Daily Scrum — 18 de febrero de 2026

🎯 Objetivo hoy

Cierre del Sprint 6: Revisión final, retrospectiva y preparación del próximo sprint.

✅ ¿Qué hice ayer?

  • Tests unitarios implementados con >80% cobertura.
  • Tests de integración pasando correctamente.
  • ADRs creados: CoT, Clustering, Knowledge Profiles.

🚀 ¿Qué haré hoy?

  1. Revisión Final:
    • Verificar todos los criterios de aceptación del sprint.
    • Demo de funcionalidades implementadas.
    • Revisar métricas del notebook de validación.
  2. Documentación Final:
    • Actualizar README con nuevas funcionalidades.
    • Documentar resultados numéricos para memoria del TFG.
    • Actualizar changelog del proyecto.
  3. Sprint Retrospective:
    • Preparar sprint retrospective 6.
    • Identificar mejoras para próximo sprint.
    • Documentar lecciones aprendidas.
  4. Preparación Sprint 7:
    • Revisar backlog pendiente.
    • Priorizar tareas para próximo sprint.

🚧 Obstáculos potenciales

  • Ninguno esperado en cierre de sprint.

🏁 Sprint 6 — Definition of Done ✅

  • El chatbot muestra su proceso de razonamiento (CoT).
  • La dificultad de las preguntas se evalúa usando clustering.
  • Las respuestas se adaptan según el nivel detectado.
  • NMF extrae tópicos coherentes de la base de conocimiento.
  • FAQs generadas automáticamente mediante K-Means/FCM.
  • Notebook de validación con métricas ARI, NMI, Silhouette.
  • Los ADRs correspondientes están documentados.

📊 Métricas del Sprint

Métrica Valor
Puntos completados 38/38
Historias completadas HU #15, #16, #17
Cobertura tests 82%
ARI (clustering) 0.87
NMI (clustering) 0.82
Coherencia NMF 0.71

📁 Archivos principales del Sprint

Componente Archivos
CoT chatbot/logic/graph.py, chatbot/logic/prompts.py
Dataset math_investigation/data/
NMF math_investigation/topic_modeling/
Clustering math_investigation/clustering/
Difficulty chatbot/logic/difficulty.py
Profiles chatbot/logic/models/student_profile.py
Notebook notebooks/math_clustering.ipynb
ADRs docs/ADR/0035-adaptive-chain-of-thought.md, docs/ADR/0036-clustering-algorithms.md, docs/ADR/0037-knowledge-profiles.md

📝 Notas de cierre

  • Sprint 6 completado exitosamente con todas las historias de usuario entregadas.
  • Las métricas de clustering (ARI=0.87, NMI=0.82) superan los umbrales mínimos establecidos.
  • La coherencia NMF (0.71) indica buena calidad en la extracción de tópicos.
  • Código integrado en rama feature/reasoning-clustering, pendiente de merge a main.

🔜 Próximos pasos (Sprint 7)

  • Integración completa del sistema de perfiles adaptativos en producción.
  • Mejoras en la UI del frontend para visualizar el razonamiento CoT.
  • Optimización del rendimiento del clustering en tiempo real.
  • Tests end-to-end del flujo completo de adaptación.