Resumen Técnico: KnowPlan

Planteamiento del Problema

La planificación de trayectorias de grados académicos es un problema de decisión impulsado por restricciones que requiere que los estudiantes secuencien cursos para satisfacer la lógica de prerrequisitos, los requisitos del grado, los límites de unidades y las ofertas por trimestre. Si bien trabajos previos han abordado la recomendación de cursos y la optimización del currículo, estos enfoques asumen mayoritariamente que ya se dispone de una representación curricular suficientemente completa.

La construcción de esta representación a partir de fuentes universitarias públicas es intrínsecamente difícil. Los currículos institucionales se distribuyen en formatos heterogéneos (páginas web, endpoints JSON, PDFs) sin un esquema compartido, conteniendo cláusulas lógicas anidadas, solapamientos de requisitos y excepciones de política. Una brecha crítica y no abordada en la literatura existente es la circularidad adquisición–planificación: si un planificador personalizado controla la adquisición de la fuente, el objetivo actual del estudiante determina qué páginas se abren. En consecuencia, el grafo parcial resultante determina qué planes parecen factibles, y el mismo grafo incompleto se utiliza para validar el plan. Las reglas faltantes permanecen invisibles porque nunca fueron adquiridas.

Metodología

Los autores presentan KnowPlan, un marco de extracción de primera etapa que separa la reconstrucción del currículo de la planificación de grados personalizada para romper esta circularidad. El sistema opera en dos etapas distintas:

1. CatalogBrowse: Extracción Independiente del Perfil

CatalogBrowse es un agente de exploración web diseñado para adquirir datos curriculares sin acceso a ningún perfil de estudiante.

• Estado y Observabilidad: El agente mantiene un grafo de páginas dinámico y una frontera de enlaces no abiertos. Crucialmente, el contenido de la página se revela solo después de que una acción se ha precomprometido y pagado, evitando que el agente inspeccione el contenido para decidir si accede a él.
• Obligaciones Atómicas: En lugar de depender de señales de completitud ponderadas que fomentan victorias fáciles, el agente apunta a un conjunto finito de obligaciones atómicas ($O$), tales como descubrir entradas de índice, instanciar entidades, completar campos requeridos y resolver referencias.
• Política: El agente selecciona acciones utilizando un límite inferior de confianza (LCB) sobre la ganancia de obligación marginal esperada por unidad de acceso a la fuente. Esta política conservadora prioriza la evidencia ya validada y asegura que las acciones desconocidas solo se persigan si la obligación en sí genera una ganancia esperada positiva.
• Análisis y Respaldo (Fallback): El sistema utiliza adaptadores deterministas para APIs, DOMs y PDFs. Para cláusulas lógicas complejas, emplea un modelo de cláusula-a-AST con restricción de rango (span-constrained). El modelo está restringido a tokens presentes literalmente en el rango visible y no puede emitir URLs o identificadores arbitrarios; los resultados se relocalizan en el texto de la página antes de su aceptación.
• Terminación: El agente se detiene solo cuando se cumple un certificado de clausura. Este certificado verifica que cada entrada de índice descubierta esté vinculada a una entidad o registrada como explícitamente fallida, que cada campo requerido por el esquema esté vinculado o explícitamente no resuelto, y que cada desfase de procedencia se encuentre dentro de los límites de una página que el agente abrió. El certificado localiza la evidencia pero no adjudica los hechos en sí mismos; es relativo a la instantánea (snapshot-relative) y no hace afirmaciones sobre la Web en vivo.
• Salida: La etapa emite exactamente tres documentos JSON vinculados a su procedencia: cursos/prerrequisitos, requisitos del programa y marcos de educación general.

2. DegreeMap: Planificación Personalizada

DegreeMap consume únicamente los tres documentos JSON producidos por CatalogBrowse y la solicitud específica del estudiante.

• Hipergrafo de Requisitos Tipados: El compilador mapea los documentos JSON en un hipergrafo de requisitos tipados. Preserva estructuras lógicas complejas (ej. CHOOSE_N, ALL_OF) como hiperaristas en lugar de expandirlas en cláusulas de pares, asegurando la aplicación exacta de restricciones como "elegir 3 de 9".
• Utilidad Personalizada: El sistema calcula un puntaje $S(c)$ para cada curso basado en:
  • Interés semántico directo ($I_0$).
  • Difusión de grafo tipado ($I_D$), propagando el interés a través de aristas de cumplimiento y de listado cruzado, pero no a través de aristas de prerrequisitos.
  • Valor de desbloqueo de prerrequisitos ($U$), propagando el interés hacia atrás en las rutas de dependencia.
  • Ganancias de la carrera principal/Educación General, valor de opción futura, carga de trabajo, riesgo y aversión.
• Optimización CP-SAT Lexicográfica: El planificador resuelve para un conjunto ordenado de planes usando un orden lexicográfico:
  1. Factibilidad Dura (satisfaciendo todas las restricciones).
  2. Horizonte de completitud mínimo.
  3. Carga de trabajo y riesgo de programación.
  4. Utilidad personalizada.
  5. Valor de opción futura.
     Cada etapa fija el óptimo probado de la etapa anterior como una restricción dura, preservando la certificabilidad dentro de un presupuesto fijo del solver.
• Clarificación: Si el plan óptimo varía a través de las hipótesis de preferencia restantes, el sistema realiza preguntas dirigidas para reducir el arrepentimiento esperado.

Contribuciones Clave

1. Formulación: El artículo formula la planificación de grados desde fuentes públicas como un problema de dos etapas de adquisición y optimización, haciendo que la circularidad adquisición–planificación sea directamente medible.
2. CatalogBrowse: Introduce un agente de exploración independiente del perfil, con extracción impulsada por obligaciones, procedencia vinculada y una regla de parada basada en certificados que asegura la completitud de la salida relativa a una instantánea congelada, verificando que todas las entradas descubiertas sean procesadas o fallen explícitamente.
3. DegreeMap: Presenta un planificador que combina un hipergrafo de requisitos tipados con optimización lexicográfica exacta, evaluado mediante pistas de fuente enmascarada y de oro-frente-a-extraído emparejadas.

Resultados

El sistema fue evaluado en una pista Broad-100 (100 universidades) y una pista Dense-6 (6 universidades con diversos formatos de fuente).

• Desempeño de Extracción (CatalogBrowse):
  • Logró un 96.2% de recall de inventario y un 88.7% de recuperación de fuente enmascarada (recuperando entidades detrás de páginas ocultas).
  • Utilizó un 47% menos de accesos a la fuente que un rastreador exhaustivo, superando a los baselines como Static BFS y agentes tipo Go-Browse.
  • Mantuvo un alto Typed F1 (79.4) y equivalencia semántica de AST (77.8) en la pista broad.
• Desempeño de Planificación (DegreeMap):
  • Mantuvo un 100.0% de factibilidad dura en la pista Dense-6.
  • Mejoró la utilidad personalizada en +0.066 sobre el baseline más fuerte (MSGS tipo LLMAP).
  • Redujo el horizonte de completitud de 6.7 a 6.3 trimestres.
• Desempeño de Extremo a Extremo (End-to-End):
  • El pipeline completo certificó el 99.5% de las solicitudes de planificación.
  • La brecha de utilidad respecto a la planificación sobre un grafo curricular "oro" privilegiado fue de solo 0.015.
  • Los estudios de ablación confirmaron que eliminar el certificado de punto fijo reducía el recall en 4.4 puntos, y usar un objetivo de suma ponderada en lugar de optimización lexicográfica reducía la factibilidad certificada en 4.0 puntos.

Significancia

El artículo afirma que KnowPlan elimina la circularidad adquisición–planificación por construcción. Al separar la adquisición del currículo (independiente de los objetivos del estudiante) de la optimización del plan, el sistema hace que la interfaz entre la adquisición de datos y su uso sea medible en lugar de asumida. Los autores enfatizan que este enfoque convierte un supuesto de modelado (que el currículo es conocido) en una cantidad medida, demostando que la planificación de grados confiable requiere una adquisición de currículo independiente del perfil antes de la optimización específica del estudiante. El marco es generalizable a cualquier dominio donde un agente deba adquirir un modelo del mundo para puntuar contra un objetivo posterior, siempre que el objetivo de la adquisición esté fijado antes de conocer el objetivo.