.

Diagnóstico

El sistema registra aciertos, errores y patrones para detectar qué conceptos necesitan refuerzo.

Generación IA

La integración con IA prepara preguntas nuevas enfocadas en los puntos débiles del usuario.

Avance

El alumno practica, recibe feedback y vuelve al recorrido con objetivos de repaso más claros.

producto en uso

Capturas del recorrido

Las pantallas principales: inicio, quiz, resultados, progreso y aprendizaje. Pulsa una captura para ampliarla.

Home
LudoScript Home

Home la puerta de entrada a la plataforma.

arquitectura

Una base full-stack para personalizar la práctica

Mi aportación principal estuvo en el backend: API, persistencia, integración con IA y tiempo real.

frontend

Vue 3 / Tailwind

Interfaz centrada en práctica, lectura clara y feedback visual.

backend

Node / Express

API para usuarios, actividades, contenido y resultados.

datos

PostgreSQL / Supabase

Persistencia de preguntas, flashcards, perfiles y progreso.

ia y tiempo real

Gemini API / Socket.IO

Generación de preguntas con Gemini y partidas multijugador sincronizadas con Socket.IO.

mi contribución

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

Qué elegí y qué costaba

Organizadas por impacto: qué problema resolvía cada decisión, qué opción elegí y qué coste asumía.

  1. Separar frontend, backend y datos

    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.

  2. Usar IA para generar práctica útil

    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.

  3. Convertir errores en datos de aprendizaje

    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.

  4. Multijugador con Socket.IO

    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.

  5. Demo estable antes que libertad total

    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

Lo que me llevo

Coste y fiabilidad de IA

Optimizar prompts, validar respuestas y evitar llamadas redundantes fue tan importante como integrar la API.

Producto antes que tecnología

La IA no debía ser el titular vacío: el foco real era que el estudiante entendiera qué hacer después de practicar.

Contenido estructurado

Preparar temario y actividades coherentes hizo que la demo fuera más clara, estable y fácil de explicar.