Más allá de la preparatoria: demostración, entrenamiento olímpico y matemáticas de nivel doctorado — Qué podría contener realistamente un "modo PhD"

Hallazgos

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

La mayoría de los departamentos estadounidenses inserta un curso de “transición a la demostración” entre el cálculo y el primer curso intensivo en demostraciones (álgebra, análisis real) [1]. Su pedagogía dominante es el método Moore: el instructor da solo axiomas y una lista secuenciada de problemas; los estudiantes no pueden consultar textos, demuestran todo por sí mismos y se presentan entre ellos [1][2]. La evidencia de su efectividad es mayormente cualitativa y de largo plazo (más estudiantes que pasan a la investigación) antes que estrictamente cuantitativa [2].

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

El manejo de cuantificadores es el área de fallo más replicada: un estudio con 61 estudiantes encontró que ninguno podía reescribir de forma consistente una afirmación informal como su equivalente formal cuantificado correcto [1]. Modos de fallo recurrentes: no introducir una variable al probar un enunciado universal; atribuir propiedades de más a un testigo existencial; intercambiar el orden de los cuantificadores (clásico en pruebas ε-δ); y negar mal un enunciado (enunciar el “opuesto” en lugar de la negación lógica), lo que socava la demostración por contradicción [5][6]. Un estudio de álgebra lineal encontró igualmente estudiantes que “hablaban sin entenderse” por significados distintos de “único” [6]. Son modos de fallo discretos y bien definidos — cada uno atacable con un ejercicio estrecho y verificable (ver Implicaciones de diseño).

(b) Cómo funciona el entrenamiento olímpico

El entrenamiento olímpico se organiza alrededor de heurísticas + un banco de técnicas, no de un programa lineal. How to Solve It (1945) de Pólya aporta la heurística de cuatro etapas — entender, planear, ejecutar, revisar — que subyace a esencialmente toda la literatura de entrenamiento para competencias [7][11]. Problem-Solving Strategies de Engel (Springer, 1998), dirigido a entrenadores hasta nivel IMO/Putnam, se organiza por técnica (invariantes, principio de las casillas, principio extremal, inducción, coloración/conteo) y no por materia MSC [10][11].

AoPS operacionaliza esto a escala — problemas antes que explicaciones, currículos desde Prealgebra hasta MATHCOUNTS/AMC/AIME/ARML y WOOT (entrenamiento olímpico); cada integrante del equipo IMO de Estados Unidos desde 2015 ha sido estudiante de AoPS [8]. La preparación para el Putnam sigue el mismo modelo guiado por series de problemas, reforzado por sesiones grupales tipo seminario [9][11].

La calificación en ambos es deliberadamente gruesa y no aditiva — un rechazo al puntaje por paso. Los problemas de la IMO se puntúan de 0-7, calificados ya sea “desde 7 hacia abajo” (casi completos) o “desde 0 hacia arriba” (falta una idea crítica); el crédito parcial refleja progreso conceptual, no el número de líneas [23][24]. El Putnam usa 0-10 pero en la práctica solo otorga {0,1,2,8,9,10} — el “Gap of Death” (3-7) casi no se usa, de modo que una demostración sin rigor completo obtiene ≤2 sin importar el trabajo correcto en apariencia que la rodee [12]. Es una señal directa de que el crédito parcial juzgado por humanos en demostraciones se resiste a cualquier rúbrica aditiva y mecánica — el mismo hueco que los calificadores automáticos todavía no logran cerrar (parte d).

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

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

Los exámenes de calificación de doctorado muestrean un núcleo pequeño y bastante universal, no las 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, haces, curvatura) y Análisis real (teoría de la medida, espacios Lp, análisis de Fourier, EDPs, probabilidad, espacios de Sobolev) [13]. Otras universidades (TCU, UNT, Stanford, Penn State) exigen 2-4 exámenes de un menú similar y más reducido — lo que confirma que “nivel doctorado” significa profundidad en un puñado de pilares centrales, no cobertura enciclopédica del MSC [14].

(d) Formatos auto-calificables 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 verificar respuestas numéricas/simbólicas: ambos validan la entrada, comprueban equivalencia algebraica (no coincidencia de cadenas) mediante parámetros aleatorios por estudiante, y dan retroalimentación instantánea — ninguno pretende calificar una demostración escrita [17][18][19]. La misma técnica — restar, simplificar, comprobar que el residuo es simbólicamente cero, o recurrir a evaluación numérica — es lo que las bibliotecas estilo SymPy ofrecen programáticamente, y subyace a los arneses contemporáneos de calificación con LLM matemáticos [25].

Para calificar demostraciones reales, el único enfoque mecánicamente sólido es un asistente de demostración: Lean 4 + mathlib compila una demostración y la acepta o la rechaza — sin crédito parcial, pero con cero ambigüedad [20]. El Natural Number Game (Imperial College London) demuestra que esto funciona como producto educativo, gamificando los axiomas de Peano de modo que hechos “obvios” como a+b=b+a deben demostrarse ante un compilador; “Mathematics in Lean” extiende la idea a contenido de licenciatura [20][21].

Calificar demostraciones en lenguaje natural — el formato que los estudiantes realmente escriben — sigue sin resolverse. LeanTutor (2026) autoformaliza una demostración paso a paso en Lean, pero necesita una solución formalizada preexistente del personal docente [26]. IMO-GradingBench (2025), a partir de 1,000 soluciones de IMO calificadas por humanos, encontró que incluso los modelos de frontera (o3, Gemini 2.5 Deep Think) alcanzan solo 52-54% de acuerdo exacto con calificadores humanos a ciegas (sin referencia), con errores concentrados en distinguir “parcial” de “incorrecto”; los humanos con una referencia correlacionan a 0.96 [22]. RefGrader (2025) mejora la confiabilidad calificando siempre contra una referencia en lugar de a ciegas, al costo de necesitar esa referencia construida de antemano [27]. La calificación por IA de demostraciones en lenguaje natural es real pero demasiado poco confiable en la frontera más difícil como para ser el único mecanismo de calificación para retroalimentación instantánea y confiable.

Implicaciones de diseño para Math Challenge

Bandas propuestas por encima de la preparatoria, cada una con temas concretos y — de forma crítica — un mecanismo de auto-calificación honesto y realista:

1. Banda U1 — Transición a la demostración. Temas: lógica proposicional/de predicados, manipulación de cuantificadores (orden ∀/∃, negación), demostración directa, contrapositiva, inducción, demostración por contradicción, teoría básica de conjuntos y funciones. Auto-calificación: opción múltiple/selección múltiple sobre “cuál de estas es la negación correcta de este enunciado”, “inserta el cuantificador que falta”, y ejercicios de ordenamiento de pasos (se barajan las líneas de una demostración válida y el estudiante las reordena) — esto ataca directamente los fallos documentados de cuantificadores y estructura de Selden & Selden y la literatura sobre orden de cuantificadores [3][5][6].

2. Banda U2 — La validación de demostraciones como habilidad propia. Se presenta una “demostración” corta con un fallo sembrado (orden de cuantificadores incorrecto, paso injustificado, razonamiento circular) y se pide al estudiante seleccionar la línea exacta que se rompe, o clasificar el argumento completo como válido/inválido/incompleto. Esto está motivado directamente por 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. Banda U3 — Álgebra abstracta (grupos, anillos, campos). Temas: axiomas de grupo, teorema de Lagrange, grupos cíclicos, homomorfismos/isomorfismos, grupos cociente, teoría básica de anillos/campos. Auto-calificación: respuestas numéricas/estructurales (orden de un elemento, ¿es esta función un homomorfismo? — sí/no con un elemento contraejemplo obligatorio si no), completar tablas de Cayley, opción múltiple sobre “qué axioma falla aquí”.

4. Banda U4 — Análisis real. Temas: sucesiones/límites, continuidad ε-δ, diferenciabilidad, integración de Riemann, criterios de convergencia de series. Auto-calificación: respuesta numérica (encuentra N tal que |a_n - L| < ε), opción múltiple sobre qué criterio de convergencia aplica, y entrada de contraejemplos (“da una sucesión que converja puntualmente pero no uniformemente”) verificada contra una biblioteca de contraejemplos válidos conocidos más un verificador simbólico/numérico (evaluar el candidato en puntos de muestra).

5. Banda U5 — Álgebra lineal más allá del curso introductorio. Temas: eigenvalores/eigenvectores, diagonalización, forma de Jordan, espacios con producto interior, teorema espectral. Auto-calificación: totalmente numérica/simbólica — esta banda es esencialmente gratis con un backend CAS equivalente a SymPy (el modelo STACK/Maxima aplica casi directamente) [17][18].

6. Banda U6 — Combinatoria y teoría de números (de estilo olímpico). Temas: principio de las casillas, invariantes, aritmética modular, funciones generatrices, combinatoria extremal — modelada directamente sobre la taxonomía de Engel y la estructura de AoPS/WOOT [8][10]. Auto-calificación: esta banda es la que mejor encaja con el modelo existente de Math Challenge — casi todos estos problemas tienen una respuesta final numérica única o de forma cerrada, exactamente como los problemas de respuesta abierta estilo AMC/AIME/Putnam, de modo que no se necesita ningún mecanismo de calificación nuevo más allá de lo que la escalera ya hace en los niveles inferiores.

7. Banda G1 — Topología. Temas: espacios métricos/topológicos, compacidad, conexidad, continuidad, fundamentos del grupo fundamental. Auto-calificación: opción múltiple (“¿es compacto este espacio? — sí/no, elige la cubierta que falla”), Verdadero/Falso con selección de justificación (elegir cuál de 4 justificaciones candidatas es la válida), ya que las demostraciones topológicas abiertas no son verificables mecánicamente sin formalización.

8. Banda G2 — Teoría de la medida y análisis real de posgrado. Temas: σ-álgebras, medida de Lebesgue, funciones medibles, espacios Lp, convergencia dominada. Auto-calificación: mayormente numérica (calcular una integral de Lebesgue, determinar si una función está en L^p) más opción múltiple sobre qué teorema de convergencia aplica a un escenario dado — un mapeo casi directo del programa del examen de calificación de análisis real de Harvard [13].

9. Banda G3 — Análisis complejo. Temas: holomorfía, teorema de Cauchy, residuos, aplicaciones conformes, teorema de la aplicación de Riemann. Auto-calificación: numérica (evaluar una integral de contorno vía residuos — una tarea clásica verificable por CAS) más opción múltiple sobre clasificación de singularidades.

10. Banda G4 — Topología algebraica / Geometría diferencial. Temas: cálculo de homología/cohomología para espacios estándar (esferas, toros, espacios proyectivos), curvatura de superficies estándar. Auto-calificación: numérica (números de Betti, característica de Euler) — computable y verificable — pero el contenido genuino de demostración (p. ej., “demuestra la dualidad de Poincaré para este espacio”) no es auto-calificable y debe presentarse como contenido de “ejemplo resuelto” de solo lectura, no como un reto puntuado.

11. Banda PhD-1 — EDPs y probabilidad (núcleo del examen de calificación). Temas: ecuaciones del calor/onda/Laplace, soluciones débiles, fundamentos de inmersión de Sobolev; probabilidad basada en teoría de la medida, funciones características, teorema central del límite. Auto-calificación: verificación numérica de soluciones para EDPs canónicas (verificar que una solución candidata satisface la EDP y las condiciones de frontera por sustitución directa — puramente mecánico y amigable con CAS) y preguntas de cálculo de probabilidad.

12. Banda PhD-Lean — Pista capstone “formalmente verificada”, claramente etiquetada como distinta del resto. Temas: una secuencia curada de lemas pequeños (en el espíritu del Natural Number Game) que construyen hacia un resultado no trivial, autorados en Lean 4 contra mathlib. Auto-calificación: el compilador mismo es el calificador — una demostración se califica aprobada/reprobada por compilación exitosa, con cero ambigüedad de calificación, al costo de una inversión de autoría considerable (cada ejercicio necesita un esqueleto verificable en Lean) y un costo real de curva de aprendizaje para el jugador (sintaxis de Lean, no solo matemáticas) [20][21].

13. No-objetivo explícito: calificación por IA de demostraciones en lenguaje natural de forma libre, como mecanismo puntuado (no de retroalimentación de tutor). Dado el acuerdo de calificación a ciegas de ~52-54% de IMO-GradingBench con jueces humanos incluso de modelos de frontera en 2025-2026 [22], Math Challenge no debe lanzar una función que asigne un aprobado/reprobado o un puntaje numérico a demostraciones en prosa escritas por estudiantes mediante solo el juicio de un LLM. Sin embargo, es apropiado que el “tutor de IA con retroalimentación tras cada reto” existente dé comentarios cualitativos y no puntuados sobre un bosquejo de demostración enviado (esto es una función de acompañamiento, no una evaluación calificada, así que un juicio erróneo o excesivamente confiado es un problema de calidad de UX, no de integridad de calificación) — esta distinción (retroalimentación vs. puntaje) es exactamente lo que mantiene a las bandas del modo PhD anteriores honestas sobre lo que significa “auto-calificable”.

14. Mecanismo transversal: adoptar la idea clave de RefGrader — calificar siempre contra una referencia, nunca a ciegas — para cualquier juicio asistido por IA usado en cualquier parte del modo PhD. Dado que la calificación agéntica basada en referencia supera mediblemente a la calificación a ciegas [22][27], cualquier lugar donde el tutor evalúe razonamiento abierto (no solo el caso prohibido anterior) debe recibir siempre la solución/rúbrica canónica como contexto, y nunca pedírsele que juzgue una demostración en frío.

Preguntas abiertas para el dueño del proyecto

1. ¿Debe el “modo PhD” incluir la pista capstone verificada en Lean (punto 12) dado su costo de autoría, o quedarse enteramente dentro de los formatos numéricos/opción múltiple/contraejemplo?
2. ¿Es aceptable una revisión de bosquejos de demostración por IA de solo acompañamiento (no puntuada) para las bandas superiores, o el producto necesita que cada reto produzca un puntaje duro de aprobado/reprobado?
3. ¿Deben los límites de banda seguir estrictamente los códigos de primer nivel del MSC (para una función de “explorar por área MSC”) o quedarse organizados alrededor del núcleo del examen de calificación de doctorado (que es más estrecho y más estándar pedagógicamente)?
4. ¿Hay interés en licenciar/integrar un motor existente respaldado por CAS (el pipeline Maxima de STACK es de código abierto y nativo de Moodle) en lugar de construir desde cero la verificación de equivalencia numérica/simbólica?