Sesgo en IA

Creencia en HI

Descripción y Ejemplos

Creencia Validante

Creencia Validante

La IA y HI tienden a buscar información que valide creencias previas y a ignorar o descartar información que las contradiga. En IA, este sesgo puede intensificarse si el modelo se entrena solo con datos limitados, reforzando patrones existentes. En HI, el sesgo de confirmación refuerza sistemas de creencias ya arraigados, limitando la apertura a nuevas ideas.

Ejemplo IA: Muestra solo noticias alineadas a las ideologías previas del usuario.

Ejemplo HI: Leer solo noticias que refuercen las creencias personales, evitando opiniones contrarias.

Sesgo de selección

Visión Reducida

La IA y HI pueden tomar decisiones basadas en un set de datos o experiencias que no representan toda la realidad.
En IA, la falta de diversidad en los datos de entrenamiento puede crear modelos con una perspectiva limitada, mientras que en HI, la visión reducida se basa en una interpretación sesgada de la experiencia personal.

Ejemplo IA: Un sistema de contratación sesgado a un género o grupo demográfico específico.

Ejemplo HI: Formar opiniones sobre un grupo basándose solo en experiencias limitadas y personales.

Sesgo de disponibilidad

Generalización por Experiencia Reciente

La IA y HI tienden a sobrevalorar eventos recientes o impactantes.
En IA, los modelos de predicción pueden dar prioridad a patrones recientes en lugar de observar tendencias a largo plazo.
En HI, las experiencias recientes 

influyen desproporcionadamente en las percepciones y juicios.

Ejemplo IA: Predice un aumento de crimen basándose en delitos recientes.

Ejemplo HI: Creer que ha aumentado el crimen tras ver varias noticias sobre delitos en los últimos días.

Sesgo de anclaje

Prejuicio de Primera Impresión

Tanto la IA como HI se "anclan" en los primeros datos o impresiones, usándolos como referencia fija para juzgar información futura. En IA, este sesgo puede reflejarse en la fijación de precios o evaluaciones iniciales, mientras que en HI, la primera impresión influye en la percepción general de alguien o algo.

Ejemplo IA: Precio automatizado fijado en valores iniciales sin considerar cambios de mercado.

Ejemplo HI: Juzgar a alguien basado en la primera impresión y no cambiar esta percepción a pesar de nueva información.

Sesgo de representatividad

Estereotipo Generalizado

La IA y HI clasifican en base a patrones simplificados o estereotipos. En IA, los modelos pueden crear perfiles que no reflejan la individualidad de los datos. En HI, este sesgo genera estereotipos o generalizaciones sobre grupos.

Ejemplo IA: Clasificación automática que agrupa perfiles basándose en patrones simplificados.

Ejemplo HI: Creer que todos los miembros de un grupo comparten las mismas características basándose en estereotipos.

Sesgo de agrupación

Proyección de Patrones

La IA y HI tienden a detectar patrones inexistentes o espurios, interpretando conexiones que no existen. En IA, los algoritmos pueden encontrar correlaciones espurias en grandes volúmenes de datos. En HI, esto lleva a proyecciones o creencias en "coincidencias" significativas en eventos aleatorios.

Ejemplo IA: Detecta correlaciones falsas en los datos, generando asociaciones irreales.

Ejemplo HI: Ver conexiones entre eventos no relacionados, interpretándolos como "coincidencias" o "señales."

Efecto de halo

Proyección Halo

La IA y HI proyectan características positivas de una persona o elemento sobre otros atributos.
En IA, este sesgo puede hacer que se favorezcan empleados con buenos resultados pasados.
En HI, el efecto de halo genera percepciones positivas o negativas generalizadas basadas en una característica.

Ejemplo IA: Favorece empleados con buenos resultados previos en evaluaciones actuales.

Ejemplo HI: Asumir que alguien carismático es también competente o confiable sin más información.

Sesgo de supervivencia

Sesgo de Éxito

La IA y HI tienden a enfocar análisis solo en casos exitosos, ignorando los fracasos. En IA, esto resulta en modelos que aprenden solo de los casos que "sobrevivieron" al proceso. En HI, este sesgo genera una visión sesgada de lo que se considera éxito o validez.

Ejemplo IA: Entrena el modelo solo con empleados que lograron ascender, sin incluir quienes abandonaron.

Ejemplo HI: Valorar solo historias de éxito, ignorando el número de empresas o personas que fracasaron en el proceso.

Sesgo de autocumplimiento

Profecía Autocumplida

La IA y HI generan expectativas que influyen en los resultados, haciendo que las predicciones originales se cumplan. 

En IA, un modelo de crédito que asigna puntuaciones bajas puede aumentar las tasas de default. 

En HI, el comportamiento hacia alguien puede influir en su respuesta, confirmando la creencia inicial.

Ejemplo IA: Un modelo de crédito asigna baja puntuación a ciertos perfiles, lo cual aumenta su probabilidad de default.

Ejemplo HI: Tratar a alguien con desconfianza hace que responda de forma defensiva, confirmando las expectativas iniciales.