Escalas y selección de instrumentos

En una frase: filtro de ajuste, no catálogo de marcas.

1. Qué se decide cuando se elige un instrumento

En el parcial de Psicometría I suele aparecer una viñeta: te dan un constructo, una población y un tiempo de aplicación, y te piden justificar qué tipo de escala conviene y qué datos del manual mirarías antes de usar el protocolo. La respuesta débil es nombrar un test famoso. La respuesta sólida es mostrar el filtro: tipo de escala, constructo, población, techo y piso, tiempo y normas locales.

Un instrumento es un dispositivo de medición con ítems, claves de calificación, instrucciones y, si existe, un marco de referencia para interpretar puntajes. Elegirlo es un acto técnico y ético a la vez. Técnico, porque el puntaje solo admite ciertas operaciones según el tipo de escala. Ético, porque vas a decir algo de una persona o de un grupo a partir de ese número. Si eliges mal, el error no queda en la hoja de cálculo: queda en una clasificación, en una derivación o en un informe.

Ese cotejo no sustituye el estudio de la teoría clásica, de la confiabilidad ni de la validez. Los presupone. Si no sabes qué pregunta responde un coeficiente, no puedes decidir si el valor publicado te alcanza para un tamizaje breve. Si no sabes qué es una amenaza a la validez, no puedes leer el capítulo de evidencias del manual. Por eso este tema se estudia después de esos tres y no en su lugar.

1.1. Seis criterios que el parcial suele pedir por escrito

1. Tipo de escala. Qué operaciones admite el número: clasificar, ordenar, restar, o formar razones. Stevens sirve aquí como brújula de operaciones, no como biografía.
2. Constructo. Qué atributo se pretende medir y si el instrumento lo cubre en el sentido que tú necesitas decidir (rasgo, estado, síntoma, competencia, preferencia).
3. Población. Edad, escolaridad, lengua, contexto clínico o comunitario, y si el protocolo fue pensado para esa franja o para otra.
4. Techo y piso. Si el rango de dificultad deja variar a las personas que vas a evaluar, o las aplasta en el extremo alto o en el bajo.
5. Tiempo y formato. Minutos reales, fatiga, lectoescritura exigida, aplicación individual o colectiva, y si eso cabe en el dispositivo (aula, consultorio, investigación de campo).
6. Normas y adaptación. Si existe un marco de referencia cercano a tu población o si vas a interpretar con normas de otro país, de otra década o de otra lengua, y cómo lo declararás.

La tentación del estudiante apurado es invertir el orden: primero elige el nombre que recuerda y después busca cómo justificarlo. El orden disciplinado es el inverso. Primero fijas el uso del puntaje. Después preguntas qué tipo de número necesitas. Después miras si el constructo del manual coincide con el tuyo. Recién ahí comparas dos o tres candidatos y descartas por población, techo, tiempo y normas.

2. Tipo de escala: Stevens como filtro de operaciones

Stevens organizó las escalas en cuatro tipos según qué transformaciones conservan el sentido del número y, por tanto, qué operaciones son legítimas. En este apunte no se trata de memorizar un cuadro para recitarlo: se trata de usarlo como primer filtro de selección. Si tu decisión exige comparar distancias (por ejemplo, cambio pre-post en una métrica que pretendes tratar como intervalo), no puedes conformarte con una escala que solo ordena. Si tu decisión es clasificar (presente o ausente, tipo A o tipo B), una escala nominal bien definida puede bastar y un intervalo sofisticado puede ser ruido.

Los cuatro tipos, en el lenguaje que suele caer en el examen, son estos.

nominal. El número es una etiqueta. Sexo registrado, diagnóstico categorial, grupo experimental frente a control, opción de carrera. Puedes contar frecuencias y calcular moda. No puedes decir que el código 4 es el doble del código 2, ni que la distancia entre 1 y 2 equivale a la distancia entre 3 y 4. Elegir un instrumento nominal tiene sentido cuando la decisión es de pertenencia, no de magnitud.

Ordinal. El número ordena. Puestos en una lista, estadios de gravidad, rangos de acuerdo. Sabes quién queda por encima de quién, no cuánto mide el intervalo entre ellos. Gran parte de las escalas de actitudes y de muchos listados de síntomas viven aquí. Elegir un ordinal es adecuado cuando te basta un orden (más, igual, menos) y es insuficiente cuando pretendes hablar de unidades iguales de cambio.

De intervalo. El número ordena y, además, las diferencias se pueden tratar como comparables. El cero es convencional, no ausencia del atributo. La temperatura en Celsius es el ejemplo clásico fuera de psicología. Dentro de la disciplina, muchas puntuaciones derivadas se tratan como intervalo para poder restar, promediar y usar ciertos modelos. Elegir un instrumento y tratarlo como intervalo exige un argumento, no un acto de fe: hay que poder sostener que las distancias entre puntos próximos se comportan de modo comparable para el uso previsto.

De razón. Tiene las propiedades del intervalo y, además, un cero absoluto con sentido (tiempo de reacción en milisegundos, número de palabras evocadas, frecuencia de una conducta observada). Aquí sí puedes hablar de el doble o la mitad. En selección de instrumentos, las escalas de razón aparecen más en medidas de ejecución y de observación que en escalas de acuerdo verbal.

Esa trampa se cobra caro en dos direcciones. Quien dice «es Likert, luego es ordinal, luego no se puede sumar» se queda corto: en la práctica de investigación se suman ítems Likert con argumentos y con cautela. Quien dice «es Likert, luego ya tengo intervalo» se pasa de largo: el formato de respuesta no crea unidades iguales. En el examen, la respuesta que puntúa es la que distingue el formato (anclas de acuerdo) del tipo de escala (qué operaciones defiendes y con qué argumento).

Cuando eliges instrumento, entonces, no preguntas solo «es Likert o es verdadero-falso». Preguntas: ¿qué tipo de número me entrega y qué tipo de número necesita mi decisión? Un inventario de síntomas con anclas de frecuencia puede bastar para un tamizaje que ordena riesgo. Ese mismo inventario puede ser frágil si pretendes afirmar que el cambio de 12 a 18 es psicométricamente comparable al cambio de 24 a 30 y, sobre esa resta, tomar una decisión de alta consecuencia.

3. Constructo: el instrumento tiene que responder a tu pregunta

El segundo filtro es el constructo. Dos escalas pueden parecer primas y medir cosas distintas. Ansiedad como rasgo no es ansiedad como estado. Depresión como síndrome clínico no es malestar inespecífico. Inteligencia como batería amplia de aptitudes no es rendimiento académico. Si eliges por semejanza de título, puedes administrar un protocolo correcto para otro problema.

Cronbach entra aquí como lenguaje de decisión, no como tema entero. La pregunta cronbachiana útil al elegir es: ¿la consistencia que reporta el manual es adecuada para este uso? Un tamizaje escolar tolera un margen de error distinto al de una decisión que cambia la trayectoria de una persona. No copies el coeficiente al informe como si el número hablara solo. Pregunta para qué se estimó, en quiénes y con qué consecuencia. El desarrollo de cómo se calcula y cómo se interpreta ese coeficiente está en el apunte de confiabilidad; aquí solo te sirve como umbral de admisión del candidato.

Messick entra del mismo modo. La validez, en su formulación, no es una etiqueta que el test «tiene» o «no tiene». Es un argumento sobre la interpretación y el uso del puntaje, e incluye las consecuencias de ese uso. Al elegir, la pregunta messickiana es: si aplico este instrumento a esta población y actúo según el puntaje, ¿qué interpretación estoy sosteniendo y qué efectos colaterales acepto? Un test puede tener evidencia de estructura interna elegante y, aun así, ser una mala elección si su uso en tu contexto produce clasificaciones injustas o irrelevantes. El mapa de evidencias de validez está en el apunte correspondiente; aquí te quedas con la pregunta de uso.

En la práctica del cuaderno, conviene escribir en una línea el constructo de la viñeta y, debajo, el constructo que declara el manual del candidato. Si no coinciden, el candidato cae aunque lo hayas visto en tres prácticos. Si coinciden a medias (por ejemplo, el manual cubre ansiedad general y tú necesitas ansiedad social), anotas la zona de solapamiento y la zona ciega. Elegir es también aceptar qué parte del fenómeno vas a dejar fuera, y decirlo.

Otra distinción que el parcial premia: rasgo frente a estado, y cribado frente a evaluación amplia. Un instrumento breve de cribado está diseñado para detectar posibles casos y derivar, no para describir un perfil. Un inventario amplio puede describir facetas y, al mismo tiempo, ser inviable en veinte minutos de aula. Si la viñeta pide «detectar rápido quiénes merecen una evaluación posterior», el candidato indicado suele ser corto, con un punto de corte declarado y con evidencia de sensibilidad en esa franja. Si la viñeta pide «describir el perfil para orientar una intervención», el candidato corto se queda corto.

4. Población, techo y piso

El tercer y el cuarto filtro viajan juntos. Un instrumento se construye y se norma, cuando se norma, sobre una población. Si tu evaluado queda fuera de esa población por edad, lengua, escolaridad o contexto, el puntaje deja de significar lo que el manual promete. No es que «no se pueda aplicar»: es que la interpretación cambia de estatus. Pasa de comparación normativa a descripción informal, o a una hipótesis que debes marcar como tal.

Preguntas concretas que conviene llevar al parcial y a la práctica:

• ¿El rango de edad del manual cubre a la persona o al grupo?
• ¿El protocolo exige un nivel de lectura que esa población no tiene?
• ¿Los ejemplos de los ítems son culturalmente legibles (comida, escuela, trabajo, familia, dinero)?
• ¿La muestra de baremación se parece en lengua y en contexto, o es de otro país y de otra década?
• ¿El instrumento nació en clínica y tú lo quieres usar en comunidad, o al revés?

Techo y piso son el modo en que la dificultad del instrumento se encuentra con la habilidad o con la intensidad del atributo en tu grupo. Hay efecto techo cuando una porción relevante de evaluados se acumula en el extremo alto: el test les queda fácil, o el atributo les queda por encima del rango que el instrumento distingue. Hay efecto piso cuando la acumulación ocurre en el extremo bajo: el test les queda difícil, o el instrumento no alcanza a registrar variaciones que sí existen. En ambos casos pierdes discriminación justo donde la necesitabas para decidir.

Cómo se mira en la práctica, sin inventar cifras. Si en un piloto o en los primeros protocolos ves que gran parte de las personas obtiene el máximo o el mínimo, el candidato está mal calibrado para esa franja. Si el manual mismo advierte que el test no distingue bien en la cola alta (por ejemplo, en talento o en excelencia académica) o en la cola baja (por ejemplo, en discapacidad intelectual grave), esa advertencia es parte de la elección, no una nota al pie. Elegir un instrumento «más difícil» o «más fácil» no es un capricho de gusto: es una decisión sobre el rango donde necesitas varianza.

La población también incluye la condición de aplicación. Un protocolo diseñado para aplicación individual con examinador entrenado no se convierte en colectivo por escasez de tiempo. Un autoinforme pensado para personas que leen con fluidez no se «adapta» leyéndoselo de corrido a quien no lee, sin cambiar el constructo que estás midiendo (pasas de lectura autónoma a comprensión oral mediada). Esos cambios hay que declararlos; a veces obligan a buscar otro instrumento en vez de forzar el que ya tienes en el armario.

5. Tiempo, formato y costo de administración

El quinto filtro parece prosaico y, en viñetas de examen, decide el caso. Un instrumento puede ser adecuado en constructo y en tipo de escala, y aun así ser inviable. Cincuenta minutos de aplicación individual no caben en una hora de clase si además hay consigna, dudas y recogida. Un protocolo de dos horas no cabe en una guardia. Un formato de lápiz y papel no cabe si la persona no puede escribir. El tiempo no es un detalle de logística: es parte de la validez de uso, porque la fatiga y la prisa cambian lo que el puntaje representa.

5.1. Lista de chequeo antes de apegarte al candidato

1. Minutos de aplicación que declara el manual, más el margen real de consignas y de dudas.
2. Formato: autoinforme, entrevista estructurada, ejecución cronometrada, observación.
3. Modo: individual, colectivo, informatizado, papel.
4. Exigencia de lectoescritura, de motricidad fina y de permanencia atencional.
5. Calificación: clave simple, plantilla, software, juicio clínico complementario.
6. Formación exigida a quien aplica y a quien interpreta. No es lo mismo leer un puntaje de cribado que integrar una batería.
7. Costo de protocolos, de baremos y de renovación de formas. Un instrumento inalcanzable no es una opción real para ese servicio.
8. Fatiga acumulada si ya hay otros instrumentos el mismo día. El último de la batería mide, en parte, cansancio.

Este chequeo evita dos errores simétricos. El primero: elegir un instrumento «de investigación» para un dispositivo clínico de veinte minutos. El segundo: elegir un cribado de cinco minutos cuando la viñeta pide un perfil. El tiempo no hace al instrumento más científico ni menos: lo hace aplicable o inaplicable. En el cuaderno, anota el tiempo al lado del nombre del candidato. Si no entra, cae, aunque el constructo coincida.

El formato también dialoga con el tipo de escala. Una tarea de ejecución con tiempo (por ejemplo, número de aciertos en un plazo fijo) puede acercarte a una métrica de razón o, al menos, a una de intervalo más defendible que una ancla verbal. Un autoinforme de acuerdo te deja, de entrada, en el terreno ordinal. Eso no descalifica al autoinforme: lo sitúa. Si tu pregunta es «cuánto acuerda la persona con estas afirmaciones sobre sí misma», el autoinforme es el formato indicado. Si tu pregunta es «cuántas palabras evoca en un minuto», el autoinforme es el formato equivocado, por famoso que sea el inventario de al lado.

6. Normas y adaptación en América Latina

El sexto filtro es el que más se improvisa y el que más se inventa en un examen mal estudiado. Aquí la regla de este cuaderno es estricta: no se citan baremos que no se hayan verificado, no se fabrican años de estandarización local y no se afirma que «el test X tiene normas de tal país» si no se tiene el manual o una fuente primaria delante. Lo que sí se estudia es el criterio de elección.

Una norma es un marco de referencia empírico: la distribución de puntajes en una muestra descrita. Interpretar un puntaje «respecto de la norma» es decir en qué lugar de esa muestra queda la persona. Si la muestra es de otro país, de otra lengua, de otra década o de otro nivel educativo, el lugar que asignas es el lugar en esa muestra, no en la tuya. Puedes hacerlo de forma explícita y cautelosa. No puedes hacerlo en silencio, como si el número hablara el dialecto local por arte de magia.

Adaptar no es traducir palabra por palabra. Las directrices de la Comisión Internacional de Tests (ITC) sobre traducción y adaptación recuerdan que hay que atender a la equivalencia lingüística, a la equivalencia cultural de los ítems y a la evidencia empírica de que el instrumento sigue midiendo el mismo constructo en el nuevo contexto. Un ítem sobre «nieve en el camino a la escuela» o sobre un deporte que no se práctica en tu ciudad no falla por gramática: falla por referente. Elegir un instrumento para América Latina incluye preguntar si existe un proceso de adaptación documentado, no solo una traducción circulando en fotocopia.

Qué puedes afirmar sin inventar normas concretas:

• Que debes leer, en el manual o en el artículo de adaptación, la descripción de la muestra (país, edad, lengua, escolaridad, año de recolección).
• Que una muestra universitaria de un solo campus no representa a adolescentes de escuela pública ni a adultos mayores de un centro de salud.
• Que un baremo antiguo puede haber quedado desfasado por cambios educativos y culturales (el llamado efecto generacional en algunas medidas de aptitud es el ejemplo clásico, sin necesidad de citar cifras de memoria).
• Que, si no hay norma local, puedes usar el instrumento de modo descriptivo (frecuencia de respuestas, comparación intra-sujeto a lo largo del tiempo con el mismo protocolo) y debes decir que no estás haciendo una comparación normativa local.
• Que inventar un percentil «a ojo» o reciclar un cuadro de otro país sin citarlo es una falta ética, además de técnica.

En viñetas situadas en Colombia, México, Argentina, Chile o Perú, el examinador no te pide de memoria el n de un baremo. Te pide el criterio: qué mirarías, qué declararías y qué dejarías de afirmar. Esa es la respuesta de selección. La respuesta frágil es «uso el test famoso porque se usa en la región». La respuesta sólida es «verifico si hay adaptación y muestra descrita; si no la hay, limito la interpretación y lo dejo por escrito».

Este filtro también corta una fantasía de consultorio: la de que un instrumento «internacional» es, por ser internacional, más científico que uno local. Internacional describe el origen o la difusión, no la calidad del ajuste. Un protocolo nacido en otro continente puede ser excelente en su muestra y mediocre en la tuya. Un protocolo local puede ser más indicado y, al mismo tiempo, tener menos capítulos de marketing. El criterio sigue siendo el ajuste, no el pasaporte del manual.

7. Procedimiento ordenado de selección

Con los seis filtros en la mesa, el procedimiento se puede escribir como una secuencia. En el parcial, una lista ordenada suele valer más que un párrafo elogioso sobre «la importancia de elegir bien».

1. Fija el uso del puntaje. Cribado, descripción, seguimiento, investigación, decisión de alta consecuencia. El uso define el umbral de evidencia que vas a exigir.
2. Escribe el constructo en una frase. Rasgo o estado, amplio o estrecho, clínico o educativo. Si no puedes escribirlo, no puedes elegir.
3. Decide el tipo de número que necesitas. Clasificar, ordenar, restar, formar razones. Stevens entra aquí, no al final como adorno.
4. Arma una lista corta de candidatos que declaren ese constructo. Dos o tres, no una estantería.
5. Coteja población. Edad, lengua, escolaridad, contexto. Descarta los que quedan fuera de franja.
6. Coteja techo y piso. Pregunta dónde varía tu grupo y si el instrumento tiene marcas en ese tramo.
7. Coteja tiempo y formato. Si no cabe en el dispositivo, cae aunque el constructo coincida.
8. Lee la evidencia de confiabilidad y de validez como umbral de admisión, no como tema a desarrollar. Si el manual no informa para quién se estimó, el candidato queda en sospecha.
9. Lee normas y adaptación. Muestra descrita, década, país, lengua. Declara la distancia o busca otro candidato.
10. Elige y deja por escrito el motivo de descarte de los otros. La elección se defiende por contraste, no por entusiasmo.

Dos notas de oficio. Primera: este procedimiento elige un instrumento ya publicado. No es el procedimiento para construir ítems, para analizar discriminantes ni para rotar factores. Eso pertenece al apunte de construcción de escalas. Segunda: este procedimiento no sustituye el manual de un test concreto. No vas a encontrar aquí las subpruebas de una batería de inteligencia ni las escalas clínicas de un inventario de personalidad. Eso es otro tema, con otros apuntes. Aquí el objeto es el criterio de elección, aplicable a un inventario breve igual que a una batería larga.

8. Errores frecuentes en el parcial

Un séptimo error, más sutil: responder con un tratado de validez o de teoría clásica. Esos tratados ya tienen su clase. Si la pregunta es de selección, el corrector quiere ver el filtro aplicado a la viñeta, con una o dos oraciones que conecten con confiabilidad y validez, no un resumen de esos apuntes. La sobredosis de teoría correcta, fuera de ángulo, también pierde puntos.

9. Para el parcial

Si la viñeta nombra un test célebre y el constructo no coincide, el test célebre se descarta. El nombre no argumenta.

10. Preguntas de autoevaluación