Goose Academy · Última actualización: 28 de mayo de 2026
Referencias científicas
Este documento resume las investigaciones que orientan el diseño de Goose Academy.
El objetivo no es replicar protocolos académicos, sino trasladar hallazgos bien establecidos de la ciencia cognitiva a una experiencia de aprendizaje simple, sin conexión y a tu propio ritmo.
Goose Academy está informado por la investigación, no prescrito por ella.
Los sistemas descritos a continuación están inspirados en trabajos científicos, pero adaptados para la usabilidad, sesiones cortas y accesibilidad.
Transparencia
Aunque los principios citados tienen fundamento científico, su implementación en Goose Academy aún no ha sido validada mediante estudios empíricos controlados.
Parte 1 — Selección adaptativa de elementos
Durante una sesión, Goose Academy selecciona los elementos mediante un sistema de ponderación dinámica basado en:
- dominio en la sesión
- retención estimada (re-exposición espaciada)
- recencia (tiempo desde la última aparición)
- historial de errores (seguimiento de confusiones)
- similitud entre elementos
Fundamentos de la investigación
| Referencia | Principio | Contexto |
|---|---|---|
| Mettler, E., et al. (2016) | Selección adaptativa basada en tiempos de respuesta | Aprendizaje de vocabulario |
| Kornell, N., & Bjork, R. A. (2008) | Intercalación vs bloqueo | Aprendizaje inductivo de categorías |
| Carvalho, P. F., & Goldstone, R. L. (2015) | Contraste discriminativo mediante intercalación | Aprendizaje visual de categorías |
| Settles, B., & Meeder, B. (2016) | Regresión de vida media para el espaciado | Datos masivos de aprendizaje de idiomas |
| Metcalfe, J. (2017) | Aprender de los errores | Revisión de literatura |
| Pyc, M. A., & Rawson, K. A. (2009) | Fortalecimiento por recuperación | Materiales verbales |
| Roediger, H. L., & Karpicke, J. D. (2006) | Efecto de examen | Recuerdo de textos |
| Bjork, R. A. (1994) | Dificultades deseables | Marco teórico |
Fórmula de ponderación de elementos
A cada elemento se le asigna un peso:
Wᵢ = Eᵢ · Mᵢ · Bᵢ · Sᵢ · Rᵢ · (1 + α Ĉᵢ) · (1 + β K̂ᵢ Rᵢ)| Variable | Significado | Base |
|---|---|---|
| Bᵢ | Bono basado en espaciado | Evidencia sólida (espaciado) |
| Sᵢ | Progreso en la sesión | Evidencia moderada |
| Rᵢ | Tiempo desde la última aparición | Evidencia sólida |
| Cᵢ | Confusión con elementos similares | Heurística (seguimiento de confusiones) |
| Kᵢ | Contraste visual / estructural | Dependiente del contexto |
| Mᵢ | Reducir el peso de los elementos dominados | Heurística |
| Eᵢ | Evitar la repetición | Restricción de UX (evita el priming a corto plazo que podría inflar el dominio percibido) |
Calibración de los coeficientes
Estos coeficientes no están calibrados empíricamente. Son decisiones de diseño que equilibran los efectos de confusión y contraste.
Interpretación de diseño
Goose Academy traduce estos principios en comportamientos de selección concretos:
- Espaciado → evidencia sólida
- Intercalación → evidencia sólida
- Aprendizaje basado en errores → evidencia robusta (efecto de examen)
- Contraste discriminativo → dependiente de la estructura del elemento
Estas decisiones son síntesis de diseño inspiradas por la investigación anterior, no replicaciones directas de los experimentos subyacentes.
Nota crítica
La fórmula en sí es una síntesis de diseño, no un modelo validado. Su efectividad comparada con enfoques más simples (ej. SRS puro) es actualmente desconocida.
Parte 2 — Diseño de niveles y progresión
El sistema de progresión de Goose Academy está diseñado para la usabilidad y el aprendizaje incremental.
Principios de diseño
- Orden de los elementos optimizado para el **contraste perceptivo**
- Múltiples temas para involucrar **diferentes dominios de conocimiento**
- Los elementos previamente aprendidos se mantienen → **intercalación**
Interpretación de diseño
El diseño de la progresión de Goose Academy equilibra tres objetivos:
- **Facilidad de aprendizaje** → pasos pequeños
- **Retención** → reintroducción espaciada de elementos antiguos
- **Usabilidad** → duración de sesión predecible y puntos de detención claros
Está inspirado por la investigación, no es una reproducción estricta.
Parte 3 — Selección de distractores para el juego de banderas
En el minijuego de búsqueda de banderas, los distractores (banderas incorrectas mostradas junto al objetivo) se seleccionan en función de la similitud visual en lugar de al azar. El objetivo es hacer que la tarea sea genuinamente desafiante — obligando al aprendiz a detectar diferencias sutiles entre banderas.
Metodología
La similitud visual se calcula fuera de línea usando DenseNet201 (Huang et al., 2017), una red neuronal convolucional profunda pre-entrenada en ImageNet (ILSVRC-2012). Cada imagen de bandera se pasa a través de la red y se extrae un vector de características de 1920 dimensiones de la última capa de pooling. La similitud coseno entre estos vectores determina qué banderas se parecen más.
Generación de datos
Para cada una de las ~250 banderas del juego, las 35 banderas más visualmente similares se precalculan y almacenan en un archivo JSON estático. Durante el juego, los distractores se extraen de esta lista clasificada.
Justificación
- Los distractores basados en similitud activan el **contraste discriminativo** (Carvalho & Goldstone, 2015) — el aprendiz debe prestar atención a diferencias sutiles
- Los distractores aleatorios serían a menudo trivialmente distinguibles, reduciendo el valor de aprendizaje
- Las características de una CNN profunda capturan tanto la distribución de colores como los patrones estructurales, proporcionando una aproximación razonable de la similitud perceptiva humana
Limitaciones
Las clasificaciones de similitud no han sido validadas frente a juicios humanos de similitud. Las características de DenseNet201 capturan rasgos visuales de nivel bajo a medio pero pueden no alinearse perfectamente con cómo los humanos perciben la similitud de banderas (las asociaciones culturales o semánticas se ignoran). El enfoque es una heurística práctica, no un modelo perceptivo.
Referencias
Última verificación: mayo de 2026
- Bjork, R. A. (1994).
- Carvalho, P. F., & Goldstone, R. L. (2015). https://doi.org/10.3389/fpsyg.2015.00505
- Huang, G., Liu, Z., van der Maaten, L., & Weinberger, K. Q. (2017). https://doi.org/10.1109/CVPR.2017.243
- Kornell, N., & Bjork, R. A. (2008). https://doi.org/10.1111/j.1467-9280.2008.02127.x
- Metcalfe, J. (2017). https://doi.org/10.1146/annurev-psych-010416-044022
- Mettler, E., et al. (2016). https://doi.org/10.1037/xge0000176
- Pyc, M. A., & Rawson, K. A. (2009). https://doi.org/10.1016/j.jml.2009.01.001
- Roediger, H. L., & Karpicke, J. D. (2006). https://doi.org/10.1111/j.1467-9280.2006.01693.x
- Settles, B., & Meeder, B. (2016). https://doi.org/10.18653/v1/P16-1174
Goose Academy traduce la ciencia cognitiva en una experiencia de aprendizaje lúdica y sin conexión. Este documento refleja un compromiso con la transparencia, el rigor y la humildad — tendiendo un puente entre la investigación de laboratorio y el uso en el mundo real.