Diseñar retos matemáticos atractivos y pedagógicamente sólidos: tradiciones de tareas ricas, formatos de ítems y estándares

Hallazgos

1. Diseño de tareas ricas: piso bajo, techo alto, paredes anchas

La frase “piso bajo, techo alto” se origina en el trabajo construccionista de Seymour Papert y fue extendida con “paredes anchas” por Mitchel Resnick para describir herramientas creativas (como Scratch) que permiten que cualquiera empiece fácilmente, dejan que los expertos lleguen lejos, y apoyan muchos caminos y estilos de trabajo distintos en lugar de una sola ruta correcta. NRICH (Universidad de Cambridge) adoptó esta tríada como su definición de trabajo de una “tarea rica”: piso bajo para que cada estudiante tenga un punto de entrada, techo alto para que los estudiantes avanzados sigan siendo desafiados, y paredes anchas para que la tarea apoye múltiples representaciones y estrategias de solución, no solo múltiples respuestas finales [20]. Esto es distinto de, y más fuerte que, la “dificultad diferenciada” — paredes anchas significa específicamente que las matemáticas mismas se ramifican (p. ej., una tarea resoluble dibujando, con una tabla, con álgebra, o con un argumento recursivo), no solo que existan versiones más fáciles y más difíciles del mismo procedimiento.

Un marco complementario y más verificable mecánicamente se añade encima: los niveles de demanda cognitiva de Stein y Smith distinguen “procedimientos con conexiones” (un procedimiento usado para construir significado, conectado a conceptos subyacentes, representado de múltiples formas, que requiere algo de esfuerzo) de “hacer matemáticas” (no algorítmico, exploratorio, que requiere automonitoreo, con ambigüedad real en el camino de solución) — y los criterios de “tarea digna de grupo” de Cohen y colegas añaden: se centra en una idea matemática importante, tiene múltiples puntos de entrada y estrategias, requiere explicación/justificación, y minimiza el ruido no matemático que le permitiría a un estudiante tener éxito sin involucrarse con las matemáticas [20]. Juntos, estos le dan a Math Challenge una rúbrica que se puede aplicar a cualquier ítem borrador, independientemente del tema: ¿tiene un punto de entrada genuino para un estudiante que batalla, espacio genuino para extenderse para uno fuerte, y más de una forma legítima de atacarlo?

2. Las matemáticas de tres actos y el problema del pseudocontexto

La estructura de “matemáticas de tres actos” de Dan Meyer responde a un modo de falla específico de los problemas de palabras tradicionales: matemáticas atornilladas a un escenario que el estudiante nunca necesitó realmente entender con matemáticas (“pseudocontexto”). El Acto Uno presenta una imagen o video corto intrigante sin números y sin una pregunta explícita — el objetivo es que la propia curiosidad del estudiante genere la pregunta. El Acto Dos suministra solo los datos o herramientas que los propios estudiantes identifican como necesarios, de modo que el trabajo matemático sea intencional en lugar de impuesto. El Acto Tres revela el resultado real, dejando que los estudiantes verifiquen su razonamiento contra la realidad en lugar de contra una clave de respuestas [1]. Meyer enmarca la recompensa explícitamente: después de las matemáticas, el estudiante debería sentirse más poderoso — capaz de predecir o explicar algo que no podía antes — en lugar de haber completado un ejercicio asignado. Para Math Challenge, esto sugiere un nivel pequeño y de alto costo de producción de ítems (guiados por video o imagen, un Acto Uno por unidad) sobre un nivel mucho más grande de ítems de práctica más baratos, en lugar de intentar hacer de tres actos cada ítem en un banco de 2,500 ítems.

3. Los géneros de tareas de Shell Centre / Malcolm Swan

El Mathematics Assessment Project (Shell Centre, Universidad de Nottingham, dirigido en su fase posterior por Malcolm Swan) produjo aproximadamente 100 lecciones de evaluación formativa “Classroom Challenge” que abarcan desde el grado 6 hasta la preparación para la universidad, divididas ampliamente en dos categorías: lecciones de Desarrollo de Conceptos, que revelan y refinan la comprensión de una idea matemática, y lecciones de Resolución de Problemas, que apuntan a problemas no rutinarios e involucran ciclos de estudiantes produciendo una solución, recibiendo retroalimentación estructurada (a menudo vía trabajo de estudiantes de muestra), y revisando [7][8]. El propio marco teórico de Swan va más allá, identificando cinco propósitos distintos que la instrucción matemática puede servir — fluidez con hechos/habilidades, interpretar conceptos y representaciones, desarrollar estrategias de investigación y resolución de problemas, conciencia de los valores del sistema educativo, y apreciar el poder de las matemáticas en la sociedad — y argumenta que el diseño de tareas debe seguir deliberadamente del propósito que se pretende, porque distintos propósitos implican distintas teorías de aprendizaje y por lo tanto distintas formas de tarea [9]. Además describe cinco tipos de tarea que apoyan específicamente el desarrollo de conceptos: clasificar objetos, interpretar múltiples representaciones, evaluar afirmaciones matemáticas, crear problemas, y analizar razonamientos o soluciones [9]. Esto es directamente reutilizable como una taxonomía de etiquetado de ítems: cada ítem de Math Challenge puede etiquetarse no solo por tema y dificultad sino por cuál de estos cinco propósitos sirve, lo que a su vez debería influir en su formato (los ítems de fluidez se prestan para opción múltiple rápida/entrada numérica; “evaluar una afirmación” se presta para verdadero/falso-con-justificación o detectar-el-error; “crear un problema” se presta para un formato de respuesta abierta o de planteamiento de problemas).

4. Los problemas Open Middle

El formato Open Middle de Robert Kaplinsky se define por tres propiedades estructurales: un inicio cerrado (todos los estudiantes parten de la misma información dada), un final cerrado (hay una respuesta final correcta, o una respuesta óptima entre varias válidas), y un medio abierto (hay múltiples caminos legítimos para llegar ahí) [2]. Esto difiere de una tarea totalmente abierta en que mantiene una respuesta objetivo inequívoca y verificable por máquina — lo cual importa enormemente para un producto autocalificado — mientras sigue requiriendo razonamiento matemático genuino en lugar de recuerdo de un solo paso, porque el “medio” (la búsqueda de posiciones de dígitos, elecciones de factores, o combinaciones óptimas) es donde vive el trabajo cognitivo. Un ejemplo canónico: “Usando los dígitos 1–9 como máximo una vez cada uno, llena las casillas para crear el producto más pequeño posible” — trivialmente autocalificable (comparar el producto de los dígitos enviados contra el mínimo conocido), pero resistente a adivinar porque no hay atajo hacia la respuesta más allá de razonar sobre el valor posicional y el tamaño de los factores. Los problemas Open Middle tienen un sabor de optimización (“encuentra el más pequeño/más grande/todos los posibles”) en lugar de un solo paso, y Kaplinsky señala que ocupan un punto medio de esfuerzo de diseño: más elaborados que un simple ejercicio de fluidez, pero mucho menos elaborados que una tarea de desempeño completa de varios días [2].

5. Rutinas cortas y reutilizables de salón: WODB, Visual Patterns, Number Talks

Tres formatos de “rutina” ampliamente adoptados destacan porque son extremadamente baratos de autorar en masa y se traducen casi directamente en plantillas de ítems digitales. Which One Doesn’t Belong (WODB, “¿Cuál no pertenece?”), creado por Mary Bourassa en 2014 después de adaptar una actividad de clasificación de la primera infancia para una clase de cálculo, presenta cuatro ítems (números, figuras, gráficas, ecuaciones) en una cuadrícula y pregunta cuál no pertenece — deliberadamente sin una sola respuesta correcta, ya que el objetivo es que cada uno de los cuatro ítems pueda justificarse como “el diferente” por una razón matemática distinta y válida [3]. La propia heurística de diseño de Bourassa: un WODB fuerte tiene tres ítems que comparten una característica que le falta al cuarto, para al menos una partición razonable de los cuatro — lo que significa que múltiples particiones distintas deberían ser todas defendibles [4]. Como WODB no tiene una sola respuesta, no es naturalmente autocalificable en el sentido de puntos, pero funciona bien como un formato de “elige tu ítem y justifica” calificado sobre la calidad/validez de la razón dada en lugar de cuál ítem se eligió, o se usa como un tipo de ítem de calentamiento/discusión sin calificar.

Visual Patterns (Fawn Nguyen) presenta una secuencia de figuras (paso 1, 2, 3…) que crecen según una regla visible, y pide a los estudiantes predecir un paso lejano (p. ej., el paso 43) o producir una ecuación general — entrenando exactamente el movimiento de notar patrones concretos a la generalización algebraica [10]. Esto es altamente parametrizable: un solo “generador de patrones de crecimiento” (reglas de crecimiento lineal, cuadrático o geométrico aplicadas a arreglos de puntos/fichas) puede producir mecánicamente grandes cantidades de ítems isomorfos que difieren solo en la regla específica y el número de paso pedido.

Number Talks (ampliamente asociado con Ruth Parker, Kathy Richardson, y popularizado por Sherry Parrish y Jo Boaler) es una rutina diaria corta centrada en resolver un solo cálculo mentalmente, para luego hacer que los estudiantes compartan y comparen distintas estrategias mentales válidas para el mismo problema — el punto no es la respuesta sino la variedad visible de caminos de razonamiento correctos. Esto se presta naturalmente a un formato digital de “muestra tu estrategia” o “empareja tu método con un nombre” en lugar de un simple ítem de entrada numérica, ya que la carga pedagógica es la comparación de métodos, haciendo eco del tipo de tarea “evaluar/comparar representaciones” de Swan [9].

6. Los problemas de estimación de Fermi

Los problemas de Fermi — nombrados por la capacidad característica de Enrico Fermi de producir estimaciones precisas de orden de magnitud a partir de datos mínimos, ilustrada por su famosa estimación improvisada del rendimiento explosivo de la prueba Trinity a partir de qué tan lejos volaron unos pedazos de papel — son tareas de estimación sin datos exactos fácilmente disponibles, resueltas descomponiendo la cantidad en una cadena de factores estimados a grandes rasgos [13]. Como los errores en las estimaciones de los factores individuales tienden a cancelarse parcialmente al multiplicarse, el producto de varias conjeturas aproximadas a menudo está sorprendentemente cerca del verdadero orden de magnitud incluso cuando ninguna conjetura individual fue muy precisa [13]. Pedagógicamente esto entrena la comodidad con la incertidumbre, el razonamiento dimensional, y la verificación de sensatez de un resultado calculado grande contra la intuición — y se mapea a un formato de ítem específico: entrada numérica calificada como correcta dentro de una banda de tolerancia de orden de magnitud (o porcentaje), no una coincidencia exacta, lo cual es un contrato de calificación fundamentalmente distinto al de la mayoría de la aritmética escolar.

7. El planteamiento de problemas y la “suspensión del sentido” en problemas de palabras

Una línea de investigación separada examina la brecha entre ejecutar un procedimiento correctamente y conectar ese procedimiento con el significado de una situación realista. Los hallazgos generales en esta área (revisados en panoramas de la pedagogía de problemas de palabras) señalan que la dificultad de comprensión en los problemas de palabras a menudo no es que los estudiantes no puedan ejecutar la aritmética, sino que les falta una conexión firme entre las operaciones matemáticas y la semántica del escenario realista que describe el problema [14] — los estudiantes pueden calcular correctamente mientras efectivamente “apagan” si el número resultante tiene sentido en el mundo que describe el problema (el género ampliamente citado de ítems de examen donde los estudiantes dividen personas sobrantes en “autobuses necesarios” o similar sin verificar si la respuesta numérica siquiera tiene sentido físico ilustra el mismo fenómeno). Este es el mismo modo de falla contra el que empujan tanto las matemáticas de tres actos como Open Middle, desde ángulos distintos: las matemáticas de tres actos lo previenen haciendo que lo que está en juego en el mundo real sea concreto y generado por el estudiante antes de que aparezca cualquier número [1]; Open Middle lo previene haciendo que el “medio” mismo sea la tarea de razonamiento, así que no hay procedimiento que correr a ciegas [2]. Para Math Challenge, la versión accionable de esta investigación es una regla de diseño: cualquier ítem de problema de palabras debería poder verificarse para saber si una respuesta incorrecta “plausible pero sin sentido” (tiempo negativo, personas fraccionarias, un área más grande que la figura que la contiene) es un error suficientemente común para justificar un distractor dedicado de “¿tiene sentido esta respuesta?” o una pregunta de reflexión después de responder.

8. Anatomía de un buen ítem de opción múltiple y distractores basados en errores conceptuales

La guía estándar de redacción de ítems trata la construcción de distractores como ingeniería deliberada: los distractores se escriben para ser “plausibles pero claramente incorrectos”, y el jalón inicial de un estudiante hacia una opción incorrecta debería venir de una plausibilidad superficial que el redactor del ítem construyó a propósito, no de una opción implausible que nadie elegiría (p. ej., “Detroit” como distractor en una pregunta sobre ciudades de la India es un ejemplo de libro de texto de un mal distractor, no plausible). Una debilidad conocida del formato es la “picardía de examen” (test-wiseness) — pistas en la construcción de las opciones (longitud, ajuste gramatical, calificadores absolutos) que le permiten a un estudiante experto en exámenes puntuar por encima de su conocimiento real, lo cual es una razón para mantener la longitud/estilo/gramática de los distractores uniforme entre opciones. Los distractores más fuertes y defendibles no son números incorrectos al azar sino la salida numérica o simbólica real de un error conceptual documentado — p. ej., para “-2 - (-5)”, ofrecer “-7” (error de signo en la resta) y “-3” (elimina la negación) como distractores, en lugar de números incorrectos arbitrarios — porque un distractor construido a partir de un error real es diagnóstico (cuál respuesta incorrecta se eligió te dice cuál error conceptual está presente), mientras que un número incorrecto arbitrario solo te dice que el estudiante se equivocó, no cómo.

9. Formatos de ítems más allá de la opción múltiple

Un catálogo de trabajo útil para Math Challenge (desarrollado en detalle en la tabla de Catálogo de Formatos de Ítems más abajo) incluye: entrada numérica con banda de tolerancia (necesaria para la estimación estilo Fermi y cualquier respuesta con redondeo legítimo); arrastrar-para-ordenar (secuenciar pasos de una demostración, u ordenar números/fracciones en una recta); emparejar (asociar una expresión con su gráfica, o un término con su definición); hotspot/seleccionar-punto o clic-en-la-figura (identificar una región, ángulo, o punto en un diagrama); construir-una-gráfica (colocar puntos, dibujar una línea de pendiente dada, graficar una función) — soportado de forma nativa como graphicGapMatchInteraction, selectPointInteraction, positionObjectInteraction y drawingInteraction en la especificación QTI 3.0 [6]; ecuación de llenar-el-espacio (relleno de espacio parametrizado dentro de una expresión simbólica, gapMatchInteraction/textEntryInteraction en términos de QTI) [6]; clasificar-en-categorías (clasificar una lista de números/figuras en cubetas — una digitalización natural del tipo de tarea “clasificar objetos” de Swan) [9]; detectar-el-error (presentar una solución resuelta con un error inyectado y pedirle al estudiante que lo localice/nombre — implementa directamente el estilo IES de “usar problemas resueltos, incluyendo incorrectos”); estimación-con-un-rango (entrada numérica calificada por contención en un intervalo, el formato natural de problema de Fermi) [13]; multi-selección (choiceInteraction de QTI con maxChoices > 1) [6]; y manipulativos interactivos (arrastrar fichas/contadores, piezas virtuales de tangram, bloques base diez virtuales) [16].

10. Tradiciones de acertijos: japonesa, china, rusa, védica

Las tradiciones de acertijos japoneses ofrecen varios formatos ya probados a escala con millones de solucionadores. Kakuro (“sumas cruzadas”), a pesar de su nombre japonés, en realidad fue inventado en 1966 por el canadiense Jacob E. Funk en Dell Magazines y ganó después su popularidad duradera en Japón; requiere llenar una cuadrícula de modo que cada tramo horizontal/vertical de celdas blancas sume a una pista dada sin usar ningún dígito repetido, ejercitando el razonamiento combinatorio sobre qué conjuntos de dígitos pueden producir una suma objetivo [11]. KenKen, inventado en 2004 por el maestro japonés Tetsuya Miyamoto explícitamente como una herramienta de entrenamiento cerebral “sin instrucciones”, combina una restricción de cuadrado latino (cada dígito una vez por fila/columna) con regiones de “jaula” que deben producir un valor objetivo bajo una operación aritmética indicada, y se reporta en uso por más de 30,000 maestros de EE. UU. para practicar fluidez aritmética y deducción lógica [12]. Los acertijos “laberinto de áreas” (menseki meiro) de Naoki Inaba — cuadrículas de rectángulos anidados con algunas longitudes de lado y áreas dadas, otras por encontrar usando solo aritmética e intuición geométrica, sin álgebra ni calculadora — son otro género japonés bien conocido dentro de esta misma familia, aunque este reporte no pudo verificar una fuente primaria citable para ese formato específico durante esta pasada de investigación y se incluye aquí como contexto de fondo en lugar de como un hallazgo citado.

Las tradiciones chinas aportan el tangram (七巧板, “siete tablas de habilidad”), un acertijo de disección de siete piezas planas (cinco triángulos, un cuadrado, un paralelogramo) que se recombinan en un cuadrado o en incontables otras figuras de silueta, usado pedagógicamente para construir visualización espacial, congruencia, e intuición de conservación de área (ya que todas las figuras de tangram comparten la misma área total) [16]. Los Nueve Capítulos sobre el Arte Matemático, el texto fundacional de las matemáticas clásicas chinas, está organizado en nueve capítulos temáticos (áreas de campos y fracciones, intercambio proporcional, distribución proporcional, extracción de raíces a partir de área/volumen, volúmenes de construcción, problemas de proporción estilo impositivo, sistemas de dos ecuaciones lineales vía “exceso y déficit”, sistemas lineales generales vía métodos tipo eliminación gaussiana, y problemas de triángulo rectángulo/pitagóricos), cada uno siguiendo un formato estricto de “problema, luego solución, luego método” — una estructura directamente reutilizable como plantilla de autoría de ítems (ejemplo resuelto → método generalizable) [15].

Los círculos matemáticos rusos (kruzhok), que se remontan a Bulgaria antes de 1907 y se formalizaron en la URSS en la década de 1930, son grupos voluntarios y no curriculares de resolución de problemas construidos alrededor de querer genuinamente estar ahí y un contexto social para disfrutar las matemáticas, típicamente socráticos y orientados a la exploración en lugar de a la cátedra, a veces orientados a las olimpiadas y a veces deliberadamente no; la tradición llegó a EE. UU. en 1994 vía Robert y Ellen Kaplan en Harvard, traída por emigrados que ellos mismos habían asistido de adolescentes [18]. El género de problema de círculo matemático (autocontenido, elegante, que requiere perspicacia en lugar de un procedimiento memorizado) es una fuente sólida de ítems de “pared ancha” de techo alto, distintos de la práctica alineada al currículo.

Las matemáticas védicas requieren una advertencia: el libro de 1965 de Bharati Krishna Tirtha presenta 16 “sutras” (p. ej., atajos para elevar al cuadrado números que terminan en 5, o patrones específicos de multiplicación) que se afirma provienen del antiguo Atharvaveda, pero esta atribución es rechazada por historiadores de las matemáticas (S. G. Dani, Kim Plofker, K. S. Shukla), quienes encuentran que el estilo lingüístico es sánscrito moderno, las técnicas dependen de notación decimal desconocida en el periodo védico, y el contenido esencialmente no tiene nada en común con las matemáticas históricas reales de la era védica [17]. Los atajos de cálculo individuales en sí mismos pueden seguir siendo trucos aritméticos legítimos y útiles que vale la pena incluir como una categoría de ítem de “técnica de velocidad”, pero cualquier presentación de cara al usuario debería evitar mostrarlos como escritura antigua auténtica, tanto porque está disputado en los hechos como porque (según la fuente encontrada) el encuadre se ha vuelto políticamente controvertido en los debates curriculares de India [17].

11. Plantillas de ítems parametrizadas vs. ítems escritos a mano

La Generación Automática de Ítems (AIG) es la disciplina formal detrás de convertir un “modelo de ítem” autorado a mano en muchos ítems entregados. El vocabulario estándar: los radicales son las características estructurales de un modelo de ítem que determinan su dificultad (p. ej., número de pasos, tamaño de los números, presencia de una característica que dispara un distractor); los incidentales son características superficiales que varían sin cambiar la dificultad (qué números específicos, nombres, o historia de portada se usa); y los isomorfos son los ítems resultantes que comparten radicales idénticos pero difieren solo en los incidentales [19]. El valor práctico de la AIG está directamente alineado con una meta de MVP de 2,500 ítems: un especialista en pruebas diseña un modelo de ítem cuidadosamente revisado con espacios variables, y un algoritmo llena esos espacios, produciendo muchos ítems paralelos mucho más rápido que la autoría a mano uno por uno, mientras que — si el modelo es sólido — mantiene la dificultad y calidad comparables en toda la familia generada [19]. El trade-off explícito es que la calidad ahora depende enteramente de si el modelo subyacente separa correctamente los radicales de los incidentales; un modelo mal diseñado puede generar en silencio ítems mucho más difíciles o más fáciles de lo pretendido, o que comparten un patrón superficial explotable que un solucionador recurrente podría aprender. Esto argumenta a favor de construir un número más pequeño (docenas, no miles) de modelos de ítem de alta calidad — uno por cada par habilidad/error conceptual identificado en la investigación específica de tema ya recopilada para este proyecto — cada uno parametrizado para emitir muchas instancias isomorfas, en lugar de tratar “2,500 ítems” como 2,500 tareas de autoría independientes.

12. El estándar QTI 3.0

QTI (Question and Test Interoperability), mantenido por 1EdTech, es el estándar abierto dominante para empaquetar ítems de evaluación, exámenes y datos de resultados de modo que se muevan entre herramientas de autoría, bancos de ítems y plataformas de entrega sin quedar atado a un proveedor [5]. QTI 3.0 consolida la línea anterior QTI 2.x con la especificación de accesibilidad APIP y se mueve a marcado amigable con la web (elementos personalizados usables como componentes web estándar), mientras conserva soporte nativo para pruebas adaptativas por computadora e interacciones personalizadas portables [5]. Concretamente, QTI 3.0 define 21 tipos de interacción estandarizados, cubriendo directamente casi todos los formatos del catálogo de arriba: choiceInteraction (opción múltiple de selección única/múltiple), textEntryInteraction/inlineChoiceInteraction (relleno corto numérico/de texto o de opción incrustada), extendedTextInteraction (respuesta libre), gapMatchInteraction/graphicGapMatchInteraction (llenar-el-espacio, incluyendo sobre una imagen), matchInteraction/associateInteraction (emparejar dos conjuntos), orderInteraction/graphicOrderInteraction (arrastrar-para-secuenciar, incluyendo regiones de una imagen), hotspotInteraction/selectPointInteraction (clic-en-la-región/punto), positionObjectInteraction (arrastrar un objeto sobre una imagen objetivo), sliderInteraction (selección numérica acotada arrastrando), drawingInteraction (marcado a mano alzada de un lienzo), y uploadInteraction (envío de archivo) [6]. Adoptar la nomenclatura de modelos de ítem de QTI 3.0 aunque sea informalmente (independientemente de si Math Challenge implementa exportación XML de QTI completa en el MVP) da un vocabulario revisado y consciente de la accesibilidad para el esquema de autoría de ítems en lugar de inventar nombres de formato desde cero, y mantiene abierta una ruta de exportación real para después sin una reescritura.

Catálogo de formatos de ítems

Formato	Edades a las que se ajusta	Qué mide	¿Autocalificable?	¿Resistente a solucionadores?	Esfuerzo de construcción
Opción múltiple (selección única), distractores basados en errores conceptuales	Todas las edades	Reconocimiento + qué error específico revela una elección incorrecta	Sí, trivialmente	Baja — adivinable, y vulnerable a claves de respuestas memorizadas a menos que los ítems se varíen/parametricen	Bajo por ítem, más alto para construir una biblioteca real de distractores a partir de errores documentados
Multi-selección	8+	Capacidad de identificar todos los casos válidos, no solo uno	Sí	Media — más difícil de adivinar que la selección única	Bajo
Entrada numérica con tolerancia	8+	Cálculo, juicio de redondeo	Sí (verificación de rango)	Media	Bajo
Entrada numérica, exacta	Todas las edades	Cálculo preciso	Sí	Baja–media	Bajo
Estimación con un rango (estilo Fermi)	10+	Razonamiento de orden de magnitud, comodidad con la incertidumbre [13]	Sí (contención de intervalo)	Alta — no hay procedimiento que memorizar, solo una cadena de razonamiento	Medio (necesita una cantidad del mundo real creíble)
Ecuación / expresión de llenar-el-espacio	8+	Comprensión estructural/simbólica, una pieza faltante	Sí	Media	Bajo–medio
Arrastrar-para-ordenar	6+	Secuenciación (pasos de demostración, orden de magnitud, orden de proceso)	Sí	Media	Medio (necesita una interfaz de arrastre)
Emparejar / asociar	8+	Vincular representaciones (gráfica↔ecuación, término↔definición)	Sí	Media	Medio
Hotspot / seleccionar-punto / clic-en-la-figura	6+	Identificación geométrica, lectura de un diagrama	Sí	Media	Medio–alto (necesita regiones de imagen)
Arrastrar-sobre-imagen (posicionar objeto)	8+	Colocación espacial (graficar un punto, colocar una pieza)	Sí	Media	Medio–alto
Construir-una-gráfica (graficar puntos/línea/función)	11+	Fluidez de graficación, comportamiento de funciones	Parcialmente — necesita lógica de tolerancia	Alta	Alto
Clasificar en categorías	6+	Clasificación (tipo de tarea “clasificar objetos” de Swan) [9]	Sí	Media	Bajo–medio
Detectar-el-error (solución resuelta con un error inyectado)	10+	Diagnosticar un error conceptual específico, no solo producir una respuesta correcta	Sí si la ubicación del error es discreta/etiquetada	Alta — requiere entender el método, no solo emparejar patrones de respuesta	Medio (necesita una biblioteca de errores)
Which One Doesn’t Belong (justifica tu elección)	Todas las edades	Discurso, notar atributos, razonamiento válido múltiple	No (calificado por la calidad de la justificación, o sin calificar)	Alta (no hay una sola elección “correcta” que buscar)	Bajo
Patrón visual → predecir el paso N / escribir la regla	8+	Generalización, razonamiento algebraico temprano [10]	Sí	Media–alta	Bajo (altamente parametrizable)
Number talk (elige/describe tu estrategia mental)	6+	Metacognición, comparación de estrategias, sentido numérico	Parcialmente (múltiples estrategias válidas)	Media	Bajo
Open Middle (encuentra el óptimo)	8+	Razonamiento multi-camino hacia una respuesta cerrada [2]	Sí (comparar contra el óptimo conocido)	Alta — no hay atajo para evitar la búsqueda	Medio
Matemáticas de tres actos (guiadas por imagen/video, sin números primero)	8+	Motivación, planteamiento de preguntas, aplicar matemáticas a una predicción real [1]	Parcialmente (la respuesta numérica final, sí; el encuadre, no)	Alta (el contexto cambia cada vez)	Alto (necesita medios)
Formatos de acertijo (estilo KenKen/Kakuro/tangram)	8+	Razonamiento combinatorio, satisfacción de restricciones, razonamiento espacial [11][12][16]	Sí	Alta — resiste la memorización mecánica por construcción	Medio–alto (necesita un generador/solucionador)
Manipulativos interactivos (bloques base diez virtuales, barras de fracciones, tangram)	3–11	Puente de lo concreto a lo abstracto	Parcialmente (depende de la tarea que lo envuelva)	Media	Alto

Implicaciones de diseño

1. Adoptar “piso bajo, techo alto, paredes anchas” más la rúbrica de demanda cognitiva/tarea-digna-de-grupo como una lista de verificación obligatoria antes de publicar cada plantilla de ítem, no solo los ítems de muestra autorados a mano — incluso una opción múltiple parametrizada puede evaluarse contra “¿esto tiene más de un camino legítimo?” [20].
2. Etiquetar cada ítem (o modelo de ítem) con cuál de los cinco propósitos instruccionales de Swan sirve (fluidez, concepto, resolución de problemas no rutinaria, lenguaje matemático, aplicación), ya que eso debería guiar la elección de formato, no solo el tema [9].
3. Construir los 8–10 formatos de ítem soportados del MVP en aproximadamente este orden de construcción-vs-beneficio: (1) opción múltiple con distractores de error conceptual, (2) entrada numérica con tolerancia, (3) multi-selección, (4) ecuación de llenar-el-espacio, (5) clasificar en categorías, (6) emparejar/asociar, (7) arrastrar-para-ordenar, (8) búsqueda de óptimo estilo Open Middle, (9) detectar-el-error, (10) hotspot/clic-en-la-figura — esto prioriza los formatos con menor costo de construcción y mayor autocalificabilidad, y difiere los dos formatos más pesados en producción (construir-una-gráfica, ítems guiados por video de tres actos) para un lanzamiento posterior.
4. Tratar los ítems estilo “tres actos” y las tareas abiertas verdaderamente ricas al estilo NRICH como un nivel premium pequeño y deliberadamente no escalable (decenas de ítems, no miles) en lugar de intentar forzar el formato en los 2,500 ítems — el costo de producción (medios, calificación abierta) es fundamentalmente incompatible con la generación masiva [1][20].
5. Invertir la mayoría del esfuerzo de autoría en modelos de ítem (según el marco de radicales/incidentales/isomorfos de la Generación Automática de Ítems), no en ítems individuales: elegir un error conceptual por modelo (tomado de la investigación de errores conceptuales específica de tema de este proyecto), definir qué características numéricas/contextuales son “radicales” que deben mantenerse constantes en dificultad, y dejar que un algoritmo varíe los “incidentales” para alcanzar volumen [19].
6. Construir una biblioteca de distractores real y citable por habilidad, indexada a errores conceptuales documentados (no números incorrectos generados al azar), y hacer que la señal diagnóstica del MVP sea cuál distractor se eligió, no solo correcto/incorrecto — esta es la decisión de diseño de mayor apalancamiento para convertir un banco de práctica en un tutor adaptativo.
7. Usar la estructura “inicio cerrado/final cerrado/medio abierto” de Open Middle como la plantilla por defecto para cualquier ítem de “encuentra el mejor/más pequeño/más grande”, ya que es simultáneamente autocalificable y resistente a la búsqueda de respuestas — una combinación poco común [2].
8. Darle a Fermi/estimación-con-rango su propio tipo de ítem de primera clase (entrada numérica, calificación por banda de tolerancia) en lugar de forzarlo dentro de entrada-numérica-exacta — el contrato de calificación es fundamentalmente distinto (contención de intervalo, no igualdad) [13].
9. Reservar “detectar-el-error” para los errores conceptuales específicos ya catalogados en la investigación por tema de este proyecto (p. ej., la taxonomía de errores conceptuales de álgebra), de modo que el error inyectado en la solución resuelta sea siempre un error real y documentado, y etiquetar qué error nombrado prueba cada ítem de detectar-el-error.
10. Adoptar los nombres de tipo de interacción de QTI 3.0 (choiceInteraction, textEntryInteraction, gapMatchInteraction, matchInteraction, orderInteraction, hotspotInteraction, positionObjectInteraction, sliderInteraction, drawingInteraction, etc.) como el vocabulario interno del esquema para el modelo de datos de autoría de ítems desde ahora, incluso sin implementar importación/exportación XML de QTI en el MVP — esto mantiene abierta una ruta real de interoperabilidad/exportación para después sin una reescritura del esquema [5][6].
11. Incluir una clase de ítem de “sin una sola respuesta correcta, calificado por justificación” (modelada en Which One Doesn’t Belong) explícitamente fuera del pipeline de calificación de puntos/dominio, ya que forzar una rutina basada en discurso a una calificación correcto/incorrecto anula su propósito [3][4].
12. Explotar la estructura “problema → solución → método” de los Nueve Capítulos y los problemas de círculo matemático rusos como una fuente de ítems de techo alto elaborables a mano, distintos de la práctica curricular, etiquetados explícitamente como una vía de enriquecimiento/reto en lugar de mezclados anónimamente en la progresión central [15][18].
13. Si se incluyen atajos de cálculo estilo védico como una categoría de contenido de “técnica de velocidad”, presentarlos como trucos aritméticos nombrados (p. ej., “el truco de elevar al cuadrado en base 10”) sin una afirmación de autenticidad histórica, dada la procedencia disputada/politizada del encuadre de “matemáticas védicas” [17].
14. Para cada ítem estilo problema de palabras (cualquier formato, no solo opción múltiple), añadir ya sea un distractor de “¿tiene sentido esta respuesta?” (una opción numéricamente derivable pero físicamente absurda) o una pregunta de reflexión ligera después de responder, ya que ejecutar un procedimiento mecánicamente sin verificar el sentido en el mundo real es un modo de falla documentado y recurrente, independiente de la habilidad matemática específica que se esté probando [1][14].

Preguntas abiertas para el dueño del proyecto

1. ¿Debería el MVP comprometerse con un esquema interno con forma de QTI 3.0 desde el primer día (aunque sea sin exportación XML), o es esa una estandarización prematura que el equipo preferiría diferir hasta que haya una necesidad real de interoperar con un banco de ítems o LMS externo?
2. Para la clase de ítem de “sin una sola respuesta correcta” (estilo Which One Doesn’t Belong), ¿debería Math Challenge calificar solo la participación/engagement, usar una calificación ligera de justificación evaluada por IA, o excluir esta clase por completo de cualquier mecánica de calificación/racha?
3. Dado que los ítems Open Middle y estilo Fermi son los dos formatos identificados como más resistentes a la búsqueda de respuestas/copia con solucionadores, ¿debería la economía temprana de XP/puntos del MVP ponderar esos formatos más que la opción múltiple simple, para desalentar que los estudiantes graviten hacia el tipo de ítem “más barato”?
4. ¿Cuánto de la meta de 2,500 ítems debería reservarse para el nivel “premium” pequeño y de alta producción (tres actos, tareas ricas verdaderas estilo NRICH, ítems curados de tradiciones de acertijos) frente al nivel masivo de plantillas parametrizadas — hay una proporción objetivo (p. ej., 95/5) que el dueño quiera fijar explícitamente ahora, o debería descubrirse empíricamente después del primer sprint de contenido?
5. ¿Debería la biblioteca de distractores basados en errores conceptuales construirse tema por tema conforme llega la investigación de cada tema (aprovechando la investigación de errores conceptuales por tema ya producida para este proyecto), o centralizarse como una pasada de autoría transversal separada después de que llegue toda la investigación de temas?