Emparejamiento ELO: afinidad y victorias explicadas

Un rival cercano en puntuación puede darte una partida más pareja, pero tu porcentaje de victorias no mide cuánto has aprendido. En una exportación de duelos de LearnClash realizada en mayo de 2026, el jugador mejor clasificado ganó el 67,5 % de los duelos decididos; entre rivales separados por un máximo de 80 puntos, ganó el 58,3 %.

El emparejamiento ELO busca oponentes de nivel parecido. LearnClash añade el historial de categorías elegidas: cuando ambos perfiles tienen suficientes elecciones, la cercanía de puntuación y la coincidencia de intereses pesan un 50 % cada una. El sistema selecciona un duelo disponible. No decide quién debe ganarlo.

Soy el fundador de LearnClash. Aquí separo las fórmulas, las reglas actuales de nuestra cola de duelos abiertos y los datos históricos de lo que todavía es una hipótesis de aprendizaje. Revisé el código el 10 de septiembre de 2026. Puedes probar un duelo sobre técnicas de estudio si quieres conocer el formato desde la app.

Qué significa una tasa de victoria emparejada por ELO

La tasa de victoria es la proporción de partidas que ganas dentro de un conjunto definido, mientras que la puntuación esperada es una predicción del modelo antes de jugar; confundir ambas permite presentar una fórmula como si fuera el resultado observado de miles de personas. Son medidas distintas.

La fórmula clásica de Elo calcula la puntuación esperada como 1 / (1 + 10^(diferencia / 400)). La diferencia es la puntuación del rival menos la tuya. Con números iguales da 0,5. Si hay empates, esa puntuación esperada incluye su contribución: no debe interpretarse sin más como una probabilidad de victoria.

Valores de la fórmula clásica. No son porcentajes medidos en LearnClash.

La tabla explica Elo clásico. Las actualizaciones que ves en LearnClash también consideran cuánto historial respalda la puntuación de cada rival, así que no debes usar esa tabla como una calculadora exacta de los puntos que ganarás o perderás. Una estimación inicial contiene menos información que una clasificación respaldada por muchas partidas.

Una racha corta no invalida la predicción. Dos rivales de nivel parecido pueden encadenar varios resultados del mismo lado sin que el sistema haya decidido compensar una victoria anterior. También puedes mejorar mientras tu puntuación aún tarda en reflejarlo. La predicción resume la información disponible antes del encuentro; la partida aporta información nueva.

Por qué buscar equilibrio no demuestra una ventaja de memoria

En una app de preguntas, buscar un rival cercano tiene una razón práctica: evitar que una diferencia grande de nivel domine el encuentro antes de empezar, sin prometer que el resultado vaya a ser ajustado ni que un marcador concreto produzca por sí mismo una mejora de memoria. La intención es razonable. La prueba es otra cosa.

Riot describió en su informe de septiembre de 2024 un objetivo cercano al 50 % de victorias para jugadores nuevos de League of Legends y comunicó entonces una cifra próxima al 46 %. Era una explicación fechada de colocación inicial. No prueba que una cola cambie las reglas para que alguien pierda su siguiente partida.

Una predicción, un resultado y una evaluación posterior responden preguntas distintas.

La investigación de Elizabeth y Robert Bjork sobre dificultades deseables distingue el rendimiento durante la práctica del aprendizaje que se conserva después. Espaciar sesiones, recuperar información y variar la práctica pueden ayudar. Pero una dificultad solo resulta deseable si el alumno cuenta con los conocimientos necesarios para abordarla.

Nada de eso establece un intervalo de victorias del 45 al 55 % como óptimo para aprender. La teoría del flujo trata la relación entre desafío percibido y habilidad; tampoco convierte el resultado de un duelo en una medición de ese estado. Y el trabajo original de Yerkes y Dodson utilizó animales y una tarea concreta, no partidas de preguntas.

• Nuestra hipótesis de diseño es más modesta: un rival cercano puede hacer que te interese continuar practicando. Para demostrar una ventaja de retención habría que comprobar respuestas posteriores y comparar condiciones adecuadas. El porcentaje de partidas ganadas, por sí solo, no responde esa pregunta.

Cómo puntúa LearnClash un duelo abierto

El sistema ordena los candidatos elegibles mediante una puntuación de afinidad, formada por un 50 % de cercanía ELO y un 50 % de coincidencia entre categorías, siempre que ambos jugadores tengan al menos cinco elecciones registradas; si falta ese historial, utiliza únicamente la cercanía de puntuación. No adivina tus intereses.

La cercanía es lineal: máximo(0, 1 - diferencia absoluta / 400). Una diferencia de 40 puntos da 0,90; cien puntos dan 0,75. A partir de 400 puntos, ese componente vale cero. La distancia no excluye por sí sola un candidato, aunque sí reduce su puntuación.

El otro componente compara los recuentos de elecciones en 18 categorías. La similitud del coseno vale uno si ambos reparten sus elecciones en la misma proporción y cero si no comparten categorías. Elegir muchos temas de historia puede acercarte a otro perfil interesado en historia. No demuestra que hayan estudiado los mismos hechos.

Tomemos un ejemplo ilustrativo. Un jugador tiene 1340 puntos y el otro 1380. Su cercanía ELO es 0,90. Si la similitud entre sus categorías es 0,83, la puntuación combinada es 0,5 × 0,90 + 0,5 × 0,83 = 0,865. Ese número expresa afinidad de emparejamiento, no una probabilidad del 86,5 % de ganar.

Ejemplo calculado. Con menos de cinco elecciones en cualquiera de los perfiles, solo cuenta la cercanía ELO.

Un duelo recién creado exige una puntuación mínima de 0,7. El umbral baja de forma lineal hasta cero durante 60 minutos: a los treinta minutos vale 0,35. En el ejemplo anterior, 0,865 basta desde el principio. Una pareja con cuarenta puntos de diferencia y ninguna categoría compartida obtiene 0,45 y alcanza el umbral tras unos 21,4 minutos.

Hay otros requisitos de acceso. El creador debe haber terminado su primera ronda para entrar en esta cola, y una búsqueda centrada en un tema conserva ese tema. Las cuentas nuevas crean su primer duelo en lugar de unirse a otro. Por eso, “sin límite rígido de ELO” no significa que cualquier persona pueda entrar en cualquier duelo.

Qué puede alejar el resultado del equilibrio

La exportación de producción de mayo de 2026 incluyó 1531 duelos decididos, acumulados hasta el 29 de mayo. No recoge solo las partidas de ese mes. Tampoco describe a quienes juegan ahora: las condiciones de la cola y el producto han cambiado desde aquel corte. Es una observación histórica, no una medición actual.

El jugador con mayor puntuación ganó el 67,5 % del conjunto. En los 515 duelos con una diferencia máxima de 80 puntos, ganó el 58,3 %. El segundo grupo está contenido dentro del primero. No son dos grupos independientes asignados al azar para probar qué sistema enseña mejor.

Datos históricos acumulados, exportados en mayo de 2026. La asociación no demuestra causalidad ni una mejora de memoria.

Tres situaciones ayudan a entender por qué dos puntuaciones parecidas no garantizan un marcador igualado:

• Calibración inicial. Todos empiezan con la misma cifra, aunque sus conocimientos sean distintos. El sistema necesita resultados para ajustar esa estimación.
• Tiempo en espera. El umbral de afinidad baja con los minutos. Un candidato que no bastaba al principio puede entrar después.
• Familiaridad específica. Dos perfiles pueden coincidir en ciencia y diferir mucho en biología molecular. Una categoría resume intereses amplios.

La similitud de categorías intenta reducir ese último problema, pero no permite distinguir a quien elige historia porque conoce bien la materia de quien la elige precisamente porque acaba de empezar a estudiarla y quiere practicar. El motivo cambia. No tenemos una curva medida que asigne a cada aumento del coseno una mejora fija en el equilibrio. Harían falta otros datos.

Si vienes de un concurso de aula como los que comparamos en Kahoot y Blooket, cambia también la unidad de comparación. Allí el grupo puede jugar junto porque comparte clase; en un duelo entre dos personas, seleccionar al rival forma parte del producto y obliga a decidir cuánto pesa la cercanía de nivel frente al tiempo de espera. No hay un equilibrio garantizado. Ningún formato convierte cada resultado individual en una evaluación completa de conocimientos.

Cómo cambia la puntuación durante la calibración

LearnClash comienza en 1300 puntos, Gold II, una referencia compartida para personas con experiencias muy distintas, por lo que los primeros resultados pueden mover bastante la clasificación mientras el sistema aprende qué rivales te corresponden y deja de depender tanto de la cifra inicial. Necesita verte jugar.

El perfil muestra la clasificación después de diez duelos clasificados. Ese hito de presentación y el ajuste de la estimación no son lo mismo. Puedes haber completado diez partidas y seguir aportando información nueva. La clasificación tiene ocho niveles principales, de Iron a Phoenix, y 22 rangos al contar sus subdivisiones.

Diez duelos dan una primera referencia visible. La puntuación sigue ajustándose con los resultados.

Imagina dos personas nuevas: una juega concursos cada semana y la otra acaba de empezar. Ambas salen de 1300. Si las primeras partidas solo permitieran cambios diminutos, harían falta muchas para separar dos niveles de experiencia que quizá ya son distintos. Los cambios iniciales permiten corregir esa estimación sin tratar el punto de partida como un dato definitivo.

• Una victoria ante un rival fuerte aporta información distinta de una victoria esperada contra alguien de menor puntuación. Una derrota también se interpreta en relación con el rival. Por eso el sistema no entrega la misma cantidad fija de puntos en todos los encuentros.

No necesitas seguir una variable interna para entender el recorrido. Mira quién era el rival, cuál fue el resultado y cómo evoluciona tu ELO después de varias partidas. Una sola subida o bajada puede resultar llamativa; una serie más larga permite ver mejor dónde te sitúas. Nuestra guía de puntuación ELO explica cómo se relacionan el número visible y los niveles.

Cómo se conecta el duelo con la repetición espaciada

El emparejamiento decide con quién juegas y la repetición espaciada conserva el estado de tus respuestas entre sesiones, pero ganar por poco no demuestra que hayas recordado con más esfuerzo, ni perder por mucho impide que aprendas algo al revisar una explicación. Son sistemas que colaboran. Sus resultados deben medirse por separado.

Después de responder, una pregunta puede pasar por Aprendizaje, Conocida y Dominada. Los intervalos de las dos primeras etapas son siete y noventa días. Fallar baja una etapa, no siempre hasta el principio. Las dominadas tienen menos prioridad en la selección y pueden volver a aparecer cuando hacen falta preguntas disponibles.

La afinidad selecciona al rival. El estado de cada respuesta guía el repaso. El marcador no mide por sí solo la retención.

Hay una consecuencia útil para quien estudia: una victoria no convierte automáticamente todas sus respuestas en dominadas. Puedes ganar y dejar errores pendientes. También puedes perder el duelo y avanzar en preguntas que respondiste bien. Consulta la explicación de las etapas de repaso para distinguir el resultado competitivo del progreso por pregunta.

• El estudio de Jiang y colaboradores de 2019 sobre estrés y memoria analizó un estresor aplicado antes de la recuperación o después de la codificación. Encontró una mejora posterior en discriminación de elementos similares en una condición. No estudió duelos de LearnClash, márgenes de victoria ni un porcentaje óptimo de partidas ganadas.

Por eso no uso ese resultado para prometer un efecto de memoria al ganar una partida ajustada. El trabajo de Bjork apoya examinar las condiciones de práctica y evaluar más tarde lo aprendido; trasladarlo a una función concreta de la app exige una comprobación adicional. La repetición espaciada aporta una forma de organizar esa práctica, no una garantía individual.

ELO y TrueSkill: qué puedes comparar

Elo aporta una forma de calcular expectativas a partir de puntuaciones, mientras TrueSkill 2 utiliza un modelo probabilístico con más señales del juego, por lo que comparar ambos exige precisar si te interesa la predicción de resultados o el modo en que una aplicación selecciona oponentes disponibles. Son preguntas distintas.

El trabajo de Microsoft Research de 2018, firmado por Minka, Cleven y Zaykov, comunicó una precisión de predicción del 68 % en resultados de Halo 5, frente al 52 % de TrueSkill original. Es una comparación dentro de aquel estudio. No significa que TrueSkill 2 acierte el 68 % en todo videojuego o en una app de preguntas.

• League of Legends utiliza su propia clasificación interna para organizar partidas. Su objetivo de colocación de nuevos jugadores, descrito en 2024, pertenece a ese contexto. Una tasa agregada cercana al 50 % puede ser compatible con usuarios que mejoran, otros que bajan y personas con muestras pequeñas muy alejadas de la media.

En LearnClash, el valor que ves como ELO resume el rendimiento competitivo. Las categorías ofrecen otra señal para buscar un rival con intereses compatibles. Ninguna señal conoce todo lo que sabes. Un experto en historia medieval puede tener poca experiencia en música, aunque su clasificación global sea alta. Por eso hablamos de estimaciones y no de una medida completa de inteligencia o conocimiento.

Qué queda de la idea del 50 % forzado

Buscar rivales cercanos puede acercar las expectativas al equilibrio, pero no exige compensar cada victoria con una derrota ni demuestra que una franja concreta de resultados sea la mejor para recordar, porque el resultado de un duelo combina conocimientos, temas y respuestas que una sola cifra no puede separar. Juega la partida. Mira después qué aprendiste.

Tras diez duelos clasificados tendrás una primera referencia visible de tu clasificación. Revisa también las preguntas falladas y sus explicaciones: ese recorrido da información que el marcador no contiene. Si quieres empezar por un tema concreto, prueba un duelo sobre técnicas de estudio.