📊 Cómo funciona el test

Sistema Adaptativo Bayesiano · Cultura General

Guía para el alumno

📖 ¿Qué es este test?

Es una demo de evaluación adaptativa bayesiana sobre cultura general. A diferencia de un test fijo, este sistema observa tus respuestas y ajusta la siguiente pregunta en tiempo real para obtener el máximo de información con el menor número de preguntas posible.

No hay tiempo límite. Los errores no penalizan: son evidencias que el sistema usa para afinar la estimación de tu nivel.

🏅 Los tres niveles

El sistema mantiene en todo momento una estimación probabilística sobre cuál de estos tres niveles refleja mejor tu conocimiento:

🟡 BásicoDominio de contenidos fundamentales y preguntas de dificultad baja.
🔵 MedioSolvencia en preguntas de dificultad media, con algunas dificultades en las más exigentes.
🟣 AvanzadoDominio consolidado: aciertos consistentes en preguntas difíciles de distintas categorías.

🔄 ¿Qué ocurre durante el test?

Arranque — El sistema parte sin información previa: los tres niveles tienen un 33 % de probabilidad inicial.

Pregunta adaptativa — Cada pregunta se elige para maximizar la ganancia esperada de información sobre tu nivel, teniendo en cuenta también la variedad de categorías ya evaluadas.

Actualización bayesiana — Tras tu respuesta, el sistema recalcula las probabilidades de cada nivel aplicando el teorema de Bayes. Verás cómo cambian las barras en tiempo real.

Parada automática — Cuando el sistema tiene suficiente certeza (o se agota el banco de preguntas útiles), el test termina y recibes tu informe.

📚 El banco de preguntas

El test dispone de 90 preguntas de opción múltiple (4 opciones), distribuidas en tres niveles de dificultad y ocho categorías temáticas:

Dificultad	Preguntas	Parámetro b
Fácil	30
Media	30
Difícil	30

Categorías evaluadas:

Ciencia Historia Geografía Literatura Arte Matemáticas Deportes Filosofía

Cada sesión baraja las preguntas disponibles, así que nunca verás exactamente la misma secuencia dos veces.

📊 Informe final

Al terminar el test recibes un informe personalizado con:

Tu nivel estimado (Básico, Medio o Avanzado) y el porcentaje de confianza del sistema.
La distribución final de probabilidades sobre los tres niveles.
Resultados por dificultad: cuántas preguntas fáciles, medias y difíciles acertaste.
Categorías con más errores y recomendaciones concretas.
Un indicador de coherencia del patrón (person-fit): si el patrón de aciertos y fallos es coherente con el nivel estimado o presenta anomalías.
El historial completo de preguntas con el nivel estimado tras cada respuesta.
Una explicación de cómo adaptó el sistema las preguntas durante la sesión.

Si el test termina sin converger, el informe indica «Estimación provisional» y explica el motivo.

Fundamentos técnicos y matemáticos

🧠 Motor bayesiano: estimación del nivel

El sistema mantiene una distribución de probabilidad sobre los tres niveles:

Nivel	Habilidad θ	Interpretación
Básico		Conocimiento de contenidos básicos
Medio		Dominio intermedio
Avanzado		Dominio consolidado

Tras cada respuesta, las probabilidades se actualizan con el teorema de Bayes:

La verosimilitud de cada respuesta se calcula con el modelo logístico IRT de 3 parámetros (3PL):

habilidad asociada al nivel i
dificultad de la pregunta: −1 (fácil), 0 (media), +1 (difícil)
discriminación — pendiente de la curva logística. Se deriva de una discriminación efectiva objetivo (a_ef = 1,25) y del suelo de azar de la pregunta: a = a_ef / (1 − c). Para 4 opciones (c = 0,25), a ≈ 1,67
probabilidad mínima de acierto por azar: 0,25 (4 opciones)

Los valores de θ son fijos y dependen solo del número de niveles (θ_máx = n − 1, con espaciado 2): Básico = −2, Medio = 0, Avanzado = +2. Las dificultades se sitúan dentro de esa escala, en la mitad central [−1, +1], de modo que ninguna coincida con un nivel extremo en el punto de inflexión logístico; los valores atípicos se recortan a ese rango.

🎯 Selección adaptativa de preguntas

Fase diagnóstica inicial

Antes de pasar a la selección adaptativa pura, el sistema garantiza al menos 2 preguntas de cada nivel de dificultad (fácil, media y difícil). De los niveles aún insuficientes, se elige el que mayor ganancia de información esperada ofrece con el prior actual. Esta fase asegura que la distribución de probabilidades se haya actualizado con evidencia de los tres rangos de dificultad antes de confiar exclusivamente en el criterio informativo.

Fase adaptativa pura

Una vez cubierta la fase diagnóstica, el sistema elige cada pregunta maximizando la ganancia esperada de información: la reducción esperada de entropía tras conocer la respuesta.

donde H es la entropía de Shannon, que mide la incertidumbre actual:

Cuando varias preguntas tienen la misma ganancia, se aplica una selección aleatoria ponderada que favorece las categorías menos frecuentes en la sesión:

Esto garantiza diversidad temática sin sacrificar utilidad informativa.

🛑 Condiciones de parada

El test se detiene cuando se cumple cualquiera de estas tres condiciones:

✅ Convergencia bayesiana Tras al menos 8 preguntas (con ≥ 2 de cada dificultad), la entropía cae por debajo de H_stop y el nivel más probable supera el 85 % de confianza. El diagnóstico es firme.

📉 Ganancia mínima Tras al menos 12 preguntas, la mejor pregunta disponible aporta menos de 0,015 bits de información esperada. Continuar alargaría el test sin mejorar el diagnóstico.

⚠ Máximo de preguntas Se alcanza el máximo calculado por minimax (nunca más de 20). El sistema devuelve una estimación provisional.

El umbral de entropía H_stop se deriva de una confianza mínima p_min = 0,85:

Con n = 3 niveles y p_min = 0,85, este umbral vale aproximadamente bits (frente a la entropía máxima de bits con distribución uniforme).

💡 El número máximo real de preguntas se calcula al inicio mediante un análisis minimax sobre todos los caminos posibles del banco: garantiza que el valor mostrado en pantalla es siempre alcanzable en el peor caso.

🔍 Interpretación de los resultados

El informe final distingue dos situaciones:

Diagnóstico firme — la entropía final está por debajo de H_stop y el nivel más probable supera el 85 %. La estimación es confiable.
Diagnóstico provisional — el test terminó por ganancia baja o por límite máximo antes de converger. La estimación puede revisarse con más preguntas o un banco mejor calibrado.

La interpretación pedagógica analiza los resultados por dificultad y por categoría, identifica las áreas con más errores y ofrece una recomendación concreta de siguiente paso.

🔎 Person-fit: coherencia del patrón de respuestas

La entropía mide cuán seguro está el modelo, pero no si tiene derecho a estarlo para un alumno concreto. Un patrón aberrante —acertar preguntas difíciles y fallar las fáciles, por ejemplo— puede producir una distribución posterior concentrada que, sin embargo, no es fiable. El estadístico l_z (Drasgow & Levine-Williams) detecta exactamente esto.

Para el nivel estimado θ, se compara la log-verosimilitud observada del patrón con la que el modelo IRT esperaría si el alumno fuese realmente de ese nivel:

Bajo el modelo IRT, sigue aproximadamente una distribución . Valores muy negativos (umbral: ) indican un patrón atípico e implican que el diagnóstico, aunque el modelo lo dé como «seguro», puede no ser fiable para ese alumno en concreto. El informe final muestra este indicador cuando se dispone de suficientes ítems (≥ 8).

💡 El person-fit es la única señal que detecta mala especificación caso a caso: la entropía dice cuán seguro está el modelo de sí mismo; el person-fit dice si tiene derecho a estarlo.

📐 Para saber más

Los fundamentos matemáticos completos —teorema de Bayes, modelo IRT 3PL, entropía de Shannon, ganancia de información y ejemplo numérico paso a paso— así como el protocolo para crear tus propios recursos educativos adaptativos están disponibles en:

Recursos adaptativos bayesianos →