Crear contenido de lecciones¶

Esta guía describe paso a paso cómo configurar un nuevo conjunto de lecciones para el cargador de contenido de Adaptive Learner. Quien quiera construir un conjunto de idiomas o temático, para uso propio o como aportación al fondo público de contenido, debería leerla entera una vez antes de la primera lección.

¿Qué es un conjunto de contenido?¶

Un conjunto de contenido es un paquete versionado de lecciones que un usuario puede descargar desde la página del explorador de conjuntos (/content). El plugin del cargador de contenido (v1.27.0) se encarga del descubrimiento, la descarga, el caché y la conciliación de versiones en ambos modos de almacenamiento.

Un conjunto tiene tres niveles:

Manifiesto raíz (manifest.yaml) - enumera cada conjunto del repo. El explorador de conjuntos lo lee para el catálogo de origen.
Manifiesto del conjunto (sets/{set-id}/manifest.yaml) - hermano del manifiesto raíz, enumera los archivos de lección del conjunto concreto.
Archivos de lección (sets/{set-id}/lessons/NN-slug.json)
un archivo JSON por lección, validado contra el esquema de lección en cada descarga (ver El esquema es la única fuente de verdad más abajo).

Los conjuntos que se incluyen con Adaptive Learner residen en el repo de contenido separado astrapi69/adaptive-learner-content (extraído como checkout hermano ../adaptive-learner-content y empaquetado offline en la build de GitHub Pages mediante frontend/scripts/copy-bundled-content.mjs) y sirven bien como plantilla. El tamaño actual de la biblioteca (número de lecciones / conjuntos / dominios, la tabla por conjunto y los dominios activos) es el bloque CONTENT-STATS del README.md del proyecto - ese bloque es la única fuente de verdad, generado a partir de un checkout fresco del contenido, así que esta guía no duplica los números.

El esquema es la única fuente de verdad (EXP-039)¶

El formato de lección/ejercicio tiene una definición canónica: el JSON Schema de lección que publica el paquete npm learn-content-engine (inmutable por release publicada). Dentro de esta app, la capa Pydantic estructural del plugin del cargador de contenido (adaptive_learner_content_loader.schema) se regenera a partir de ese espejo (scripts/generate_pydantic_models.py); solo los validadores semánticos entre campos se escriben a mano. make sync-schema refresca el espejo y vuelve a emitir los artefactos derivados, y las barreras de paridad de bytes demuestran que schema/*.json es igual a la release fijada del engine. Los lugares que antes derivaban ya no pueden hacerlo:

schema/lesson.schema.json (+ archivos hermanos): el JSON Schema legible por máquina (Draft 2020-12). Referéncialo desde un .json de lección mediante una clave "$schema" de nivel superior para obtener autocompletado del IDE y validación en línea.
schema/quality-rules.json: los mínimos de calidad compartidos (p. ej. número de ejercicios, número de respuestas aceptadas de free-text), consumidos por el validador de contenido del lado del cliente en lugar de una segunda copia mantenida a mano.
Los tipos de lección TypeScript del frontend y la página MkDocs Lesson format reference también se generan (no los edites a mano); siguen el espejo del engine, así que vuelve a ejecutar el generador tras cada re-pin.

Una barrera contra la deriva (make sync-schema-check, parte de release-test, más backend/tests/test_lesson_schema_drift.py en make test) falla si algún artefacto generado diverge del espejo fijado del engine. El cierre de la cadena es la barrera de paridad de bytes app-contra-engine: make engine-parity-check (scripts/check_engine_schema_parity.py), el pin offline engine-schema-parity.test.ts y el test de coherencia del pin engine-pin.test.ts (dependencia de frontend/package.json == schema/engine-version.txt). Los repos de contenido reflejan la release fijada del engine (no este repo) y validan contra ese espejo en su propia CI.

Procedimiento para cambios de formato (autoridad del esquema en el engine): un cambio en el formato de lección empieza en el engine, o se ratifica allí: primero PR en el engine + release npm; después esta app sube el pin del engine (frontend/package.json + schema/engine-version.txt) y vuelve a ejecutar make sync-schema, que refresca el espejo y regenera la capa Pydantic estructural; solo los nuevos validadores semánticos se escriben a mano; después los repos de contenido actualizan su pin engine-version.txt. Una edición manual del espejo (o un pin obsoleto) pone en rojo las barreras de paridad de bytes; el paso olvidado se hace visible, nunca hay deriva silenciosa.

Pares de idiomas (v1.44.0)¶

Cada conjunto de contenido declara el PAR de idiomas que enseña:

target_language - lo que el aprendiz APRENDE (p. ej. fr).
source_language - lo que el aprendiz ya HABLA, es decir, el idioma en el que están escritos los campos back de las tarjetas, las notes y el texto de teoría (p. ej. de).

Esto es justamente lo que hace que "Francés para angloparlantes" sea un conjunto distinto de "Francés para germanoparlantes": mismo destino (fr), distinto idioma de origen (en frente a de), distinto idioma de explicación. Un aprendiz solo ve conjuntos cuyo source_language coincide con uno de los idiomas que habla (el idioma de la app más los idiomas adicionales opcionales en Ajustes → Aprendizaje).

Las IDs de conjunto codifican el par como {destino}-{nivel}-from-{origen} (p. ej. fr-a1-from-de), y cada conjunto declara un path que apunta a su directorio de idioma de origen (sets/de/fr-a1). Un conjunto lleva además title (en el idioma de origen, lo que lee el aprendiz) y title_native (en el idioma de destino, como segundo título).

Ambos códigos deben ser ISO 639-1 (dos letras), y source_language debe diferir de target_language. Los conjuntos anteriores a v1.2 sin estos campos siguen cargándose: la antigua clave language se acepta como target_language, y source_language recurre a en.

Disposición de directorios¶

El árbol está organizado por IDIOMA DE ORIGEN, luego destino+nivel:

my-content-repo/
  manifest.yaml               # Root: lists every set (with path + pair)
  sets/
    de/                       # Source language: German
      fr-a1/                  # Target French, level A1  -> ID fr-a1-from-de
        manifest.yaml         # Set: lists the lessons
        lessons/
          01-begruessung.json
          ...
        assets/               # optional images / audio
    en/                       # Source language: English
      fr-a1/                  # -> ID fr-a1-from-en
        ...

Índice de búsqueda (`search-index.json`)¶

El descubrimiento y la búsqueda de contenido (la superficie Descubrir) se apoyan en un search-index.json ligero publicado en la raíz del repo (~4 KB, solo metadatos - sin contenido de tarjetas). El repo de contenido oficial lo proporciona, y la app obtiene los índices de cada repo configurado del lado del cliente (a prueba de CORS, cacheados en localStorage con un TTL stale-while-revalidate de 24 h) para que un aprendiz pueda ENCONTRAR un conjunto antes de descargarlo. Cada entrada anuncia el id, name, description, source_language / target_language, level, domain, lesson_count, card_count, tags del conjunto, un flag ai_validated, un trust_level, un book acompañante opcional y una marca de tiempo updated_at. Mantenlo sincronizado con los manifiestos de los conjuntos; un PR al repo oficial lo regenera.

Formato del manifiesto¶

El esquema de campos del manifiesto (el manifest.yaml raíz que enumera los conjuntos del repo, con cada campo obligatorio y opcional) vive en la referencia del engine: learn-content-engine, Manifest format. La lista de campos no se repite aquí a propósito: el esquema estricto del engine (los campos desconocidos se rechazan) valida cada manifiesto, y la referencia del engine es su única descripción autoritativa. Redacta los campos del par de idiomas (target_language / source_language) como se describe en Pares de idiomas; el alias language anterior a v1.2 sigue cargándose, pero se desaconseja para conjuntos nuevos.

El campo opcional visibility (engine 0.14.0+, visible si no se indica) es una indicación de visualización para las apps consumidoras: visibility: hidden pide a la app que no muestre el conjunto a los estudiantes - pensado para fixtures de referencia/conformidad que deben permanecer en el repo para la validación del engine pero que no son contenido de aprendizaje. La app filtra los conjuntos ocultos de las superficies de exploración y de Descubrir (incluso si ya están en caché); el engine los sigue validando. Ya no existe una lista de conjuntos ocultos que mantener en el lado de la app.

Comportamiento del cargador específico de la app a tener en cuenta:

El manifiesto del conjunto enumera cada archivo de lección bajo metadata.lessons, y el cargador de contenido itera esa lista en el orden dado: los nombres de archivo en disco son irrelevantes, solo cuenta el orden del manifiesto:

metadata:
  lessons:
    - 01-intro.json
    - 02-articles.json
    - ...

Esquema de lección¶

Cada lección es un único archivo JSON: metadatos de nivel superior (id, title, description, estimated_minutes), una lista de cards (las unidades aprendibles más pequeñas - ids estables, pares front/back, notes en Markdown, tags para el SRS) y una lista de steps, cada uno o bien un paso de THEORY (un body en Markdown, opcionalmente un enlace example_url o examples en línea) o bien un paso de EXERCISE (exactamente un ejercicio).

La referencia completa del formato, campo por campo - cada campo, cada tipo de ejercicio, cada modo cloze, con ejemplos JSON validados por la suite de tests del engine - vive en la referencia del engine:

learn-content-engine - docs/lesson-format.md
la referencia canónica del formato de lección para autoras y validadores de terceros (sin necesidad de un checkout de la app)
el esquema legible por máquina incluido con cada release del engine: import schema from "learn-content-engine/schema/lesson.schema.json"
el gemelo dentro de la app: la Lesson format reference generada

El esquema incluido del engine es idéntico byte a byte al schema/lesson.schema.json generado de este repo (garantizado por make engine-parity-check), de modo que "valida contra el engine" y "valida en la app" son la misma afirmación.

Qué tipo de ejercicio para qué objetivo de aprendizaje¶

Elige el tipo de ejercicio por el objetivo de aprendizaje, no por variedad. La evaluación por coincidencia exacta palabra por palabra - un word_tiles de frase entera, o un free_text de frase completa - falla para la producción libre: un concepto puede formularse de muchas maneras correctas, así que un aprendiz con contenido correcto resulta marcado como incorrecto palabra por palabra. Ese es el momento más desmotivador que puede producir una lección de autoría. En su lugar, adecúa el tipo al objetivo:

Objetivo de aprendizaje	Tipo adecuado
Un hecho con una sola respuesta	`cloze` (un hueco)
Reconocer un concepto	opción múltiple (`cloze` en modo `select`) / `matching`
Definir un concepto	`cloze` con huecos en términos clave
Explicación libre / transferencia / comparación	todavía no hay un tipo de coincidencia exacta - usa `cloze` / opción múltiple por ahora; la autoevaluación está planificada
Frase con un único orden de palabras no ambiguo (aprendizaje de idiomas)	`word_tiles`

Regla práctica: reserva word_tiles para frases cuyo orden de palabras sea genuinamente único (un ejercicio de traducción), y crea definiciones y hechos como cloze (u opción múltiple vía cloze en modo select). Nunca metas una definición de forma libre en word_tiles o en un free_text de frase completa - no hay una evaluación justa por coincidencia exacta para ella. Análisis completo: ver EXP-041 (docs/explorations/EXP-041-aufgabentyp-eignung-und-faire-bewertung.md).

Catálogo de tipos de ejercicio (estado)¶

Una referencia de cada tipo de ejercicio: lo que se incluye, lo que es expresable sin un tipo nuevo, lo que es candidato y lo que se excluye deliberadamente. El modelo canónico no se amplía sobre el papel - un tipo se incluye solo con su renderizador (el registro SUPPORTED_EXERCISE_TYPES debe ser igual al enum ExerciseType; un test de paridad lo impone, la lección aprendida de los casos v1.4-preview / picture_choice). Los tipos nuevos se añaden ante una demanda concreta de contenido mediante la receta Adding a new exercise type.

Implementados (el enum `ExerciseType`)¶

Tipo	Para qué (objetivo de aprendizaje, EXP-041)	Nota
`matching`	Reconocer / emparejar conceptos	Arrastrar parejas, ≥ 3 parejas.
`picture_choice`	Reconocer a partir de una imagen real	≥ 2 imágenes, exactamente una correcta. No para opción múltiple de texto.
`free_text`	Producir una respuesta corta con forma de hecho	Coincidencia exacta, luego Levenshtein ≤ 1.
`word_tiles`	Un único orden de palabras no ambiguo (idioma)	Fichas barajadas; `accept_orderings` para variantes.
`cloze` (`type`)	Un hecho con una sola respuesta	Un `<input>` por hueco.
`cloze` (`select`)	Opción múltiple única (mecanismo legacy)	Se renderiza como botones pulsables (#1342). `accept[0]` correcto + `distractors`.
`cloze` (`multiselect`)	"Selecciona todo lo que aplique" (mecanismo legacy)	Coincidencia de conjunto exacto sobre `accept` (todas correctas) + `distractors` (#1195).
`multiple_choice`	Opción múltiple de texto nativa (esquema v1.6, #1525)	`options` (`{text, correct?}`, textos únicos) + `multiple`. Única = exactamente una correcta; múltiple = coincidencia de conjunto exacto, sin puntos parciales.

Desde el esquema v1.6 existe un tipo nativo multiple_choice. Coexiste con el mecanismo cloze select/multiselect (EXP-036 §4.3, #890) - la opción múltiple basada en cloze existente sigue siendo válida, nada queda deprecated. Prefiere multiple_choice para el nuevo contenido de opción múltiple de texto: la corrección es un flag por opción, así que la trampa de la disyunción accept/distractors no puede ocurrir. Ver Creación de opción múltiple.

Nivel de extensión (el espacio de nombres `ext:`)¶

Más allá del enum core cerrado hay tipos de ejercicio en el espacio de nombres ext:<vendor>-<name>. Son estructuralmente opacos para el esquema core: una lección que los use los declara en requires_extensions, y el payload lo valida la extensión registrada, nunca el esquema core. El mecanismo se describe en la referencia del engine learn-content-engine - docs/extensions.md. La app ha adoptado cinco tipos de extensión (SUPPORTED_EXT_EXERCISE_TYPES en el ExerciseDispatcher; una barrera de paridad mantiene el dispatcher y el guard de carga sincronizados, de modo que todo lo cargable es renderizable):

Tipo	Para qué	Payload (`ext_payload`)	Adoptado
`ext:al-categorization`	Clasificar términos en grupos	`categories: [{name, items[]}]`, al menos 2 grupos	#1591 (primer tipo de extensión, inventario #1579)
`ext:al-error-correction`	Corregir un texto erróneo	`tokens[]` + `error_index` + `accept[]`	#1593
`ext:al-reading-comprehension`	Comprensión lectora (pasaje + preguntas)	`passage` + `questions[]` (cada una una subpregunta `multiple_choice` / `free_text`)	#1603
`ext:al-graded-quiz`	Cuestionario calificado	`questions[]` (cada una con `points`) + `pass_threshold` opcional	#1616; el conjunto de referencia de demostración está oculto en Descubrir / Mi contenido (#1702)
`ext:al-dictation`	Dictado de audio (escuchar y luego transcribir)	`audio` (un clip de `assets/` o un URI de datos incrustado mediante la subida del editor, #1911) + `accept[]` (coincidencia de transcripción tolerante)	#1881 (quinta adopción)

Dos vías de autoría. Los ejercicios de extensión pueden crearse (a) directamente como JSON del repo de contenido (la vía canónica, descrita en la referencia del engine) o (b) en la app. El Creador de lecciones incorporó un asistente de autoría de extensiones (#1852), al que se llega desde la plantilla Tipos de ejercicio avanzados en el paso 1, que cubre los cinco tipos (#1859 categorización + corrección de errores, #1865 comprensión lectora + cuestionario calificado, #1887 dictado). El dictado también es accesible desde el selector de tipos de ejercicio core en el paso 3, tras una barrera requires_extensions generalizada (#1895). Cualquiera de las dos vías emite el mismo JSON de lección y define requires_extensions (versionado, p. ej. ext:al-dictation@1).

Ejemplo por tipo de extensión¶

Cada bloque es el objeto de ejercicio tal como aparece en un .json de lección; los datos específicos del tipo viven bajo ext_payload. La referencia canónica de campos es el docs/extensions.md del engine.

{
  "type": "ext:al-categorization",
  "prompt": "Sort each word into fruit or vegetable.",
  "ext_payload": {
    "categories": [
      {"name": "Fruit", "items": ["apple", "banana"]},
      {"name": "Vegetable", "items": ["carrot", "potato"]}
    ]
  }
}

{
  "type": "ext:al-error-correction",
  "prompt": "One word is wrong. Correct it.",
  "ext_payload": {
    "tokens": ["The", "two", "child", "are", "playing"],
    "error_index": 2,
    "accept": ["children"]
  }
}

{
  "type": "ext:al-reading-comprehension",
  "prompt": "Read the text and answer.",
  "ext_payload": {
    "passage": "Marie is sitting in a café. She orders a coffee and reads a book.",
    "questions": [
      {
        "prompt": "Where is Marie?",
        "type": "multiple_choice",
        "options": [
          {"text": "In a café", "correct": true},
          {"text": "At home"},
          {"text": "At the station"}
        ]
      }
    ]
  }
}

{
  "type": "ext:al-graded-quiz",
  "prompt": "Greetings quiz.",
  "ext_payload": {
    "pass_threshold": 60,
    "questions": [
      {
        "prompt": "How do you say 'hello' in French?",
        "type": "multiple_choice",
        "points": 1,
        "options": [
          {"text": "Bonjour", "correct": true},
          {"text": "Merci"},
          {"text": "Au revoir"}
        ]
      }
    ]
  }
}

{
  "type": "ext:al-dictation",
  "prompt": "Listen and type what you hear.",
  "ext_payload": {
    "audio": "assets/audio/comment-ca-va.mp3",
    "accept": ["Comment ça va ?", "Comment ca va"]
  }
}

Disponibilidad en el asistente de lecciones¶

Jugable (existe un renderizador), generable (la mezcla de IA puede producirlo) y añadible manualmente (lo añades y editas a mano en el paso 3) son tres cosas distintas. Los seis tipos core son jugables Y generables: el selector de tipos del asistente de creación de lecciones (ALL_TYPES en ExerciseGenerator.tsx) ofrece cada tipo core, y cada ejercicio del paso 3 es editable en línea y reordenable, con un botón manual + Añadir ejercicio (#1849, #1853).

Tipo	Jugable	Generable (mezcla de IA)	Añadible manualmente (paso 3)
`matching`	sí	sí	sí
`free_text`	sí	sí	sí
`cloze`	sí	sí	sí
`word_tiles`	sí	sí	sí
`picture_choice`	sí	sí	sí
`multiple_choice`	sí	sí (#1853; control de modo única/múltiple #1888)	sí
`ext:al-dictation`	sí	no	sí, mediante el selector core (#1895) o el asistente de extensiones (#1887)
`ext:al-categorization`	sí	no	mediante el asistente de extensiones (#1859)
`ext:al-error-correction`	sí	no	mediante el asistente de extensiones (#1859)
`ext:al-reading-comprehension`	sí	no	mediante el asistente de extensiones (#1865)
`ext:al-graded-quiz`	sí	no	mediante el asistente de extensiones (#1865)

Los cuatro tipos de extensión que no son dictado se crean en el asistente de extensiones (o como JSON del repo de contenido), nunca se mezclan en la generación core de IA.

Escuchar primero es un modo, no un tipo. Desde #1687 (decisión

1600, opción A) los ejercicios `free_text` y `matching` pueden llevar¶

un elemento de audio primero (escuchar primero, luego responder). El tipo del ejercicio no cambia. La opción B de la misma decisión, un tipo de dictado, se incluyó como la extensión ext:al-dictation (#1881), documentada en el nivel de extensión anterior.

El Creador de lecciones como herramienta de autoría¶

El Creador de lecciones dentro de la app (/create-lesson) es una superficie de autoría completa, no solo un botón de generación por IA:

Cada ejercicio del paso 3 es editable en el sitio. Cada ejercicio generado o añadido se abre en un editor en línea (los seis tipos core, más los editores de extensión); reordena arrastrando, elimina o regenera toda la mezcla (#1845).
Añade un ejercicio a mano. El botón + Añadir ejercicio elige un tipo y añade un ejercicio vacío directamente al editor en línea, para que puedas crear sin ninguna generación de IA (#1849, #1853). El selector enumera los seis tipos core más el dictado (#1895).
La frase de ejemplo impulsa la generación. Una tarjeta (paso 2) puede llevar una frase de ejemplo opcional. Es lo que habilita la generación de cloze y word_tiles para esa tarjeta (para cloze, la frase debe contener el término front de la tarjeta para poder ocultarlo), y una imagen de tarjeta habilita picture_choice. Sin ellas, esos tipos se omiten en silencio, y el paso 3 explica qué tipo seleccionado no produjo nada (#1847, #1848).
Los prompts generados siguen el idioma de la interfaz. Las plantillas de instrucción de los ejercicios se localizan en el momento de la generación (#1857), de modo que una autora en una interfaz en alemán obtiene prompts en alemán, no valores por defecto en inglés. Cuando abres una lección más antigua para editarla, cualquier prompt de ejercicio que siga siendo idéntico byte a byte a un valor por defecto en inglés legacy se migra de forma oportunista a la plantilla del idioma de la interfaz (solo estado de edición, persistido solo si guardas) (#1861).

Expresable sin un tipo nuevo (convenciones, no tipos)¶

Concepto	Cómo
Verdadero/Falso, Sí/No	`multiple_choice` de dos opciones (o un `cloze` `select` de dos opciones)
Desplegable / radio / casilla	Presentación de `multiple_choice` / cloze select - no tipos separados

Planeados si hacen falta (candidatos - NO un compromiso)¶

Candidato	Cercano a	Cuándo
Ordenar / clasificar	`word_tiles`	Solo ante una demanda concreta de contenido, luego mediante la receta.
Campo numérico (comparación numérica)	`free_text`	Solo ante una demanda concreta de contenido, luego mediante la receta.

Excluidos deliberadamente¶

Excluido	Por qué (una línea)
Ensayo / texto largo / dibujo / fórmula / revisión por pares / autoevaluación libre	No evaluable de forma binaria por el SRS; autoevaluación aplazada (#1268).
Audio / vídeo / subida de archivos	Almacenamiento + infraestructura; entra en conflicto con offline-first. Única excepción: los clips cortos de audio de dictado que el editor de ejercicios incrusta en la lección como URI de datos.
Hotspot / simulación / memoria / crucigrama	Esfuerzo de desarrollo sin valor para el SRS (una decisión posterior y separada, si acaso).
Matriz / Likert / deslizador	Tipos de encuesta, no tipos de aprendizaje.
Selectores de fecha / hora	Tipos de formulario, no tipos de aprendizaje.

Referencia de tipos de ejercicio¶

La referencia de campos por tipo - matching, picture_choice, free_text, word_tiles, multiple_choice y cloze con sus modos type / select / multiselect: campos obligatorios, ejemplos JSON y las reglas semánticas (marcadores ___ de cloze == blanks, integridad referencial de card_ids, disyunción accept/distractors de multiselect, exactamente-una-correcta de picture-choice) - vive en la referencia del engine: learn-content-engine - docs/lesson-format.md. Cada ejemplo JSON de allí se extrae y valida con la suite de tests del engine, así que la referencia no puede quedarse obsoleta. Las convenciones de autoría específicas de la app de abajo se quedan aquí.

Creación de opción múltiple¶

Preferido (esquema v1.6+, #1525): el tipo nativo multiple_choice. Las opciones llevan su propio flag correct, de modo que no hay listas accept/distractors separadas que mantener disjuntas. multiple: false (predeterminado) es opción única (exactamente una correcta); multiple: true es "selecciona todo lo que aplique" (evaluación de conjunto exacto, sin puntos parciales):

{
  "id": "ex-capital",
  "type": "multiple_choice",
  "prompt": "What is the capital of France?",
  "card_ids": ["card-paris"],
  "options": [
    {"text": "Paris", "correct": true},
    {"text": "Berlin"},
    {"text": "Madrid"},
    {"text": "Rome"}
  ]
}

Mecanismo legacy (sigue siendo plenamente válido: coexistencia, nada deprecated): antes de v1.6, la opción múltiple de texto se creaba como cloze en modo select (EXP-036 §4.3, #890). Una pregunta de respuesta única es un cloze con un hueco: la sentence (que termina en ___) es la pregunta, el accept[0] del hueco es la opción correcta y los distractors son las opciones incorrectas. Ejemplo: "sentence": "The capital of France is ___.", "blanks": [{"accept": ["Paris"]}], "cloze_mode": "select", "distractors": ["Berlin", "Madrid", "Rome"].

También puedes poner la pregunta entera en prompt y usar un "sentence": "___" a secas - el renderizador muestra un <select> con la respuesta correcta + los distractores, evalúa la elección, da feedback y alimenta el SRS:

{
  "id": "ex-hook-state",
  "type": "cloze",
  "prompt": "Which hook manages local state in a function component?",
  "card_ids": ["card-usestate"],
  "sentence": "___",
  "blanks": [{"accept": ["useState"]}],
  "cloze_mode": "select",
  "distractors": ["useEffect", "useContext", "useRef"]
}

Nunca crees opción múltiple de texto como picture_choice. Ese tipo es solo para assets de imagen reales; con opciones de texto renderiza mosaicos de marcador de posición, no un control usable (cf. astrapi69/adaptive-learner-content-test#10). La opción múltiple de texto es multiple_choice (preferido) o cloze en modo select, como arriba.

"Selecciona todo lo que aplique" (dos o más respuestas correctas, p. ej. una pregunta de examen de conducir) usa cloze_mode: "multiselect":

{
  "type": "cloze",
  "cloze_mode": "multiselect",
  "sentence": "Which cities are in Germany?",
  "accept": ["Berlin", "Hamburg"],
  "distractors": ["Vienna", "Zurich"]
}

Se admiten varios huecos por cloze: cada ___ de la frase se asigna por orden a la siguiente entrada de blanks. Cada hueco puede tener su propio hint + placeholder + lista accept. El SRS de elementos despliega un ElementAttempt por hueco: quien rellena con fluidez el hueco A pero falla constantemente el hueco B obtiene un seguimiento de dominio con granularidad por hueco.

Roles de token en las Cards (Fase 52I / v1.35.0) - metadatos opcionales de la Card con los que el generador de cloze puede elegir en tiempo de ejecución (sesiones de repaso + la ronda de corrección al final de la lección) un hueco semánticamente significativo:

{
  "id": "art-un",
  "front": "un chat",
  "back": "eine Katze",
  "tags": ["article"],
  "token_roles": [
    {"token": "un", "role": "article"}
  ]
}

Enum cerrado de roles: article / verb / noun / adjective / preposition / gender_marker / tense_marker. Añadir un rol es un incremento de versión menor del esquema - no lo amplíes en línea.

Escrituras no latinas: convención de transliteración¶

Reglas vinculantes para conjuntos cuyo idioma de destino usa una escritura no latina (japonés, chino, coreano, griego, hindi, ...). Establecidas y aplicadas en el repo de contenido - precedentes: content#90, content#91; barridos de lagunas restantes: content#106, content#107.

1. Regla de dirección. La transliteración es solo para el idioma de destino no latino cuando el idioma de origen escribe con escritura latina (de→ja, de→zh, de→ko, ...). Un idioma de origen no latino con un destino en escritura latina (hi→en, el→fr) no recibe transliteración - el aprendiz ya lee su propia escritura.

2. Formato. Paréntesis redondos directamente tras el original: こんにちは (konnichiwa). En los pasos de teoría siempre; en opciones y prompts solo donde sea inofensivo (ver la regla de no-traición).

3. Regla de no-traición (el núcleo). La transliteración nunca debe revelar la solución. Las tareas de lectura de escritura, el reconocimiento de tonos, las fichas de word_tiles y los contextos de frase de cloze se quedan SIN transliteración en el elemento consultado; las tareas de significado la reciben. En caso de duda, déjala fuera.

Ejemplo positivo (emparejamiento de significado, content#91): la pareja de matching {"left": "妈 (mā)", "right": "Mama / Mutter"} - el conocimiento consultado es el significado, así que la ayuda de lectura no revela nada.
Ejemplo negativo (lectura de escritura, content#91): los ejercicios de lectura de escritura de ko-a1/01-hangul-lesen se quedan sin transliteración, porque la romanización ES la respuesta (carácter → sonido); 가 (ga) en el prompt daría al aprendiz la solución.

4. Romanización estándar por idioma, consistente dentro de un conjunto: japonés Hepburn, chino Pinyin CON marcas de tono, coreano Revised Romanization, griego/hindi una transliteración simplificada común. Nunca mezcles sistemas dentro de un conjunto.

5. Tareas de escritura (free_text / cloze en modo type): accept[0] es la forma romanizada canónica; además, acepta variantes comunes - japonés: grafías Kunrei (si/ti/tu/hu/zi, p. ej. konnitiwa junto a konnichiwa); chino: Pinyin sin tonos (nihao junto a nǐ hǎo); coreano: alternativas extendidas (p. ej. annyeong haseyo). Regla mnemotécnica: un ejercicio nunca debe fallar por el teclado del aprendiz. Precedente (bloqueo por IME, content#107): un cloze que solo aceptaba 가 era irresoluble sin un IME coreano - la forma romanizada ga tenía que aceptarse también.

Qué tipo lleva qué objetivo de aprendizaje: ver el catálogo de tipos de ejercicio.

Dirección del ejercicio (v1.46.0 / EXP-018)¶

Cada ejercicio acepta un campo opcional direction que indica en qué dirección practican los aprendices la tarjeta:

target_to_source (predeterminado) - RECEPTIVO: se muestra el idioma de destino y se reconoce el idioma de origen (más fácil).
source_to_target - PRODUCTIVO: se muestra el idioma de origen y se produce el idioma de destino (más difícil).
both / random - deja al renderizador / generador adaptativo la elección de una dirección concreta por intento.

{
  "type": "matching",
  "direction": "source_to_target",
  "card_ids": ["bonjour"],
  "pairs": [{ "left": "Bonjour", "right": "Guten Tag" }]
}

El campo es aditivo - el esquema permanece en la versión 1.2, y las lecciones sin direction se comportan exactamente como antes (receptivo). El SRS sigue el dominio por dirección: una tarjeta dominada de forma receptiva aún no está dominada de forma productiva. Los ejercicios cloze son dependientes del contexto e ignoran direction. Para una progresión de dificultad, se mantienen las lecciones tempranas como receptivas y se introduce source_to_target en lecciones posteriores (eso es justamente lo que hace el contenido piloto incluido).

Anotaciones para el generador adaptativo de lecciones (v1.36.0+)¶

El generador adaptativo de lecciones de la fase 53 (/adaptive-lesson/:setId, F-114) recombina los ejercicios existentes para abordar de forma específica las debilidades concretas de los aprendices. El generador funciona sin anotaciones adicionales, pero dos campos lo hacen claramente más inteligente:

Mayor cobertura de token_roles en las tarjetas. El generador usa token_roles para:
Elegir huecos semánticamente sensatos cuando se generan variantes de cloze a partir de errores (ya en v1.35.0)
Clasificar errores como article_gender / verb_conjugation, para los chips de "foco de práctica" en el Dashboard (53E)
Encontrar ejercicios ALTERNATIVOS que prueban el mismo elemento cuando el ejercicio original fue erróneo (lógica de variaciones 53D - encuentra candidatos cuya tarjeta tiene una entrada token_roles apropiada)

Añade una entrada token_roles a CADA tarjeta que enseñe una unidad gramatical propia (artículos, formas verbales conjugadas, sustantivos con género). Coste: una entrada JSON adicional por tarjeta; beneficio: una generación adaptativa claramente más rica.

Tags de tarjeta como tags: ["article", "masculine"] los lee el clasificador de errores como fallback cuando faltan los token_roles. No sustituyen a token_roles - son una anotación económica a medio camino.

Lo que TODAVÍA no necesitamos (aplazado a un futuro incremento del esquema):

Referencias cruzadas related_cards entre tarjetas de lecciones distintas
Valoraciones de dificultad por ejercicio (el generador estima actualmente la dificultad a partir de exercise.type)
Frases de ejemplo por tarjeta en notes, analizables como contextos cloze alternativos (el generador de cloze usa exclusivamente front)

Regla práctica: añade token_roles a cada tarjeta que enseñe un token gramatical. Es, con diferencia, el hábito de autoría más eficaz para el sistema adaptativo.

Assets (imágenes que incluye un conjunto) - v1.37.0+¶

Los ejercicios picture-choice y las imágenes de portada de las tarjetas provienen de dos fuentes: 1. Archivos de asset de autoría, declarados en el manifiesto del conjunto y entregados junto al JSON de lección 2. SVG de marcador de posición, generados por el runtime cuando no existe ningún asset (paneles de color para palabras de color, dígitos grandes para números, estilo avatar para todo lo demás)

Si publicas un conjunto sin assets, picture-choice funciona igual: el generador de SVG de marcador de posición cubre colores + números automáticamente y recurre a un avatar determinista para todo lo demás.

Disposición de directorios¶

Dentro del directorio del conjunto, los assets residen en assets/:

sets/
  language-fr-a1/
    manifest.yaml
    lessons/
      01-greetings.json
      02-numbers.json
      ...
    assets/
      img/
        chat.png
        chien.png
        oiseau.png

Declaración en el manifiesto¶

Cada asset debe declararse en el manifiesto del conjunto, para que el descargador sepa qué debe traer:

sets:
  - id: language-fr-a1
    title: French A1
    language: fr
    level: A1
    version: '1.0.0'
    lesson_count: 10
    assets:
      - path: img/chat.png
        size_kb: 45
      - path: img/chien.png
        size_kb: 38

El path es relativo al directorio assets/ del conjunto (NO al JSON de lección). En el JSON de lección, los ejercicios picture-choice referencian los assets CON el prefijo assets/:

{
  "type": "picture_choice",
  "prompt": "Welches ist 'chat'?",
  "images": [
    {"src": "assets/img/chat.png", "label": "Katze", "is_correct": "true"},
    {"src": "assets/img/chien.png", "label": "Hund"}
  ]
}

El frontend elimina el prefijo assets/ automáticamente al llamar al resolutor de assets, de modo que el JSON de lección permanezca en la forma intuitiva para las autoras.

Límites de tamaño + formato¶

Límite por asset: 500 KiB. El validador del manifiesto rechaza los assets cuyo size_kb declarado supera este límite. El descargador rechaza también los assets cuyo tamaño real en bytes supera la declaración en más de un 10 % - lo que mantiene el manifiesto honesto.
Límite blando por conjunto: 10 MiB de tamaño total. El validador avisa, pero no rechaza.
Formatos aceptados: .png / .jpg / .jpeg / .webp / .svg. Sin GIF (el contenido animado distrae), sin BMP (sin compresión). Para fotos, se prefiere WebP - claramente más pequeño que PNG con calidad comparable. Para iconos + diagramas, se prefiere SVG - escala con nitidez + tamaño de archivo mínimo.

Recomendaciones de tamaño¶

Las fichas picture-choice se renderizan hasta un máximo de 150x150 px en escritorio y 100x100 px en móvil (object-fit: contain). Las imágenes de origen de 300x300 px ofrecen el mejor resultado en pantallas Retina sin un consumo de datos innecesario. Los PNG por encima de 150 KiB rara vez se ven mejor que un WebP bien comprimido de la mitad de tamaño.

Cuándo basta el marcador de posición del runtime¶

Tres tipos de lección en los que el marcador de posición del runtime es tan bueno que las imágenes de autoría no aportan ninguna ganancia de aprendizaje:

Lecciones de color (rouge / rojo / rot / red): el generador de marcadores de posición crea una ficha hex de color acorde al nombre del color. Las fichas de autoría son redundantes.
Lecciones de números (7 / 42 / 1492): el marcador de posición renderiza los dígitos grandes + centrados. Las imágenes de autoría solo tendrían sentido con sistemas de numeración no arábigos.
Conceptos abstractos sin una representación visual obvia (patience, liberté): el marcador de posición de avatar aporta un ancla visual clara sin imponer una elección de icono discutible.

Para todo lo demás (animales, objetos, comida, lugares, partes del cuerpo), las imágenes de autoría ayudan de forma medible al reconocimiento + el recuerdo.

Lista de comprobación de calidad¶

Antes del PR de una nueva lección, comprobar:

[ ] 3-5 pasos de teoría + 8-12 ejercicios por lección
[ ] Al menos 3 tipos de ejercicio representados (matching, picture-choice, free-text, word-tiles o cloze - cloze a partir de v1.35.0)
[ ] Pasos de teoría ≤ 200 palabras por paso
[ ] Ejercicios free-text: ≥ 3 variantes accept + ≥ 3 distractores
[ ] Word-tiles: ≥ 3 fichas por ejercicio
[ ] estimated_minutes: 10-15 (realista, no idealizado)
[ ] Los distractores son incorrectos-pero-plausibles - semánticamente relacionados, nunca al azar
[ ] Las notes de la tarjeta aportan valor real (pronunciación, falsos amigos, marca de excepción)
[ ] Estructura progresiva: los conceptos posteriores se apoyan en los anteriores del mismo conjunto
[ ] Precisión cultural: uso real del idioma, no solo frases hechas de libro de texto
[ ] Validación de esquema: la lección carga limpiamente vía dict_to_lesson() (ver Pruebas locales)
[ ] Integridad de las card-id: cada exercise.card_ids[i] existe en los cards[] de la lección
[ ] Par de idiomas: target_language + source_language definidos (ISO 639-1, distintos), title_native presente

Validación (dos niveles, v1.44.0)¶

El contenido se asegura mediante dos niveles de validación con las MISMAS comprobaciones:

En la app, antes de compartir. Al compartir mediante Mis lecciones → Poner a disposición de la comunidad se ejecuta primero una comprobación basada en reglas (siempre, sin IA). Impone los valores mínimos de abajo; un conjunto por debajo no se puede compartir. Si los supera y hay una clave de IA configurada, el aprendiz puede iniciar OPCIONALMENTE una comprobación con IA complementaria (precisión de traducción, plausibilidad de distractores, gramática, nivel, sensibilidad cultural, naturalidad). El paso de IA nunca es automático, requiere consentimiento explícito (el contenido de la lección se envía al proveedor configurado) y nunca bloquea el compartir - la comprobación basada en reglas es la barrera.
En la CI del repo de contenido. Un pull request a astrapi69/adaptive-learner-content ejecuta su propio scripts/validate_content.py (estructura contra el espejo de esquema fijado al engine, incluido en el repo + valores mínimos de calidad) más una barrera de conformidad con el engine (learn-content-engine validate() sobre cada lección), de modo que un PR manual no pueda eludir la barrera.

Valores mínimos de calidad (barrera dura): ≥ 5 ejercicios por lección, ≥ 2 tipos de ejercicio, ≥ 1 paso de teoría, free-text ≥ 2 respuestas aceptadas + distractores, matching ≥ 3 parejas, picture-choice con distractores, sin anversos/reversos de tarjeta vacíos y (en escrituras de origen no latinas) reversos de tarjeta en la escritura de origen. Son valores mínimos, no objetivos - la lista de comprobación de arriba exige más.

Comprobación de contenido con IA para todo el conjunto (opcional)¶

Además de la comprobación al compartir, un conjunto descargado puede revisarse para todo el conjunto mediante Comprobar con IA. Esto es totalmente opcional y usa el proveedor + modelo que el aprendiz tenga configurado (Anthropic / OpenAI / Gemini); las tarjetas se envían por lotes a ese proveedor para su revisión. El flujo muestra una estimación de coste, se ejecuta con una barra de progreso + cancelación, y produce un informe por tarjeta que se cachea en el navegador y puede exportarse como Markdown (con una línea que registra qué proveedor + modelo ejecutó la comprobación). Cuando el informe pasa, el conjunto gana una insignia "Comprobado con IA" respaldada por un hash de contenido + una firma, de modo que una edición posterior de las tarjetas invalida la insignia hasta que el conjunto se vuelva a comprobar. La comprobación con IA nunca es una barrera - es una procedencia orientativa, no un requisito de publicación.

Pruebas locales¶

El validador de esquema del cargador de contenido se ejecuta como parte de make test. Validar una sola lección a mano:

cd plugins/adaptive-learner-plugin-content-loader
poetry run python -c "
import json, sys
from adaptive_learner_content_loader.schema import dict_to_lesson
path = '../adaptive-learner-content/sets/en/fr-a1/lessons/01-greetings.json'
with open(path) as f:
    lesson = dict_to_lesson(json.load(f))
print(f'OK: {lesson.id} - {len(lesson.cards)} Cards, {len(lesson.steps)} Steps')
"

Validar todas las lecciones de un repo de contenido de una vez, con el validador del repo de contenido (el mismo script que su CI ejecuta en cada PR):

cd ../adaptive-learner-content
python3 scripts/validate_content.py

Encuentra cada conjunto bajo sets/{source}/{target-level}/ y comprueba el esquema más los valores mínimos de calidad (≥5 ejercicios, ≥2 tipos de ejercicio, ≥1 paso de teoría, accepts de free-text + distractores, parejas de matching, sin tarjetas vacías, integridad de card-id). Las nuevas lecciones se detectan automáticamente - no hace falta cambiar ningún test.

Flujo de trabajo del PR¶

En cuanto tu conjunto esté listo:

Abre un PR contra el repo principal (para conjuntos que deban incluirse con la app), O
Crea un repo de contenido propio bajo tu cuenta de GitHub y configura el cargador de contenido mediante backend/config/plugins/content-loader.yaml (bajo default_sources).

El cargador de contenido admite cualquier repo público de GitHub como origen. Los repos privados requieren un personal access token que se define mediante la gestión de claves de tres capas (~/.config/adaptive_learner/secrets.yaml).

Errores comunes¶

Referencias de card-id: cada entrada card_ids de un ejercicio debe existir en los cards[] de la lección. Si copias un ejercicio entre lecciones y olvidas llevarte la Card correspondiente, la validación falla.

IDs seguras para slug: todas las IDs (Lesson, Card, Step, Exercise) deben coincidir con ^[a-z0-9]+(-[a-z0-9]+)*$. Sin guion bajo, sin apóstrofos, sin mayúsculas, sin guiones iniciales/finales.

is_correct: "true": es un String, no un booleano de JSON. El esquema exige explícitamente "true", porque los campos de picture_choice están modelados internamente como dict[str, str].

Campos adicionales: cada modelo tiene extra="forbid". Un campo no documentado provoca el rechazo de toda la lección. Cíñete a los campos documentados.

Body de teoría: los pasos de teoría necesitan un campo body no vacío (Markdown). Los pasos de ejercicio no deben llevar body - usa en su lugar el prompt del ejercicio.

Referencia: los conjuntos incluidos¶

Adaptive Learner incluye una biblioteca considerable en varios dominios (idiomas, programación, psicología, IA, tecnología - ver el bloque CONTENT-STATS del README para los recuentos en vivo + la tabla completa por conjunto). Algunas buenas referencias canónicas en el repo adaptive-learner-content:

sets/en/fr-a1/ - francés A1 para angloparlantes; sets/de/fr-a1/ es la contraparte con origen en alemán.
sets/en/es-a1/ + sets/de/es-a1/ - español A1 (uno por idioma de origen).
El conjunto "Python - Grundlagen" bajo sets/de/ es un ejemplo de domain: programming (origen alemán == destino), útil como referencia no lingüística.

Todos siguen las convenciones descritas en esta guía. Leer una lección completa es la forma más rápida de interiorizar la estructura.

Vía de participación en la comunidad (v1.42.0)¶

Recorrido paso a paso con capturas de pantalla: Create a lesson in the app, step by step (Medium) recorre el Creador de lecciones de la app de principio a fin, desde la primera tarjeta hasta compartir la lección terminada.

No tienes que crear las lecciones a mano desde cero. La forma más rápida de aportar algo es crear una lección en la app y compartirla:

Importa un chat y analízalo, luego Guardar como lección offline (o termina una lección adaptativa y ¿Guardar esta lección?). La lección aparece bajo Mis lecciones en el explorador de conjuntos.
En "Mis lecciones", haz clic en Exportar como conjunto de contenido para descargar un conjunto de contenido como .zip (manifiesto + lecciones). Las exportaciones solo contienen el contenido de la lección - sin progreso, sin historial de errores, nada personal.
Haz clic en Poner a disposición de la comunidad para abrir un pull request precargado en el repositorio de contenido - el JSON de la lección se hace commit en la ruta correcta del árbol, sin necesidad de un adjunto .zip.
La CI del repo valida el PR automáticamente; un maintainer revisa la lección, ajusta el manifiesto (id, title, language, level, tags) a las convenciones de arriba y lo fusiona bajo sets/. Tras el merge, cualquiera puede descargarla desde el explorador de conjuntos.

Esta es la vía social: la revisión es manual (un maintainer cura cada incorporación - nada se publica automáticamente), y todo el flujo solo necesita GitHub. Las lecciones generadas ya se validan contra el esquema, de modo que una lección aportada suele necesitar solo algo de pulido del manifiesto.

Asistente para compartir, variaciones y crédito de autoría (Fase 64)¶

Compartir una lección desde Mis lecciones abre un asistente de cuatro pasos, en lugar de saltar directamente a GitHub:

Vista previa + ubicación. La app calcula exactamente dónde aterriza la lección en el árbol (sets/{source}/{target}-{level}/) y un nombre de archivo numerado automáticamente ({nn}-{slug}.json, el siguiente número tras las lecciones existentes). Un par + nivel completamente nuevo muestra "¡Nuevo conjunto! Eres el primero."
Comprobación de duplicados. La lección se compara con las lecciones ya existentes en esa ruta (superposición de tarjetas y ejercicios - orientativo, nunca bloqueante). Si existe algo similar, puedes:
Compartir como variación - la lección se marca con variation_of: "{original_id}" más una variation_note opcional ("¿En qué se diferencia tu versión?").
Proponer solo los ejercicios nuevos (en casi-duplicados) - el asistente extrae exactamente los ejercicios que le faltan al original, junto con sus tarjetas, como una variación complementaria.
Resumen de calidad. Los hallazgos del validador basado en reglas (más la comprobación de IA opcional); las advertencias se muestran, pero nunca bloquean.
Compartir + celebrar. Un clic abre el pull request de GitHub (editor de archivos en lecciones pequeñas, página de subida en grandes), y la app lo agradece con una pequeña celebración.

Campos de variación y crédito (Esquema 1.3, todos opcionales)¶

{
  "variation_of": "10-passe-compose",
  "variation_note": "Mehr Übungen zur Angleichung",
  "contributed_by": "Maria S.",
  "contributed_at": "2026-06-01T14:30:00Z"
}

Los cuatro son aditivos y opcionales; las lecciones sin ellos se comportan exactamente como antes. contributed_by se define si el autor activa el crédito al compartir (un campo "Tu nombre (opcional)" que se recuerda localmente para la próxima vez). Si está presente, el visor muestra una línea discreta "Aportado por {name}" bajo el título, y el texto del pull request enumera al autor en su tabla de metadatos.

Historial de aportaciones y lagunas¶

Las lecciones compartidas se recuerdan localmente (sin necesidad de cuenta) bajo Mis aportaciones, con un contador y una distinción Colaborador de la comunidad a partir de cinco lecciones compartidas. El explorador de conjuntos muestra además Lecciones que faltan - sugerencias alentadoras para el siguiente nivel CEFR de un par existente o para un idioma de destino que existe para un idioma de origen pero falta para otro ("¿Puedes ayudar?").

Páginas relacionadas¶

Crear lecciones - Visión general - introducción + creador de lecciones en la app
Recomendaciones de libros - mantener books.yaml por dominio
Varios repositorios de contenido - conectar un repo propio
Create a lesson in the app, step by step - recorrido externo en Medium con capturas de pantalla

Crear contenido de lecciones¶

¿Qué es un conjunto de contenido?¶

El esquema es la única fuente de verdad (EXP-039)¶

Pares de idiomas (v1.44.0)¶

Disposición de directorios¶

Índice de búsqueda (search-index.json)¶

Formato del manifiesto¶

Esquema de lección¶

Qué tipo de ejercicio para qué objetivo de aprendizaje¶

Catálogo de tipos de ejercicio (estado)¶

Implementados (el enum ExerciseType)¶

Nivel de extensión (el espacio de nombres ext:)¶

Ejemplo por tipo de extensión¶

Disponibilidad en el asistente de lecciones¶

1600, opción A) los ejercicios free_text y matching pueden llevar¶

El Creador de lecciones como herramienta de autoría¶

Expresable sin un tipo nuevo (convenciones, no tipos)¶

Planeados si hacen falta (candidatos - NO un compromiso)¶

Excluidos deliberadamente¶

Referencia de tipos de ejercicio¶

Creación de opción múltiple¶

Escrituras no latinas: convención de transliteración¶

Dirección del ejercicio (v1.46.0 / EXP-018)¶

Anotaciones para el generador adaptativo de lecciones (v1.36.0+)¶

Assets (imágenes que incluye un conjunto) - v1.37.0+¶

Disposición de directorios¶

Declaración en el manifiesto¶

Límites de tamaño + formato¶

Recomendaciones de tamaño¶

Cuándo basta el marcador de posición del runtime¶

Lista de comprobación de calidad¶

Validación (dos niveles, v1.44.0)¶

Comprobación de contenido con IA para todo el conjunto (opcional)¶

Pruebas locales¶

Flujo de trabajo del PR¶

Errores comunes¶

Referencia: los conjuntos incluidos¶

Vía de participación en la comunidad (v1.42.0)¶

Asistente para compartir, variaciones y crédito de autoría (Fase 64)¶

Campos de variación y crédito (Esquema 1.3, todos opcionales)¶

Historial de aportaciones y lagunas¶

Páginas relacionadas¶

Índice de búsqueda (`search-index.json`)¶

Implementados (el enum `ExerciseType`)¶

Nivel de extensión (el espacio de nombres `ext:`)¶

1600, opción A) los ejercicios `free_text` y `matching` pueden llevar¶