TutorIA: arquitectura de un tutor IA adaptativo para niños de 6‑14 años

En mi tiempo libre he creado TutorIA, una plataforma educativa que actúa como tutor particular para niños entre 6 y 14 años. El objetivo principal es ofrecer una experiencia de aprendizaje personalizada que tenga en cuenta condiciones como TDAH, dislexia y variaciones en el rendimiento académico, sin depender de un equipo comercial.

Problema que aborda

Los recursos educativos tradicionales suelen presentar un enfoque único para todos los estudiantes, lo que dificulta la atención a necesidades específicas. Además, los padres carecen de herramientas que les permitan monitorizar el progreso y adaptar el contenido a la evolución del alumno.

Solución propuesta

TutorIA combina técnicas de IA adaptativa y recuperación aumentada de contexto (RAG) para generar ejercicios y explicaciones en un lenguaje adecuado al perfil del niño. Cada sesión se enriquece con la memoria de interacciones previas, y un panel web permite a los padres revisar métricas de participación y resultados.

Arquitectura general

• Backend API: FastAPI, escrito en Python, expone endpoints REST que gestionan la lógica de conversación y el acceso a la base de datos.
• Motor de IA: LangChain orquesta llamadas a Groq, que ejecuta el modelo LLaMA para la generación de texto.
• RAG y búsqueda vectorial: FAISS indexa fragmentos de contenido curricular y permite recuperar información relevante en tiempo real.
• Persistencia: PostgreSQL almacena perfiles de alumnos, historial de sesiones y configuraciones de adaptación.
• Frontend para padres: Laravel sirve un panel administrativo donde se visualizan estadísticas y se configuran parámetros de adaptación.
• Integración LTI 1.3: permite que la herramienta se inserte dentro de entornos de gestión de aprendizaje (LMS) existentes.

Flujo de una interacción típica

1. El alumno inicia una sesión a través del LMS o la aplicación web.
2. FastAPI recibe la petición y consulta el historial del alumno en PostgreSQL.
3. El contexto se combina con los resultados de una búsqueda FAISS sobre el material curricular.
4. LangChain envía el prompt enriquecido a Groq/LLaMA, que devuelve una respuesta adaptada al nivel de lectura y a las necesidades específicas (p. ej., mayor uso de ejemplos visuales para dislexia).
5. La respuesta se envía al cliente y, simultáneamente, se registra en la base de datos para la memoria de sesiones.

Decisiones técnicas clave

• FastAPI: elegí este framework por su rendimiento asíncrono y su facilidad para generar documentación OpenAPI, lo que simplifica la integración LTI.
• LangChain + Groq + LLaMA: esta combinación ofrece un modelo de lenguaje potente y de bajo coste de inferencia, esencial para mantener la solución como proyecto personal.
• FAISS: la búsqueda vectorial permite un acceso rápido a fragmentos de contenido relevantes, reduciendo la latencia de generación de respuestas.
• LTI 1.3: garantiza compatibilidad con plataformas educativas estándar sin necesidad de crear un LMS propio.
• Laravel para el panel: su ecosistema de componentes de UI acelera la construcción de un dashboard seguro y responsivo.

Persistencia y seguimiento para padres

El panel de Laravel muestra métricas como número de sesiones, tiempo promedio por ejercicio y áreas de mayor dificultad. Los padres pueden ajustar parámetros de adaptación (por ejemplo, nivel de complejidad del vocabulario) y exportar informes en CSV.

Conclusiones y próximos pasos

TutorIA demuestra que es posible combinar herramientas de IA de código abierto para crear un tutor adaptativo sin depender de infraestructura empresarial. En el futuro planeo explorar la incorporación de modelos de voz para apoyar a niños con dificultades de lectura y ampliar el conjunto de métricas de seguimiento.

Puede probar la demo en adrianmoreno-dev.com y revisar el código fuente en GitHub.