Laboratorio / experiments
Construir un tutor de IA local para programación en primaria
Diseño e integración de un asistente de IA local (Phi3/Ollama) en EDUmind Robotics: decisiones de construcción, por qué descarté los modelos cloud y qué funciona realmente.
- Tipo:Experimento
- Estado:En curso
- Actualización:25 may 2026
- Recursos:0
- Aplicaciones:0
Bloque 1
Contexto
Necesitaba una herramienta de programación para micro:bit que los alumnos pudieran usar de forma autónoma durante la sesión cuando se bloquearan. Las opciones existentes dependían de conectividad —irregular en muchos centros— o enviaban el código de los alumnos a servidores externos, lo que es incompatible con los principios de privacidad que guían todo lo que construyo en EDUmind. La pregunta no era si usar IA en el aula: era si podía construir una herramienta con IA incorporada que funcionase sin ceder datos y sin depender de internet.
Bloque 2
Hipótesis
Un modelo de lenguaje pequeño corriendo localmente (Phi3 vía Ollama) puede ofrecer feedback pedagógico suficiente para aprendizaje inicial de programación en primaria. La calidad no necesita igualar a un modelo frontier: necesita ser funcional, rápida y completamente privada. Si es así, puedo integrarlo en la herramienta y que el alumnado lo use de forma autónoma, sin que yo tenga que mediar en cada consulta.
Bloque 3
Implementación
Construí EDUmind Robotics con Ollama/Phi3 como backend de un asistente conversacional integrado en el propio simulador de micro:bit. El modelo corre en el servidor del centro o en el equipo del docente: ninguna petición sale a internet. El alumnado escribe código Python en el editor Monaco y puede consultar al asistente sobre errores o conceptos; el docente facilita la sesión sin actuar de cuello de botella técnico. Todo el desarrollo se hizo con vibe coding: conversaciones estructuradas con IA para traducir la necesidad pedagógica en código funcional.
Nota de evidencia en aula
La herramienta funciona como recurso de consulta autónoma: el alumnado puede desbloquear sus propios errores sin esperar al docente. La latencia es aceptable (1-3 segundos en hardware modesto). La limitación más visible es que Phi3 no domina MicroPython con la misma profundidad que Python estándar —genera algún error de sintaxis específico de micro:bit— lo que requiere validación docente antes de dar por buena una sugerencia. La privacidad funciona: cero datos salen del entorno.
Pregunta de evidencia: ¿Qué evidencia confirma el resultado y qué evidencia lo cuestiona?
Acción para el próximo ciclo
Mejorar el contexto de sistema del modelo con ejemplos específicos de micro:bit y Nezha para reducir errores de sintaxis. Documentar los patrones de error más frecuentes del alumnado para construir un FAQ estático que complemente al asistente. Valorar si un fine-tuning ligero sobre ejemplos propios mejoraría la precisión sin aumentar los requisitos de hardware.
Pregunta abierta: ¿Cuál es el siguiente experimento mínimo para validar esta iteración?
Recursos reutilizables
Materiales conectados con esta entrada.
Sin recursos vinculados todavía.
Itinerarios relacionados
Secuencias donde esta evidencia puede reutilizarse.
Sin itinerarios vinculados todavía.
Apps relacionadas
Herramientas implicadas en este ciclo de experimentación.
Sin apps vinculadas todavía.