Baremos: cómo interpretar la puntuación de una prueba

Una puntuación directa necesita un grupo de comparación

La puntuación directa es el número de ítems acertados en una prueba de aptitudes, o la suma de las respuestas en una escala de personalidad. Por sí sola dice poco: 27 aciertos de 40 pueden ser un gran resultado en una prueba difícil y uno corriente en una fácil, y una escala de personalidad ni siquiera tiene un total correcto.

El baremo convierte la puntuación directa en una posición dentro de un grupo de referencia: personas que hicieron la misma prueba en condiciones comparables. Esa posición es relativa. Indica dónde se sitúa alguien respecto a ese grupo, no si es adecuado para un puesto. La adecuación depende de lo que exige el puesto y de la evidencia de que la prueba predice lo que importa (consulta fiabilidad y validez).

Las escalas normativas y cómo se relacionan

Casi todas las escalas expresan lo mismo: cuánto se aleja una puntuación de la media del grupo normativo, en desviaciones típicas (DT). Se diferencian en la media, la dispersión y el grado de detalle.

• Puntuaciones z: media 0, DT 1. La base de las demás, poco habitual en los informes.
• Puntuaciones T: media 50, DT 10. Unos dos tercios del grupo normativo quedan entre 40 y 60.
• Decatipos: de 1 a 10, media 5,5, DT 2. Habituales en los informes de personalidad.
• Eneatipos: de 1 a 9, media 5, DT 2. Habituales en las pruebas de aptitudes.
• Percentiles: el porcentaje del grupo normativo que puntuó más bajo. Intuitivos, pero sus intervalos no son iguales.

Cuidado con los percentiles

Los percentiles amplían las diferencias en el centro de la distribución y las comprimen en los extremos. Pasar del percentil 50 al 60 requiere una diferencia pequeña en la puntuación directa; pasar del 90 al 99, una grande. Por eso no conviene promediar percentiles. Incluso en escalas más gruesas, como los decatipos, un punto de diferencia entre dos candidatos suele caer dentro del error de medida.

Cómo explicar una puntuación al responsable del puesto

Lo más sencillo suele ser el percentil: de cada 100 personas de este grupo de comparación, unas 80 puntuaron más bajo. Nombra el grupo en la misma frase y añade que toda puntuación es una estimación: el intervalo de confianza del informe muestra dónde está probablemente la puntuación verdadera. En las escalas de personalidad, aclara que alto o bajo no es bueno ni malo en sí.

Cómo elegir el baremo adecuado

Elige el grupo con el que de verdad quieres comparar.

• Población general o activa: útil para cribados amplios y para desarrollo, pero en selección para puestos de mayor nivel casi todo el mundo parece estar por encima de la media.
• Baremos por nivel educativo o de puesto: personas de un nivel comparable, como formación profesional, grado universitario o puestos directivos. Suele ser la mejor referencia en selección.
• Baremos de candidatos: recogidos en procesos de selección reales. En los cuestionarios de personalidad, los candidatos tienden a describirse de forma más favorable que quienes no se juegan nada.
• Baremos de empleados o de la organización: útiles para desarrollo. En selección arrastran decisiones anteriores a las nuevas, y suelen ser pequeños.

País e idioma

Un baremo pertenece a una versión concreta de la prueba. Una traducción puede cambiar cómo funcionan los ítems y los estilos de respuesta varían entre países, así que el baremo de una versión lingüística no vale automáticamente para otra. Si los candidatos hacen versiones en distintos idiomas, comprueba que el manual ofrece un baremo por versión y evidencia de que miden lo mismo.

Qué provoca un baremo equivocado

Un grupo demasiado amplio infla las puntuaciones; uno demasiado selectivo hace que buenos candidatos parezcan del montón. Mezclar baremos en un mismo proceso es aún peor, porque a quienes se ha comparado con grupos distintos ya no se les puede comparar entre sí. Usa un solo baremo por proceso y deja constancia de cuál.

¿Qué calidad tiene el propio baremo?

Un baremo es una muestra, con los puntos débiles de cualquier muestra. Antes de fiarte de él, revisa lo siguiente.

• Tamaño: no hay un mínimo único. Varios cientos de personas por grupo normativo es un punto de partida habitual; los percentiles extremos estables necesitan más.
• Composición: ¿se parece el grupo a las personas que evalúas en nivel, sector, región, edad y sexo? Una muestra grande pero sesgada no supera a una pequeña bien compuesta.
• Actualidad: la población y los hábitos ante los tests cambian. Averigua cuándo se recogieron los datos y sé prudente con baremos de hace muchos años.
• Recogida: ¿candidatos, empleados o voluntarios y estudiantes? Lo que está en juego, la supervisión y el dispositivo influyen en las puntuaciones.

Un buen manual técnico informa de todo esto, además de los estadísticos descriptivos, el método de transformación y el error típico de medida. Los sistemas de revisión de tests como los de COTAN y EFPA evalúan los baremos como un criterio propio; la guía sobre criterios de calidad de los tests explica cómo. En Match.hr, la etiqueta de cada prueba muestra el tamaño de sus muestras normativas y la fecha del último cálculo, y cada informe indica el baremo utilizado (más en baremación).

Baremos y equidad

Los grupos pueden diferir en sus puntuaciones medias. La tentación es dar a cada grupo su propio baremo, de modo que las mujeres solo se comparen con mujeres o los candidatos mayores solo con otros mayores. Para las versiones lingüísticas, los baremos separados suelen ser necesarios. Para el sexo, la edad o el origen étnico, no suelen ser la solución en selección.

• La misma puntuación directa daría una puntuación baremada distinta según el grupo de la persona, lo que puede suponer un trato desigual.
• Ocultan la diferencia en lugar de explicarla. Puede deberse a ítems sesgados, a una diferencia real en lo que se mide o al uso de la prueba, y cada causa exige una respuesta distinta.
• El origen étnico es una categoría especial de datos personales según el RGPD y a menudo ni siquiera se puede recoger en selección.

Es mejor analizar el sesgo directamente: funcionamiento diferencial de los ítems, invarianza de medida entre grupos y versiones lingüísticas, e impacto adverso en los puntos de corte que usas. Después comprueba si lo que mide la prueba es relevante para el puesto. La página sobre equidad y sesgo explica estos análisis.

Lista de comprobación antes de leer un informe

• ¿Qué baremo se indica y encaja con el nivel, el país y el idioma del puesto?
• ¿Qué tamaño tiene el grupo normativo, cómo se recogió y cuándo?
• ¿Hizo la persona la misma versión, en el mismo idioma y con la misma supervisión que el grupo normativo?
• ¿Son las diferencias entre candidatos mayores que el intervalo de confianza?
• ¿Se compara a todos los candidatos del proceso con el mismo baremo?
• En escalas de personalidad: ¿lees alto y bajo como posiciones, no como bueno y malo?
• ¿Qué más sabes? Una puntuación está junto a entrevistas, pruebas prácticas y referencias, y la decisión la toma una persona.

Si el informe o el manual no responden a estas preguntas, consulta al editor antes de fiarte de las puntuaciones.