Skip to content

RUBRICA_GENERAL.md

Latest commit

 

History

History
99 lines (70 loc) · 8.24 KB

RUBRICA_GENERAL.md

File metadata and controls

99 lines (70 loc) · 8.24 KB
Raw

RÚBRICA GENERAL DEL SEMESTRE

Curso: Lógica de Programación y Desarrollo Agéntico con IA Institución: UCEMICH — Ingeniería en Nanotecnología Nivel: Primer Semestre

📊 Ponderación de la Calificación Final

Componente Porcentaje Descripción
Laboratorios (labs por unidad) 35% Entregables prácticos U1–U8, evaluados con la rúbrica genérica 4×4 de este documento
Exámenes 25% Evaluaciones escritas/prácticas por bloque de unidades (sin uso de IA)
Defensa oral del proyecto integrador 20% Evaluada con la rúbrica de defensa oral 5×4 de este documento (Unidad 8)
Participación y avance continuo 10% Asistencia a checkpoints, cumplimiento de entregas parciales
Documentación técnica (README, control de versiones) 10% Calidad del README, historial de commits, trazabilidad de uso de IA

Total: 100%

🧩 Rúbrica Genérica de Laboratorio (5 criterios × 4 niveles)

Aplica como base a los laboratorios de todas las unidades (U1–U8). Cada unidad puede añadir criterios específicos adicionales en su propio MD.

Criterio Insuficiente (0-59) En desarrollo (60-74) Competente (75-89) Sobresaliente (90-100)
1. Corrección lógica El código no ejecuta o produce resultados incorrectos en la mayoría de los casos. Ejecuta pero falla en casos borde o entradas no triviales. Ejecuta correctamente para el caso general y casos borde comunes. Ejecuta correctamente en todos los casos, incluyendo validación explícita de entradas inválidas.
2. Proceso (Hilo de Oro) No hay evidencia de pseudocódigo, diagrama ni pruebas previas al código. Pseudocódigo o diagrama presentes pero desconectados del código final. Pseudocódigo → Mermaid → Python coherentes entre sí. Pseudocódigo → Mermaid → Python → pytest completo y trazable (TDD real: test antes que implementación).
3. Calidad de código Sin type hints, nombres poco claros, código no sigue PEP 8. Type hints parciales, nombres aceptables, algunas violaciones de estilo. Type hints completos en funciones públicas, PEP 8 cumplido, funciones cohesivas. Además de lo anterior: docstrings completos, sin números mágicos, manejo explícito de errores.
4. Pruebas (pytest) Sin pruebas o pruebas que no ejecutan. Pruebas presentes pero cobertura mínima (solo camino feliz). Pruebas cubren camino feliz y al menos un caso borde/error. Cobertura ≥80%, pruebas nombradas descriptivamente, incluye casos de error explícitos.
5. Reproducibilidad El resultado cambia entre ejecuciones sin explicación (aleatoriedad sin semilla fija, dependencia de estado externo no documentada). Resultado estable en la mayoría de ejecuciones, pero sin semilla fija explícita cuando el algoritmo usa aleatoriedad. Semilla fija (random.seed()/np.random.seed()/random_state=) donde aplica; el resultado es idéntico entre ejecuciones. Además de lo anterior: la semilla es un parámetro documentado (no hardcodeada de forma oculta), y el README/docstring explica por qué ese valor produce el resultado reportado.

Cálculo de la calificación del laboratorio: promedio simple de los 5 criterios, salvo que la unidad específica indique una ponderación distinta. El criterio de Reproducibilidad se evalúa siempre, incluso cuando el laboratorio no usa aleatoriedad — en esos casos, el determinismo natural del código ya satisface el nivel Competente/Sobresaliente, salvo que el laboratorio dependa de estado externo no documentado (orden de ejecución de celdas, hora del sistema, etc.).

🎤 Rúbrica de Defensa Oral (5 criterios × 4 niveles) — Unidad 8

Criterio Insuficiente (0-59) En desarrollo (60-74) Competente (75-89) Sobresaliente (90-100)
1. Dominio conceptual No puede explicar qué hace su propio código. Explica el "qué" pero no el "por qué" de las decisiones de diseño. Explica qué, cómo y por qué de las decisiones principales. Explica además los trade-offs considerados y alternativas descartadas.
2. Trazabilidad del uso de IA No documenta si usó IA ni cómo. Menciona uso de IA sin evidencia (prompts, README). Documenta prompts usados y qué auditó/corrigió del código generado. Explica con precisión los límites de lo que la IA generó vs. lo que el alumno diseñó y validó.
3. Respuesta a preguntas improvisadas No responde o responde con IA en el momento (prohibido en defensa). Responde con ayuda extensa del docente. Responde con precisión a preguntas directas sobre su código. Responde con precisión y conecta la respuesta a conceptos de otras unidades.
4. Calidad técnica del proyecto integrador (MAEC) Proyecto no ejecuta o incumple requisitos mínimos. Ejecuta con errores menores o funcionalidad incompleta. Ejecuta correctamente y cumple todos los requisitos del proyecto. Además incluye pruebas, manejo de errores y documentación de nivel profesional.
5. Comunicación técnica Explicación desorganizada, uso incorrecto de terminología. Explicación comprensible pero con imprecisiones terminológicas. Explicación clara, ordenada, con terminología técnica correcta. Explicación clara, estructurada (contexto → problema → solución → resultado) y adaptada a la audiencia.

❓ 5 Preguntas Modelo para Preparar la Defensa Oral

  1. ¿Por qué elegiste esta estructura de datos (lista, diccionario, grafo) para modelar tu problema de nanotecnología, y qué alternativa consideraste?
  2. Muéstrame en tu código dónde usaste IA (Copiloto) y explica qué tuviste que corregir o auditar de lo que generó.
  3. Si el archivo de entrada tuviera un dato inválido o faltante, ¿qué pasaría con tu programa? Muéstramelo.
  4. Explica el flujo completo de tu proyecto: pseudocódigo → diagrama → código → prueba. ¿En qué paso encontraste más errores y por qué?
  5. ¿Qué parte de tu proyecto integrador (MAEC) reutilizarías directamente en el curso de IA y Nanotecnología (segundo semestre), y qué cambiarías?

📌 Notas de Aplicación

  • Esta rúbrica genérica es la base; unidades individuales (U1–U8) pueden agregar criterios propios sin sustituir estos 4/5 criterios centrales.
  • La política de IA por unidad (ver lecciones/UNIDAD_0_ENTORNO_Y_PRIMER_PROGRAMA.md, sección de Política de IA) determina qué tan estrictamente se evalúa el criterio de "Trazabilidad del uso de IA": en U1–U3 se espera cero uso de IA en el código entregado.
  • En exámenes y defensa oral, cualquier evidencia de uso de IA durante la evaluación implica calificación de 0 en el criterio correspondiente.

🤖 Flujo de Calificación para el Docente (OrchestratorAgent)

Para agilizar la calificación y mantener consistencia entre entregas, usa OrchestratorAgent desde terminal (o un script/notebook propio, no destinado al alumno):

from pathlib import Path
from src.multiagent_core.orchestrator_agent import OrchestratorAgent

orchestrator = OrchestratorAgent()

# Lee el código entregado por el alumno desde su archivo
codigo_alumno = Path("entregas/alumno_x/solucion.py").read_text(encoding="utf-8")
test_file = Path("entregas/alumno_x/test_solucion.py")  # opcional

reporte = orchestrator.generate_pedagogical_report(
    codigo_alumno, unit_number=5, test_file_path=test_file
)
print(reporte)

El reporte generado incluye automáticamente:

  • Auditoría de estilo (PEP 8) y seguridad (OWASP), omitida si la entrega es pseudocódigo.
  • Diagrama de flujo Mermaid autogenerado (desde Python o desde pseudocódigo, según lo que el OrchestratorAgent detecte).
  • Calificación contra los 4 criterios de la Rúbrica Genérica de Laboratorio de este documento.

Guarda el reporte como parte del expediente de la entrega:

Path("entregas/alumno_x/reporte_evaluacion.md").write_text(reporte, encoding="utf-8")

Este flujo es complementario, no sustituto, del criterio "Proceso (Hilo de Oro)" de la rúbrica — ese criterio requiere revisión humana del pseudocódigo y diagrama entregados, ya que EvaluatorAgent no puede verificarlo automáticamente (ver src/multiagent_core/evaluator_agent.py, método _evaluar_proceso).