KS
Killer-Skills

generar-schoice — how to use generar-schoice how to use generar-schoice, generar-schoice alternative, generar-schoice setup guide, what is generar-schoice, generar-schoice vs other math exercise generators, installing generar-schoice for AI agents

v3.0
GitHub

About this Skill

Perfect for Education Agents needing to generate metacognitive math exercises with Progressive Disclosure generar-schoice is a project for generating metacognitive exercises with a focus on Progressive Disclosure, designed for Saber ICFES in Matemáticas.

Features

Generates metacognitive exercises with Progressive Disclosure
Supports TikZ, Python, and R for graphical representations
Utilizes decision trees for user task analysis
Consults functional examples with graphics for reference
Executes /analizar-icfes for initial analysis

# Core Topics

alvaretto alvaretto
[0]
[0]
Updated: 3/7/2026

Quality Score

Top 5%
35
Excellent
Based on code quality & docs
Installation
SYS Universal Install (Auto-Detect)
Cursor IDE Windsurf IDE VS Code IDE
> npx killer-skills add alvaretto/proyecto-r-exams-icfes-matematicas-optimizado/references/anatomia-rmd.md

Agent Capability Analysis

The generar-schoice MCP Server by alvaretto is an open-source Categories.community integration for Claude and other AI agents, enabling seamless task automation and capability expansion. Optimized for how to use generar-schoice, generar-schoice alternative, generar-schoice setup guide.

Ideal Agent Persona

Perfect for Education Agents needing to generate metacognitive math exercises with Progressive Disclosure

Core Value

Empowers agents to create interactive Saber ICFES math exercises utilizing Progressive Disclosure, benefiting developers and educators with metacognitive exercises in Matemáticas, and provides a decision tree for analysis and generation of exercises

Capabilities Granted for generar-schoice MCP Server

Generating metacognitive exercises for Saber ICFES in Matemáticas
Creating interactive math exercises with Progressive Disclosure
Analyzing ICFES data for exercise generation
Consulting functional examples with graphics using TikZ, Python, or R

! Prerequisites & Limits

  • Requires analysis of ICFES data
  • Must follow specific rules for metacognitive exercises with Progressive Disclosure
  • Limited to generating exercises for Saber ICFES in Matemáticas
Project
SKILL.md
7.6 KB
.cursorrules
1.2 KB
package.json
240 B
Ready
UTF-8

# Tags

[No tags]
SKILL.md
Readonly

Generador de Ejercicios SCHOICE Metacognitivos

REGLA CRÍTICA

⚠️ TODO ejercicio SCHOICE DEBE ser metacognitivo con Progressive Disclosure.

Ver regla completa: .claude/rules/ejercicios-metacognitivos.md

Decision Tree

User task -> Tiene analisis ICFES?
    |-- No -> Ejecutar /analizar-icfes primero
    +-- Si -> Tiene graficos?
        |-- Si -> Preguntar version grafica (TikZ/Python/R)
        |        +-- Consultar ejemplos funcionales similares con grafico
        +-- No -> Consultar ejemplos funcionales similares sin grafico
                 +-- Seleccionar PATRON METACOGNITIVO
                    |-- Patron 1: Analisis de Error Ajeno
                    |-- Patron 2: Evaluacion de Afirmacion
                    +-- Patron 3: Comparacion de Procedimientos
                 +-- Generar .Rmd con nomenclatura oficial
                    +-- Validar: Rscript scripts/validar-renderizado.R

Proceso paso a paso

PASO 0: Seleccionar patron metacognitivo (OBLIGATORIO)

ANTES de cualquier otra accion, definir el patron metacognitivo:

PatronCuando usarBloomDOK
Analisis de Error AjenoEjercicios de calculo donde hay errores comunesAnalizar/Evaluar3
Evaluacion de AfirmacionEjercicios conceptuales sobre propiedadesEvaluar3
Comparacion de ProcedimientosEjercicios con multiples metodos de solucionAnalizar3

Ejemplos:

Patron 1 (Error Ajeno):
"Juan calculo el area de un circulo con radio 5 y obtuvo 10π.
 ¿Cual error conceptual cometio Juan?"

Patron 2 (Afirmacion):
"Maria afirma: 'Si duplico el radio, el area se duplica'.
 ¿Por que esta afirmacion es INCORRECTA?"

Patron 3 (Comparacion):
"Tres estudiantes resolvieron 2x + 5 = 13:
 Estudiante A: x = 4
 Estudiante B: x = 9
 Estudiante C: x = 6
 ¿Cual aplico correctamente el despeje?"

PASO 0.5: Seleccion de version grafica (si aplica)

Preguntar al usuario:

  1. TikZ (imagen externa)
  2. Python (reticulate)
  3. R/ggplot2 (RECOMENDADO - nativo)

NO continuar sin respuesta del usuario.

PASO 1: Verificar analisis ICFES

Confirmar que existe clasificacion previa: Nivel, Competencia, Componente, Tipo = schoice.

PASO 2: Consultar ejemplos funcionales METACOGNITIVOS

NUNCA generar codigo sin consultar ejemplos primero.

bash
1# Buscar ejemplos metacognitivos existentes 2ls A-Produccion/03-En-Produccion/**/*metacognitivo*.Rmd 3 4# O ejemplos funcionales generales 5ls A-Produccion/Ejemplos-Funcionales-Rmd/*.Rmd

Leer ejemplo completo y copiar patrones.

PASO 3: Definir pool de errores conceptuales (OBLIGATORIO)

ANTES de generar el codigo, documentar minimo 4-6 errores:

r
1errores_conceptuales <- list( 2 list( 3 codigo = "XXX-YYY-01", # Ej: ALG-OPE-01 4 nombre = "Nombre descriptivo", 5 descripcion_corta = "...", # Para opciones (max 80 chars) 6 descripcion_larga = "...", # Para solucion (detallada) 7 causa_raiz = "...", # Diagnostico pedagogico 8 calcula = function(...) { ... } # Funcion que produce el distractor 9 ), 10 # ... mas errores 11)

Taxonomia de codigos:

PrefijoArea
ALGAlgebra
ARIAritmetica
ESTEstadistica
GEOGeometria
FUNFunciones

PASO 4: Generar nombre con nomenclatura

Formato: [ejercicio]_metacognitivo_[competencia]_n[nivel]_schoice_v[version].Rmd

ParteValores
[ejercicio]Descriptivo snake_case
metacognitivoOBLIGATORIO en el nombre
[competencia]interpretacion / formulacion / argumentacion
n[nivel]n2 / n3 / n4 (metacognitivo = minimo n2)
v[version]v1, v2, ...

Ver: .claude/docs/NOMENCLATURA_ARCHIVOS_RMD.md

PASO 5: Crear carpeta en En-Desarrollo

bash
1mkdir -p A-Produccion/02-En-Desarrollo/[nombre_ejercicio]

PASO 6: Generar codigo .Rmd METACOGNITIVO

Ver anatomia metacognitiva del .Rmd para las 8 secciones obligatorias.

Estructura OBLIGATORIA:

1. ENCABEZADO YAML (con taxonomias cognitivas)
2. CHUNK setup
3. CHUNK data_generation (con pool de errores)
4. CHUNK version_diversity_test
5. CHUNK validaciones_matematicas
6. SECCION Question (patron metacognitivo)
7. SECCION Solution (analisis de error + reflexion)
8. META-INFORMATION (DOK, Bloom, SOLO obligatorios)

PASO 7: Validar renderizado

bash
1Rscript .claude/skills/generar-schoice/scripts/validar-renderizado.R ejercicio.Rmd

PASO 8: Verificar checklist metacognitivo

Pre-promocion, verificar:

  • Pool de errores conceptuales con codigos
  • Respuesta erronea ≠ respuesta correcta
  • Distractores unicos
  • Solucion incluye analisis de error
  • Solucion incluye reflexion metacognitiva
  • Metadatos DOK, Bloom, SOLO presentes
  • DOK >= 2 (preferible 3)

PASO 9: Promocion

bash
1/promover-ejercicio [nombre_ejercicio]

Condiciones criticas

Pre-generacion

  • Analisis ICFES completado
  • Patron metacognitivo seleccionado
  • Pool de errores conceptuales definido (minimo 4)
  • Ejemplo funcional similar identificado y leido
  • Nomenclatura calculada (incluye "metacognitivo")
  • Carpeta destino creada

Durante generacion

  • Funcion generar_datos() con aleatorizacion
  • Pool de errores con funciones calcula
  • Pool de reflexiones metacognitivas
  • Distractores basados en errores conceptuales (NUNCA aleatorios)
  • Formato espanol en todos los numeros
  • Metadatos ICFES completos (6 dimensiones)
  • Metadatos cognitivos: DOK, Bloom, SOLO
  • exshuffle: TRUE obligatorio (excepción: FALSE en SCHOICE con opciones gráficas PNG — ver graficos-como-opciones.md)

Post-generacion

  • Renderizado exitoso en 4 formatos (HTML, PDF, DOCX, NOPS)
  • Coherencia matematica pregunta-respuesta-distractores
  • Respuesta erronea diferente de correcta
  • Test de diversidad > 250 versiones unicas
  • Solucion incluye todas las subsecciones obligatorias

NO terminar con errores pendientes.

Antipatrones PROHIBIDOS

1. Ejercicio puramente procedimental

markdown
1❌ "Calcula el area de un rectangulo con base 8 cm."

Correccion: Convertir a analisis de error:

markdown
1✓ "Un estudiante calculo 8 + 5 = 13 como area. ¿Cual fue su error?"

2. Distractores aleatorios

r
1❌ distractores <- respuesta + sample(-10:10, 3)

Correccion: Usar pool de errores:

r
1✓ distractores <- sapply(errores_conceptuales, function(e) e$calcula(...))

3. Solucion sin analisis

markdown
1❌ Solution 2======== 3La respuesta correcta es 40.

Correccion: Incluir analisis completo:

markdown
1✓ ### Analisis del Error 2**Error identificado:** ... 3**Causa raiz:** ... 4✓ ### Procedimiento Correcto 5**Paso 1:** ... 6✓ ### Reflexion Metacognitiva 7✓ ...

Referencias

  • Anatomia Metacognitiva .Rmd - Las 8 secciones obligatorias
  • Anatomia .Rmd basica - Estructura general
  • Errores comunes - Patrones incorrecto/correcto
  • Ejemplos completos - Nivel 1 aritmetica + Nivel 3 estadistica
  • Regla Metacognitiva: .claude/rules/ejercicios-metacognitivos.md
  • Ejemplos Funcionales: A-Produccion/Ejemplos-Funcionales-Rmd/
  • Nomenclatura: .claude/docs/NOMENCLATURA_ARCHIVOS_RMD.md
  • Ciclo Validacion: .claude/rules/ciclo-validacion.md
  • Metadatos: .claude/rules/codigo-rmd.md

Integracion con otros skills

analizar-icfes -> generar-schoice -> validar-renderizado -> promover-ejercicio
                       ↑
                       |
              Regla ejercicios-metacognitivos.md OBLIGATORIA

Related Skills

Looking for an alternative to generar-schoice or building a Categories.community AI Agent? Explore these related open-source MCP Servers.

View All

widget-generator

Logo of f
f

widget-generator is an open-source AI agent skill for creating widget plugins that are injected into prompt feeds on prompts.chat. It supports two rendering modes: standard prompt widgets using default PromptCard styling and custom render widgets built as full React components.

149.6k
0
Design

chat-sdk

Logo of lobehub
lobehub

chat-sdk is a unified TypeScript SDK for building chat bots across multiple platforms, providing a single interface for deploying bot logic.

73.0k
0
Communication

zustand

Logo of lobehub
lobehub

The ultimate space for work and life — to find, build, and collaborate with agent teammates that grow with you. We are taking agent harness to the next level — enabling multi-agent collaboration, effortless agent team design, and introducing agents as the unit of work interaction.

72.8k
0
Communication

data-fetching

Logo of lobehub
lobehub

The ultimate space for work and life — to find, build, and collaborate with agent teammates that grow with you. We are taking agent harness to the next level — enabling multi-agent collaboration, effortless agent team design, and introducing agents as the unit of work interaction.

72.8k
0
Communication