verificador-de-ontolog-as-normalizadas

name	Verificador de Ontologías Normalizadas
description	Skill para analizar documentos normativos, buscar ontologías en internet y seleccionar la que mejor aplica

🔍 Skill: Análisis y Selección de Ontologías para Documentos Normativos

[!IMPORTANT] Este skill permite analizar un documento base, consultar fuentes en internet y recomendar la ontología normalizada más apropiada.

---

Flujo de Trabajo Automatizado

flowchart TD
    A[📄 Documento Base] --> B[Análisis de Contenido]
    B --> C{Tipo de Documento}
    C -->|Educativo| D[Buscar IEEE LOM]
    C -->|Administrativo| E[Buscar Dublin Core]
    C -->|E-learning| F[Buscar SCORM/xAPI]
    C -->|Datos Abiertos| G[Buscar LRMI/Schema.org]
    D --> H[🌐 Consulta Internet]
    E --> H
    F --> H
    G --> H
    H --> I[Comparar Especificaciones]
    I --> J[📊 Matriz de Puntuación]
    J --> K[✅ Ontología Recomendada]

---

Paso 1: Análisis del Documento Base

Cuando el usuario proporcione un documento normativo, seguir estos pasos:

1.1 Extraer Características del Documento

# Características a identificar en el documento
caracteristicas = {
    "tipo_documento": "",        # reglamento, resolución, ordenanza, guía
    "ambito": "",                # educativo, administrativo, legal, técnico
    "audiencia": [],             # docentes, estudiantes, administrativos
    "proposito": "",             # evaluar, normar, guiar, informar
    "estructura": "",            # jerárquica, secuencial, modular
    "nivel_educativo": "",       # primaria, secundaria, superior, posgrado
    "tiene_componentes_pedagogicos": False,
    "requiere_interoperabilidad": False,
    "es_recurso_abierto": False,
    "formato_digital": ""        # PDF, HTML, XML
}

1.2 Palabras Clave de Clasificación

Categoría	Palabras Clave	Ontología Sugerida
Pedagógico	evaluación, aprendizaje, competencias, objetivos, didáctica	IEEE LOM
Administrativo	resolución, expediente, trámite, procedimiento	Dublin Core
E-learning	SCORM, LMS, módulo, interactivo, tracking	SCORM/xAPI
Datos Abiertos	licencia abierta, reutilización, compartir	LRMI
Curricular	plan de estudios, asignaturas, créditos	IEEE LOM + DC

---

Paso 2: Búsqueda en Internet

2.1 Fuentes Oficiales a Consultar

Usar la herramienta search_web para buscar especificaciones actualizadas:

Ontología	URLs de Referencia
IEEE LOM	https://standards.ieee.org/standard/1484_12_1-2002.html
Dublin Core	https://dublincore.org/specifications/dublin-core/
SCORM	https://adlnet.gov/projects/scorm/
xAPI	https://xapi.com/specification/
LRMI	https://www.dublincore.org/specifications/lrmi/
Schema.org	https://schema.org/LearningResource

2.2 Consultas Recomendadas

# Búsquedas sugeridas según el tipo de documento:

# Para documentos educativos:
search_web("IEEE LOM metadata educational resources best practices 2024")
search_web("learning object metadata standard comparison")

# Para documentos administrativos:
search_web("Dublin Core metadata government documents")

# Para contenido e-learning:
search_web("SCORM vs xAPI comparison learning content")

# Para recursos abiertos:
search_web("LRMI schema.org educational resources metadata")

2.3 Verificar Compatibilidad

Buscar información sobre:

• Última versión del estándar
• Compatibilidad con sistemas existentes (Moodle, Canvas, etc.)
• Herramientas de validación disponibles
• Casos de uso similares

---

Paso 3: Matriz de Evaluación y Puntuación

3.1 Criterios de Evaluación

Criterio	Peso	IEEE LOM	Dublin Core	SCORM	LRMI
Metadatos pedagógicos	25%	⭐⭐⭐⭐⭐	⭐⭐	⭐⭐⭐	⭐⭐⭐
Simplicidad de implementación	15%	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐	⭐⭐⭐⭐
Interoperabilidad	20%	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
Soporte para derechos	10%	⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐⭐⭐⭐
Clasificación taxonómica	15%	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐⭐
Soporte LMS	15%	⭐⭐⭐⭐	⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐

3.2 Algoritmo de Decisión

def calcular_ontologia_optima(documento: dict) -> tuple[str, float]:
    """
    Calcula la ontología más apropiada basándose en las características del documento.
    
    Args:
        documento: Dict con características extraídas del documento
        
    Returns:
        Tuple con (nombre_ontologia, puntuacion)
    """
    pesos = {
        "pedagogico": 0.25,
        "simplicidad": 0.15,
        "interoperabilidad": 0.20,
        "derechos": 0.10,
        "taxonomia": 0.15,
        "lms": 0.15
    }
    
    puntuaciones = {
        "IEEE_LOM": {
            "pedagogico": 5 if documento.get("tiene_componentes_pedagogicos") else 2,
            "simplicidad": 3,
            "interoperabilidad": 4,
            "derechos": 4,
            "taxonomia": 5 if documento.get("requiere_clasificacion") else 3,
            "lms": 4
        },
        "Dublin_Core": {
            "pedagogico": 2,
            "simplicidad": 5,
            "interoperabilidad": ,
            : ,
            : ,
            : 
        },
        : {
            : ,
            : ,
            : ,
            : ,
            : ,
            :   documento.get()  
        },
        : {
            : ,
            : ,
            : ,
            :   documento.get()  ,
            : ,
            : 
        }
    }
    
    resultados = {}
     ontologia, scores  puntuaciones.items():
        total = (scores[k] * pesos[k]  k  pesos)
        resultados[ontologia] = (total, )
    
    mejor = (resultados, key=resultados.get)
     mejor, resultados[mejor]

---

Paso 4: Generar Recomendación

4.1 Formato de Salida

## 📋 Análisis de Ontología para: [Nombre del Documento]

### Características Detectadas
- **Tipo**: [tipo_documento]
- **Ámbito**: [ambito]
- **Audiencia**: [audiencia]
- **Componentes pedagógicos**: [Sí/No]

### 🌐 Fuentes Consultadas
1. [Fuente 1](url)
2. [Fuente 2](url)

### 📊 Puntuaciones
| Ontología | Puntuación | Reason |
|-----------|------------|--------|
| IEEE LOM | X.XX | ... |
| Dublin Core | X.XX | ... |

### ✅ Recomendación Final
**Ontología recomendada**: IEEE LOM
**Puntuación**: 4.25/5.00
**Justificación**: [Explicación detallada]

---

Instrucciones de Ejecución

Para el Agente AI:

1. Recibir documento: Obtener el documento normativo del usuario
2. Analizar contenido: Extraer características usando el esquema definido
3. Buscar en internet: Usar search_web para consultar fuentes actualizadas
4. Leer especificaciones: Usar read_url_content para obtener detalles técnicos
5. Calcular puntuaciones: Aplicar la matriz de evaluación
6. Generar reporte: Presentar la recomendación con justificación

Ejemplo de Ejecución:

Usuario: "Analiza este reglamento de evaluación y recomienda la mejor ontología"

Agente:
1. Lee el documento proporcionado
2. Identifica: tipo=reglamento, ambito=educativo, tiene_componentes_pedagogicos=True
3. Ejecuta: search_web("IEEE LOM educational assessment metadata")
4. Ejecuta: search_web("Dublin Core academic regulations metadata")
5. Compara especificaciones actuales
6. Calcula: IEEE_LOM=4.25, Dublin_Core=3.40, SCORM=2.85, LRMI=3.15
7. Recomienda: IEEE LOM con justificación detallada

---

Verificador de Ontologías Normalizadas para Documentos Educativos

Este skill ayuda a identificar y verificar qué ontologías normalizadas son más apropiadas para estructurar y clasificar documentos normativos en el contexto educativo.

Ontologías Soportadas

1. IEEE LOM (Learning Object Metadata)

Mejor para: Recursos educativos digitales, objetos de aprendizaje, materiales curriculares.

Categoría	Descripción	Aplicación en Documentos Normativos
General	Identificación general del recurso	Título, idioma, descripción del documento
Lifecycle	Versión y contribuidores	Versiones del reglamento, autores
Meta-Metadata	Información sobre los metadatos	Esquema utilizado, fecha de creación
Technical	Requisitos técnicos	Formato, tamaño, ubicación
Educational	Características pedagógicas	Tipo de recurso, nivel educativo, contexto
Rights	Derechos de propiedad	Licencias, restricciones de uso
Relation	Relaciones con otros recursos	Referencias a otras normativas
Annotation	Comentarios de uso	Notas sobre implementación
Classification	Clasificación temática	Taxonomía disciplinar

Estructura IEEE LOM Recomendada:

{
  "general": {
    "identifier": { "catalog": "", "entry": "" },
    "title": "",
    "language": "es",
    "description": "",
    "keyword": [],
    "coverage": "",
    "structure": "hierarchical|collection|networked|branched|linear",
    "aggregationLevel": "1|2|3|4"
  },
  "lifeCycle": {
    "version": "",
    "status": "draft|final|revised|unavailable",
    "contribute"        
  
   
     
     
     
     
     
     
     
     
     
  
   
     
     
     
  

---

2. Dublin Core (DC)

Mejor para: Documentos generales, recursos bibliográficos, metadatos básicos.

Elemento	Descripción	Aplicación
Title	Título del recurso	Nombre del reglamento
Creator	Creador principal	Institución/Autor
Subject	Tema	Área temática (evaluación, currículum)
Description	Descripción	Resumen del contenido
Publisher	Editor/Publicador	Universidad/Ministerio
Contributor	Colaboradores	Comisiones, revisores
Date	Fecha	Publicación, vigencia
Type	Tipo de recurso	Reglamento, ordenanza, resolución
Format	Formato	PDF, HTML
Identifier	Identificador único	Número de resolución
Source	Fuente	Documento base
Language	Idioma	es, en
Relation	Relación	Normativas relacionadas
Coverage	Cobertura	Ámbito de aplicación
Rights	Derechos	Licencia, uso

---

3. SCORM (Sharable Content Object Reference Model)

Mejor para: Contenido e-learning empaquetado, cursos online, módulos interactivos.

[!NOTE] SCORM es más apropiado para contenido de aprendizaje interactivo que para documentos normativos estáticos.

---

4. IMS Learning Design

Mejor para: Diseño instruccional, secuencias de aprendizaje, actividades educativas.

---

5. LRMI (Learning Resource Metadata Initiative)

Mejor para: Recursos educativos abiertos (OER), compatibilidad con Schema.org.

---

Proceso de Verificación

Paso 1: Análisis del Documento

Al recibir un documento normativo, analizar:

• Tipo de documento: Reglamento, ordenanza, resolución, guía
• Propósito: Evaluación, currículum, procesos administrativos
• Audiencia: Docentes, estudiantes, administrativos
• Contexto: Pregrado, posgrado, investigación

Paso 2: Evaluación de Criterios

def evaluar_ontologia(documento):
    """
    Evalúa qué ontología es más apropiada para el documento.
    
    Returns:
        dict: Puntuación para cada ontología
    """
    puntuaciones = {
        "IEEE_LOM": 0,
        "Dublin_Core": 0,
        "SCORM": 0,
        "LRMI": 0
    }
    
    # Criterios de evaluación
    criterios = {
        "es_recurso_educativo": 3,  # Peso para IEEE LOM
        "tiene_metadatos_pedagogicos": 3,  # Peso para IEEE LOM
        "es_documento_general": 2,  # Peso para Dublin Core
        "es_contenido_interactivo": 3,  # Peso para SCORM
        "es_recurso_abierto": 2  # Peso para LRMI
    }
    
    # Evaluar cada criterio...
    return puntuaciones

Paso 3: Selección de Ontología

Tipo de Documento	Ontología Recomendada	Justificación
Reglamento de Evaluación	IEEE LOM	Requiere metadatos pedagógicos detallados
Resolución Administrativa	Dublin Core	Metadatos generales suficientes
Guía Didáctica	IEEE LOM	Énfasis en componentes educativos
Material de Curso	SCORM/IEEE LOM	Contenido estructurado para LMS
Recurso Educativo Abierto	LRMI + Dublin Core	Compatibilidad web y descubrimiento

---

Ejemplo de Aplicación: Documento Normativo de Evaluación

Para un documento como un "Reglamento de Evaluación Universitaria":

Análisis

• Tipo: Reglamento normativo
• Propósito: Establecer criterios y procedimientos de evaluación
• Audiencia: Docentes, estudiantes
• Contexto: Educación superior

Ontología Recomendada: IEEE LOM

Justificación:

1. ✅ Categoría Educational captura nivel educativo y contexto
2. ✅ Categoría Rights define el alcance legal y restricciones
3. ✅ Categoría Relation permite vincular con otras normativas
4. ✅ Categoría Classification permite taxonomía disciplinar

Mapeo IEEE LOM para el Documento

{
  "general": {
    "identifier": {
      "catalog": "universidad.edu.ar",
      "entry": "RES-2024-001"
    },
    "title": "Reglamento de Evaluación Académica",
    "language": "es",
    "description": "Normativa que establece los criterios, procedimientos y escalas para la evaluación de estudiantes de grado y posgrado",
    "keyword": ["evaluación", "calificaciones", "exámenes", "promoción"],
    "structure": "hierarchical",
    "aggregationLevel": "3"
  },
  "lifeCycle": {
    "version": "2.0"
     
     
      
         
         
         
      
    
  
   
      
     
     
      
  
   
     
     
     
  
   
    
       
       
         
         
               
               
        
      
    
  

---

Instrucciones de Uso

1. Obtener el documento normativo a analizar
2. Identificar el tipo de documento (reglamento, resolución, guía, etc.)
3. Aplicar la matriz de decisión para seleccionar la ontología
4. Generar el mapeo de metadatos según la ontología seleccionada
5. Validar la completitud de los campos obligatorios

Comandos de Verificación

# Validar estructura IEEE LOM
python -c "import json; json.load(open('metadata.json'))"

# Verificar campos obligatorios
python scripts/validate_lom.py metadata.json

---

Referencias

• IEEE LOM Standard
• Dublin Core Metadata Initiative
• SCORM 2004 Specification
• LRMI Specification

---

[!TIP] Para documentos normativos educativos, IEEE LOM es generalmente la mejor opción debido a su riqueza en metadatos pedagógicos y su adopción en el ámbito educativo.

---

📋 Caso Real: Análisis de Ontología para rubricas_qdrant.py

[!NOTE] Este análisis fue realizado el 29 de enero de 2026 utilizando el skill de verificación de ontologías.

Documentos Normativos Analizados

1. Normativa de Calidad para la Elaboración de Apuntes de Cátedra

Ubicación: rubricas_qdrant.py líneas 597-628

# Extracto del documento normativo
normativa_apuntes = """
NORMATIVA DE CALIDAD PARA LA ELABORACIÓN DE APUNTES DE CÁTEDRA

ARTÍCULO 1: DESARROLLO DE CONCEPTOS
- Precisión conceptual: Definiciones claras, unívocas y técnicamente correctas.
- Profundidad adecuada: El nivel de detalle corresponde a los objetivos de aprendizaje.
- Secuenciación lógica: Progresión coherente de ideas
- Ejemplificación: Uso de ejemplos relevantes

ARTÍCULO 2: REFERENCIAS BIBLIOGRÁFICAS
- Citación correcta: Uso de estilo APA, ISO 690, IEEE
- Pertinencia: Bibliografía actualizada y de calidad
- Distinción de fuentes: básica vs complementaria

ARTÍCULO 3: RECURSOS Y ENLACES WEB
- Validez de enlaces
- Calidad de recursos
- Accesibilidad
"""

2. Estándar IEEE LOM (Resumido)

Ubicación: rubricas_qdrant.py líneas 631-642

---

Características Detectadas

Característica	Normativa Apuntes	IEEE LOM
Tipo	Reglamento académico	Estándar técnico
Ámbito	Educativo - Educación Superior	Técnico-Educativo
Audiencia	Docentes, autores	Desarrolladores, catalogadores
Propósito	Evaluar calidad de apuntes	Describir objetos de aprendizaje
Componentes pedagógicos	✅ Sí	✅ Sí
Requiere interoperabilidad	✅ Sí (Qdrant/LMS)	✅ Sí

---

Fuentes Consultadas (Internet)

Fuente	URL	Información Relevante
IEEE LOM 2020	grokipedia.com	Revisión IEEE 1484.12.1-2020 mejora claridad e interoperabilidad
Dublin Core	dublincore.org	15 elementos básicos, ISO Standard 2003
LRMI	schema.org	Extensión de Schema.org para recursos educativos
ISO/IEC 19788 MLR	inokufu.com	Sucesor moderno de LOM

---

Matriz de Puntuación Final

Criterio	Peso	IEEE LOM	Dublin Core	SCORM	LRMI
Metadatos pedagógicos	25%	5	2	3	3
Simplicidad	15%	3	5	2	4
Interoperabilidad	20%	4	5	4	4
Soporte derechos	10%	4	3	2	5
Clasificación taxonómica	15%	5	3	2	3
Soporte LMS/RAG	15%	4	2	5	3

Resultados

Ontología	Puntuación	Ranking
IEEE LOM	4.25/5.00	🥇 1°
LRMI	3.55/5.00	🥈 2°
Dublin Core	3.30/5.00	🥉 3°
SCORM	3.15/5.00	4°

---

✅ Ontología Recomendada: IEEE LOM (IEEE 1484.12.1-2020)

Justificación Técnica

1. Metadatos Pedagógicos Ricos: La normativa requiere describir:

   • Precisión conceptual → educational.semanticDensity
   • Profundidad de contenido → educational.difficulty
   • Nivel educativo → educational.context: "higher education"

2. Clasificación Taxonómica: Soporta categorización por artículos:

   • Artículo 1: Desarrollo de Conceptos
   • Artículo 2: Referencias Bibliográficas
   • Artículo 3: Recursos Web

3. Compatibilidad con el Sistema: El código ya referencia IEEE LOM.

4. Relaciones: Permite vincular normativa → rúbricas derivadas.

---

Mapeo IEEE LOM Implementado

{
  "general": {
    "identifier": { 
      "catalog": "colaba-qdrant", 
      "entry": "norm-apuntes-001" 
    },
    "title": "Normativa de Calidad para la Elaboración de Apuntes de Cátedra",
    "language": "es",
    "description": "Criterios de evaluación para desarrollo de conceptos, referencias bibliográficas y recursos web en apuntes universitarios",
    "keyword": ["apuntes", "calidad", "evaluación", "bibliografía", "recursos web", "precisión conceptual"],
    "structure": "hierarchical",
    "aggregationLevel": "2"
  },
  "lifeCycle" 
     
     
      
        
       
       
    
  
   
      
     
       
     
     
     
  
   
     
     
     
  
   
    
       
          
    
  
   
    
       
       
         
         
               
               
               
        
      
    
  

---

Recomendaciones Implementadas en rubricas_qdrant.py

Se actualizó el sistema con las siguientes mejoras basadas en el análisis:

1. Estructura de Metadatos IEEE LOM Completa (IEEE_LOM_SCHEMA)
2. Constantes para Roles y Contextos educativos
3. Función de Validación de metadatos LOM
4. Normativa Actualizada con metadatos completos
5. Mapeo de Relaciones entre entidades

[!TIP] Mejora Futura: Considerar añadir LRMI para mejorar descubribilidad web si los recursos se publican online. Las propiedades teaches y assesses de LRMI complementan a IEEE LOM.

---

📐 Directrices para Diseño de Rúbricas con Criterios Medibles

[!IMPORTANT] Esta sección establece lineamientos para evitar criterios vagos y asegurar que cada rúbrica sea aplicable sin ambigüedad.

Principio Fundamental: EVIDENCIA + INDICADOR

Todo criterio de evaluación debe especificar:

Componente	Descripción	Ejemplo
EVIDENCIA	Qué se puede observar/medir directamente	"Presencia de resúmenes propios"
INDICADOR	Umbral cuantificable de cumplimiento	"Al menos 1 resumen por sección"

Términos a Evitar vs. Alternativas

❌ Evitar	✅ Usar en su lugar
"Material efectivo"	"Material que incluye: resumen, ejemplos, diagrama"
"Demuestra comprensión"	"Parafrasea conceptos sin copiar de la fuente"
"Calidad adecuada"	"Cumple con requisitos mínimos listados"
"Esfuerzo sostenido"	"Entrega puntual + extensión mínima + revisiones"
"Nivel apropiado"	"Corresponde a criterios del nivel X definidos"

---

Matriz de Adaptación por Nivel Educativo

El sistema rubricas_qdrant.py ahora soporta tres niveles:

Nivel	Criterios máx.	Lenguaje	Ejemplos
primer_año	5	Simple, sin jerga	Obligatorios
avanzado	12	Técnico-académico	Obligatorios
posgrado	20	Especializado	Opcionales

Uso Interactivo

python rubricas_qdrant.py
# El sistema preguntará:
# Nivel del estudiante [2=avanzado]: 

Uso Programático

colaba.generar_rubrica(
    prompt="...",
    archivo_salida="rubrica.txt",
    nivel="primer_año"  # o "avanzado", "posgrado"
)

---

Requisitos Mínimos Estándar

Toda rúbrica generada debe incluir una sección de REQUISITOS MÍNIMOS PARA APROBACIÓN con:

1. Estructura visible: Elementos observables de formato
2. Extensión mínima: Cantidades cuantificables
3. Fuentes documentadas: Número y formato de referencias
4. Contenido verificable: Criterios de corrección

---

Ejemplo de Criterio Bien Formulado

### Criterio: Elaboración Personal

**EVIDENCIA Observable:**
- Presencia de resúmenes escritos por el estudiante
- Esquemas o diagramas propios (no copiados)
- Reformulación de conceptos en palabras propias

**INDICADOR de Cumplimiento:**
- Mínimo 1 elemento visual propio por tema
- Resúmenes de máximo 100 palabras por sección

**NOTA:** Este criterio mide la síntesis y reformulación visible,
NO requiere seguimiento del rendimiento posterior del estudiante.