Cada mes, los maestros enfrentan el dilema de qué ejercicios deben practicar sus estudiantes y cuáles son las consecuencias en relación con el aprendizaje a largo plazo. Dado que los maestros prefieren proponer sus propios ejercicios, esto genera un gran número de preguntas, cada una intentada por un pequeño número de estudiantes. Así, no pudimos utilizar modelos basados en grandes datos, como el aprendizaje profundo. En su lugar, desarrollamos un modelo de espacio de estados fácil de entender que predice las puntuaciones de las pruebas nacionales al final del año. Utilizamos 2386 preguntas de matemáticas de cuarto grado en línea diseñadas por maestros, cada una intentada por algunos de los 500 estudiantes en 24 escuelas de bajos recursos socioeconómicos. Encontramos que las predicciones del modelo de espacio de estados mejoraron mes a mes y que en la mayoría de los meses superó a los modelos de regresión lineal. Además, el estimador de espacio de estados proporciona para cada mes un mecanismo directo para simular diferentes estrategias de práctica y calcular su impacto en la prueba nacional estandarizada al final del año. Construimos curvas de isoimpacto basadas en dos variables críticas: el número de preguntas resueltas correctamente en el primer intento y el número total de ejercicios intentados. Esto permite al maestro visualizar la compensación entre pedir a los estudiantes que realicen ejercicios con más cuidado o que realicen más ejercicios. Hasta donde sabemos, este modelo es el primero de su tipo en educación. Es una herramienta novedosa que apoya a los maestros a guiar a toda la clase para alcanzar objetivos de aprendizaje a largo plazo.