Preguntas. Refuerzo. Otra vez.

Contamos primeras exposiciones sin ayuda; las repeticiones e importaciones sirven para repasar. Un 90% es una meta de tutoría: no equivale al score oficial ni garantiza aprobar. El banco es finito, y repetir preguntas conocidas no aporta evidencia nueva.

Los estudios respaldan técnicas de aprendizaje, no prueban la eficacia de Study Atelier ni de un tutor con IA. El ciclo, los tamaños de bloque y la meta del 90% son decisiones de tutoría; no garantizan aprobar. Las preguntas de la web son originales y el material oficial se consulta en AWS.

• Karpicke y Roediger (2008) · The Critical Importance of Retrieval for Learning ↗

  Experimento sobre recuperación y retención diferida. Su aplicación a esta plataforma es una decisión de diseño educativo.

• Wisniewski, Zierer y Hattie (2020) · The Power of Feedback Revisited ↗

  Metaanálisis: los efectos del feedback varían y dependen, entre otros factores, de la información que aporta. No evalúa tutores generativos.

• Dunlosky y colaboradores (2013) · Improving Students’ Learning With Effective Learning Techniques ↗

  Revisión de técnicas, entre ellas pruebas de práctica y práctica distribuida. No determina un intervalo universal ni valida nuestra meta del 90%.

Un ciclo con intención

La metodología de Study Atelier combina una base oficial con práctica, feedback y nuevos intentos. El objetivo es poder explicar y aplicar lo aprendido, además de reconocer una respuesta.

Primero, las bases

Empieza por las rutas gratuitas recomendadas de Skill Builder y la guía de tu examen. Marca lo completado. Los recursos de pago pueden ampliar la preparación, pero son opcionales.

Practica el tipo de decisión

Combina los sets oficiales disponibles en Skill Builder con nuestros escenarios originales, alineados con la guía. Las preguntas de esta web no son oficiales ni reproducciones del examen real.

Intenta recordar antes de mirar

Intenta responder sin apuntes ni pistas. La investigación sobre recuperación activa muestra beneficios para la retención. Aquí aplicamos ese principio al intentar recuperar el concepto antes de leer la explicación.

La duda también cuenta

Registra tu confianza y qué te hizo dudar. Revisa tanto los fallos como los aciertos inseguros. Un error con confianza alta merece especial atención: puede revelar una confusión persistente.

Dale contexto al tutor

Comparte con tu IA el contexto del examen al iniciar y el informe JSON después de cada bloque. Así dispone de respuestas, confianza, dudas y fuentes. La web no envía esos datos automáticamente.

Comprende por qué

Pide que explique los conceptos débiles, el requisito decisivo y por qué fallan las otras opciones. La evidencia sobre feedback destaca la importancia de su contenido. Contrasta con documentación las afirmaciones dudosas de la IA.

Aplica la idea en otra situación

Después de la explicación, el tutor plantea un minirreto y espera tu respuesta. Cambiar el escenario permite comprobar si puedes aplicar la distinción. Si todavía cuesta, aclara ese punto antes de avanzar.

Elige el siguiente intento

Si persiste una confusión, elige refuerzo. Si la resolviste, vuelve a un bloque mixto con preguntas nuevas para comprobar cobertura. Usa la recomendación del tutor y responde otra vez sin ayuda.

Vuelve también en otra sesión

Revisita lo aprendido tras una pausa o en otro día. La práctica distribuida tiene respaldo en la investigación. Repetir inmediatamente las mismas respuestas puede inflar tu porcentaje sin demostrar retención.

Busca evidencia consistente

Como meta práctica, busca un 90% en preguntas nuevas, sin ayuda y con todos los dominios cubiertos. Confírmalo en varios bloques y contrasta con práctica oficial. Ese porcentaje no equivale al score de AWS ni garantiza aprobar.