• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Preguntas en formularios: pastoreo y auto-pastoreo

Small Data

octubre 12, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Pastoreo

En entradas anteriores fue explicado cómo pueden afectar a la respuesta la forma de preguntar cuándo se pregunta sobre la tendencia y el efecto del entorno. En esta tercera entrada se va a analizar el efecto de pastoreo y auto-pastoreo que suele aparecer especialmente en los workshops. Esto dos efectos están relacionados ya que las nuevas respuestas se basan en las anteriores. Tanto para aquellas que son propias como las emitidas por referentes.

Al pedir a un grupo de personas que se evalúen un valor desconocido puede aparecer los fenómenos de pastoreo (“herding”) y auto-pastoreo (“self-herding”). El primero aparece por las iteraciones sociales. Debido a la necesidad de ser aceptados en el grupo social. En la puesta en común las opiniones de unos pocos pueden determinar la opinión final del grupo. Por otro lado, el auto-pastoreo (“self-herding”) se produce cuando ya se ha emitido una opinión. Al volver a preguntar las personas, tanto por la necesidad de ser coherente como para evitar volver a decidir, pueden mantener su respuestas sin tener en cuenta si las situaciones concretas sobre la que se ha emitido la primera opinión han cambiado.

Pastoreo

Los workshops es los que participan varias personas las opiniones de muchas puede estar condicionado por la de unos pocos que ejercen de líderes. El liderazgo puede ser tanto forma, debido al cargo ejercido, como natural. La existencia de líderes es contraproducente. Su opinión puede tener muchas veces más peso en las decisiones del grupo que la de los expertos en el área.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

Este sesgo es de los más fáciles de solucionar en el diseño de los workshops. Inicialmente es necesario identificar a los líderes. Evitando, en la medida de los posible, que estos sean invitados. La tarea es fácil en el caso de los formales, pero no tanto en el de los informales. Al evitar la presencia de los líderes formales se limita el de estos en las opiniones de los subordinados.

Posteriormente, en los procesos de votación será necesario aplicar metodologías que permiten reducir el condicionamiento de los participantes. Como realizar las votaciones de forma privada, discutiendo posteriormente el resultado obtenido en estas.

Auto-pastoreo

El auto-pastoreo es una tendencia psicológica de las personas que tienden a justificar sus decisiones anteriores. Manteniéndolas en el tiempo independientemente del motivo por el que fueron tomadas inicialmente. Además de evitar el coste psicológico que conlleva volver a tomar una decisión. En esta situación no son las interacciones sociales sino la necesidad de mantener una opinión coherente con las anteriores lo que puede afectar a la decisión. Además, el hecho de volver tomar una decisión sobre un tema suele ser costoso, por lo que tiende e evitarse.

Este efecto suele aparecer cuando los cuestionarios se repiten en el tiempo. Siendo menos habitual cuando se realiza una única evaluación. Al realizar una única evaluación en un cuestionario, el efecto puede aparecer cuando las preguntas son similares entre sí. La forma de evitar que aparezca el efecto es no agrupar las preguntas similares.

El riesgo de este efecto aparece cuando los formularios son reevaluados. En estas situaciones no solamente juega los efectos psicológicos, sino que también se ha de tener en cuenta efectos como la tendencia natural a evitar realizar de nuevo las tareas. En las revisiones de las evaluaciones se ha de evitar que las personas puedan acceder a las evaluaciones previas para evitar que sean reutilizadas. También es importante que no tenga acceso a las opiniones, actuales o pasadas, de otros expertos de cara a evitar el pastoreo.

Publicidad


Conclusiones

En esta entrada se ha visto los efectos de pastoreo (“herding”) y auto-pastoreo (“self-herding”) a la hora de responder formularios. Estos fenómenos se basan en la necesidad de ser aceptados y la coherencia interna. Aunque también puede tener un efecto la tendencia a realizar las tareas con el mínimo esfuerzo. El principio básico para reducir este efecto es evitar que se puede acceder a las respuestas propias y de otros usuarios antes de responder.

En la próxima entrada de la serie abordará los efectos del anclaje en la toma de decisiones.

Imágenes: Pixabay (12019)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)
  • Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)
  • Customer Lifetime Value: la fórmula clásica que todo analista debería dominar
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

Publicado en: Ciencia de datos Etiquetado como: Small Data

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV

julio 28, 2026 Por Daniel Rodríguez

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

julio 23, 2026 Por Daniel Rodríguez

PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

julio 21, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • La pantalla del sistema operativo anfitrión no se adapta al de la pantalla en VirtualBox Configuración del tamaño de pantalla en VirtualBox publicado el noviembre 11, 2022 | en Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • El índice de Davies-Bouldinen para estimar los clústeres en k-means e implementación en Python publicado el junio 30, 2023 | en Ciencia de datos
  • Evaluar similitudes entre señales: Cómo calcular la correlación cruzada con np.correlate() en NumPy publicado el enero 24, 2025 | en Ciencia de datos, Python
  • Cifrar datos en R con encryptr publicado el agosto 12, 2019 | en Criptografía, R

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto