Más allá del envoltorio: ingeniería de verdadera inteligencia educativa con Deep Knowledge Tracing

Resumen ejecutivo: la crisis de contexto en la era de la IA generativa

El panorama de la tecnología educativa está presenciando actualmente una crisis paradójica. Estamos inundados de herramientas «inteligentes», y, sin embargo, la verdadera inteligencia pedagógica sigue siendo escasa. La rápida comoditización de los Large Language Models (LLM) ha provocado una proliferación de «IA tutores»—aplicaciones que con frecuencia no son más que envoltorios de software delgados alrededor de API públicas, instruidas mediante prompts de sistema para «actuar como un profesor». Aunque estos sistemas destacan en el juego de roles lingüístico, imitando la cadencia y el vocabulario de un educador con una extraña fluidez, fracasan de forma fundamental en la tarea central de la educación.

La educación no es meramente la generación de explicaciones; es la gestión del estado cognitivo de un aprendiz a lo largo del tiempo. Un profesor de verdad no se limita a responder una pregunta; comprende por qué se hizo la pregunta. Recuerdan que un estudiante tuvo dificultades con las fracciones la semana pasada, y por tanto anticipan una dificultad con las razones hoy. Construyen un modelo mental de la competencia del aprendiz—un «estado cerebral»—que persiste y evoluciona. Los LLM estándar, en cambio, son motores de probabilidad sin estado. Padecen olvido catastrófico en el contexto del historial de usuario a largo plazo, al carecer de una memoria persistente de la trayectoria de aprendizaje única del estudiante. Ofrecen juego de roles, no mentoría.

Veriprajna opera sobre la convicción de que el «aprendizaje personalizado» se ha convertido en un hueco eslogan. La realidad de una educación eficaz con IA reside en el Deep Knowledge Tracing (DKT) . Al desplazar el foco arquitectónico de la generación de texto al seguimiento de estado, utilizando redes neuronales recurrentes (RNN) para modelar la dimensionalidad oculta de la mente humana, podemos pasar de construir chatbots a construir mentores. Este whitepaper describe la necesidad técnica del DKT, la arquitectura del «estado cerebral» y el despliegue de sistemas neuro-simbólicos que mantienen a los aprendices en la «zona de flujo»—la intersección óptima entre desafío y habilidad donde ocurre el aprendizaje profundo.

Parte I: la falacia del «tutor de IA» y el problema del envoltorio

1.1 La ilusión de competencia: por qué los chatbots no son tutores

El mercado actual está saturado de aplicaciones «envoltorio»—software que ofrece una interfaz de usuario pero descarga todo el procesamiento cognitivo a LLM de terceros como GPT-4 o Claude. Estos modelos son motores probabilísticos diseñados para predecir el siguiente token de una secuencia a partir de datos de entrenamiento. ¹ Cuando se le pide «actuar como un tutor de matemáticas», el modelo genera una respuesta que es estadísticamente probable que siga la consulta del usuario.

Sin embargo, este proceso es distinto del razonamiento pedagógico. El modelo no «conoce» al estudiante; solo conoce la ventana de contexto inmediata de la conversación actual. Esta limitación se manifiesta en varios fallos críticos:

1.​ Ausencia de estado y el déficit de memoria: El itinerario de aprendizaje de un estudiante abarca meses o años, e implica miles de microinteracciones. Los LLM estándar operan con ventanas de contexto limitadas. Aunque estas ventanas se están ampliando, el coste y la latencia de procesar todo el historial de un estudiante en cada interacción son prohibitivos para un despliegue escalable. ³ En consecuencia, el «tutor de IA» trata cada sesión como un evento semiaislado. No puede vincular de forma eficaz un concepto erróneo de álgebra de hace tres meses con un fracaso en cálculo hoy, porque carece de un modelo estructurado y persistente de la competencia del aprendiz. ⁵

2.​ La alucinación de la pedagogía: La investigación indica que, aunque los LLM pueden resolver problemas sencillos, con frecuencia fallan al diagnosticar conceptos erróneos específicos. Son propensos a las «alucinaciones»—generar explicaciones plausibles pero factualmente incorrectas o cadenas de razonamiento. ⁶ En un estudio de LLM en tutoría de matemáticas, los modelos a menudo proporcionaron respuestas finales correctas mediante pasos intermedios incorrectos o, a la inversa, marcaron como incorrectos pasos correctos del estudiante, confundiendo al aprendiz. ⁸ Un estudiante novato carece de la pericia para distinguir entre una explicación válida y una alucinación segura de sí misma.

3.​ Juego de roles frente a estrategia: El prompt «actuar como un profesor» instruye al modelo sobre el tono, no sobre la estrategia . Simula la persona de un educador—cercano, socrático, autoritario—sin el modelo cognitivo imprescindible para tomar decisiones estratégicas sobre la secuenciación del currículo. ⁹ Reacciona al usuario en lugar de guiarlo.

1.2 La trampa del envoltorio en el EdTech empresarial

Para los proveedores de EdTech empresarial y los departamentos corporativos de Learning & Development (L&D), el enfoque de «envoltorio» presenta un riesgo estratégico significativo. Las aplicaciones que dependen por completo de API públicas para su inteligencia no tienen foso defensivo. Si el valor central de un producto es un prompt que cualquiera puede replicar, el producto es una mercancía.

El verdadero valor en la era de la IA no lo genera la interfaz de chat, sino el modelo de datos propietario que hay debajo. Un proveedor de soluciones de «Deep AI» debe funcionar como un gestor de estado . La ventaja competitiva reside en la capacidad de mantener un «estado oculto»—un gemelo digital de alta dimensión del conocimiento del estudiante—que dicta qué debe decir el LLM. Esta distinción define la brecha entre un chatbot, que es una utilidad, y un mentor, que es un activo.

Parte II: la ciencia del Deep Knowledge Tracing (DKT)

2.1 De la inferencia bayesiana al aprendizaje profundo

Para comprender el futuro de la mentoría con IA, debemos examinar la evolución del Knowledge Tracing (KT) —la tarea de aprendizaje automático de modelar el conocimiento de un estudiante a lo largo del tiempo para predecir su rendimiento futuro. ¹⁰

Históricamente, este campo estuvo dominado por el Bayesian Knowledge Tracing (BKT) . El BKT modela el aprendizaje como un Hidden Markov Model (HMM), donde el conocimiento del estudiante se representa como un conjunto de variables latentes binarias (Aprendido frente a No aprendido). ¹¹ Aunque el BKT fue una tecnología fundacional, adolece de rigidez:

●​ Supuesto binario: Asume que un estudiante o «sabe» una habilidad o no, sin lograr capturar el dominio parcial ni el conocimiento «oxidado».

●​ Supuesto de independencia: Trata los conceptos como silos independientes. No comprende de forma inherente que el dominio de la «multiplicación» es un prerrequisito de la «división» salvo que expertos humanos lo codifiquen explícitamente. ¹²

●​ Cuello de botella de anotación: El BKT exige que cada pregunta se etiquete a mano con una «habilidad» o un «concepto». Este mapeo suele ser ambiguo y laborioso. ¹¹

El Deep Knowledge Tracing (DKT) representa un cambio de paradigma. Introducido en investigación seminal por Piech et al., el DKT utiliza redes neuronales recurrentes (RNN) y Long Short-Term Memory (LSTM) para modelar el aprendizaje. ¹¹ El DKT abandona las restricciones binarias y etiquetadas por expertos del BKT a favor de una representación flexible de alta dimensión que aprende a partir de datos en bruto.

Tabla 1: análisis comparativo de arquitecturas de Knowledge Tracing

Característica	Bayesian Knowledge Tracing (BKT)	Deep Knowledge Tracing (DKT)
Representación de estado	Binaria (0 o 1); conocido / desconocido	Continua Vector de alta dimensión (p. ej., 200+ dimensiones)
Dependencias entre conceptos	Asume independencia (silos)	Captura dependencias latentes, no lineales y complejas

Dinámica temporal	Markov de primer orden (memoria del paso anterior únicamente)	Respuesta impulsional infinita (memoria a largo plazo vía LSTM)
Requisito de entrada	Requiere etiquetado experto de «habilidades» por pregunta	Puede aprender estructuras de conceptos latentes a partir de registros de interacción en bruto
Rendimiento predictivo	AUC más bajo (área bajo la curva)	AUC significativamente más alto (p. ej., 25% de ganancia sobre BKT)13
Adaptabilidad	Estructura rígida basada en reglas	Flexible, impulsada por datos, «profunda» en el tiempo

2.2 La arquitectura del «estado cerebral»

La innovación central del DKT es el uso de la RNN para mantener un vector de estado oculto ($h_t$) . En la arquitectura de Veriprajna, este vector sirve como proxy digital del «estado cerebral» del estudiante.

A diferencia de un libro de calificaciones que registra el rendimiento pasado, el vector de estado oculto es un modelo predictivo de la capacidad actual. Es un vector denso y continuo que evoluciona con cada interacción.

●​ Entrada ($x_t$): El estudiante intenta un problema (p. ej., ID de pregunta 502, respuesta: incorrecta).

●​ Procesamiento: La RNN actualiza el estado oculto a partir de esta información nueva y del estado anterior ($h_{t-1}$).

●​ Salida ($y_t$): El modelo genera un vector de probabilidad que predice la verosimilitud de que el estudiante responda correctamente cualquier otra pregunta de la base de datos. ¹⁴

Esta representación continua permite al sistema codificar matices que los modelos binarios pasan por alto:

1.​ Correlaciones latentes: El modelo aprende la estructura del currículo sin etiquetado humano. Si los estudiantes que fallan la pregunta A también tienden a fallar la pregunta B, el modelo codifica una dependencia entre ellas en el estado oculto. Si un estudiante domina A, la probabilidad de dominar B sube automáticamente en el vector de predicción. ¹⁰

2.​ Conocimiento parcial: El estado puede representar a un estudiante que es «40% competente» en un tema—quizá comprende el concepto pero comete errores de cálculo.

3.​ Curvas de olvido: La arquitectura LSTM está especialmente indicada para modelar la decadencia de la memoria. Si un estudiante no ha practicado una habilidad concreta durante una semana, los valores del estado oculto asociados a esa habilidad derivarán, reflejando la «curva del olvido» natural observada en la ciencia cognitiva. ¹⁵

2.3 La ventaja LSTM: resolver el gradiente evanescente

Las RNN estándar tropiezan con las dependencias a largo plazo debido al problema del «gradiente evanescente»: tienden a olvidar información del pasado lejano. La educación, sin embargo, es un proceso a largo plazo; un concepto aprendido en septiembre es relevante en mayo.

Veriprajna emplea unidades de Long Short-Term Memory (LSTM) para resolverlo. Las LSTM utilizan una estructura celular compleja con «compuertas» que regulan el flujo de información:

●​ Compuerta de olvido: Decide qué información del estado pasado ya no es relevante (p. ej., los números concretos de un problema de matemáticas) y debe descartarse.

●​ Compuerta de entrada: Decide qué información nueva (p. ej., el dominio de la regla subyacente) debe almacenarse en el estado celular a largo plazo.

●​ Compuerta de salida: Determina la predicción actual a partir del estado actualizado. ¹³

Esta arquitectura permite que el «estado cerebral» actúe como una memoria robusta y persistente, preservando señales críticas a lo largo de miles de interacciones mientras filtra el ruido.

Parte III: la pedagogía del flujo y el ajuste dinámico de dificultad

3.1 Más allá de la corrección: el mandato psicológico

La utilidad última de rastrear el «estado cerebral» no es meramente la predicción; es la intervención . La estrategia de intervención más eficaz en la ciencia del aprendizaje es mantener al estudiante en la zona de desarrollo próximo (ZPD), a menudo denominada «zona de flujo».

Flujo, un estado definido por el psicólogo Mihaly Csikszentmihalyi, se caracteriza por la absorción completa en una actividad. Ocurre solo cuando hay un equilibrio óptimo entre la dificultad del desafío y la habilidad del participante. ¹⁶

●​ El canal del aburrimiento: Si habilidad > desafío, el estudiante se desconecta.

●​ El canal de la ansiedad: Si desafío > habilidad, el estudiante se frustra y abandona.

●​ El canal de flujo: Si desafío $\approx$ habilidad, el estudiante está involucrado, concentrado y aprendiendo.

3.2 Operacionalizar el flujo con vectores de probabilidad

En un aula tradicional o en una app de chatbot estándar, identificar esta zona es cuestión de conjeturas. En un sistema DKT, es cuestión de cálculo.

El vector de salida $y_t$ del modelo DKT proporciona la probabilidad de acierto ($P_{correct}$) para cada posible siguiente ejercicio. Podemos mapear estas probabilidades directamente a

los estados psicológicos del aprendiz ¹⁸ :

●​ Zona de dominio / aburrimiento ($P_{correct} > 0.75$): El modelo predice que el estudiante tiene una alta verosimilitud de éxito. Presentar este contenido ofrece poco valor educativo y corre el riesgo de inducir aburrimiento.

●​ Zona de frustración / ansiedad ($P_{correct} < 0.35$): El modelo predice que el estudiante probablemente fracasará. Presentar este contenido sin andamiaje corre el riesgo de inducir ansiedad y abandono.

●​ La zona de flujo ($0.40 \le P_{correct} \le 0.70$): Este es el punto dulce. El estudiante tiene aproximadamente un 50-60% de probabilidad de éxito. Ello implica que posee el conocimiento base para intentar el problema, pero debe ejercer esfuerzo cognitivo para lograrlo. Esto coincide con la definición de Vygotsky de la ZPD: la brecha entre lo que un aprendiz puede hacer solo y lo que puede hacer con guía. ¹⁹

3.3 Algoritmos de ajuste dinámico de dificultad (DDA)

Veriprajna utiliza el "estado cerebral" para impulsar el ajuste dinámico de dificultad (DDA) . En lugar de un currículo lineal en el que cada usuario sigue el mismo camino, el modelo DKT actúa como un motor de política en tiempo real.

El bucle de control:

1.​ Interacción: El estudiante responde una pregunta.

2.​ Actualización de estado: La LSTM actualiza el vector oculto $h_t$.

3.​ Mirada predictiva: El sistema calcula $P_{correct}$ para todas las preguntas candidatas de la base de datos.

4.​ Política de selección: El sistema filtra las preguntas donde $P_{correct}$ cae estrictamente dentro de la zona de flujo (p. ej., $0.55$).

5.​ Entrega: El mentor de IA presenta el problema de desafío óptimo.

Esto garantiza que el estudiante quede suspendido de forma perpetua en un estado de máximo compromiso cognitivo. Si un estudiante tiene dificultades, el estado oculto se ajusta, las probabilidades se desplazan y el sistema sirve automáticamente contenido remedial más simple (andamiaje) para reconstruir la confianza antes de volver a la complejidad. ²⁰

Parte IV: la arquitectura neuro-simbólica: construir al mentor

Para construir un sistema que habla como un profesor y piensa como un científico de datos, proponemos una arquitectura neuro-simbólica . Este enfoque híbrido combina las capacidades generativas de los LLM (simbólico/lingüístico) con la precisión de seguimiento de estado del DKT (conexionista/neural).

4.1 La capa de interfaz (la boca)

Esta capa gestiona la interacción en lenguaje natural. Está impulsada por un LLM afinado (p. ej., Llama 3 o GPT-4o).

●​ Rol: Analizar la entrada del usuario, generar respuestas conversacionales y dar formato a las explicaciones.

●​ Restricción: Esta capa es sin estado . No decide qué enseñar; solo decide cómo decirlo.

4.2 La capa cognitiva (el cerebro)

Esta capa aloja el modelo DKT (LSTM/RNN).

●​ Rol: Procesar registros de interacción $\{Question\_ID, Result, Time\}$. Actualizar el vector de estado oculto.

●​ Salida: El "estado de conocimiento" y la matriz de probabilidad del currículo.

4.3 La capa de política (el guía)

Esta capa actúa como puente. Interpreta el "cerebro" e instruye a la "boca".

●​ Función: Consulta la capa cognitiva para identificar el siguiente mejor concepto a enseñar (según la optimización de flujo).

●​ Construcción del prompt: Ensambla de forma dinámica el prompt de sistema para la capa de interfaz.

○​ Instrucción de ejemplo: "El estudiante está actualmente en la zona de flujo para 'Ecuaciones cuadráticas' ($P=0.6$). Presenta el problema nº 882. No reveles la respuesta. Ofrece una pista relacionada con 'factorización' si duda."

Esta arquitectura mitiga las alucinaciones . Al restringir el alcance del LLM a un ejercicio específico identificado por el modelo DKT verificado, reducimos el espacio de búsqueda del modelo generativo, forzándolo a permanecer anclado en la estrategia pedagógica. ²¹

4.4 Gestionar el «arranque en frío»

Un desafío habitual en el aprendizaje profundo es el «arranque en frío»—cómo modelar a un usuario nuevo sin historial. Veriprajna emplea estrategias de aprendizaje por transferencia:

1.​ Preentrenamiento: El modelo DKT se preentrena con datos agregados anonimizados de miles de trazas históricas de aprendizaje. Ello establece un estado cerebral de «línea base».

2.​ Inicialización por clúster: A los usuarios nuevos se les asigna un «clúster de aprendices» según la evaluación diagnóstica inicial o metadatos demográficos, sembrando su estado oculto con el centroide de aprendices similares. ²³

3.​ Convergencia rápida: La LSTM está diseñada para divergir con rapidez de la línea base genérica hacia un estado personalizado en las primeras 10-20 interacciones.

Parte V: el caso de negocio de la Deep AI en educación

Para los responsables de decisión en EdTech y formación corporativa, el paso de la IA envoltorio al DKT no es solo una mejora técnica; es un motor fundamental de valor de negocio.

5.1 ROI de retención y compromiso

En la economía de suscripción, el abandono (churn) es la amenaza principal a los ingresos. El abandono en educación es en gran medida emocional: proviene del aburrimiento (el producto es demasiado fácil) o de la ansiedad (el producto es demasiado difícil). Al implementar DKT para mantener mecánicamente a los usuarios en la zona de flujo, las organizaciones pueden impactar de forma directa las métricas de retención.

La investigación indica que la tutoría personalizada y adaptativa puede duplicar los resultados de aprendizaje (el efecto «2 Sigma») e incrementar de forma significativa la duración de las sesiones. ²⁴ Incrementar el valor de vida medio del cliente (LTV) al extender la retención de usuarios se traduce en ganancias masivas de ingresos que superan con creces el coste computacional de ejecutar modelos DKT.

5.2 Eficiencia en L&D corporativo

En entornos corporativos, la formación suele ser un centro de coste. La métrica de éxito es el «tiempo hasta la competencia». Un curso de vídeo único para todos es ineficiente porque los empleados deben sentarse a consumir material que ya conocen.

●​ La ventaja DKT: Un sistema impulsado por DKT identifica el dominio al instante ($P > 0.9$) y permite al empleado saltar el contenido redundante, centrándose solo en sus lagunas de conocimiento. Esto puede reducir el tiempo total de formación un 40-50%, devolviendo a los empleados a la productividad más rápido y generando ahorros operativos significativos. ²⁶

5.3 Diferenciación estratégica: el foso de datos

A medida que los LLM se comoditizan, la barrera de entrada para construir un «tutor de chat» cae casi a cero. Un competidor puede replicar una aplicación envoltorio en un fin de semana.

●​ El foso DKT: Un sistema basado en DKT construye un foso defensivo mediante su modelo propietario del comportamiento del estudiante. Cuantos más aprendices interactúan con el sistema, más refinado se vuelve el modelo DKT al predecir trayectorias de aprendizaje. Este «volante de inercia de datos» crea un activo único—los datos agregados de «estado cerebral»—que los competidores no pueden clonar vía una API. ⁵

Parte VI: hoja de ruta de implementación

Pasar de un LMS o chatbot estándar a una solución de Deep AI exige un enfoque estructurado.

6.1 Fase 1: auditoría de datos e infraestructura

●​ Recogida de datos de traza: Pasar de registrar «puntuaciones de examen» a registrar «trazas de interacción». Cada intento, cada petición de pista y cada métrica de latencia deben capturarse en una base de datos de series temporales.

●​ Anonimización: Implementar un hashing riguroso de los ID de usuario para garantizar el cumplimiento de privacidad manteniendo la integridad de los datos secuenciales.

6.2 Fase 2: entrenamiento y validación del modelo

●​ Entrenamiento offline: Entrenar el modelo LSTM con datos históricos para comparar la exactitud predictiva (AUC) frente a métodos existentes.

●​ Calibración de flujo: Analizar registros históricos para determinar los umbrales empíricos de probabilidad que correlacionan con el abandono del usuario, calibrando la «zona de flujo» de forma específica para su contenido.

6.3 Fase 3: la integración neuro-simbólica

●​ Orquestación de API: Desplegar la capa de política para interceptar mensajes del usuario, consultar el modelo DKT e inyectar contexto en el prompt del LLM.

●​ Pruebas A/B: Lanzar el «mentor de IA» a un subconjunto de usuarios, midiendo métricas distintas: ganancia de aprendizaje (pretest frente a postest) y compromiso (duración de sesión).

Parte VII: conclusión

La promesa del «aprendizaje personalizado» lleva mucho tiempo incumplida, atrapada en las limitaciones de los sistemas basados en reglas y en los eslóganes del marketing. La llegada de la IA generativa ofreció un vislumbre de solución, pero sin una arquitectura cognitiva solo nos dio la ilusión de un profesor.

El Knowledge Tracing es la realidad. Es la columna vertebral matemática requerida para convertir una interfaz conversacional en un motor pedagógico. Al implementar Deep Knowledge Tracing, reconocemos que el aprendizaje es un proceso complejo, temporal y profundamente humano que no puede resolverse solo con tokens de probabilidad. Debemos modelar la lucha, el olvido y el hallazgo.

Debemos construir sistemas que recuerden que tuviste dificultades con las fracciones la semana pasada, para que puedan ayudarte con las razones hoy. Debemos construir sistemas que respeten el delicado equilibrio de la zona de flujo. Debemos dejar de construir chatbots y empezar a construir mentores.

Veriprajna. No se limite a procesar texto. Rastree el conocimiento.

Apéndice de datos

Tabla 2: el impacto económico del aprendizaje adaptativo

Métrica	Aprendizaje lineal tradicional	Aprendizaje adaptativo impulsado por DKT	Impacto de negocio
Tasas de finalización	~15-20% (MOOC/estándar)	60-80% (adaptativo)	Mayor LTV y tasas de renovación
Tiempo hasta la competencia	Fijo (alto)	Variable (optimizado)	Reducción del 40-50% en costes de formación24
Compromiso	Consumo pasivo	Estado de flujo activo	Aumento de usuarios activos diarios (DAU)
Escalabilidad	Alta (pero baja eficacia)	Alta (con alta eficacia)	Resuelve el «2 Sigma» de escalabilidad Problema25

Tabla 3: interpretación del vector de probabilidad DKT

Salida hipotética para un estudiante («Alex») que aprende álgebra.

ID de concepto	Nombre del concepto	Predicha P(acierto)	Estado Diagnóstico	Acción de política
C_101	Enteros Suma	0.99	Dominio (aburrimiento)	Omitir. No mostrar.
C_205	Fracciones Suma	0.35	Debilidad (ansiedad)	Andamiaje. Ofrecer pistas o revisión de prerrequisitos.
C_301	Lineales Ecuaciones	0.62	Zona de flujo	Enseñar. Presentar este concepto a continuación.
C_302	Ec. cuadrática	0.15	No preparado	Bloquear. contenido

Obras citadas

1. Limitations of LLMs – ChatGPT in STEM Teaching: An introduction ..., consultado el 11 de diciembre de 2025, https://ecampusontario.pressbooks.pub/llmtoolsforstemteachinginhighered/part/technical-limitations-of-llms/

2. Knowledge Integrity in Large Language Models: A State-of-The-Art Review MDPI, consultado el 11 de diciembre de 2025, https://www.mdpi.com/2078-2489/16/12/1076

3. The Context Window Problem: Scaling Agents Beyond Token Limits - Factory.ai, consultado el 11 de diciembre de 2025, https://factory.ai/news/context-window-problem

4. What is long context and why does it matter for AI? | Google Cloud Blog, consultado el 11 de diciembre de 2025, https://cloud.google.com/transform/the-prompt-what-are-long-context-windows-and-why-do-they-mater t

5. LLM-KT: Aligning Large Language Models with Knowledge Tracing using a Plug-and-Play Instruction - arXiv, consultado el 11 de diciembre de 2025, https://arxiv.org/html/2502.02945v1

6. 4 LLM Hallucination Examples and How to Reduce Them - Vellum AI, consultado el 11 de diciembre de 2025, https://www.vellum.ai/blog/llm-hallucination-types-with-examples

7. Mitigating Hallucinations in LLMs for Community College Classrooms: Strategies to Ensure Reliable and Trustworthy AI-Powered Learning Tools - Faculty Focus, consultado el 11 de diciembre de 2025, https://www.facultyfocus.com/articles/teaching-with-technology-articles/mitigating-hallucinations-in-llms-for-community-college-classrooms-strategies-to-ensure-reliable-and-trustworthy-ai-powered-learning-tools/

8. Beyond Final Answers: Evaluating Large Language Models for Math Tutoring arXiv, consultado el 11 de diciembre de 2025, https://arxiv.org/html/2503.16460v1

9. Why AI chatbots make bad teachers - and how teachers can exploit that weakness - ZDNET, consultado el 11 de diciembre de 2025, https://www.zdnet.com/article/why-ai-chatbots-make-bad-teachers-and-how-teachers-can-exploit-that-weakness/

10. Deep Knowledge Tracing - Stanford University, consultado el 11 de diciembre de 2025, https://stanford.edu/~cpiech/bio/papers/deepKnowledgeTracing.pdf

11. Deep Knowledge Tracing, consultado el 11 de diciembre de 2025, https://arxiv.org/abs/1506.05908

12. Deep Knowledge Tracing - NIPS papers, consultado el 11 de diciembre de 2025, https://papers.nips.cc/paper/5654-deep-knowledge-tracing

13. [Quick Review] Deep Knowledge Tracing - Liner, consultado el 11 de diciembre de 2025, https://liner.com/review/deep-knowledge-tracing

14. Deep Knowledge Tracing - Neural Dynamics and Computation Lab - Stanford University, consultado el 11 de diciembre de 2025, https://ganguli-gang.stanford.edu/pdf/DeepKnowledgeTracing.pdf

15. Deep knowledge tracing with learning curves - PMC - NIH, consultado el 11 de diciembre de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10097988/

16. Flow Theory – Design in Progress: A Collaborative Text on Learning Theories, consultado el 11 de diciembre de 2025, https://isu.pressbooks.pub/thuf/chapter/ff low-theory-jennifer-uptmor/

17. Unlock Your Potential: Mastering the Mental Model of Flow State for Peak Performance - FunBlocks AI, consultado el 11 de diciembre de 2025, https://www.funblocks.net/thinking-maters/classic-mental-models/ft low-state

18. The zone of proximal development (ZPD): The power of just right - NWEA, consultado el 11 de diciembre de 2025, https://www.nwea.org/blog/2025/the-zone-of-proximal-development-zpd-the-power-of-just-right/

19. Zone of proximal development - Wikipedia, consultado el 11 de diciembre de 2025, https://en.wikipedia.org/wiki/Zone_of_proximal_development

20. Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data - arXiv, consultado el 11 de diciembre de 2025, https://arxiv.org/html/2501.14256v1

21. TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation - ePrints Soton, consultado el 11 de diciembre de 2025, https://eprints.soton.ac.uk/498281/1/RecSys_A_personalized_large_language_model_learning_recommender_tool_based_on_knowledge_tracing.pdf

22. Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure - ACL Anthology, consultado el 11 de diciembre de 2025, https://aclanthology.org/2025.findings-acl.1348.pdf

23. Collaborative Learning Groupings Incorporating Deep Knowledge Tracing Optimization Strategies - MDPI, consultado el 11 de diciembre de 2025, https://www.mdpi.com/2076-3417/15/5/2692

24. AI Tutoring vs. Traditional Tutoring: Key Differences - Dialzara, consultado el 11 de diciembre de 2025, https://dialzara.com/blog/ai-tutoring-vs-traditional-tutoring-key-diferences f

25. Tutors of tomorrow? A new benchmark for evaluating LLMs - MBZUAI, consultado el 11 de diciembre de 2025, https://mbzuai.ac.ae/news/tutors-of-tomorrow-a-new-benchmark-for-evaluating-llms/

26. How adaptive learning is reshaping corporate training - CYPHER Learning, consultado el 11 de diciembre de 2025, https://www.cypherlearning.com/blog/business/how-adaptive-learning-is-reshaping-corporate-training

27. Delivering the ROI of Learning - Fulcrum Labs Infographic, consultado el 11 de diciembre de 2025, https://www.fulcrumlabs.ai/blog/roi-learning-infographic/