MACHTIA Adaptive Tutor

Detecta quién necesita apoyo, genera prácticas adaptativas y acompaña al alumno con un Tutor IA oral y visual hasta demostrar aprendizaje.

Comment

Inspiration

MACHTIA Adaptive Tutor nació de una necesidad muy concreta: los docentes pueden detectar que un alumno tiene bajo desempeño, pero convertir esa información en apoyo personalizado requiere tiempo, seguimiento y atención individual que no siempre es posible dar en el aula.

El objetivo fue construir un Tutor IA que no solo identifique quién necesita ayuda, sino que también detecte en qué materia y tema específico existe una brecha de aprendizaje, genere una práctica adaptada y acompañe al alumno hasta obtener evidencia de mejora.

Además, quisimos que la experiencia fuera accesible para niños de primaria que todavía no leen con fluidez. Por eso el Tutor incorpora apoyo oral, visual, explicaciones cortas y un robot guía que acompaña al estudiante paso a paso.

What it does

MACHTIA Adaptive Tutor conecta el trabajo del profesor con la experiencia del alumno en un ciclo completo de aprendizaje:

  1. El profesor consulta quién necesita apoyo.
  2. El Tutor analiza el desempeño del grupo.
  3. Detecta estudiantes con dificultades específicas.
  4. Identifica la materia, el tema y la brecha de aprendizaje.
  5. Genera una práctica personalizada.
  6. Asigna la práctica al módulo del alumno.
  7. El alumno recibe acompañamiento visual y oral del Tutor IA.
  8. El Tutor explica antes de evaluar, ofrece pistas y cambia la explicación cuando el alumno comete errores.
  9. La dificultad se adapta durante la práctica.
  10. Al finalizar, el sistema registra evidencia y muestra al profesor el progreso antes vs. después.

En la demostración principal, Mariana López inicia con 52% en fracciones equivalentes. Después de una práctica guiada de 5 ejercicios, obtiene 80%, una mejora de 28 puntos porcentuales calculada a partir de sus respuestas reales.

How we built it

El proyecto fue desarrollado con:

  • Next.js
  • React
  • TypeScript
  • Tailwind CSS
  • Model Context Protocol (MCP)
  • Streamable HTTP
  • JSON-RPC 2.0
  • Server-Sent Events
  • Web Speech API
  • Vercel
  • Render

Creamos un servidor MCP real compatible con la versión 2025-11-25 del protocolo.

El agente educativo utiliza herramientas MCP para:

  • analizar desempeño,
  • detectar estudiantes que necesitan apoyo,
  • identificar brechas de aprendizaje,
  • generar prácticas adaptativas,
  • asignarlas al alumno,
  • consultar progreso,
  • y generar reportes de evidencia para el profesor.

El frontend está desplegado en Vercel y el servidor MCP en Render.

Para la experiencia del alumno usamos Web Speech API para lectura en voz alta, repetición de instrucciones y pistas orales, reduciendo la dependencia de lectura.

Challenges we ran into

Uno de los principales desafíos fue evitar que el producto se convirtiera simplemente en un chatbot educativo.

El Tutor debía ejecutar acciones reales: consultar información, detectar brechas, generar prácticas, asignarlas y registrar resultados.

Otro reto importante fue diseñar una experiencia adecuada para niños que aún no tienen una lectura fluida. Esto nos llevó a transformar la práctica en una experiencia más visual, oral y guiada.

También trabajamos en mantener una degradación segura: si el servidor MCP no está disponible temporalmente, la aplicación puede continuar en modo demo sin colapsar, pero muestra claramente que MCP está offline.

Accomplishments that we're proud of

Estamos orgullosos de haber construido un flujo completo de extremo a extremo:

Profesor → Detección → Práctica → Alumno → Tutor → Evidencia.

También logramos:

  • implementar un servidor MCP real con 7 herramientas educativas,
  • conectar el frontend con MCP mediante Streamable HTTP,
  • mantener resultados calculados a partir de respuestas reales,
  • integrar apoyo oral para niños mediante Web Speech API,
  • crear pistas progresivas sin revelar directamente las respuestas,
  • registrar evidencia antes vs. después,
  • desplegar frontend y servidor MCP públicamente,
  • y mantener 25/25 pruebas automatizadas pasando.

What we learned

Aprendimos que una experiencia educativa con IA es más útil cuando la IA no solo responde preguntas, sino que puede actuar dentro de un flujo pedagógico.

También confirmamos que la accesibilidad no debe ser una función secundaria. Para niños pequeños, escuchar, observar, tocar e interactuar puede ser tan importante como leer.

El uso de MCP nos permitió separar claramente la conversación del agente de las herramientas que ejecutan acciones reales sobre el sistema educativo.

What's next for MACHTIA Adaptive Tutor

Los siguientes pasos incluyen:

  • ampliar las materias y niveles educativos,
  • incorporar más tipos de prácticas visuales e interactivas,
  • personalizar aún más el nivel de apoyo según el desempeño,
  • permitir que los docentes configuren criterios de intervención,
  • agregar seguimiento longitudinal del aprendizaje,
  • mejorar la experiencia de voz,
  • e integrar MACHTIA Adaptive Tutor con una plataforma escolar completa.

Nuestro objetivo es que cada alumno pueda recibir apoyo personalizado sin aumentar innecesariamente la carga de trabajo del profesor.

Built With

Share this project:

Updates

Submission history