¿Qué hace Análisis de Tareas Expertas y Diseño de Capacidades?
Use esta skill cuando un modelo de tarea parece completo desde el punto de vista procedimental pero aún así omite los desencadenantes perceptivos, los bucles de monitoreo y los hábitos de uso de herramientas que separan el rendimiento experto de una simple lista de verificación.
Cuándo Usarla
- Necesita convertir el rendimiento experto en una arquitectura de agente, simulador o entorno de entrenamiento.
- Un SOP escrito explica los pasos pero no cómo los expertos saben qué rama tomar.
- El sistema funciona en casos normales y falla en casos límite que dependen del juicio situacional.
- Está entrevistando a expertos en la materia y necesita un método para extraer conocimiento tácito en lugar de solo un procedimiento narrado.
- Un DAG o árbol de orquestación necesita bucles de monitoreo recurrentes en lugar de solo nodos secuenciales únicos.
NO es para Límites
Esta skill no es la herramienta principal adecuada para:
- Flujos de trabajo simples y deterministas donde los procedimientos explícitos ya capturan toda la tarea.
- Automatización de bajo riesgo que no depende del reconocimiento de patrones perceptivos.
- Ejercicios de documentación a posteriori que no necesitan validación contra el rendimiento experto real.
- Simulaciones donde el realismo visual importa más que la fidelidad de las señales para la toma de decisiones.
Modelos Mentales Centrales
Capa de Ciencia vs. Capa de Arte
El rendimiento experto tiene una capa declarativa que los expertos generalmente pueden explicar y una capa perceptiva que a menudo solo aparece cuando se les presiona sobre los puntos de ramificación. GOMS captura la primera. Los Inventarios de Señales Críticas y las entrevistas del Método de Decisión Crítica son la forma de recuperar la segunda.
Las Señales Son Críticas
Patrones de estela, tensión de línea, un cambio de sonido o una relación posicional sutil no son detalles decorativos. Son las entradas reales para la elección del experto. Si el sistema no puede ver las señales, no puede reproducir la función de decisión del experto.
Jerarquía con Reglas de Selección
El trabajo experto es una jerarquía de objetivos anidados con condiciones de ramificación locales, no una lista plana de pasos. La estructura importante no es solo lo que se hace, sino qué condiciones seleccionan el método A en lugar del método B.
Bucles de Monitoreo Recurrentes
Muchas tareas expertas dependen de objetivos de evaluación continua que se ejecutan junto con la acción secuencial. Un flujo de trabajo que solo modela nodos únicos pierde la anticipación y convierte la experiencia en reacción.
Brecha de Validación
Los modelos de tareas de un solo experto son predeciblemente incompletos porque las herramientas rutinarias y los comportamientos de configuración desaparecen de la conciencia consciente. La validación no es un pulido opcional; es cómo la estructura de tarea faltante se vuelve visible.
Puntos de Decisión
Vea el flujo de modelado en diagrams/01_flowchart_decision-points.md.
flowchart TD
A[Necesito modelo de capacidad experta] --> B[Descomponer objetivos y métodos]
B --> C{Punto de ramificación explicado procedimentalmente?}
C -->|Sí| D[Registrar regla de selección explícita]
C -->|No| E[Indagar por señales perceptivas]
D --> F{Se requiere monitoreo recurrente?}
E --> F
F -->|Sí| G[Modelar bucle de monitoreo y detección redundante]
F -->|No| H[Mantener subobjetivo secuencial]
G --> I[Validar con más expertos o trazas]
H --> I
1. Decidir el Grano Correcto de Descomposición
- Deténgase en el nivel donde aparece por primera vez una elección de método significativa.
- Si una condición de ramificación aún está oculta, descomponga más profundamente e indague sobre la señal que selecciona la rama.
- Si no quedan puntos de ramificación, ahora está documentando la ejecución en lugar de la arquitectura de la tarea.
2. Decidir Qué Método de Obtención de Conocimiento Usar
- Use la descomposición estructurada para procedimientos explícitos y secuencias de herramientas.
- Use las sondas del Método de Decisión Crítica cuando el experto diga "solo lo sé" o "depende".
- Use la validación multi-experto siempre que el primer modelo parezca extrañamente limpio o sin herramientas.
3. Decidir Qué Simular
- Simule las señales que realmente desencadenan las decisiones de ramificación.
- Agregue detección redundante donde los expertos confían en más de un canal.
- Omita el detalle cosmético que no cambia el reconocimiento de señales o la calidad de la elección.
Modos de Falla
1. Captura de Lista de Verificación Plana
Síntomas: el modelo de tarea se lee sin problemas pero falla tan pronto como el entorno se desvía.
Regla de detección: las condiciones de ramificación faltan o están ocultas dentro de la prosa en lugar de reglas de selección explícitas.
Recuperación: convierta la lista de verificación en una jerarquía de objetivos con puntos de ramificación vinculados a señales.
2. Simulación Sin Señales
Síntomas: los aprendices o agentes tienen éxito en el simulador pero fallan en el despliegue.
Regla de detección: la simulación reproduce procedimientos pero no las señales que los expertos usan para elegir entre ellos.
Recuperación: construya un Inventario de Señales Críticas y rediseñe el entorno en torno a la fidelidad de las señales.
3. Fragilidad de Canal Único
Síntomas: una entrada ruidosa o faltante colapsa todo el proceso de decisión.
Regla de detección: un juicio crítico depende de exactamente una fuente.
Recuperación: agregue canales redundantes y comportamiento explícito de verificación cruzada.
4. Punto Ciego de un Solo Experto
Síntomas: herramientas esenciales o acciones de configuración de contexto nunca aparecen en el primer modelo.
Regla de detección: los expertos de validación mencionan inmediatamente equipos, rutinas o comportamientos de monitoreo omitidos.
Recuperación: trate el desacuerdo como evidencia de estructura faltante, no como ruido.
5. Arquitectura Solo Secuencial
Síntomas: el sistema puede reaccionar a eventos pero no puede mantener una evaluación continua.
Regla de detección: todos los nodos son tareas únicas y ninguno representa objetivos de monitoreo recurrentes.
Recuperación: agregue bucles de monitoreo explícitos con comportamiento de predecir-observar-comparar-ajustar.
Ejemplos Practicados
Ejemplo 1: Convertir Juicio Experto en un Árbol de Agente
Un experto en el dominio del transporte marítimo da una narrativa procedimental para el atraque. El primer borrador se descompone limpiamente en pasos pero aún falla cuando la corriente, la disponibilidad de remolcadores y el comportamiento de las líneas cambian juntos. La skill agrega reglas de selección en los puntos de ramificación relevantes, registra el inventario de señales que impulsan esas elecciones e introduce bucles de monitoreo recurrentes en lugar de solo nodos secuenciales.
Ejemplo 2: Triaje de Fidelidad de Simulación
Un simulador de entrenamiento representa agua, embarcaciones y geometría de muelle de manera hermosa, pero los aprendices aún sobrepasan el punto de parada. El CTA revela que los expertos confían en el movimiento relativo contra referencias fijas en la costa y señales de tensión de línea que el simulador nunca enfatiza. La skill dirige el esfuerzo de diseño hacia esas señales en lugar de más pulido visual.
Puertas de Calidad
- El modelo de tarea distingue el procedimiento explícito del conocimiento de señales perceptivas.
- Los puntos de ramificación incluyen las señales o condiciones que seleccionan cada método.
- Los objetivos de monitoreo recurrentes se modelan por separado de los objetivos secuenciales únicos.
- Las decisiones críticas tienen canales de información redundantes donde los expertos confían en ellos.
- Al menos una pasada de validación desafía el modelo con expertos o trazas adicionales.
Archivos de Referencia
| Archivo | Cargar cuando |
|---|---|
references/goms-task-decomposition-for-agent-systems.md | Construyendo una jerarquía de objetivos o decidiendo la profundidad de descomposición |
references/critical-cue-inventories-for-agent-perception.md | Recuperando desencadenantes perceptivos en puntos de decisión |
references/knowledge-elicitation-methodology-for-agent-capability-building.md | Ejecutando entrevistas CTA o del Método de Decisión Crítica |
references/validation-gap-what-experts-dont-know-they-know.md | Probando bajo estrés un modelo de tarea de primer borrador |
references/redundant-sensing-in-multi-channel-environments.md | Diseñando percepción robusta multicanal |
references/the-art-science-gap-transfer-to-simulation.md | Decidiendo qué detalle de simulación afecta materialmente la transferencia de habilidades |
references/situation-awareness-and-the-conning-officers-mental-model.md | Modelando bucles de monitoreo y detección de divergencias |
Antipatrones
- Tratar el "conocimiento tácito" como una etiqueta que termina la investigación en lugar de una señal para indagar más a fondo.
- Capturar solo procedimientos y llamar al resultado un modelo experto.
- Diseñar simulaciones para la estética del realismo en lugar de la fidelidad de las señales.
- Asumir la completitud de un solo experto en un dominio donde la automaticidad oculta la estructura más importante.