Más allá de la secundaria: demostración, entrenamiento olímpico y matemáticas a nivel de doctorado — Qué podría contener de forma realista el "modo PhD"

Resultados

(a) El curso de transición a la demostración y la investigación sobre la enseñanza de la demostración

La mayoría de los departamentos estadounidenses incorporan un curso de transición a la demostración entre cálculo y la primera asignatura centrada en demostraciones (álgebra, análisis real) [1]. Su pedagogía dominante es el método Moore: el instructor proporciona únicamente axiomas y una lista de problemas secuenciada; los estudiantes no pueden consultar textos, deben demostrar todo por sí mismos y presentar sus resultados a sus compañeros [1][2]. La evidencia de su efectividad es mayormente cualitativa y a largo plazo (más estudiantes que se incorporan a la investigación) en lugar de cuantitativa rigurosa [2].

La investigación de Selden & Selden establece una distinción central para el diseño de la evaluación: la construcción de demostraciones y la validación de demostraciones (juzgar si el argumento de otro es correcto) son competencias separadas, y un curso centrado en la construcción no mejora de forma fiable la validación [3][4]. Los estudios de seguimiento ocular y de pensamiento en voz alta demuestran que los novatos se fijan en rasgos superficiales (manipulación algebraica) mientras los expertos siguen la estructura lógica global; la validación se concibe como una construcción activa de sentido, no como una comprobación binaria — lo que explica por qué resiste una rúbrica aplicada por máquina [3][4].

El manejo de cuantificadores es la zona de fallo más replicada: un estudio con 61 estudiantes constató que ninguno pudo reescribir de forma consistente una afirmación informal como su equivalente formal cuantificado correcto [1]. Modos de fallo recurrentes: no introducir una variable al demostrar una afirmación universal; atribuir en exceso propiedades a un testigo existencial; invertir el orden de los cuantificadores (clásico en demostraciones ε‑δ); y negar incorrectamente una afirmación (enunciar el «opuesto» en lugar de la negación lógica), lo que socava la demostración por contradicción [5][6]. Un estudio de álgebra lineal encontró de forma similar que los estudiantes «hablaban sin entenderse» por distintas interpretaciones de «único» [6]. Estos son modos de fallo discretos y bien definidos — cada uno abordable mediante un ejercicio concreto y verificable (ver Implicaciones de diseño).

(b) Cómo funciona la preparación para olimpiadas

La preparación para olimpiadas se organiza en torno a heurísticas + un banco de técnicas, no a un programa lineal. El libro de Pólya How to Solve It (1945) ofrece la heurística de cuatro fases — comprender, planificar, ejecutar, revisar — que sustenta esencialmente toda la literatura de entrenamiento para competiciones [7][11]. El libro de Engel Problem‑Solving Strategies (Springer, 1998), dirigido a formadores hasta nivel IMO/Putnam, organiza por técnica (invariantes, principio del casillero, principio extremal, inducción, coloreado/recuento) en lugar de por materia del MSC [10][11].

AoPS lo operacionaliza a gran escala — problemas antes de las explicaciones, planes de estudio desde Preálgebra hasta MATHCOUNTS/AMC/AIME/ARML y WOOT (preparación para olimpiadas); cada miembro del equipo estadounidense de IMO desde 2015 ha sido estudiante de AoPS [8]. La preparación para el Putnam sigue el mismo modelo basado en conjuntos de problemas, reforzado por sesiones grupales estilo seminario [9][11].

La calificación en ambos es deliberadamente gruesa y no aditiva — un rechazo del puntuación por paso. Los problemas del IMO se puntúan de 0 a 7, evaluados ya sea «desde 7 hacia abajo» (casi completo) o «desde 0 hacia arriba» (falta una idea clave); el crédito parcial refleja el progreso conceptual, no el número de líneas [23][24]. El Putnam utiliza una escala de 0 a 10 pero, en la práctica, solo otorga {0,1,2,8,9,10} — la «brecha mortal» (3‑7) casi no se usa, de modo que una demostración que carece de rigor completo obtiene ≤2 puntos sin importar el resto del trabajo que parezca correcto [12]. Esto es una señal directa de que el crédito parcial evaluado por humanos en demostraciones resiste cualquier rúbrica aditiva y mecánica — la misma brecha que los calificadores automáticos aún no pueden cerrar (parte d).

(c) La taxonomía temática de las matemáticas avanzadas y los exámenes de admisión al doctorado

La Mathematics Subject Classification (MSC 2020), mantenida conjuntamente por AMS/MathSciNet y zbMATH, es lo más cercano a una taxonomía oficial de todas las matemáticas: 63 códigos de nivel superior de dos dígitos, desde 00 General y 03 Lógica hasta la familia de álgebra (12‑20), la familia de análisis/geomtría/topología (26‑58), probabilidad/estadística (60‑62), áreas aplicadas (68 CS, 76‑86 mecánica, 90‑94 investigación operativa/teoría de juegos/información), hasta 97 Educación matemática [15][16]. Cada código se subdivide en áreas de segundo nivel con letras [15].

Los exámenes de admisión al doctorado muestrean un núcleo pequeño y bastante universal en lugar de los 63 áreas completas. Harvard nombra seis: Álgebra (Sylow, anillos/módulos, Galois, teoría de representaciones), Geometría algebraica (variedades, Riemann‑Roch), Análisis complejo (teoría de Cauchy, residuos, superficies de Riemann), Topología algebraica (grupo fundamental, (co)homología, dualidad de Poincaré), Geometría diferencial (variedades, fibrados, curvatura) y Análisis real (teoría de la medida, espacios Lp, análisis de Fourier, EDP, probabilidad, espacios de Sobolev) [13]. Otras instituciones (TCU, UNT, Stanford, Penn State) exigen de 2 a 4 exámenes de un menú similar y más reducido — lo que confirma que «nivel doctorado» implica profundidad en un puñado de pilares fundamentales, no una cobertura enciclopédica del MSC [14].

(d) Formatos autoevaluables para matemáticas avanzadas

STACK (Moodle, respaldado por el CAS Maxima) y WeBWorK (lenguaje «PG» basado en Perl) son los dos sistemas maduros y ampliamente desplegados para la comprobación de respuestas numéricas/simbólicas: ambos validan la entrada, verifican la equivalencia algebraica (no la coincidencia de texto) mediante parámetros aleatorios por estudiante, y proporcionan retroalimentación instantánea — ninguno afirma calificar una demostración escrita [17][18][19]. La misma técnica — restar, simplificar, comprobar que el residuo sea simbólicamente cero, o recurrir a la evaluación numérica — es la que ofrecen las bibliotecas al estilo SymPy de forma programática, y sustenta los sistemas actuales de calificación con LLM de matemáticas [25].

Para la calificación de demostraciones reales, el único enfoque mecánicamente sólido es un asistente de pruebas: Lean 4 + mathlib compila una demostración y la acepta o rechaza — sin crédito parcial, pero sin ambigüedad [20]. El Natural Number Game (Imperial College London) demuestra que funciona como producto docente, gamificando los axiomas de Peano de modo que hechos «obvios» como a+b=b+a deben demostrarse a un compilador; Mathematics in Lean amplía la idea al contenido de grado universitario [20][21].

Calificar demostraciones en lenguaje natural — el formato que realmente escriben los estudiantes — sigue sin resolverse. LeanTutor (2026) autoformaliza una demostración paso a paso en Lean, pero necesita una solución formalizada del profesorado preexistente [26]. IMO‑GradingBench (2025), a partir de 1.000 soluciones de IMO calificadas por humanos, descubrió que incluso los modelos de vanguardia (o3, Gemini 2.5 Deep Think) alcanzan solo un 52‑54 % de acuerdo exacto con los calificadores humanos a ciegas (sin referencia), con errores concentrados en distinguir «parcial» de «incorrecto»; los humanos con referencia correlacionan en 0,96 [22]. RefGrader (2025) mejora la fiabilidad al calificar siempre contra una referencia en lugar de a ciegas, a costa de necesitar esa referencia preconstruida [27].

La calificación de demostraciones en lenguaje natural mediante IA es real, pero demasiado poco fiable en los límites más exigentes como para ser el único mecanismo de calificación para una retroalimentación instantánea y fiable.

Implicaciones de diseño para Math Challenge

Propuestas de bandas por encima de la educación secundaria, cada una con temáticas concretas y — de forma crítica — un mecanismo de auto‑evaluación honesto y realista:

1. Band U1 — Transición a la demostración. Temas: lógica proposicional y de predicados, manipulación de cuantificadores (orden de ∀/∃, negación), demostración directa, contrarrecíproca, inducción, demostración por contradicción, teoría básica de conjuntos y funciones. Auto‑evaluación: preguntas de opción múltiple o selección múltiple del tipo «¿Cuál es la negación correcta de esta afirmación?», «Inserte el cuantificador que falta», y ejercicios de ordenación de pasos (mezclar las líneas de una demostración válida y que el alumno las vuelva a ordenar) — esto aborda directamente los fallos documentados de cuantificadores y estructura detectados por Selden & Selden y la literatura sobre orden de cuantificadores [3][5][6].

2. Band U2 — Validación de demostraciones como competencia propia. Se presenta una breve «demostración» con un error insertado (orden de cuantificador incorrecto, paso no justificado, razonamiento circular) y se pide al estudiante que seleccione la línea exacta que rompe la validez, o que clasifique el argumento completo como válido/inválido/incompleto. Esta propuesta se fundamenta en el hallazgo de Selden & Selden de que la práctica de construcción no se transfiere a la capacidad de validación — necesita su propio tipo de ejercicio [3][4].

3. Band U3 — Álgebra abstracta (grupos, anillos, cuerpos). Temas: axiomas de grupo, teorema de Lagrange, grupos cíclicos, homomorfismos/isomorfismos, grupos cocientes, teoría básica de anillos y cuerpos. Auto‑evaluación: respuestas numéricas o estructurales (orden de un elemento, ¿es esta aplicación un homomorfismo? sí/no con un contra‑ejemplo requerido si la respuesta es no), completado de tabla de Cayley y preguntas de opción múltiple del tipo «¿Qué axioma falla aquí?».

4. Band U4 — Análisis real. Temas: sucesiones y límites, continuidad ε‑δ, diferenciabilidad, integración de Riemann, pruebas de convergencia de series. Auto‑evaluación: respuesta numérica (encontrar N tal que |aₙ − L| < ε), opción múltiple sobre qué prueba de convergencia se aplica y entrada de contraejemplo («proporcione una sucesión que converja puntualmente pero no uniformemente») contrastada con una biblioteca de contraejemplos válidos más un verificador simbólico/número (evaluar la propuesta en puntos de muestra).

5. Band U5 — Álgebra lineal más allá del curso introductorio. Temas: valores propios y vectores propios, diagonalización, forma de Jordan, espacios con producto interno, teorema espectral. Auto‑evaluación: totalmente numérica/simbólica — esta banda es esencialmente libre con un motor CAS equivalente a SymPy (el modelo STACK/Maxima se aplica casi directamente) [17][18].

6. Band U6 — Combinatoria y teoría de números (con sabor olímpico). Temas: principio del casillero, invariantes, aritmética modular, funciones generadoras, combinatoria extremal — modelado directamente a partir de la taxonomía de Engel y la estructura de AoPS/WOOT [8][10]. Auto‑evaluación: esta banda encaja mejor con el modelo actual de Math Challenge — la mayoría de estos problemas tienen una respuesta numérica o cerrada única, al estilo de los ejercicios de rellenar de AMC, AIME o Putnam, por lo que no se necesita un nuevo mecanismo de calificación más allá del que ya emplea la escalera en niveles inferiores.

7. Band G1 — Topología. Temas: espacios métricos y topológicos, compacidad, conectividad, continuidad, fundamentos del grupo fundamental. Auto‑evaluación: opción múltiple («¿Es este espacio compacto? sí/no, elija la cubierta que falla»), verdadero/falso con selección de justificación (escoger cuál de 4 justificaciones candidatas es la válida), ya que las demostraciones topológicas abiertas no son verificables mecánicamente sin formalización.

8. Band G2 — Teoría de la medida y análisis real de posgrado. Temas: σ‑álgebras, medida de Lebesgue, funciones medibles, espacios Lᵖ, convergencia dominada. Auto‑evaluación: mayormente numérica (calcular una integral de Lebesgue, determinar si una función pertenece a Lᵖ) más opción múltiple sobre qué teorema de convergencia se aplica a un escenario concreto — un mapeo casi directo del plan de estudios de cualificación de análisis real de Harvard [13].

9. Band G3 — Análisis complejo. Temas: holomorfía, teorema de Cauchy, residuos, mapas conformes, teorema de la aplicación de Riemann. Auto‑evaluación: numérica (evaluar una integral de contorno mediante residuos — tarea clásica verificable por CAS) más opción múltiple sobre la clasificación de singularidades.

10. Band G4 — Topología algebraica / Geometría diferencial. Temas: cálculo de homología y cohomología para espacios estándar (esferas, toro, espacios proyectivos), curvatura de superficies habituales. Auto‑evaluación: numérica (números de Betti, característica de Euler) — computable y verificable — pero el contenido de prueba genuina (p. ej., «demostrar la dualidad de Poincaré para este espacio») no es auto‑evaluable y debe presentarse como ejemplo trabajado de solo lectura, no como desafío puntuado.

11. Band PhD‑1 — EDP y probabilidad (núcleo de examen de cualificación). Temas: ecuaciones de calor, onda y Laplace, soluciones débiles, fundamentos de la incrustación de Sobolev; probabilidad medida‑teórica, funciones características, teorema central del límite. Auto‑evaluación: comprobación numérica de soluciones canónicas de EDP (verificar que una solución propuesta satisface la ecuación y las condiciones de contorno mediante sustitución directa — proceso puramente mecánico y amigable para CAS) y preguntas de cálculo probabilístico.

12. Band PhD‑Lean — vía «Verificada formalmente» de capstone, claramente señalada como distinta del resto. Temas: una secuencia curada de pequeños lemas (al estilo del Natural Number Game) que conducen a un resultado no trivial, redactados en Lean 4 sobre mathlib. Auto‑evaluación: el propio compilador actúa como calificador — una prueba se califica como aprobada o rechazada según la compilación exitosa, sin ambigüedad de puntuación, a costa de una inversión considerable en autoría (cada ejercicio necesita un esqueleto verificable en Lean) y de una curva de aprendizaje real para el alumno (sintaxis de Lean, no solo matemáticas) [20][21].

13. Objetivo explícito no contemplado: calificación de pruebas en lenguaje natural mediante IA, como mecanismo puntuado (no de retroalimentación del tutor). Dado que IMO‑GradingBench muestra un acuerdo ciego de ~52‑54 % entre la calificación automática y los jueces humanos incluso con modelos de frontera en 2025‑2026 [22], Math Challenge no debe lanzar una función que asigne aprobado/reprobado o una puntuación numérica a pruebas redactadas por estudiantes basándose únicamente en el juicio de un LLM. Resulta, sin embargo, apropiado que el actual «feedback del tutor IA tras cada desafío» ofrezca comentarios cualitativos, no puntuados, sobre un bosquejo de prueba presentado (esta es una función de acompañamiento, no una evaluación puntuable; un juicio erróneo o excesivamente confiado constituye un problema de usabilidad, no de integridad de la calificación) — esta distinción (retroalimentación vs. puntuación) es precisamente lo que mantiene a las bandas de nivel PhD honestas respecto a lo que significa «auto‑evaluable».

14. Mecanismo transversal: adoptar la idea clave de RefGrader — siempre calificar contra una referencia, nunca a ciegas — para cualquier juicio asistido por IA usado en modo PhD. Dado que la calificación basada en referencia supera mediblemente a la calificación ciega [22][27], cualquier punto en el que el tutor evalúe razonamiento abierto (no solo el caso prohibido anterior) debe proporcionar siempre la solución o rúbrica canónica como contexto, nunca solicitar al agente que juzgue una prueba sin referencia.

Preguntas abiertas para el responsable del proyecto

1. ¿Debe el «modo PhD» incluir la vía de capstone verificada en Lean (punto 12) pese a su coste de autoría, o limitarse exclusivamente a formatos numéricos, de opción múltiple o contraejemplos?
2. ¿Resulta aceptable una revisión de bosquejo de prueba por IA solo como coaching (sin puntuación) para las bandas superiores, o el producto necesita que cada desafío produzca una calificación definitiva de aprobado/reprobado?
3. ¿Deben los límites de las bandas seguir estrictamente los códigos de nivel superior de la MSC (para una función «explorar por área MSC»), o organizarse alrededor del núcleo de examen de cualificación de PhD (más estrecho y pedagógicamente estándar)?
4. ¿Existe interés en licenciar/integrar un motor CAS existente (la canalización Maxima de STACK es código abierto y nativo de Moodle) en lugar de desarrollar desde cero la comprobación numérica/simbólica equivalente?