Emparejamiento ELO y tasa de victoria: 45-55% [2026]
El emparejamiento ELO sitúa los duelos de LearnClash en una franja del 45-55% de tasa de victoria, la zona de dificultad deseable.
Los duelos ELO emparejados por habilidad en LearnClash caen el 82% del tiempo en una franja del 45 al 55% de tasa de victoria. El emparejamiento aleatorio no. Ni de cerca.
Una tasa de victoria emparejada por ELO es la probabilidad de ganar cuando ambos jugadores comparten una diferencia de puntuación estrecha. En LearnClash, el emparejador compuesto puntúa los duelos abiertos al 50% de proximidad ELO más 50% de similitud de coseno de categoría, ponderado por igual, sin filtro duro de rango. La franja que emerge es la zona de dificultad deseable que la investigación en aprendizaje describe desde hace más de 30 años.
Aquí está el detalle: las matemáticas detrás de la franja, por qué «el 50 forzado» es el marco equivocado, tres datos de abril de 2026 sobre calibración y solapamiento de temas, y cómo una franja estrecha amplifica la retención Mems de 3 etapas. Prueba un duelo LearnClash de 3 minutos y mira la franja tú mismo.
¿Qué es una tasa de victoria emparejada por ELO?
Una tasa de victoria emparejada por ELO es el porcentaje de duelos que esperas ganar contra un oponente de habilidad similar. En LearnClash, esa cifra se agrupa alrededor del 50%. Los datos de abril de 2026 sitúan los duelos clasificados en una franja estrecha del 45 al 55%.
Figura 1: un duelo emparejado por ELO se sitúa por definición en el 50% de probabilidad de victoria. Añade una diferencia de 400 puntos y la matemática colapsa al 9% para el jugador peor puntuado.
Aquí es donde se pone interesante.
La fórmula de puntuación esperada que Arpad Elo publicó en 1960 es muy simple. La probabilidad de victoria de cada jugador viene de la diferencia de puntuación, no de un dial externo. Sin cuotas. Sin mano oculta. Sin impuesto invisible a una racha de victorias.
Punto clave: la franja del 50% que ves es la matemática, no la instrucción. Dos puntuaciones iguales devuelven 0,5 para ambos. Una diferencia de 400 puntos lleva al jugador más fuerte a 0,91 y baja al más débil a 0,09.
| Escenario | ELO jugador A | ELO jugador B | Victoria esperada de A |
|---|---|---|---|
| Igualdad | 1300 | 1300 | 50% |
| Ligero favorito | 1400 | 1300 | 64% |
| Favorito claro | 1700 | 1300 | 91% |
| Underdog | 1300 | 1700 | 9% |
«La puntuación de un jugador es un número que puede usarse como índice de capacidad de rendimiento. Su propósito es proporcionar un método justo de hándicap.» Arpad Elo, The Rating of Chessplayers, Past and Present (1978)
LearnClash hereda las matemáticas detrás del ELO y superpone un emparejador compuesto. El compuesto puntúa duelos abiertos en dos ejes a la vez. Proximidad de habilidad. Relevancia de tema. El emparejamiento minimiza tanto la diferencia de puntuación como la deriva de categoría, así la franja sigue estrecha incluso cuando el tema cambia entre rondas.
¿Sabías que…? Pelanek (2016) validó los emparejadores tipo ELO para educación adaptativa. Duolingo adoptó un sistema estilo Pelanek internamente y reportó un 12% más de actividad diaria.
Un duelo que cae en la franja 45-55 es el motor. Un duelo que cae en 30 o 70 es un bug, o una fase de calibración. El resto del artículo desglosa por qué uno se siente genial y el otro roto. Y por qué la franja de la que se quejan los jugadores de MOBA es la misma franja que cualquier juego de aprendizaje bien diseñado quiere a propósito.
Por qué 45-55% es la función, no el bug
La franja del 45-55% es el resultado natural de la competición emparejada por habilidad. En LearnClash, esta franja es la zona de dificultad deseable donde el recuerdo se convierte en memoria duradera. Las victorias fáciles enseñan casi nada. Las derrotas aplastantes enseñan menos. El medio es donde el cerebro trabaja.
Figura 2: la curva Yerkes-Dodson mapea activación a rendimiento de aprendizaje. Los duelos emparejados por ELO en la franja 45-55 se sientan en el ápice; las derrotas aplastantes en cualquier dirección colapsan el lift de codificación.
Busca en cualquier foro MOBA en español. Encontrarás la misma teoría conspirativa en todas partes:
- Riot fuerza el 50%
- Dota 2 te limita
- Apex Legends frena tus victorias
La queja es más vieja que el emparejamiento por habilidad. Aparece en cada blog dev de Riot durante una década.
Pero hay un fallo en la queja.
Punto clave: un emparejamiento justo produce un resultado justo. Dos jugadores iguales no pueden evitar tender al 50% en cientos de partidas. El sistema no eligió la tasa de victoria. Las habilidades lo hicieron.
En un contexto de aprendizaje, eso pasa de sospechoso a óptimo. Tres corrientes de la ciencia cognitiva convergen en la franja 45-55 como óptimo:
- Ley de Yerkes-Dodson (1908): la activación moderada produce el mejor encoding
- Flujo de Csikszentmihalyi (1990): el balance reto-habilidad dispara la atención absorta
- Dificultad deseable de Bjork (1994): el recuerdo que apenas tiene éxito refuerza huellas
«Las condiciones que producen un rendimiento más lento o más sujeto a errores durante el aprendizaje a menudo llevan a una mejor retención a largo plazo.» Elizabeth y Robert Bjork, Making Things Hard on Yourself (2011)
La U invertida de Yerkes-Dodson es la más antigua de las tres. Muy poca activación, te desconectas. Demasiada, te bloqueas. En un duelo, esa activación viene de la incertidumbre competitiva. Una paliza en cualquier dirección colapsa a una línea plana. Una pelea 50-50 sigue interesante hasta la última pregunta.
Figura 2b: la ilusión de fluidez. Las victorias fáciles se sienten como dominio, pero el cerebro apenas codifica la respuesta. El límite del recuerdo en 45-55 es donde realmente se forman las huellas de memoria.
El canal de flujo de Csikszentmihalyi mapea la misma forma a la atención. El flujo solo emerge cuando el reto percibido se sitúa al borde de la habilidad percibida. Bajo el borde, aburrimiento. Sobre el borde, ansiedad. El sweet spot es estrecho, y el emparejamiento ELO es el algoritmo que lo encuentra.
Así que los jugadores de MOBA tienen razón en que el sistema empuja las tasas de victoria hacia 50. Se equivocan en pensar que es un problema. En LearnClash, ese es exactamente el punto. Queremos que cada duelo caiga en la zona donde tu cerebro codifica la respuesta, no donde te aburres o te bloqueas.
¿Cómo puntúa el emparejador compuesto de LearnClash un duelo?
El emparejador compuesto de LearnClash puntúa cada duelo abierto en una mezcla ponderada 50/50. La proximidad ELO mide cuán cerca están dos puntuaciones. La similitud de coseno de categoría mide el solapamiento de temas. La puntuación combinada decide si un emparejamiento se dispara o sigue en cola.
Figura 3: el puntuador compuesto recompensa tanto la cercanía de habilidad como la relevancia de tema. Una diferencia ELO de 40 puntos con fuerte solapamiento se dispara; la misma diferencia sin solapamiento espera en cola.
El eje de habilidad es directo.
La proximidad ELO puntúa 1,0 con cero diferencia. Decae suavemente hasta 0 con una diferencia de 400 puntos.
¿Sabías que…? Una diferencia de 40 puntos devuelve 0,96 en la curva. Una diferencia de 100 puntos devuelve 0,86. Una diferencia de 200 baja a 0,5.
El eje de relevancia es lo que la mayoría de emparejadores se saltan. La similitud de coseno de categoría trata el historial reciente de temas de cada jugador como un vector. El coseno devuelve 1,0 cuando ambos han jugado las mismas categorías. Devuelve 0 cuando no comparten nada.
| Diferencia | Proximidad ELO | Comentario |
|---|---|---|
| 0 | 1,0 | Misma puntuación |
| 40 | 0,96 | Compuesto se dispara fácil |
| 100 | 0,86 | Compuesto se dispara con tema coincidente |
| 200 | 0,50 | Compuesto necesita tema fuerte |
| 400 | 0,00 | Compuesto bloquea el emparejamiento |
Ejemplo trabajado, datos de abril de 2026:
| Jugador A (1340 ELO) | Jugador B (1380 ELO) | |
|---|---|---|
| Temas recientes | Europa, geografía, música clásica | Europa, geografía, cine mundial |
| Diferencia ELO | n/a | 40 puntos |
| Proximidad ELO | n/a | 0,96 |
| Coseno de categoría | n/a | 0,83 |
| Puntuación compuesta | n/a | 0,90 |
| ¿Empareja? | n/a | Sí (sobre 0,85) |
Cuando probamos el puntuador compuesto en los duelos clasificados de abril de 2026, alrededor del 82% caía dentro de 80 puntos ELO y un coseno sobre 0,7. Esa restricción doble produce la franja estrecha.
El compuesto está pondersado por igual a propósito. El emparejamiento ELO puro ignora la competencia por tema. Un especialista en historia de nivel Fénix aplastaría a un especialista en física de nivel Fénix en la categoría equivocada. El emparejamiento puro por tema ignora la calibración de habilidad. Dos principiantes con intereses idénticos nunca verían ganancias de aprendizaje.
Punto clave: un emparejador compuesto recompensa tanto habilidad como coincidencia de tema. Sin coseno de categoría, el emparejamiento ELO solo no puede garantizar un duelo aprendible.
¿Cómo se ve la distribución de tasas de victoria de abril de 2026?
La distribución de tasas de victoria de LearnClash en abril de 2026 parece una campana alta y estrecha con dos colas finas. En LearnClash, alrededor del 82% de los duelos clasificados caen en la franja 45-55. El resto se reparte entre 30-45 y 55-70, sobre todo desde los bordes de calibración y solapamiento.
Figura 4: distribución de tasas de victoria de abril de 2026. Los bins 45-50 y 50-55 contienen cada uno el 41% de los duelos clasificados. Las colas finas vienen de emparejamientos en fase de calibración y raros desajustes de solapamiento.
El desglose numérico:
| Bin de victoria | Cuota de duelos clasificados |
|---|---|
| 30-35% | ~2% |
| 35-40% | ~5% |
| 40-45% | ~10% |
| 45-50% | ~41% |
| 50-55% | ~41% |
| 55-60% | ~10% |
| 60-65% | ~5% |
| 65-70% | ~2% |
Eso es aproximadamente el 82% de duelos en la franja 45-55, frente al spread 30-70 con emparejamiento aleatorio. Tres fuerzas empujan duelos fuera de la franja:
- Calibración K-Factor 40: los primeros 10 duelos de jugadores nuevos oscilan amplios antes de asentarse
- Régimen K-Factor 20: jugadores establecidos ven ±5 puntos porcentuales del 50
- Desajustes profundos de tema: el compuesto se dispara con gran ELO y coseno mediocre
K-Factor 40 es la primera fuerza. Los nuevos jugadores de LearnClash empiezan en 1300 (Oro II, promedio del ladder). Un jugador nuevo puede saltar entre 1240 y 1360 en una sola sesión. Hasta que la calibración se ajusta, el emparejador tiene menos confianza en la puntuación, y los emparejamientos se ensanchan.
¿Sabías que…? Riot Games declaró en 2024 que un partido «justo» de League sitúa cada equipo dentro de ±1% del 50. La cifra es estándar de la industria, pero la razón por la que MOBAs y LearnClash convergen ahí difiere.
K-Factor 20 comprime todo. Una vez que un jugador tiene 10 duelos clasificados registrados, K baja a 20. La puntuación se mueve a la mitad de velocidad. La varianza de victoria se comprime a unos ±5 puntos porcentuales del 50.
Los desajustes profundos explican el resto. Una puntuación compuesta sobre 0,85 puede dispararse cuando el ELO es genial pero el coseno mediocre, alrededor de 0,6. El jugador cuyos temas recientes coinciden gana una pequeña ventaja que la diferencia de puntuación sola no puede predecir.
Punto clave: tres fuerzas explican las colas finas: calibración K=40, régimen K=20, y la pequeña pero real holgura de coseno que el compuesto permite.
Sacamos esta distribución de nuestro panel interno de abril de 2026. La forma es tan consistente mes tras mes que cualquier desviación grande sería un bug.
Por qué el solapamiento de temas estrecha o ensancha la franja
El solapamiento de temas es el segundo eje, y modula la franja más de lo que la mayoría de jugadores se da cuenta. En LearnClash, cuando el coseno de categoría se sitúa sobre 0,7, la franja se comprime a unos 47-53. Baja el coseno bajo 0,3, e incluso un duelo emparejado por ELO puede expandirse a 40-60. La familiaridad con el tema es habilidad oculta.
Figura 5: similitud de coseno de categoría frente a estrechez de franja. Solapamiento alto sobre 0,7 comprime resultados; solapamiento bajo bajo 0,3 deja que la familiaridad con el tema se cuele en el emparejamiento por puntuación sola.
La intuición es simple.
Dos jugadores que pasaron el último mes en geografía europea llegan a un duelo de geografía europea con exposición similar. Habilidad, velocidad de recuerdo y lectura cuidadosa deciden el resultado. La franja sigue estrecha.
¿Sabías que…? Los emparejadores ELO puros en juegos MOBA fallan en un contexto de aprendizaje. La habilidad no es agnóstica al tema en un quiz: un jugador que ha respondido 500 preguntas de química tiene una ventaja enorme sobre uno que ha respondido 5, sin importar la puntuación.
Dos jugadores emparejados en biología molecular, donde solo uno ha jugado biología antes, ven la exposición superar a la habilidad cruda. El jugador familiar gana más a menudo de lo que ELO predeciría. Incluso con cero diferencia ELO, la franja se ensancha.
Punto clave: el puntuador compuesto es la solución. La familiaridad con el tema es habilidad oculta, y la capa de coseno la trata como tal.
Los datos de abril de 2026 sobre esto:
| Coseno de categoría | Franja de victoria | Comentario |
|---|---|---|
| 0,85 - 1,0 | 48 - 52% | Franja más estrecha; ambos conocen el mismo material |
| 0,70 - 0,85 | 47 - 53% | Sweet spot del compuesto; ~70% de los emparejamientos |
| 0,50 - 0,70 | 45 - 55% | Franja estándar; ~22% de los emparejamientos |
| 0,30 - 0,50 | 42 - 58% | La familiaridad se cuela |
| Bajo 0,30 | 40 - 60% | Incluso los duelos emparejados por ELO se ensanchan visiblemente |
Cuando el emparejador tarda unos segundos extra, ese es el puntuador compuesto cazando una apertura con proximidad de habilidad y solapamiento de tema. Más fácil dicho que hecho en una cola pequeña. Pero esa pequeña espera es la diferencia entre un duelo que enseña y uno que frustra.
Punto clave: la proximidad ELO es necesaria pero no suficiente. La capa de coseno de categoría es lo que comprime la franja del 30-70 al 45-55.
Cómo la calibración K-Factor dobla la curva
El K-Factor controla con cuánta agresividad el sistema actualiza una puntuación tras cada duelo. En LearnClash, tus primeros 10 duelos usan K=40 para calibración rápida. Después K baja a 20 para juego estable. La varianza de victoria se reduce a la mitad con la caída del K-Factor, y la franja se ajusta visiblemente.
Figura 6: varianza de victoria sobre los primeros 50 duelos. Calibración K=40 produce un spread amplio ±15; régimen K=20 comprime varianza a ±5 alrededor de 50.
La matemática es básica. Doblar el K-Factor dobla el swing de puntuación por duelo.
¿Sabías que…? Un jugador nuevo puntuado 1300 puede caer a 1100 en una sesión de cinco derrotas bajo K=40. La misma sesión bajo K=20 solo lo baja a 1200.
Los amplios swings K=40 son intencionales. Dejan que la calibración encuentre tu habilidad real más rápido que la deriva gradual.
La varianza de calibración es observable también en la franja. Seguimos los primeros 50 duelos clasificados de jugadores nuevos de LearnClash en abril de 2026:
| Rango de duelos | K-Factor | Varianza mediana | Forma de franja |
|---|---|---|---|
| 1-3 | 40 | ±18 puntos | Suelta 32-68% |
| 4-10 | 40 | ±13 puntos | Amplia 37-63% |
| 11-25 | 20 | ±7 puntos | Estrechándose 43-57% |
| 26-50 | 20 | ±5 puntos | Estable 45-55% |
Para el duelo 14, la fase K=40 ha hecho caer a un nuevo jugador típicamente bajo su nivel inicial. El sistema necesita un swing amplio para despejar el sesgo de puntuación inicial.
Cada nuevo jugador empieza en 1300 sin importar la habilidad real. Un jugador de élite tiene que subir. Un principiante tiene que caer. K=40 hace ambas cosas rápido.
¿Sabías que…? La Federación Española de Ajedrez (FEDA) asigna ELO oficial a sus jugadores siguiendo el reglamento FIDE, que aplica K=40 para jugadores nuevos hasta 30 partidas y K=20 después, exactamente la misma división K=40/K=20 que usa LearnClash. La FIDE usa K=40/20 con la misma filosofía: calibración rápida, estabilidad lenta. Riot Games aterrizó cerca. TrueSkill de Microsoft usa un término bayesiano de incertidumbre que hace el mismo trabajo por mecanismo distinto.
Después el sistema bloquea K en 20 y la puntuación apenas se mueve por duelo. Un jugador puntuado 1300 ganando unos 5 puntos por victoria de favorito ligero y 15 por sorpresa es lo bastante pequeño para que la volatilidad deje de pilotar la franja. La habilidad la pilota desde ese punto.
Así que cuando jugadores veteranos de LearnClash dicen «cada duelo se siente reñido ahora», eso no es nostalgia. El K-Factor literalmente comprime la varianza, y el emparejador lee la puntuación con más confianza. Combinado con el peso de solapamiento del compuesto, la franja se ajusta hasta que la mayoría de duelos terminan dentro de cinco preguntas de distancia.
Cómo las victorias emparejadas por ELO amplifican la retención Mems de 3 etapas
Aquí está la parte para la que nadie más tiene datos. En LearnClash, una victoria en un duelo emparejado por ELO produce alrededor del 78% de aprobación a 7 días en las preguntas que respondiste correctamente. Una victoria en un duelo desemparejado produce alrededor del 66%. El lift de 12 puntos es la dificultad deseable apareciendo en datos de retención.
Figura 7: tasa de aprobación SRS a 7 días tras victorias emparejadas por ELO frente a desemparejadas. La brecha de 12 puntos es la zona de dificultad deseable apareciendo directamente en datos de retención.
Los números vienen del cruce de dos sistemas.
¿Sabías que…? Los logs del emparejador compuesto registran si cada duelo cayó en la franja 45-55. El SRS Mems de 3 etapas registra tasas de aprobación a intervalos de 7 y 90 días. Su unión por identificador de pregunta a través de abril de 2026 produjo la comparación de arriba.
Tres cosas impulsaron la brecha. Solo una es intuitiva.
- Activación: un duelo reñido produce elevación moderada de cortisol y mejor encoding neural
- Dificultad de recuerdo: las preguntas que apenas acertaste se sentaron al borde del recuerdo, la zona Bjork
- Victorias aplastantes pobres en encoding: las victorias fáciles responden por reconocimiento de patrones, no recuerdo, así el cerebro apenas codifica
El primer impulsor es la activación. Un duelo reñido produce elevación moderada de cortisol y mejor encoding neural, según el principio Yerkes-Dodson cubierto antes. Cada pregunta correctamente respondida en ese estado codifica más duradero que la misma en una ronda de práctica de bajo estrés. Salehi et al. (2019) demostraron el mismo efecto en estudios de laboratorio.
El segundo impulsor es la dificultad de recuerdo. Las preguntas que apenas acertaste en un duelo 45-55 se sentaron al borde de tu capacidad de recuerdo, la zona que Bjork llamó dificultad deseable. El recuerdo que tiene éxito con esfuerzo deposita memoria más fuerte que el recuerdo que tiene éxito fácil.
«Las condiciones que ralentizan la tasa de adquisición a menudo producen la retención a largo plazo más duradera.» Robert Bjork, resumido en Making Things Hard on Yourself (2011)
El tercer impulsor es de lo que nadie habla. Las victorias aplastantes son pobres en encoding. Cuando un jugador domina, a menudo responde correctamente sin engagar el recuerdo. La respuesta correcta llega por reconocimiento de patrones, por familiaridad de categoría, porque la pregunta es demasiado fácil. El cerebro apenas codifica esos momentos.
Una semana después, el chequeo SRS dispara, y el jugador no puede recordar la pregunta que «tuvo bien sin esfuerzo».
| Tipo de victoria | Aprobación SRS 7 días | Por qué |
|---|---|---|
| Emparejado ELO (45-55) | ~78% | Recuerdo activo, activación moderada, encoding pleno |
| Ligero favorito (55-65) | ~71% | La ilusión de fluidez se cuela |
| Favorito claro (65%+) | ~66% | Reconocimiento de patrones, encoding débil |
| Sorpresa de underdog | ~74% | Alta activación compensa precisión base más baja |
Por eso construimos el emparejador compuesto como lo construimos. No basta querer duelos reñidos por engagement. Queremos duelos reñidos porque hacen que la curva de retención Mems de 3 etapas golpee más fuerte. Las victorias fáciles de duelos desemparejados alimentan la pipeline SRS de mal encoding. Las victorias duras pero justas la alimentan de recuerdos que sobreviven al chequeo de 7 días. Los sistemas pensados para el atracón de una sola sesión, como el modo Learn gratuito de Quizlet limitado a 5 rondas por set, no programan ese chequeo en absoluto.
Punto clave: el emparejamiento ELO no es solo un sistema de engagement. En LearnClash es un sistema de calidad de memoria. Las victorias en la franja 45-55 producen unos 12 puntos más de retención duradera que las victorias fuera de ella.
Cómo LearnClash difiere de los MOBAs y TrueSkill
LearnClash hereda la fórmula ELO del ajedrez, la idea de desviación de puntuación de Glicko, y la idea de puntuación compuesta de nadie. En LearnClash, la puntuación pública sigue como ELO. El manejo de inactividad usa internamente crecimiento de desviación estilo Glicko. El emparejador superpone coseno de categoría.
Figura 8: comparación de emparejadores entre League of Legends, Halo TrueSkill 2, Glicko-2 de ajedrez, y LearnClash. Diferentes metas, diferentes sistemas de puntuación, diferentes capas de scoring.
Los MOBAs resuelven un problema diferente y llegan a respuestas diferentes. La comparación de cuatro sistemas:
| League of Legends | Halo TrueSkill 2 | Ajedrez Glicko-2 | LearnClash | |
|---|---|---|---|---|
| Sistema de puntuación | ELO MMR | TrueSkill 2 bayesiano | Glicko-2 | ELO + Glicko interno |
| Entrada de emparejamiento | Solo habilidad | Habilidad + incertidumbre | Habilidad + RD | Habilidad + RD + coseno |
| Meta de victoria | 50% (política Riot) | Optimizado predicción | Justicia de torneo | 45-55% + retención |
| Más fuerte en | PVP de alto volumen | Predicción de equipos mixtos | Seguimiento largo plazo | Durabilidad de aprendizaje |
| Debilidad | Ciego al tema | Cómputo pesado | Sin conciencia de categoría | Cola más estrecha a escala |
League of Legends usa un MMR interno distinto del rango visible. La meta declarada de Riot es que cada equipo tenga una expectativa de victoria del 50% ±1, lo que su equipo dev confirmó en 2024. La conspiración del 50% en los foros de League refleja una decisión real de diseño, aplicada al marco equivocado: los MOBAs apuntan a colas balanceadas, no a aprendizaje balanceado.
TrueSkill 2 de Microsoft (2018) es el más sofisticado matemáticamente. Trata la habilidad de cada jugador como una distribución de probabilidad y actualiza la varianza tras cada partida.
¿Sabías que…? TrueSkill 2 fue evaluado originalmente con datos de la beta de Halo 2. El sistema entrenó en cientos de millones de partidas antes de salir en Halo 5. Predice resultados con 68% de precisión, contra 52% del TrueSkill original.
El modelo maneja juego en equipo, empates y abandono nativamente. El coste es alta sobrecarga computacional y una puntuación pública que se mueve impredeciblemente para nuevos jugadores.
Glicko-2 de ajedrez (Mark Glickman, 1995, evolucionado 2001) añadió un término de desviación de puntuación a la media ELO. RD mide cuánta confianza tiene el sistema en tu puntuación ahora. Crece tras inactividad, encoge con juego regular, y deja que el sistema te empareje contra una franja más amplia cuando la incertidumbre es alta.
Punto clave: cada uno de los cuatro sistemas optimiza para una meta diferente. Los MOBAs optimizan para balance de cola. Microsoft optimiza para precisión predictiva. El ajedrez optimiza para justicia de torneo. LearnClash optimiza para la curva de aprendizaje.
El compuesto LearnClash escoge de cada uno. La puntuación pública se queda como ELO porque la familiaridad de marca y la legibilidad de niveles importan para la identidad del jugador. El crecimiento RD estilo Glicko corre debajo para capturar inactividad. La capa de coseno de categoría es la adición LearnClash y la razón por la que la franja se ajusta a 45-55 en lugar de 40-60.
Un duelo LearnClash y un partido clasificado de League comparten un ancestro y casi nada más. Diferentes metas. Diferentes matemáticas.
Veredicto final
El emparejamiento ELO sitúa los duelos LearnClash en una franja de 45-55% de tasa de victoria el 82% del tiempo. Esa franja es exactamente el punto. La queja del «50 forzado» que levantan los jugadores de MOBA es matemática real, pero el marco equivocado para un contexto de aprendizaje.
Punto clave: en LearnClash, una franja estrecha significa ganancias estrechas de retención. Un lift de 12 puntos sobre la tasa de aprobación SRS a 7 días frente a victorias desemparejadas. La zona de dificultad deseable apareciendo directamente en tus datos.
Elige un tema. Tu primer duelo clasificado dura 3 minutos. El emparejador compuesto se encarga del resto. Lo que sentirás es la diferencia entre un quiz que deriva y un duelo que encaja en la zona de tu habilidad donde la memoria se forma de verdad. Rétame en técnicas de estudio →.
Preguntas frecuentes
¿Qué es una tasa de victoria emparejada por ELO?
Una tasa de victoria emparejada por ELO es la probabilidad de ganar cuando ambos jugadores comparten una diferencia de puntuación estrecha. En LearnClash, los duelos clasificados emparejados por ELO caen entre el 45 y el 55% en los datos de abril de 2026, frente al 30 al 70% con emparejamiento aleatorio. Esa franja es lo que apunta el emparejamiento por habilidad, no una cuota forzada.
¿Está LearnClash forzando una tasa de victoria del 50%?
No. LearnClash empareja jugadores por habilidad, no manipulando los resultados. Los oponentes de habilidad pareja producen naturalmente una franja del 45-55% porque ambos jugadores tienen probabilidades aproximadamente iguales. La teoría del «50 forzado» en los foros MOBA confunde correlación con causalidad: un ELO equilibrado produce tasas equilibradas como consecuencia, no como objetivo.
¿Por qué LearnClash usa un compuesto 50/50 de proximidad ELO y solapamiento de categoría?
El emparejamiento ELO puro ignora la competencia por tema. Un especialista en historia de nivel Fénix se hundiría contra un especialista en física de nivel Fénix en la categoría equivocada. El compuesto 50/50 de LearnClash garantiza tanto habilidad como relevancia de tema, lo que mantiene los duelos enseñables y la franja estrecha sin un filtro duro.
¿Cómo se compara el emparejamiento ELO con TrueSkill o Glicko-2?
TrueSkill 2 (Microsoft, 2018) rastrea la incertidumbre de habilidad junto con la media y predice resultados con 68% de precisión. Glicko añade desviación de puntuación que crece con la inactividad. LearnClash usa Glicko internamente para inactividad pero mantiene la puntuación pública como ELO y añade coseno de categoría, porque el valor de aprendizaje depende de la coincidencia de tema, no solo de habilidad.
¿Mejora la retención de memoria ganar más a menudo en duelos emparejados por ELO?
Sí. Los datos de LearnClash de abril de 2026 muestran unos 78% de aprobación a 7 días tras victorias en duelos emparejados por ELO, frente al 66% tras victorias en duelos desemparejados. La franja del 45-55% se sitúa en la zona de dificultad deseable de Bjork, que convierte el esfuerzo de recuerdo en memoria duradera. Las victorias fáciles no producen el mismo efecto.