Ir al contenido
Base de conocimiento

Introducción a Askalot

Askalot es el sistema operativo de investigación con cuestionarios verificados matemáticamente. Una sola plataforma acompaña al investigador durante todo el ciclo de vida —ideación → diseño → campaña → ejecución → análisis de calidad de los datos—, coordinado por un artículo de investigación central que todos los agentes de IA leen y escriben. Una demostración matemática formal confirma que la lógica del cuestionario es sólida antes del trabajo de campo; la etapa de análisis mide y defiende el conjunto de datos resultante en lugar de limitarse a exportarlo.

  • Instituciones académicas: universidades y centros de investigación que realizan investigación científica
  • Empresas de estudios de mercado: organizaciones comerciales que ejecutan proyectos de investigación
  • Organismos públicos: investigación para políticas públicas y medición de la opinión pública
  • ONG y centros de estudios: organizaciones de investigación y de incidencia basadas en la evidencia
Rol Responsabilidad
Diseñador de cuestionarios Crea en Armiger los instrumentos de encuesta con la lógica y el flujo adecuados
Gestor de trabajo de campo Coordina en Targetor las campañas de recogida de datos y la selección de participantes
Entrevistador Realiza en SirWay entrevistas presenciales o telefónicas en nombre de los encuestados
Encuestado Responde las encuestas mediante enlaces mágicos o con la ayuda de un entrevistador
Analista de datos Procesa y exporta en Balansor los datos de encuesta recopilados

QML: un lenguaje específico de dominio para cuestionarios

Sección titulada «QML: un lenguaje específico de dominio para cuestionarios»

QML (Questionnaire Markup Language) es un lenguaje específico de dominio basado en YAML, diseñado expresamente para la generación de cuestionarios asistida por IA. QML usa una sintaxis declarativa con semántica matemática, lo que permite a la IA centrarse en el contenido de las preguntas mientras los solucionadores SMT se encargan de la validación lógica.

Las herramientas de IA actuales tienen dificultades para generar encuestas complejas, porque los grandes modelos de lenguaje soportan una carga cognitiva abrumadora cuando intentan, a la vez:

  • Generar preguntas con sentido
  • Llevar el control de las dependencias condicionales entre preguntas
  • Garantizar la coherencia lógica en todos los recorridos
  • Mantener el orden y el flujo correctos de las preguntas
  • Evitar contradicciones y callejones sin salida inalcanzables

QML lo resuelve separando responsabilidades (la IA genera las preguntas y SMT valida la lógica):

  • Sintaxis declarativa: las preguntas se definen con precondiciones y poscondiciones, no con flujos secuenciales
  • Semántica matemática: cada construcción de QML tiene un significado matemático formal que verifica Z3
  • Separación de responsabilidades: la IA genera preguntas significativas mientras los solucionadores SMT garantizan la coherencia lógica
  • Formato legible: YAML, con navegación basada en diagramas, hace que los cuestionarios sean accesibles para quien no programa

Esta separación libera a la IA de llevar el control de las dependencias condicionales complejas, la coherencia lógica y el orden del flujo, de modo que pueda centrarse únicamente en generar preguntas con sentido mientras la validación matemática se ocupa de la complejidad.

Consulte Sintaxis de QML para ver la documentación detallada.

Askalot entrega cada pregunta de la encuesta como un documento JSON universal listo para presentarse, lo que facilita la integración en cualquier aplicación. Un cuestionario es la plantilla verificada; una encuesta es la sesión en la que un encuestado la recorre. El formato de presentación describe siempre la siguiente pregunta de una encuesta en curso, calculada a partir de las respuestas anteriores del encuestado. Cada paso incluye toda la información necesaria para presentar la pregunta:

  • Título y texto: el título de la pregunta y un texto descriptivo opcional
  • Especificación del control de entrada: tipo de control (texto, botones de opción, casillas de verificación, lista desplegable, control deslizante, interruptor) con su configuración
  • Opciones listas para presentar: las opciones de respuesta válidas, ya extraídas del control: códigos de respuesta enteros emparejados con sus etiquetas
  • Validación en el servidor: las respuestas se comprueban frente a las poscondiciones de QML al enviarse; una respuesta rechazada devuelve el mensaje de ayuda de la pregunta

Esta representación JSON simplifica muchísimo la integración porque:

  1. Sin componentes de interfaz predefinidos: las aplicaciones usan los componentes de su propio framework de interfaz
  2. Sin CSS personalizado: el estilo coincide con el diseño actual de su aplicación
  3. Coherencia de marca: las preguntas adoptan con naturalidad el aspecto de su aplicación
  4. Flexibilidad de framework: funciona con React, Vue, Angular, JavaScript puro o cualquier tecnología de frontend

Este enfoque permite que cualquier aplicación presente encuestas con sus componentes nativos sin perder la validación lógica completa del motor QML. Consulte Formato de presentación de encuestas para ver la referencia completa del formato y el ciclo del flujo.

Los cuatro servicios forman un flujo de trabajo integrado, coordinado por el artículo de investigación:

ArmigerIdeación y diseño<<Artículo + QML>>TargetorCreación de la campañaSirWayEjecución de la encuesta<<JSON>>BalansorAnálisis de calidad de los datos<<Parquet>>
  1. Idear y diseñar en Armiger: la IA procesa los documentos de origen y los objetivos en lenguaje natural, redacta el artículo de investigación y, después, genera un cuestionario QML basado en el artículo; SMT valida la coherencia lógica
  2. Campaña en Targetor: importe el público objetivo, configure los parámetros demográficos y la estrategia de muestreo acordes con el artículo, y lance la campaña
  3. Ejecutar en SirWay: los encuestados recorren el flujo que se verificó al publicarlo, con navegación dinámica; los agentes basados en perfiles de persona pueden simular respuestas para hacer pruebas
  4. Análisis de calidad de los datos en Balansor: aplique raking (calibración por rastrillado) para corregir el sesgo de muestreo, puntúe la calidad de las respuestas (respuestas en línea recta, encuestados demasiado rápidos, α de Cronbach) y mida la representatividad; el agente Analista lee el artículo para interpretar los resultados a la luz de los objetivos de investigación originales

Todos los servicios comparten un sistema de autenticación común, un repositorio de datos común y un artículo de investigación común, lo que permite un flujo de trabajo coherente en lugar de un relevo entre herramientas inconexas.

El flujo de investigación en la página de inicio de Roundtable

El flujo de investigación de Roundtable para un proyecto de demostración: cada etapa, desde los objetivos en el artículo de investigación hasta el capítulo del artículo redactado a partir de los datos medidos, con un enlace al servicio donde se realiza.

  • Ayuda de la IA: genere cuestionarios a partir de descripciones en lenguaje natural
  • Prevención de errores: la validación matemática detecta automáticamente los fallos lógicos
  • Sin seguimiento manual de dependencias: el sistema se ocupa del orden de las preguntas y de la lógica condicional
  • Confianza: tenga la certeza de que las encuestas que lanza son lógicamente sólidas
  • Experiencia fluida: las preguntas siguen un flujo cuya lógica se comprobó antes del trabajo de campo
  • Preguntas pertinentes: solo ven las preguntas que corresponden a su situación
  • Sin preguntas inalcanzables: una pregunta a la que nadie podría llegar se detecta antes de que la encuesta salga a campo
  • Adaptación dinámica: la encuesta se adapta según las respuestas anteriores
  • Datos de calidad: la validación lógica garantiza la coherencia de las respuestas
  • Muestras representativas: Targetor permite equilibrar la muestra por perfil demográfico
  • Corrección estadística: Balansor corrige el sesgo de muestreo
  • Formatos estándar: exportación a las herramientas de análisis habituales

Las plataformas de encuestas tradicionales obligan a los diseñadores a asegurarse manualmente de que:

  • Las preguntas aparecen en el orden correcto
  • La lógica condicional no genera contradicciones
  • Todas las preguntas son alcanzables
  • Las reglas de validación son compatibles entre sí

Askalot automatiza todo esto mediante verificación matemática. Este es un ejemplo sencillo de cuestionario:

q_age: ¿Qué edad tiene?q_consent: ¿Acepta participar?q_children: ¿Cuántos hijos tiene?q_household: ¿Cuántas personas viven en su hogar?q_end: ¡Gracias por participar!q_age.outcome >= 18q_household.outcome > 1q_children.outcome < q_household.outcome

El solucionador SMT verifica automáticamente:

  1. Alcanzabilidad: nodos verdes (alcanzables siempre, ALWAYS) y nodos amarillos (condicionados a precondiciones, CONDITIONAL)
  2. Precondiciones: los nodos redondeados indican cuándo aparecen las preguntas (p. ej., el consentimiento solo si la edad es ≥ 18)
  3. Poscondiciones: los nodos con llaves validan las respuestas (p. ej., hijos < tamaño del hogar)
  4. Coherencia: todas las restricciones pueden satisfacerse simultáneamente

Todo esto ocurre al instante durante el diseño en Armiger, y no después del despliegue, cuando los problemas los descubren encuestados desconcertados.