La tarde del 11 de junio de 2025, 69 estudiantes de la Universidad Alberto Hurtado estaban inscritos en una actividad de clase que los sacó del aula y los llevó al Barrio Brasil, en el centro de Santiago, con una misión en el teléfono: encontrar y reportar microbasurales, es decir, pequeños vertederos ilegales de basura. El mapa estaba dividido en 21 polígonos de unas pocas manzanas cada uno. Lo novedoso era un pequeño widget que mostraba cuántos puntos valía un reporte en el lugar exacto donde estaban. Ese número no era fijo. Bajaba alrededor de los lugares recién reportados y volvía a subir, despacio, con el paso de los minutos.

El artículo sobre esa tarde acaba de salir, en acceso abierto, en el International Journal of Human-Computer Studies. Este post es la versión corta, lo que le contaría primero a un colega. Los métodos y las estadísticas están en el artículo.

Dónde, No Cuánto

En la ciencia ciudadana basada en localización, un conjunto de datos vale lo que vale su cobertura. Si todos los voluntarios fotografían la misma esquina concurrida, la campaña termina con diez fotos de un problema y nada sobre la manzana de atrás. La gamificación habitual no ayuda mucho con esto. Los puntos, las insignias y los rankings premian el volumen, y una recompensa fija por reporte paga lo mismo por la décima foto de esa esquina que por la primera foto de una calle por la que nadie ha pasado.

Queríamos un incentivo que tuviera en cuenta dónde cae cada reporte, sin decirle a nadie adónde ir. La idea tiene un precedente. PhotoCity, un juego para recolectar fotografías con las que construir modelos 3D de edificios, pagaba más a los jugadores por las fotos que ampliaban un modelo con vistas que nadie había capturado todavía. Tomamos prestada esa lógica para una tarea en la que, a diferencia de un modelo 3D, nadie sabe de antemano dónde están los vacíos.

La Regla

Cada reporte válido vale entre 0 y 100 puntos. Un reporte nuevo baja el valor del terreno a su alrededor: justo al lado se descuentan los 100 puntos enteros, a 50 metros una cuarta parte y a 100 metros nada. El recorte también se atenúa con el tiempo. Disminuye de forma constante durante los primeros 48 minutos y luego se queda en un pequeño remanente, una quinta parte de su intensidad original, de modo que un lugar justo al lado de un reporte anterior puede volver a valer 80 puntos durante la sesión, pero no 100. Si hay varios reportes anteriores dentro del radio, solo cuenta el más fuerte; no se suman. Y solo se consideran los reportes de la misma área de la misión.

Tomemos dos áreas vecinas, A y B, ambas a valor completo. Alguien reporta en A. Los puntos alrededor de ese lugar bajan, y un participante cercano ahora ve más puntos disponibles hacia B. Si B se llena de reportes mientras A sigue sin reportes, A se recupera en buena parte durante los siguientes 48 minutos y vuelve a ser el mejor destino. Nada está bloqueado. Cualquiera puede seguir reportando al lado de un reporte anterior; simplemente obtiene el valor reducido, y la app se lo dice antes de que lo haga.

Esa última parte me importa. Un widget flotante muestra los puntos disponibles esté donde esté el participante, la pantalla de la tarea mantiene esa vista previa mientras se sube la foto, y una pantalla de confirmación muestra los puntos efectivamente ganados. La vista previa se calcula en el teléfono para que resulte instantánea; el puntaje real se calcula en el servidor a partir del registro actualizado de reportes previos.

Diagrama del ciclo de interacción: la movilidad del participante produce señales de contexto, GAME calcula un potencial de recompensa según la proximidad y la antigüedad de los reportes previos, el valor se muestra al participante, que decide moverse, explorar o enviar. El ciclo que implementa el motor. El movimiento produce contexto, el contexto produce un potencial de recompensa, la recompensa se muestra antes de que el participante actúe, y la acción actualiza el contexto para todos los demás.

Tres capturas de la app GREENCROWD: el mapa con el polígono seleccionado y la vista previa de la recompensa, la tarea de reporte con la recompensa en vivo y la pantalla de confirmación con 100 puntos ganados. Lo que veían los participantes: la vista previa de la recompensa en el mapa (izquierda), el valor en vivo mientras suben la evidencia (centro) y los puntos ganados tras enviar (derecha).

Implementé esto como una estrategia dentro de GAME, el motor de gamificación de código abierto sobre el que escribí antes, y la app GREENCROWD hizo el resto. El radio de 100 metros, la ventana de decaimiento de 60 minutos y el mínimo de una quinta parte fueron decisiones mías para este barrio (ese mínimo es la razón de que la recuperación se detenga a los 48 minutos y no a los 60). Una campaña en un área más grande o más dispersa necesitaría otros valores, y el artículo lo dice.

Dos Horas en el Barrio Brasil

La sesión fue de cuatro a seis de la tarde, como parte de una actividad programada de un curso. Los participantes usaron sus propios teléfonos, eligieron un polígono para explorar y se movieron libremente dentro de él. Un reporte consistía en una encuesta corta, evidencia fotográfica y un comentario, enviados desde la posición GPS en la que estaban. Las cuentas eran seudónimas; nunca guardamos nombres ni correos. No había premios más allá de los puntos, y dejamos fuera a propósito las rachas y las bonificaciones por tiempo, así que lo único adaptativo en funcionamiento era la regla anterior.

Un detalle práctico cambia cómo hay que leer los números. Por seguridad, el profesor recomendó moverse en grupos pequeños. Varias personas podían mirar un microbasural juntas y decidir reportarlo mientras un solo teléfono hacía el envío. Así que cuando digo que 11 personas reportaron, quiero decir que 11 cuentas registraron un reporte. El número de personas que participó es mayor, y desconocido, porque no registramos el tamaño de los grupos.

Teniendo eso en cuenta, este es el embudo. De los 69 estudiantes inscritos, 64 llegaron a la pantalla de campañas, 34 se unieron a la misión, 26 abrieron la tarea de reporte y 11 enviaron al menos un reporte geolocalizado, 27 reportes en total. Se registraron trazas de movimiento de 36 personas, y 27 respondieron después el cuestionario de experiencia lúdica (GAMEFULQUEST). Tres de los 11 contribuyentes produjeron cerca de la mitad de los reportes.

Si una participación activa de alrededor del 15 por ciento parece baja, también es un patrón conocido. Nuestro experimento anterior en un campus arrojó casi la misma cifra, y juegos con propósito como PhotoCity mostraron el mismo patrón asimétrico a mayor escala: una pequeña minoría produce la mayor parte de los datos útiles.

Participación durante la sesión de dos horas: eventos por minuto, un ráster de eventos de interacción por usuario anonimizado con estrellas que marcan los puntos otorgados y el recuento acumulado de usuarios activos. La sesión minuto a minuto. Las estrellas marcan las 27 asignaciones de puntos, con un tamaño proporcional a su valor. Todas caen entre los minutos 31 y 82; el resto es, muy probablemente, gente llegando a los polígonos y volviendo.

Qué Vimos

Caminar por un Lugar No Es lo Mismo que Reportar Ahí

Las trazas de movimiento cubrieron los 21 polígonos. Los 27 reportes cayeron en solo 8 de ellos. Algunos de los polígonos más transitados no produjeron ningún reporte, y un par de los menos visitados produjeron más reportes de los que cabría esperar por su tráfico peatonal. La correlación entre cuántas posiciones GPS registradas cayeron en un polígono y cuántos reportes recibió fue moderada (una rho de Spearman de 0,44), así que el tráfico peatonal explica solo una parte de dónde cayeron los reportes.

Los índices de concentración lo resumen en una línea: en los 21 polígonos, el coeficiente de Gini fue 0,43 para el movimiento y 0,73 para las contribuciones. La presencia estaba repartida; los reportes, concentrados.

Mapa del Barrio Brasil con los 21 polígonos de la misión delineados, una cuadrícula que muestra el tiempo de trayectoria acumulado por celda y estrellas con etiquetas que indican dónde se otorgaron puntos y cuántos. Dónde pasó tiempo la gente (celdas de la cuadrícula: cuanto más brillante, más tiempo) y dónde se otorgaron puntos (estrellas, con el valor).

Gráfico de barras con los puntos de trayectoria por polígono en orden decreciente, con círculos en el eje derecho que muestran el total de puntos otorgados; solo 7 de las 21 barras muestran un círculo. Puntos de trayectoria (posiciones GPS registradas) por polígono (barras) y total de puntos otorgados ahí (círculos). Varios de los polígonos más transitados no tienen círculo. Solo se ven siete círculos: el octavo polígono con reportes tuvo una única asignación, por debajo del rango del eje derecho.

El Mapa de Recompensas No Copió Sin Más el Mapa de Movimiento

Este es el resultado en torno al cual gira el artículo. Cortamos el barrio en celdas de 100 metros y nos preguntamos, para cada celda, si concentraba significativamente más de algo que su entorno (un punto caliente de Getis-Ord). Lo hicimos dos veces: una para el tiempo de permanencia y otra para el valor de la recompensa, que es también, inevitablemente, donde había microbasurales que reportar (vuelvo sobre esto más abajo). Los puntos calientes de movilidad se ubican a lo largo de un corredor central, las calles por las que la gente circula de todos modos. Los de recompensa alcanzan celdas cercanas a los bordes, menos visitadas. Los dos mapas se superponen solo en parte, entre un cuarto y un tercio según cómo se cuente, y donde más discrepan es en sus picos: los tres polígonos más intensos de cada mapa comparten solo uno. En unos seis de los 21 polígonos hubo más superficie clasificada como caliente para la recompensa que para el movimiento, y varios de ellos no tenían ningún punto caliente de movimiento.

Aquí quiero ser prudente. La divergencia es parcial. La correlación entre los dos mapas sigue en torno a 0,58, y una prueba pareada sobre los puntajes de las celdas no resultó significativa. La trama de calles da forma a ambos mapas, y el mapa de recompensas se aparta de ella en zonas puntuales, sin cambiar la imagen de conjunto.

Dos mapas de cuadrícula uno junto a otro: puntajes locales de Getis-Ord para los puntos otorgados a la izquierda y para el tiempo de trayectoria a la derecha. Puntos calientes de recompensa (izquierda) y de tiempo de permanencia (derecha). Ambos siguen la trama de calles; las celdas más brillantes están en lugares distintos. Superposición (Jaccard) de 0,28 por celda y 0,38 por polígono; los tres polígonos principales de cada mapa se superponen en 0,20.

El Motor Hizo lo que Dice el Artículo que Hace

Como los datos publicados incluyen la posición y la hora de cada reporte, reimplementamos la regla a partir del conjunto de datos público y la evaluamos en la posición y el momento registrados de cada uno. Catorce de las 27 asignaciones coincidieron con un margen de dos puntos, y 23 con un margen de 10. Once de los 12 reportes sin un reporte anterior a menos de 100 metros obtuvieron exactamente 100. Las diferencias son pequeñas y casi todas en el mismo sentido, que es lo esperable si el valor ofrecido se fijó al abrir la tarea y la gente caminó después unos metros antes de pulsar enviar, aunque los datos no pueden confirmar que esa sea la razón. La única discrepancia grande, una asignación de 65 puntos, tenía el reporte anterior más cercano a 104 metros en el momento del envío, cuatro metros fuera del radio.

Diagrama de dispersión de puntos otorgados frente a puntos reimplementados sobre una línea de igualdad con una banda de más o menos 10, y residuos por secuencia de asignación. Puntos otorgados frente a la misma regla recalculada a partir de los datos publicados. Cualquiera puede repetir esta verificación con los archivos de Zenodo.

Una Buena Experiencia No Significó Reportar con Eficiencia

Los puntajes de GAMEFULQUEST fueron bastante altos, una media de 5,5 en una escala de 1 a 7 en las 21 respuestas depuradas, y cada una de sus siete dimensiones aumentaba cuanto más se movía la persona. Ninguna aumentaba con la eficiencia con la que el movimiento se convertía en reportes; en las siete personas con ambos tipos de datos, todas las estimaciones apuntaron en sentido contrario. Son muestras minúsculas y exploratorias, y el artículo las toma solo como un indicio. Aun así, es una advertencia útil: un cuestionario con buenas notas te dice que la gente estuvo activa. Que sus recorridos se convirtieran en reportes es otra cuestión.

Lo que Esto No Muestra

Todos vieron la misma regla, así que no hay condición de control. No podemos decir que el puntaje adaptativo produjera un resultado más equilibrado del que habrían producido puntos fijos o la ausencia de puntos. Tampoco podemos decir que alguien caminara hacia algún lugar, o reportara en algún lugar, por el número del widget. Los mapas describen dónde cayó el valor de la recompensa, no por qué. Once contribuyentes en una sesión de dos horas, todos estudiantes en una actividad de clase y no voluntarios que eligieron participar, aportan señales para el diseño, no tamaños de efecto. Y los puntos solo se podían ganar donde realmente había un microbasural, algo que no medimos de forma independiente, así que un mapa de adónde fueron a parar los puntos es también, en parte, un mapa de dónde estaban los microbasurales. Pudimos descartar el tamaño de los polígonos como explicación de la concentración, pero un polígono tranquilo puede simplemente no haber tenido nada que reportar. Tampoco les preguntamos a los participantes si se habían dado cuenta de por qué cambiaba el número del widget.

Lo que el estudio sí sostiene es más acotado y, creo, aun así vale la pena: bajo esta regla, en este barrio, los puntos no siguieron simplemente a la multitud. Parte del valor de la recompensa fue a calles por las que la gente pasó menos, en una proporción modesta pero medible, y a nadie se le dijo nunca adónde ir.

Si Estás Construyendo Algo Parecido

El artículo condensa seis implicaciones de diseño. Son las que le repetiría a cualquiera que construya un sistema parecido.

  1. Usa las recompensas adaptativas para guiar la atención. Una recompensa alta en un área con pocos reportes no demuestra que ahí haga falta contribuir; el área puede estar desatendida o simplemente vacía.
  2. Evalúa los incentivos espaciales con una medida independiente de lo que había para reportar.
  3. Incluye índices de cobertura (Gini, Hoover, entropía, proporción de unidades ocupadas) junto a las cifras de participación. Nuestras cifras parecían sanas y ocultaban por completo la concentración.
  4. Explica cómo dibujaste las unidades espaciales y comprueba si tus resultados se mantienen con otra cuadrícula.
  5. Lee las encuestas junto con los registros de comportamiento. Las nuestras se superponían en siete personas.
  6. Explícales la regla a los participantes y comprueba que la entendieron.

Qué Viene Ahora

El siguiente paso evidente es una comparación aleatorizada: esta regla frente a un puntaje fijo, frente a ningún incentivo y frente a versiones con un decaimiento más rápido o más lento, con más contribuyentes y con un registro independiente de dónde están los microbasurales. Despliegues más largos y una comprobación directa de si los participantes entienden la regla caben en el mismo estudio. Si repitiera la sesión mañana, también registraría el tamaño de los grupos y quién tenía el teléfono.

Una verificación post hoc del artículo ya muestra hasta qué punto el recorte es sensible a la ventana de decaimiento: con una ventana de 15 minutos en lugar de 60, un lugar reportado habría recuperado cerca de la mitad de su valor perdido para cuando alguien volviera a él, en vez de cerca de una sexta parte. Si eso es mejor o peor es una decisión que tomé una vez y que ahora preferiría medir.

Todo está en abierto: el artículo (CC BY), los datos y el notebook de análisis en Zenodo, y GAME en GitHub. Si llevas una campaña de ciencia ciudadana basada en localización y quieres probar una recompensa sensible a la cobertura, o quieres ser la condición de comparación que nos falta, escríbeme. Esa comparación no podemos hacerla solos.


Este post resume los hallazgos de: Vergara-Borge, F., Emaldi, M., Olivares-Rodríguez, C., Gómez-Carmona, O., & López-de-Ipiña, D. (2026). Adaptive gamification as a spatial interaction mechanism in citizen science. International Journal of Human-Computer Studies, 219, 103957. https://doi.org/10.1016/j.ijhcs.2026.103957. Figuras reproducidas del artículo bajo licencia CC BY 4.0.