18 Medición y operacionalización
Este capítulo forma parte de un libro en desarrollo activo y todavía no ha pasado por la revisión del autor. El contenido puede cambiar a medida que avanza la revisión.
La decisión de investigación. Decide cómo convertir la idea abstracta sobre la que trata tu pregunta en un número concreto que puedas registrar, repetir y defender. Nombra el concepto, nombra el constructo más estrecho que lo va a representar, nombra el indicador que de verdad vas a medir, y luego di con claridad qué captura ese indicador y qué deja fuera en silencio.
18.1 Por qué importa esta decisión
La decisión sobre la mesa: qué número específico dejarás que represente la gran idea sobre la que trata tu pregunta.
“Antes de decirme que el piloto hizo que la gente estuviera más comprometida, dime exactamente a qué le pusiste un número. ‘Comprometida’ es una palabra. Necesito saber qué pregunta hiciste, en qué escala, y qué ignora ese número en silencio.” — una líder de analítica de personas leyendo el primer borrador de un estudio laboral
Cada resultado que reportas responde una pregunta sobre alguna idea: compromiso laboral, poder de mercado, bienestar, participación. Pero nunca mides la idea. Mides un número que la representa, y tu hallazgo es tan confiable como ese intercambio. Si no puedes decir qué número registraste y qué se le escapa, la analista de arriba no tiene razón para creer tu titular. Este capítulo te da el movimiento que vuelve honesto el intercambio.
18.2 El concepto
La operacionalización es el acto de convertir una idea abstracta en un procedimiento de medición específico y repetible. Ejemplo: convertir “el compromiso laboral de las personas empleadas” en “la respuesta promedio a un ítem de acuerdo en una escala de siete puntos”. Lo haces bajando por una escalera de tres peldaños, y cada peldaño tiene nombre.
- Concepto: la idea abstracta sobre la que de verdad trata tu pregunta. Ejemplo: el compromiso laboral. Un concepto es rico y difuso, y no puedes medirlo de forma directa.
- Constructo: la faceta específica y nombrada del concepto que decides medir. Ejemplo: la disposición a recomendar el lugar de trabajo, es decir, con cuánta fuerza alguien le diría a una amistad que trabaje ahí. Eliges un constructo porque es lo bastante concreto como para pegarle un procedimiento.
- Indicador: el número exacto que produce un procedimiento. Ejemplo: la respuesta promedio al ítem “recomendaría esta empresa como lugar para trabajar”, calificado de 1 (muy en desacuerdo) a 7 (muy de acuerdo), promediado sobre todas las personas que respondieron.
Dos preguntas deciden si el intercambio se sostiene, y ambas son preguntas sobre una afirmación que piensas hacer, no sellos que un instrumento gana de una vez.
La validez de medición pregunta si la evidencia acumulada sostiene el sentido específico que le das a tu número, para el uso específico que tienes en mente. Ejemplo: el promedio de “recomendaría a una amistad” de una sede bien puede sostener “quienes respondieron expresaron más disposición a recomendar este lugar de trabajo”. Ese mismo número no sostiene por sí solo “aquí la gente está más comprometida”, porque el compromiso incluye el desgaste (burnout) y si la gente siente que su trabajo importa; un argumento más amplio, con más evidencia, podría algún día llegar más lejos. La validez no es un sello que la calificación lleva consigo. Pertenece a una afirmación: este número, leído así, usado para esto, con evidencia detrás. Cambia la lectura o el uso y necesitas evidencia otra vez.
La confiabilidad de medición pregunta si tu número se queda quieto cuando repites la medición, y no significa nada hasta que digas qué se repite. Repite la ocasión: vuelve a preguntar a las mismas personas dos semanas después y mira si las respuestas caen más o menos en el mismo lugar. Esa comprobación solo significa algo si lo que mides debía quedarse quieto esas dos semanas, y si la primera pregunta no cambió la segunda respuesta; para un ánimo que se mueve rápido, una respuesta distinta es noticia, no error. Repite a quien califica: dos personas entrenadas puntúan el mismo material y comparas. Repite los ítems: en un cuestionario con muchas preguntas sobre un constructo, divide esas preguntas en dos mitades comparables, puntúa cada mitad para cada persona y mira si las dos concuerdan. Esa última es la confiabilidad de mitades, la concordancia entre dos mitades de los ítems en las mismas personas. Dos advertencias vienen con ella. Las mitades tienen que ser comparables, no solo pares e impares por accidente de orden. Y cada mitad mide la mitad de largo que la escala real, así que la concordancia cruda entre ellas subestima la confiabilidad de la escala completa; quienes trabajan en estadística aplican una corrección estándar de longitud para pasar de una a la otra.
Una advertencia te ahorra una tarde perdida común. Divides ítems, nunca personas. Comparar el promedio de la mitad de quienes respondieron contra la otra mitad te dice cuánto se bambolea un promedio de grupo entre muestras de personas, lo cual es real y es otra pregunta. No dice nada sobre si tu instrumento lee de forma consistente.
La confiabilidad alimenta la validez sin resolverla. Un indicador puede ser perfectamente confiable y aun así sostener la afirmación equivocada: una báscula marca tu peso igual cinco veces seguidas, y el peso sigue siendo un mal sustituto del “estado físico”.
18.3 Un ejemplo resuelto
Quieres responder una pregunta real de negocio: ¿las sedes que corrieron el piloto de horarios flexibles están más comprometidas que las sedes que mantuvieron turnos fijos? Mira a la escalera hacer su trabajo.
Empiezas en el concepto, el compromiso laboral, y admites de entrada que ningún instrumento lee “compromiso”. Así que bajas a un constructo. Entre las varias facetas honestas del compromiso, eliges la disposición a recomendar el lugar de trabajo, porque alguien que le diría a una amistad que trabaje ahí te está diciendo algo real sobre su vínculo con el empleo. Ahora nombras el indicador: la respuesta promedio a un único ítem de acuerdo, de uno a siete, recogido de todas las personas empleadas en las ocho sedes del piloto y las ocho sedes de comparación.
Antes de confiar en una sola lectura, revisas la confiabilidad. Le vuelves a preguntar a una décima parte aleatoria de quienes respondieron dos semanas después y comparas sus dos respuestas. Caen cerca, así que el ítem es repetible y no una moneda al aire disfrazada de dato. Luego revisas la validez nombrando lo que el indicador ignora. Una calificación de recomendar a una amistad no dice nada sobre el desgaste, sobre si el pago se siente justo, ni sobre si la gente cree que su trabajo importa. Tampoco puede escuchar a quienes ya renunciaron, que es justo el grupo al que una pregunta sobre compromiso más querría llegar. Es una faceta verdadera, no el compromiso entero.
Esa honestidad fija la frontera de tu afirmación. Puedes defender esto: “las sedes del piloto promediaron mayor disposición a recomendar la empresa que las sedes de comparación, una faceta del compromiso, medida con un único ítem repetible”. No puedes defender “el piloto hizo que las personas empleadas estuvieran más comprometidas”, porque nunca mediste las facetas que tu indicador se salta, y nunca escuchaste a quienes se fueron. El número es real, y su significado se detiene exactamente donde se detiene el constructo.
18.4 El laboratorio en Colab
Este capítulo tiene su propio cuaderno de acompañamiento: ábrelo en Colab con la insignia de arriba. El cuaderno reúne los prompts y el código del capítulo y termina con el espacio de trabajo Ahora te toca a ti, para que completes el paso del capítulo en tu proyecto sin salir de Colab. El laboratorio de aula completo detrás de este capítulo es el cuaderno del curso nb05 — Observational descriptive research (investigación observacional descriptiva) (abrir en Colab), parte del curso de acompañamiento presentado en el apéndice Para docentes. Ahí construyes una escalera concepto → constructo → indicador para tu propia medida clave, y ves de primera mano cómo un solo indicador aplana la realidad: el promedio de 4.43 de una encuesta cae en un valle entre dos picos, así que ese promedio no describe casi a nadie de quienes respondieron. Un índice es una operacionalización, y toda operacionalización esconde aquello sobre lo que promedia.
18.5 Prompts de IA recomendados
Comprométete primero con tu propio borrador y luego delega. Cada prompt es una tarea verificable, no un veredicto en el que confiar. Córrelos como un bucle de IA, el ciclo prompt → respuesta → interrogación → refinamiento → nueva ejecución: la primera respuesta nombra los instrumentos obvios, y la pasada útil es la segunda, donde dices qué faceta se saltó la herramienta y le pides que lo intente de nuevo. Las herramientas agénticas darán con gusto tres o cuatro vueltas y devolverán un plan de medición pulido. El pulido no es validez, y la oración que nombra lo que tu número deja fuera sigue teniendo que escribirla tú.
Localiza los indicadores estándar.
Act as a survey-methods assistant. I want to measure the construct "willingness to
recommend one's workplace" in an organizational study. Name the standard, published
instruments researchers use for this construct, with the instrument name, how it is
scored, and a real source I can open. Only list instruments you are confident
exist; mark anything uncertain.Después de ejecutarlo, verifica: abre una de las fuentes nombradas y confirma que el instrumento existe y mide lo que la herramienta dice. Contrarresta la fabricación confiada (confident fabrication): el nombre de una escala inventada llega con la misma fluidez que uno real.
Enumera los límites, para que puedas verificarlos.
Here is my operationalization: concept = employee engagement, construct =
willingness to recommend the workplace, indicator = mean of a single 1-7 agreement
item. Return a table of every facet of engagement this indicator does NOT capture,
one row each, with why it matters and who it fails to hear from.Después de ejecutarlo, verifica: contrasta la tabla con un marco publicado sobre compromiso laboral que recuperes por tu cuenta. Contrarresta la ilusión de exhaustividad: una lista ordenada que aun así omite la faceta que más amenaza tu afirmación.
Haz red team al intercambio.
Act as a hostile reviewer. Here is my claim: "the pilot sites are more engaged,
because more people there would recommend the company." Name every place my
indicator fails to support the word "engaged." Do not rewrite the claim for me.Después de ejecutarlo, verifica: si solo elogia el diseño, insiste y exige el peor hueco. Contrarresta el acuerdo complaciente: elogios que revisan tu ego, no tu medición.
Sobre qué concepto trata tu pregunta, qué constructo lo representa con honestidad y dónde debe detenerse el significado de tu indicador son cosas solo tuyas. La herramienta puede listar instrumentos y nombrar limitaciones, pero solo tú decides que una calificación de recomendar a una amistad es un sustituto justo de la faceta del compromiso que de verdad te importa, y solo tú escribes la oración que se niega a llamar concepto entero a una sola faceta. Nombrar lo que tu número deja fuera es trabajo de quien investiga, no del modelo.
18.6 Un caso de falla de la IA
Preguntas “operacionaliza el compromiso laboral para mi estudio piloto”, y la herramienta responde con total seguridad: “Pregunta si la gente recomendaría la empresa en una escala de 0 a 10 y toma la proporción que responde 9 o 10. Eso es compromiso”. La receta es limpia, suena correcta y es fácil de aplicar en campo. Aquí está la trampa. El compromiso es un concepto amplio con varias facetas independientes, y la herramienta lo estrechó en silencio a un solo constructo, y luego te entregó el indicador como si fuera la idea entera. Es un cambio de alcance disfrazado de respuesta completa.
Lo detectas leyendo la afirmación de la respuesta junto a tu pregunta, palabra por palabra. Tu pregunta era sobre “compromiso”; la respuesta es sobre “recomendaría”, y no son la misma caja. Luego lo confirmas con una fuente real: abre un marco publicado sobre compromiso y encuentra las varias facetas que la receta nunca mencionó. Una receta segura no es una operacionalización válida. Verifica el constructo, no la fluidez del párrafo que lo propuso.
18.7 Ahora te toca a ti
Ya sabes de dónde vienen tus datos. Este paso fija qué significan de verdad tus números, y qué no.
- Enumera cada concepto que contiene tu pregunta y marca con un círculo los abstractos, las palabras que ningún instrumento lee: compromiso, salud, participación, calidad, competitividad. Esos son los que necesitan una escalera.
- Debajo de cada concepto marcado escribe el constructo que de verdad vas a medir, más una línea sobre por qué esa faceta y no una vecina. Elegir una faceta no es hacer trampa. Fingir que mediste el concepto entero, sí.
- Debajo de cada constructo escribe el indicador: el procedimiento exacto y el número exacto que produce, lo bastante específico como para que alguien desconocido pueda repetirlo y obtener un valor comparable.
- Debajo de cada indicador completa esta oración con tus propias palabras: “este número no captura ___“. Usa la faceta que más te preocupa, y agrega a quiénes tu medición nunca alcanza.
- Escribe una oración que diga qué significa tu número y otra que diga qué vas a hacer con él. Después nombra la lectura rival más fuerte: ¿qué más podría producir ese mismo número?
- Planea una comprobación de confiabilidad que corresponda a una fuente de error que de verdad te preocupe, y luego córrela: las mismas unidades medidas dos veces (ocasiones), dos personas codificando el mismo material (calificadores), o dos mitades de tus ítems puntuadas para las mismas personas (mitades). No compares dos mitades de quienes respondieron y lo llames confiabilidad. Si tu indicador es un solo ítem medido una vez, la comprobación de mitades no existe y puede que las otras dos tampoco; “no hay ninguna comprobación de confiabilidad defendible para esta medida y este uso” es un hallazgo honesto. Escríbelo y luego estrecha lo que afirmas o elige otro instrumento.
- Registra el paso en tu AI Research Ledger (registro de investigación con IA) y verifica al menos una medida con un método nombrado de la Guía de Verificación. La lectura de la fuente primaria encaja con este capítulo: encuentra el instrumento o el método publicado detrás de tu indicador y ábrelo. Lo que hay ahí es evidencia, no un veredicto. La validación publicada se hizo con alguna población, para algún uso; revisa qué tan cerca están de los tuyos, y trata esa distancia como parte de tu límite de afirmación. Una IA revisora puede hacer la comprobación contigo; la decisión de aceptar o rechazar es tuya.