¿Qué hace que un test de personalidad sea preciso?

En 1948, el psicólogo Bertram Forer entregó a sus estudiantes un análisis de personalidad. Les dijo que estaba personalizado, elaborado a partir de sus propias respuestas al test, cuando en realidad todos recibieron el mismo informe, compuesto a partir de una columna periodística de astrología. Cada análisis tenía aproximadamente el mismo respaldo científico que un cuestionario de Buzzfeed llamado “¿Qué basura encaja con tu personalidad?”. Sin embargo, cuando se les pidió que calificaran cuán precisamente los describía, la clase otorgó a su análisis una puntuación general de 4,26 sobre 5, un resultado que se ha repetido con puntuaciones casi idénticas en las décadas posteriores. 

El efecto Forer, como se le conoce desde entonces, describe un fenómeno psicológico por el cual las personas creen que las descripciones de personalidad vagas y generalizadas se aplican específicamente y de manera única a ellas. Aunque las descripciones podrían encajar con casi cualquiera, las personas las califican como muy precisas. Y cuanto más halagadora sea la descripción, más probable será que alguien crea que es verdadera. 

La razón de esto es compleja. Los seres humanos deseamos encontrar significado y nos esforzamos por conectar las afirmaciones generales con nuestra propia vida. También tenemos un sesgo de positividad y aceptamos fácilmente que los rasgos halagadores son verdaderos en nuestro caso. Y, por supuesto, los psicólogos han demostrado nuestra profunda confianza en la autoridad y obediencia ante ella mediante varios experimentos fundamentales (experimento de descargas de Milgram; estudio sobre uniformes de Bickman). Estos estudios sugieren que las personas creerán los resultados de cualquier evaluación si se los presenta un supuesto experto.

Si juntamos todo esto, vemos que la mayoría de las personas evaluarán la precisión de un test de personalidad, especialmente uno respaldado por expertos, preguntándose si el resultado se siente correcto, una sensación subjetiva que puede fabricarse sin ninguna medición que la sustente. Esto es problemático para los líderes empresariales. Si una organización confía en un test únicamente porque "parece verdadero", ¿cómo sabrá si el test realmente mide algo real en lo que pueda basar con seguridad sus decisiones de formación de equipos, en lugar de ser una costosa pieza de pseudociencia de galleta de la fortuna? 

Las cualidades de un test de personalidad preciso

Si la resonancia no es prueba de precisión, ¿qué lo es? 

La respuesta a esa pregunta se encuentra por completo fuera del resultado que ve la persona que realiza el test, y por completo dentro de un conjunto de investigaciones completadas mucho antes de redactar la primera pregunta. Esa investigación abarca cómo un editor define lo que está midiendo, con qué rigor se elaboraron y probaron sus ítems, qué tamaño y representatividad tiene la muestra que respalda sus normas y cuán exhaustivamente se han contrastado sus puntuaciones con el comportamiento real. 

Cuanto más amplia sea esta investigación, más distancia pondrá el test entre sí mismo y la columna de astrología que utilizó Forer. Un test creíble combatirá el sesgo mediante varios mecanismos clave.

1. ¿El test define lo que realmente está midiendo?

Antes de que intervenga cualquier estadística, un test creíble debe nombrar un rasgo específico, objetivo y definido para cada puntuación que produce (en lugar de afirmaciones vagas y universalmente halagadoras). Los psicólogos lo llaman constructo. Algunos ejemplos son la honestidad, el miedo, la perseverancia, el perfeccionismo y la amabilidad. 

Dado que los constructos de personalidad son invisibles, deben definirse con la suficiente precisión para que un investigador pueda redactar una pregunta dirigida exactamente a ese rasgo. Por ejemplo, la Extraversion y rasgos adjetivales similares como la “sociabilidad” y la "asertividad" son cualidades internas que no podemos observar directamente. Los estudiamos observando cómo actúan las personas y cómo responden a preguntas como “Me gusta hablar con desconocidos” o “Ser el centro de atención es algo bueno”.

Todos los marcos de personalidad establecidos tienen constructos claramente definidos que han sido probados a lo largo del tiempo. DISC, por ejemplo, tiene los constructos de Drive, Influence, Support y Clarity. El modelo Big Five tiene cinco constructos conocidos por el acrónimo OCEAN: Openness, Conscientiousness, Extraversion, Agreeableness y Neuroticism. Myers-Briggs se basa en cuatro pares de preferencias dicotómicas (constructos) que se combinan para crear 16 tipos de personalidad distintos: Extraversion (E) frente a Introversion (I), Sensing (S) frente a Intuition (N), Thinking (T) frente a Feeling (F) y Judging (J) frente a Perceiving (P).  Estos constructos no se establecieron de la noche a la mañana: se han refinado, debatido y vuelto a probar durante décadas de investigación, lo que proporciona a cada uno un conjunto de evidencias que la mayoría de las escalas propietarias completamente nuevas simplemente no han tenido tiempo de acumular. 

Si utilizas un test propietario que no se basa en un sistema establecido, sino que se ha creado desde cero, es buena idea comprobar qué constructos se están evaluando y cómo se han desarrollado. Ese trabajo debería haberse realizado mucho antes de recopilar las preguntas. Si un editor no puede nombrar el rasgo exacto que mide una escala, no se puede confiar en que ningún estudio de validación posterior signifique lo que afirma.

2. ¿Es fiable el test? 

Un test científicamente sólido debe producir resultados estables a lo largo del tiempo. Los rasgos de personalidad no cambian drásticamente de una semana a otra, por lo que, si realizas el test hoy y vuelves a hacerlo dentro de seis semanas en las mismas condiciones, tu puntuación debería ser casi idéntica. A esto lo llamamos fiabilidad, y se mide mediante métodos estadísticos como la fiabilidad test-retest.  Por lo general, se considera aceptable un coeficiente test-retest de 0,70 o superior, mientras que un valor de 0,80 o más indica una fiabilidad sólida.

Un segundo indicador de fiabilidad es la consistencia interna, lo que significa que las preguntas del test concuerdan entre sí al medir el mismo rasgo, sin contradicciones. Por ejemplo, si un test mide el constructo de "Extraversion", tus respuestas a una pregunta sobre disfrutar de fiestas multitudinarias deberían alinearse estadísticamente con tus respuestas sobre iniciar conversaciones con desconocidos. Busca una métrica llamada alfa de Cronbach (α) en la documentación técnica. Una evaluación psicológica de buena reputación tendrá un valor alfa de 0,70 o superior para cada constructo que mida.

Cabe mencionar que los sistemas tipológicos como el Enneagram y Myers-Briggs se enfrentan a críticas continuas de los psicólogos convencionales debido a su relativamente baja fiabilidad test-retest. Por lo general, se trata de una crítica a la propia teoría de tipos, ya que los rasgos de personalidad suelen existir en espectros fluidos (como miden modelos científicos más ampliamente aceptados, como los rasgos de personalidad Big Five y el Código Holland) en vez de en las categorías claramente delimitadas en las que estos sistemas de tipos sitúan a las personas. Además, la variabilidad en el rendimiento no es inusual en las evaluaciones de autoinforme, ya que el estado de ánimo, el contexto y la autopercepción pueden modificar ligeramente las respuestas de alguien de una sesión a otra, incluso cuando el rasgo subyacente no ha cambiado en absoluto.  

Dicho esto, por cada estudio que demuestra una baja fiabilidad, hay otro que demuestra una fiabilidad sólida, especialmente en el caso de Myers-Briggs, que cuenta con 80 años de pruebas y aplicación. Las organizaciones pueden encontrar tranquilidad en la documentación técnica del editor. Por ejemplo, Truity publica documentación técnica para cada una de nuestras evaluaciones, citando las pruebas realizadas con nuestro conjunto de datos extremadamente grande (millones de usuarios) y métricas de fiabilidad estándar para cada constructo. Si esa documentación no existe o no está disponible previa solicitud, considera el test como no probado, por muy pulido que parezca el marketing del editor. 

3. ¿El test predice resultados del mundo real?

El análisis de validez es complejo y se realizan varias comprobaciones antes de que se publique un test creíble. En conjunto, garantizan que el test mida lo que afirma medir, contrastándolo con resultados reales externos al propio test. 

Desglosándolo, algunas comprobaciones verifican que los rasgos que un test afirma medir sean los que realmente surgen de los datos.  Por tanto, si el creador de un test elabora 10 preguntas para medir Extraversion y 10 preguntas para medir Agreeableness en el modelo Big Five, se alcanza la denominada validez factorial cuando las respuestas de las personas demuestran que esos dos grupos de preguntas permanecen completamente separados, en lugar de mezclarse en un confuso desorden.

Otros métodos evalúan el grado en que la puntuación de un test pronostica con precisión el comportamiento futuro, el rendimiento o los resultados reales de una persona. Por ejemplo, si un miembro del equipo obtiene una puntuación alta en Conscientiousness, la validez predictiva queda demostrada si esa persona realmente resulta ser, seis meses después, un empleado de alto rendimiento, organizado y confiable. De nuevo, deberías encontrar el análisis del editor en su documentación técnica.

Algunos marcos de personalidad tienen mayor poder predictivo que otros. El modelo Big Five, en particular, tiene la validez predictiva más sólida en la bibliografía académica, con décadas de estudios que vinculan cada factor con resultados concretos como el desempeño laboral, la satisfacción en las relaciones e incluso la longevidad.

Los sistemas basados en tipologías, como Myers-Briggs, tienen un historial más desigual, en gran medida porque obligar a las personas a encajar en una de dos categorías para cada dicotomía descarta información importante sobre cuán intensamente se inclina alguien hacia un lado u otro. Dos personas pueden clasificarse como Introverted, por ejemplo, pero situar a una persona que es Introverted en un 51 % en la misma categoría "I" que alguien que es Introverted en un 99 % crea categorías que en realidad no existen en la naturaleza.

Sin embargo, el investigador John A. Johnson ha señalado que las cuatro escalas de Myers-Briggs se correlacionan de forma significativa con cuatro de los factores Big Five (E-I con Extraversion, S-N con Openness, T-F con Agreeableness y J-P con Conscientiousness), lo que sugiere que los rasgos subyacentes en sí mismos tienen un valor predictivo real, aunque el formato clásico de Myers-Briggs no los capture bien.  La solución que propone es abandonar la dicotomía estricta de una cosa u otra y, en su lugar, informar los resultados de una persona en una escala continua, preservando los matices que se pierden cuando se etiqueta simplemente a una persona como "E" o "I". 

Algunas evaluaciones más recientes basadas en la teoría original de Myers y Briggs, incluida la propia evaluación de personalidad TypeFinder de Truity, han adoptado este enfoque basado en escalas.

4. ¿El test tiene en cuenta que las personas respondan para quedar bien?

La mayoría de las evaluaciones de personalidad populares son de autoinforme, y con ello surge el riesgo de que las personas encuestadas manipulen el sistema respondiendo de una manera que las haga quedar bien, especialmente si una evaluación del rendimiento o su reputación depende del resultado. Los investigadores denominan a esto sesgo de “deseabilidad social”. Si un test no lo tiene en cuenta, terminarás con puntuaciones artificialmente infladas para los rasgos positivos, mientras que los rasgos negativos y relevantes permanecen ocultos. 

Para minimizar el sesgo de deseabilidad social, un test creíble redactará las preguntas de modo que evite patrones de respuesta inverosímilmente virtuosos. Por ejemplo, formulará las preguntas de forma neutral, evitando palabras tendenciosas que impliquen una elección moral "correcta" o una respuesta socialmente preferida, y/o proporcionará opciones de respuesta equilibradas de selección múltiple que ofrezcan un número igual de alternativas positivas y negativas. Algunos tests incluyen un formato de «elección forzada» en el que se pide a quienes responden que clasifiquen unas afirmaciones frente a otras. Un creador de tests que sabe lo que hace agrupará afirmaciones (en pares, tríos o cuartetos) que conlleven el mismo nivel de atractivo social o falta de atractivo social, de modo que las personas encuestadas se vean obligadas a hacer una concesión genuina y no puedan simplemente elegir la opción más halagadora. 

Un líder que utiliza resultados de tests en cualquier situación de alto riesgo debería preguntar específicamente cómo aborda esto el editor. Un test que no tenga respuesta a esa pregunta producirá resultados inflados.

5. ¿La puntuación está respaldada por una muestra grande y relevante?

Muchos tests de personalidad utilizan puntuaciones normativas, en las que las respuestas de una persona encuestada se comparan con un grupo de referencia para producir un percentil o una puntuación de rasgo que pueda compararse entre personas. La puntuación normativa evalúa el rendimiento de quien realiza el test en relación con otras personas: muestra quién posee más o menos de un rasgo en comparación con sus pares. 

El tamaño de la muestra importa mucho en este caso. Un grupo normativo de 100 estudiantes universitarios producirá, obviamente, una imagen muy diferente de lo “alto”, lo “bajo” y lo "promedio" que uno extraído de decenas de miles de adultos trabajadores de distintos sectores, edades y países. Un editor creíble elaborará muestras normativas de escala genuina, a menudo de millones de personas, y mantendrá esa muestra demográficamente amplia o la personalizará por sector (por ejemplo, tecnología o salud) si eso es más relevante para la población específica que se está evaluando.

Algunas evaluaciones utilizan puntuaciones ipsativas en lugar de puntuaciones normativas. Se trata de un formato de elección forzada que compara los rasgos de una persona únicamente con sus otros rasgos, dando como resultado un perfil autorreferenciado de fortalezas y debilidades relativas. La puntuación ipsativa reduce drásticamente el sesgo de deseabilidad social del que hablamos en la sección anterior al forzar concesiones entre afirmaciones igualmente atractivas, pero el inconveniente es que no se puede comparar matemáticamente la puntuación de la Persona A con la de la Persona B. Dos personas podrían tener exactamente el mismo perfil, pero niveles absolutos muy diferentes de esos rasgos.

Ningún método es objetivamente mejor que el otro, y algunos tests son ipsativos en su filosofía fundamental. Myers-Briggs, por ejemplo, te obliga a elegir entre dos preferencias opuestas (por ejemplo, Introversion frente a Extraversion), por lo que obviamente compara las preferencias internas de quien realiza el test entre sí para llegar a un tipo de cuatro letras (como INFJ), en lugar de establecer una clasificación percentil frente a la población general. El modelo Big Five es más normativo, y otros marcos utilizan pruebas adaptativas híbridas, combinando una gran variedad de formatos de preguntas y pruebas para crear perfiles de personalidad muy precisos. 

En última instancia, esto se reduce a la transparencia: un editor creíble te dirá claramente qué método de puntuación utiliza y por qué, junto con el tamaño y la composición de cualquier grupo normativo que lo respalde. Si esa información es difícil de encontrar o está redactada de forma vaga, es una señal de que el editor quizá no haya realizado el trabajo subyacente, y eso es una señal de alerta mucho mayor para la precisión que el tipo de puntuación utilizado.  

Cómo unirlo todo

Esta lista de comprobación de cinco puntos sobre la «precisión» marca la diferencia entre una herramienta que respalda las conversaciones de coaching, los planes de desarrollo y las decisiones de equipo para los que las organizaciones realmente la utilizan, y una que simplemente parece verdadera. El efecto Forer funciona precisamente porque es fácil creer en los halagos vagos; el rigor en el diseño del test es lo que evita que se confunda un halago con una percepción valiosa.

Por tanto, si estás evaluando un test que no tiene datos que lo respalden, entiende que podrías estar comprando el horóscopo de Forer. Para confiar en la precisión de un test, debes revisar el manual técnico y ver qué sucede entre bastidores. No tienes que aburrir a tus empleados con estadísticas, pero sí necesitas saber que los números existen, porque eres quien debe poder defender el resultado. Y cuando esos resultados se incorporan a procesos formales de RR. HH. o cumplimiento normativo, esa documentación es lo que te pedirán.