PAPELES DEL PSICÓLOGO Vol. 43-1 Enero - Abril 2022

versiones adaptativas permiten reducir la longitud a la mitad (Dras- gow et al., 2012). La efectividad de un TAI-EF multidimensional depende de: (a) el banco de bloques ensamblado y (b) la regla de selección. Respecto al primer punto, lo mencionado en apartados anteriores para la construcción de test fijos es aplicable. Los bloques pueden empare- jarse, por ejemplo, atendiendo a un algoritmo genético, producien- do bancos óptimos de los que seleccionar bloques adaptativamente. En cuanto a la regla de selección, existen distintas variantes. En mo- delos unidimensionales, la varianza error es inversamente proporcio- nal a la información del test, que es la suma de las funciones de información de los ítems. Igualmente, la matriz de varianzas-cova- rianzas error en modelos multidimensionales es la inversa de la ma- triz de información. A pesar de la aparente similitud, esta diferencia implica que distintas reglas (p.ej ., regla-T: maximizar la información de cada dimensión al añadir el ítem; regla-A: minimizar la varianza error de cada dimensión al añadir el ítem) dan distintos resultados. Por ejemplo, Kreitchmann et al. (enviado) parten de un banco de 240 ítems (48 ítems por dimensión) que ensamblan en un banco de 120 bloques. El número de bloques posibles, excluyendo los unidi- mensionales, era de 23.040. En este caso, se compararon los resul- tados para TAIs de distinta longitud (i.e., 30 y 60 bloques) y regla de selección (p.ej ., regla-T y regla-A), partiendo de un banco cons- truido según el algoritmo genético o de un banco conformado por bloques al azar. Para la mejor regla de selección se encontró que, en promedio, el uso de un banco óptimo frente a un banco aleatorio podía incrementar el coeficiente de fiabilidad 0,05 puntos (de 0,80 a 0,85) y, más importante, reducir la ipsatividad de las puntuaciones (el sesgo negativo de las correlaciones entre dimensiones y en la re- lación con el criterio se reducía en 0,04 puntos). En cuanto a la re- gla de selección, Kreitchmann et al. (enviado) encontraron que, en consonancia con investigaciones previas (p.ej. , Mulder & van der Linden, 2009), la regla-A, al minimizar directamente las varianzas de error, proporcionaba mejores resultados. Este resultado es impor- tante, puesto que algunos investigadores utilizan la regla-T por efi- ciencia computacional (Chen et al., 2020). CONSTRUYENDO TAIS DE ELECCIÓN FORZOSA ADAPTATIVOS ON-THE-FLY Como se ha mencionado, el uso de un algoritmo genético permite la optimización de un test fijo o de un banco. El siguiente paso natu- ral es el de construir bloques on-the-fly; esto es, ensamblar “al vue- lo” los enunciados en bloques en el momento de aplicar el TAI. Esta idea constituye el corazón del TAPAS, que parte de un conjunto am- plio de ítems (enunciados) calibrados de los que se derivan, median- te el modelo MUPP, un conjunto gigante de bloques potenciales de los que se selecciona en cada momento el más informativo. Este pro- ceder no está exento de supuestos, ya que asume la veracidad del modelo MUPP y la ausencia de efectos del contexto (i.e., el funcio- namiento de cada ítem no depende del ítem con el que se empare- je). Aunque puede haber efectos del contexto, este supuesto de invarianza se puede sostener razonablemente en la práctica (Lin & Brown, 2017; Morillo et al., 2019). Lin y Brown (2017) sugieren que los efectos de contexto pueden reducirse si se emparejan los ítems en deseabilidad social (de lo contrario, el ítem claramente más deseable será más elegido por ser percibido como la “respuesta co- rrecta”) e indican que debe evitarse incluir dentro del mismo bloque ítems similares en contenido (p.ej ., Soy una persona animada en la conversación ; Evito hablar de mis éxitos ), ya que esto puede modifi- car el significado de los ítems (en el ejemplo, Evito hablar de mis éxi- tos dejaría de ser un marcador de modestia para ser un marcador de extroversión). En todo caso, los resultados de validez predictiva del TAPAS, cuya prueba adaptativa se basa en esa invarianza, son positivos (p.ej ., Trent et al., 2020). Kreitchmann et al. (enviado) encuentran que un TAI-EF on-the-fly, bajo ese supuesto de invarianza y un procedimiento de selección óptimo, muestra una pequeña mejora respecto a un TAI-EF basado en un banco óptimo (p.ej ., 0,01 en el coeficiente de fiabilidad), pero grandes mejoras en el control de la exposición, ya que al incremen- tarse el número de bloques posibles es más difícil que dos evaluados reciban exactamente los mismos bloques. DISCUSIÓN El avance de la tecnología y el desarrollo de modelos psicométri- cos en las dos últimas décadas está permitiendo dar respuesta a un problema clásico: la medición de la personalidad en contextos de selección en los que la deseabilidad social puede ser alta. En 2005, Salgado incluía las pruebas de elección forzosa como una solución no recomendable, en parte por la dificultad de análisis que sufre este tipo de pruebas. La evidencia sobre su mayor robustez al falsea- miento y mayor validez predictiva parece inclinar la balanza hacia una visión más positiva, siempre que se resuelvan los problemas de ipsatividad de las puntuaciones. Desde la TRI, se han propuesto dis- tintos modelos (Brown & Maydeu-Olivares, 2011; Morillo et al., 2016; Stark et al., 2005) que ayudan a resolver el problema de la ipsatividad. No obstante, las demandas de evaluación, el ensambla- je de los bloques y el tamaño de los bloques pueden tener gran im- portancia. En general, el comportamiento de las pruebas será mejor cuantas más dimensiones se midan y menos correlacionadas estén. En el ensamblaje de bloques es relevante no sólo el emparejamiento por deseabilidad social, sino también su contribución a reducir la va- rianza error. A este respecto, la necesidad de usar bloques hetero- polares para eliminar la ipsatividad de las puntuaciones (Frick et al., 2021) o no (Morillo, 2018; Kreitchmann et al., 2021) es un tema de debate. Para Bürkner et al. (2019), los bloques heteropolares podrí- an ser contraproducente en contextos aplicados. Nuestra recomen- dación es el uso de algoritmos de optimización para conformar los bloques homopolares óptimamente. Esto puede resultar costoso, ya que requiere recoger información sobre la deseabilidad de los ítems, así como su calibración previa. No obstante, no debemos olvidar que: (a) el análisis exploratorio de la estructura puede resultar más complejo a posteriori, en bloques bidimensionales; y (b) el ensam- blaje no óptimo dará lugar a problemas de ipsatividad de las pun- tuaciones. Por último, el tamaño de los bloques introduce una complejidad añadida en la creación de bloques óptimos puesto que, a medida que se incrementa el tamaño de los bloques, el número de bloques posibles entre los que elegir incrementa exponencialmente, haciendo menos factible explorar el universo de posibilidades. En definitiva, aunque las pruebas de elección forzosa existen des- de mucho tiempo atrás su uso se ha visto reducido por las limitacio- nes que se les atribuían. Sin embargo, cada vez se entiende mejor que este tipo de pruebas no constituye una categoría homogénea, ABAD, FRANCISCO J.; KREITCHMANN, RODRIGO S.; SORREL, MIGUEL A.; NÁJERA, PABLO; GARCÍA-GARZÓN, EDUARDO; GARRIDO, LUIS EDUARDO Y JIMÉNEZ, MARCOS 33 S e c c i ó n M o n o g r á f i c a

RkJQdWJsaXNoZXIy NDY3NTY=