Ir para o conteúdo

Rastreamento: Git para aprendizagem

A maioria das aplicações de aprendizagem rastreia "percentagem concluída" ou "dias de sequência." Esses números são fáceis de calcular mas dizem-lhe quase nada sobre como está realmente a aprender. O AdaptiveLearner toma de empréstimo o modelo mental do Git.

A analogia com o Git

Git Aprendizagem
Commit Instantâneo de uma sessão (método, avaliações, duração)
Diff Delta da sessão anterior no mesmo tópico
Branch Uma mudança de método (dedutivo → dialógico)
Log O historial cronológico completo de commits
Blame Que sessão introduziu um padrão específico
Bisect Encontrar a sessão em que a compreensão parou de crescer

Não usamos Git literalmente. Usamos a sua disciplina de estado versionado, recuperável e comparável. As sessões são duráveis; não desaparecem quando fecha o separador. Pode olhar para trás, comparar e encontrar padrões.

O que é commitado

Cada sessão que termina com uma avaliação produz uma linha ProgressCommit:

Coluna O que captura
method Qual dos seis métodos esta sessão usou
understanding A sua avaliação de 1-5, reescalada para 0.0-1.0
stress Mesma reescala
error_rate 0.0-1.0 (atualmente sempre 0.0; reservado para uma futura fração de erros por passo)
duration_minutes Tempo decorrido entre started_at e ended_at
committed_at Quando o commit foi escrito
project_id Qual projeto de aprendizagem
session_id Qual sessão

É isso. Sete campos, sem NULLs (os valores de avaliação são obrigatórios para terminar). Um punhado de bytes por sessão.

O que pode fazer com isto

Linhas de tendência

A Linha do Tempo de Progresso do Dashboard traça as suas últimas 5 avaliações de compreensão + stress. Cinco pontos são suficientes para detetar a direção:

  • Ambos a subir: progresso + confiança ambos a aumentar. Continue.
  • Compreensão a subir, stress a subir: está a esticar-se. Isto é bom mas apenas sustentável até certo ponto.
  • Compreensão estável, stress a subir: estagnação. A heurística de mudança de método é ativada aqui.
  • Compreensão a cair: algo mudou. O tópico ficou mais difícil? O método deixou de se adequar? Hora de olhar para o historial.

Distribuição de métodos

Quais métodos usou realmente? Muitos aprendentes descobrem que recorrem por defeito a um método (muitas vezes dedutivo) e nunca experimentam os outros. O gráfico de barras no Dashboard é um espelho — não uma competição.

Sequência

Dias de calendário consecutivos com pelo menos uma sessão. Reinicia no momento em que um dia passa sem sessão. Esta é a única métrica de "gamificação" no AdaptiveLearner e é deliberadamente discreta. O outro lado do gráfico é mais importante.

Agregados de avaliação de passo

O avaliador de duplo prompt escreve uma linha StepEvaluation por troca de IA. O agregador de rastreamento transforma-as em:

  • Confiança média — quão certo está a IA em média de que está pronto para avançar. Baixa (< 0.5) significa que o material é genuinamente difícil para si. Isso é informação, não um veredicto.
  • Contagem de repetições — quantas vezes o avaliador disse "fique aqui." As fases de repetição intensa são normais para tópicos densos.
  • Tempo por passo — total de segundos de relógio de parede que passou em cada passo ao longo do projeto (limitado para excluir intervalos > 2h). O passo com mais tempo é onde o trabalho cognitivo está a acontecer para si.

A página de Progresso renderiza tudo isto como gráficos de barras.

O que não rastreamos

Deliberadamente:

  • Sem métricas de envolvimento — sem culpa de "minutos por dia", sem notificações, sem lembretes diários. O Adaptive Learner não luta pela sua atenção.
  • Sem comparação com outros utilizadores — está sozinho nos seus dados (modo Local) ou sozinho com o backend (modo Servidor). Sem classificações, sem comparação entre pares.
  • Sem "lições concluídas" — não existe um currículo fixo para completar. Você define o seu próprio tópico.
  • Sem "percentagem de domínio" — o que significaria 100% para um tópico de aprendizagem? O domínio é uma postura, não uma linha de chegada.

Camada de gamificação (v1.16.0)

Sobre o substrato ProgressCommit-como-Git, três camadas motivacionais são incluídas:

  • XP + Níveis — base de 50 XP por sessão terminada, mais +10 por ciclo concluído, +25 por ciclo-passo-7, +50 bónus de primeiro método, tudo multiplicado pelo multiplicador de sequência (até 2.75× numa sequência de 7 dias). Os níveis seguem threshold(n) = 50 * n * (n - 1); os níveis 1-5 ficam em 0 / 100 / 300 / 600 / 1000 XP.
  • 24 emblemas em 5 categorias (getting_started 3 / consistency 4 / method_explorer 7 / depth 7 / polyglot 3), semeados a partir de badges.yaml no primeiro arranque. Os predicados avaliam após cada sessão.
  • Mapa de calor de sequência — 365 dias, estilo GitHub, colunas semanais. Congelamentos: 1 por cada 7 dias de sequência, máximo de 3 acumulados, semântica de pausa-não-reinício. Alternância de modo de fim de semana que ignora lacunas de Sáb/Dom.

A gamificação é opcional. Desativar as notificações toast em Definições → Gamificação silencia os prompts; o sistema continua a registar o estado. As informações de avaliação de passo + historial de commits ao estilo Git permanecem a análise de carga.

Privacidade

No modo Local, os dados estão no IndexedDB do seu dispositivo. Leia-os através das DevTools do navegador ou exporte-os para backup. Mais ninguém os pode ver a menos que tenha acesso a este perfil do navegador.

No modo Servidor, os dados estão em SQLite no host do backend. Excluindo as chaves de API encriptadas, nenhum dos dados de linha é sensível no sentido habitual — são apenas nomes de métodos, avaliações inteiras, timestamps. Mas são seus. O Adaptive Learner não envia nenhum deles para qualquer serviço de análise ou telemetria de terceiros.

Porque isto importa para a aprendizagem

Os contadores de sequência na maioria das aplicações são viciantes mas superficiais. Não aprende nada de uma sequência de 90 dias no Duolingo sobre o que aprendeu. O modelo Git dá-lhe padrões:

  • "Mudei de dedutivo para dialógico a 10 de maio e a minha linha de compreensão disparou nessa semana."
  • "Passei 40% do meu tempo no passo 3 (Erro). O tópico tem mais armadilhas do que esperava."
  • "Não fiz uma sessão contextual há três semanas; o cartão de recomendação espaçada está certo em me dar um empurrão."

Estas são as perguntas que um aprendente sério faz a si mesmo. O Adaptive Learner dá-lhe o substrato para as fazer; a camada de gamificação v1.16.0 é a cobertura, desativada por predisposição.