Vanguardia EPIS es un sistema de alerta temprana diseñado para ayudar a docentes y tutores de instituciones educativas rurales y urbano-marginales del Perú a detectar estudiantes en riesgo académico antes de que el problema avance. Combina un motor de clasificación determinista con recomendaciones pedagógicas personalizadas generadas por Google Gemini 2.0 Flash, y opera de forma resiliente incluso sin conexión a internet.Documentation Index
Fetch the complete documentation index at: https://mintlify.com/Pierrot-01/Hackathon_epis_2026/llms.txt
Use this file to discover all available pages before exploring further.
Quickstart
Levanta el servidor en minutos con el script automatizado y realiza tu primera consulta a la API.
Arquitectura
Comprende cómo interactúan el motor de reglas, la IA generativa y el sistema de caché offline.
API Reference
Documenta cada endpoint REST: estudiantes, docentes, estadísticas y estado del servidor.
Interfaz Web
Explora el panel de monitoreo, administración y reportes incluidos en el frontend.
¿Cómo funciona?
Vanguardia EPIS sigue una arquitectura de responsabilidades estrictamente separadas:Clasificación determinista
El motor de reglas (
classifier.py) evalúa asistencia, notas y participación contra umbrales fijos y asigna un nivel de riesgo: 🟢 Bajo, 🟡 Medio, 🔴 Alto, o ⚪ Dato insuficiente. El resultado es 100% auditable y reproducible.Explicación por IA generativa
Google Gemini 2.0 Flash recibe el nivel de riesgo y los motivos de clasificación, y genera una explicación contextualizada y una recomendación de apoyo pedagógico específica para el docente, en español peruano.
Resiliencia offline
Si la API de Gemini falla o no hay conexión, el sistema activa automáticamente el caché local (
cache/respuestas_ia.json) con respuestas pre-generadas. El docente nunca ve un error crudo.Niveles de riesgo
| Nivel | Criterio |
|---|---|
| 🟢 Bajo | Asistencia ≥ 90%, notas ≥ 13, participación media/alta |
| 🟡 Medio | 1 señal negativa aislada (asistencia 75–89%, notas 11–12, o participación baja) |
| 🔴 Alto | Asistencia < 75%, notas < 11, o 2+ señales negativas acumuladas |
| ⚪ Insuficiente | Sin datos suficientes para clasificar — requiere revisión manual |
Los umbrales están congelados en el código según la Constitución del Proyecto (Art. III §4.1) para garantizar consistencia y auditabilidad en cada ejecución.
Recursos clave
Motor de Riesgo
Lógica determinista del clasificador
Integración Gemini
Prompts, modelo y manejo de respuestas
Modo Offline
Caché y resiliencia sin conexión
Instalación
Requisitos y pasos de despliegue
Configuración
Variables de entorno y opciones
Generar Caché
Pre-generar respuestas de IA