Resumen. La honestidad intelectual suena a rasgo de carácter. En la investigación sobre pronósticos se comporta como una habilidad con puntuación. En el Good Judgment Project, un equipo de investigación que compitió en un torneo de pronósticos financiado por la inteligencia estadounidense, los pronosticadores más precisos “hacían actualizaciones frecuentes y pequeñas”, mientras que los de baja habilidad “tendían a confirmar sus juicios iniciales o a hacer revisiones escasas y grandes” (Atanasov y colaboradores, 2020, a partir de más de 400.000 predicciones sobre casi 500 preguntas). El grupo de élite, los superpronosticadores, envió de media 7,8 pronósticos por pregunta, frente a 1,6 de los equipos normales y 1,4 de quienes pronosticaban solos. Recalculamos la tabla de precisión publicada: en la última semana antes del cierre de las preguntas, la puntuación de Brier de los superpronosticadores, 0,07, fue un 56 % más baja que la de los equipos entrenados (0,16) y un 73 % más baja que la de los individuos sin entrenamiento (0,26). Esto viene con dos advertencias honestas. Actualizar solo gana cuando la evidencia es informativa: en un estudio, las personas más abiertas de mente lo hicieron peor ante las sorpresas. Y un reanálisis de 2024 sostiene que los célebres efectos del entrenamiento y del trabajo en equipo se reducen o desaparecen cuando se controlan el momento de respuesta y la elección de preguntas. La regla práctica sobrevive a ambas advertencias: comprométete con un número, declara de antemano qué lo cambiaría y muévelo en pasos pequeños a medida que llega la evidencia.
Por qué la honestidad intelectual es una variable de rendimiento, no una virtud
La honestidad intelectual suele plantearse como ética: admitir los errores porque es lo correcto. Ese planteamiento la vuelve opcional, y las personas ocupadas y ambiciosas tienden a ver la admisión de un error como un coste para su credibilidad.
La literatura sobre pronósticos replantea la cuestión. Si expresas tus creencias como probabilidades y las puntúas frente a lo que realmente ocurre, los hábitos que llamamos honestidad intelectual (percibir la evidencia que te contradice, revisar en público, no aferrarte a una primera respuesta) dejan una huella medible en la precisión. Dejan de ser una virtud que exhibes y pasan a ser un factor que puedes seguir.
Tres cuerpos de evidencia sostienen el argumento, cada uno con un límite que conviene conocer:
- Actualización de creencias en pronósticos reales (Mellers y colaboradores, 2014 y 2015; Atanasov y colaboradores, 2020): con qué frecuencia y cuánto revisan los mejores pronosticadores.
- Pensamiento activamente abierto (Haran, Ritov y Mellers, 2013): la disposición a buscar información, incluida la que podría demostrar que te equivocas, y su efecto en la precisión.
- Humildad intelectual (Leary y colaboradores, 2017): el grado en que las personas reconocen que sus creencias podrían ser erróneas, y cómo eso moldea su forma de juzgar argumentos y a otras personas.
Esta es la lente de CEOtudent en una frase. El CEO asume una decisión y se compromete con una posición. El estudiante trata esa posición como un borrador y sigue revisándola. La precisión surge de hacer ambas cosas a la vez.
Cómo se mide la precisión: la puntuación de Brier en términos sencillos
La investigación sobre pronósticos necesita una regla de puntuación que premie la honestidad, y la estándar es la puntuación de Brier, propuesta por Brier en 1950 en la revista Monthly Weather Review y utilizada en todo el Good Judgment Project. En la versión que usó el proyecto, un pronóstico sobre una pregunta de sí o no se puntúa como la suma de las diferencias al cuadrado entre las probabilidades que diste y lo que ocurrió. Una puntuación perfecta es 0 y la peor posible es 2.
Mellers y colaboradores ofrecen el ejemplo desarrollado. Supón que das un 90 % a que un suceso ocurra. Si ocurre, tu puntuación es (0,9 – 1)² + (0,1 – 0)² = 0,02. Si no ocurre, tu puntuación es (0,9 – 0)² + (0,1 – 1)² = 1,62. Equivocarse con confianza cuesta 81 veces lo que aporta acertar con confianza. Las puntuaciones se promedian sobre cada día que una pregunta permanece abierta, de modo que un pronóstico que se deja sin actualizar durante semanas sigue sumando error.
Dos propiedades importan para la honestidad intelectual. Primero, la regla es “propia”: la mejor estrategia a largo plazo es declarar lo que realmente crees, no exagerar tu confianza. Segundo, como la puntuación se promedia por días, la actualización es visible. Un pronosticador que acierta al final pero se negó a moverse durante la mayor parte de la vida de la pregunta sigue pagando por cada día desfasado.
Qué hacen realmente distinto los mejores pronosticadores
El Good Judgment Project realizó experimentos aleatorizados dentro del torneo. En el segundo año, el 2 % con mejor rendimiento del primer año se agrupó en equipos de élite de superpronosticadores. La tabla publicada de precisión por periodo es el mejor punto de partida, porque muestra la precisión al inicio, a la mitad y al final de cada pregunta.
Tabla 1. Puntuaciones de Brier medias por periodo, año 2 (datos verificados de Mellers y colaboradores, 2014, Tabla 1; cuanto más bajo, mejor; preguntas abiertas al menos un mes)
| Condición | Primera semana | 2 semanas intermedias | Última semana |
|---|---|---|---|
| Pronosticadores individuales, sin entrenamiento | 0,46 | 0,39 | 0,26 |
| Pronosticadores individuales, entrenamiento en probabilidad | 0,42 | 0,36 | 0,24 |
| Pronosticadores en equipo, sin entrenamiento | 0,38 | 0,32 | 0,16 |
| Pronosticadores en equipo, entrenamiento en probabilidad | 0,40 | 0,28 | 0,16 |
| Superpronosticadores | 0,25 | 0,19 | 0,07 |
El mismo artículo informa del grado de implicación de cada grupo. A lo largo del segundo año, los participantes hicieron de media 1,8 predicciones por pregunta. Los pronosticadores independientes hicieron 1,4, los equipos normales 1,6 y los superpronosticadores 7,8. Los autores califican la implicación de los superpronosticadores de “extraordinaria”. Los superpronosticadores también respondieron más preguntas: 95 de media, frente a 61 de los equipos normales.
El artículo ofrece además un ejemplo concreto de lo que cuesta no actualizar. La calibración fue peor en los pronósticos del 100 %, y los autores exponen la causa con claridad: “El problema era la falta de actualización”. Los pronósticos del 100 % hechos en el primer 20 % de la vida de una pregunta se cumplieron solo alrededor del 70 % de las veces. Los mismos pronósticos hechos en el último 20 % de los días acertaron alrededor del 90 % de las veces. La certeza declarada pronto se comportaba como una conjetura mantenida demasiado tiempo.
El artículo de seguimiento sobre los superpronosticadores (Mellers y colaboradores, 2015) constató que mantuvieron una alta precisión dos años seguidos, “desafiando las expectativas de regresión a la media”. Los autores respaldan cuatro explicaciones que se refuerzan entre sí: capacidades y estilos cognitivos, habilidades específicas de la tarea, motivación y compromiso, y entornos enriquecidos. Su conclusión es que los superpronosticadores son “en parte descubiertos y en parte creados”. Esa segunda mitad es la razón por la que esto importa a cualquiera que no sea ya un superpronosticador.
Los pasos pequeños ganan a los grandes saltos: la evidencia sobre la actualización
La evidencia más directa sobre la actualización procede de Atanasov, Witkowski, Ungar, Mellers y Tetlock (2020). Utilizaron cuatro años de datos del torneo y separaron tres aspectos de la actualización: la frecuencia (con qué frecuencia revisa un pronosticador), la magnitud (el tamaño medio de cada revisión) y la propensión a confirmar (la tendencia a volver a enviar el mismo pronóstico).
Sus hallazgos, en el resumen de los propios autores:
- Los pronosticadores más precisos hacían actualizaciones frecuentes y pequeñas.
- Los pronosticadores de baja habilidad tendían a confirmar sus juicios iniciales o a hacer revisiones escasas y grandes.
- Quienes actualizaban con alta frecuencia puntuaban más en inteligencia cristalizada y apertura mental, accedían a más información y mejoraban con el tiempo.
- Quienes actualizaban en pequeños incrementos tenían puntuaciones más altas de inteligencia fluida y obtenían su ventaja de sus pronósticos iniciales.
- La magnitud de la actualización mediaba el efecto causal del entrenamiento sobre la precisión.
- Las revisiones frecuentes y pequeñas eran “señales fiables y válidas de habilidad”.
Dos puntos merecen énfasis. Primero, la frecuencia y la magnitud son hábitos distintos con orígenes distintos. Actualizar a menudo refleja implicación y búsqueda de información. Actualizar en pasos pequeños refleja partir de una estimación razonable, de modo que no haga falta una gran corrección. Segundo, los autores presentan ambos como señales que las organizaciones pueden usar para identificar a las personas que gestionan bien la incertidumbre. En otras palabras, la forma en que alguien cambia de opinión es en sí misma una prueba de su criterio.
Un cálculo: lo que cuestan el anclaje, el exceso de confianza y la actualización gradual
Para hacer concreto el mecanismo, construimos una ilustración transparente. Usa la misma puntuación de Brier de dos resultados que el Good Judgment Project, promediada sobre los días en que la pregunta está abierta. La pregunta dura 10 días. La evidencia que llega durante esos días apunta cada vez más hacia el “sí”. Cuatro pronosticadores reaccionan de forma distinta. Todas las cifras de la Tabla 2 son ilustrativas: muestran cómo trata la regla de puntuación cada comportamiento, no cómo actuó ningún pronosticador real.
Tabla 2. Cuatro estilos de actualización en una pregunta ilustrativa de 10 días (cálculo de CEOtudent; cifras ilustrativas; puntuación de Brier de dos resultados promediada por días, 0 la mejor, 2 la peor)
| Estilo | Trayectoria del pronóstico | Actualizaciones | Tamaño medio de la actualización | Puntuación si ocurre el “sí” | Puntuación si hay sorpresa (“no”) | Puntuación esperada* |
|---|---|---|---|---|---|---|
| Anclado | 30 % los 10 días | 0 | 0 puntos | 0,980 | 0,180 | 0,820 |
| Exceso de confianza | 95 % desde el día 1, nunca revisado | 0 | 0 puntos | 0,005 | 1,805 | 0,545 |
| Gran salto tardío | 30 % durante 7 días, luego 90 % | 1 | 60 puntos | 0,692 | 0,612 | 0,676 |
| Gradual | 30, 35, 42, 50, 57, 63, 70, 78, 85, 90 % | 9 | 6,7 puntos | 0,398 | 0,798 | 0,478 |
*La puntuación esperada supone que la tendencia de la evidencia resulta correcta el 80 % de las veces. Para el pronosticador con exceso de confianza, cuya opinión se fija antes de que llegue la evidencia, suponemos que la primera impresión acierta el 70 % de las veces, en línea con el hallazgo de Mellers y colaboradores de que los pronósticos tempranos del 100 % se cumplían alrededor del 70 % de las veces. Ambos porcentajes son supuestos ilustrativos.
Lo que muestra el cálculo:
- El anclaje es el hábito más caro cuando las cosas cambian. El pronosticador anclado es penalizado cada día que el mundo se aleja de su opinión inicial.
- El exceso de confianza gana a lo grande o pierde de forma catastrófica. Una puntuación de 0,005 si acierta, 1,805 si se equivoca. Esa es la asimetría de la puntuación de Brier en acción.
- Un gran salto tardío es mejor que ningún salto, pero paga por cada día desfasado anterior. Es el patrón de “revisiones escasas y grandes” que Atanasov y colaboradores asocian con una menor habilidad.
- La actualización gradual tiene la mejor puntuación esperada, pero no es gratuita. Si la evidencia engaña, quien actualiza gradualmente lo hace peor que el anclado (0,798 frente a 0,180). Actualizar es una apuesta a que la evidencia es informativa.
Ese cuarto punto no es una rareza de nuestro ejemplo. Coincide con el estudio más cuidadoso sobre apertura mental y precisión, que se analiza a continuación.
Los límites honestos: cuándo la apertura mental sale cara, y el reanálisis
Haran, Ritov y Mellers (2013) pusieron a prueba cuatro estilos de pensamiento como predictores de la precisión en tres estudios: el pensamiento activamente abierto, la necesidad de cognición, la perseverancia (grit) y la tendencia a maximizar. Solo el pensamiento activamente abierto predijo el rendimiento. El mecanismo era la información: las personas más abiertas de mente recopilaban más información antes de estimar, y esa información adicional producía la ganancia de precisión. Cuando la cantidad de información disponible se mantenía constante (Estudio 2), la apertura mental no tenía efecto sobre el rendimiento.
El tercer estudio, que pedía predecir resultados de fútbol americano, añade la advertencia. Cuando los resultados coincidían con la información previa al partido, los pensadores abiertos eran más precisos. Cuando el resultado era una sorpresa, una mayor apertura mental iba unida a un peor rendimiento, porque esos pronosticadores habían seguido más de cerca la información. Como dicen los autores, cuando la información era engañosa, las personas muy abiertas de mente eran “más susceptibles a la información no válida”. Su conclusión es condicional: mientras la información sea al menos algo predictiva, el pensamiento abierto debería ayudar.
El artículo del Good Judgment Project tiene su propio ejemplo. En una pregunta sobre un enfrentamiento letal en el mar de China Meridional u Oriental, los mejores pronosticadores empezaron cerca del 20 %, la tasa base, y fueron bajando sus estimaciones con el tiempo. Entonces un agente de la guardia costera surcoreana murió a manos de un pescador chino. Los equipos entrenados obtuvieron 1,44 en esa pregunta, peor que los pronosticadores independientes sin entrenamiento, con 1,31.
La advertencia de mayor calado es metodológica. En un reanálisis publicado en Psychological Science, Hauenstein, Thomas, Illingworth y Dougherty (2024) modelaron los mismos datos del torneo con la teoría de respuesta al ítem y controlaron la dificultad de las preguntas, el momento de los pronósticos y qué preguntas eligieron responder los pronosticadores. En sus palabras, los modelos con mejor ajuste “eliminaron sustancialmente, redujeron y, en algunos casos, incluso invirtieron los efectos” de las manipulaciones de equipo y entrenamiento sobre la capacidad latente de pronóstico. También señalan que estas variables ajenas pueden distinguir a los superpronosticadores de los demás, lo que complica saber qué hay detrás de su rendimiento.
Cómo afecta esto al argumento: el reanálisis cuestiona que un módulo de entrenamiento de 45 minutos o la pertenencia a un equipo causen mejores pronósticos. No invalida el hallazgo descriptivo de que los pronosticadores más precisos actualizan con frecuencia y en pasos pequeños. El momento de respuesta, una de las variables que controla el reanálisis, es en parte un comportamiento de actualización. Mellers y colaboradores habían informado en 2014 de que el entrenamiento y el trabajo en equipo seguían siendo significativos tras controlar el momento y el número de pronósticos. Los dos equipos discrepan en el método, y un lector cuidadoso debería tomar con cautela las afirmaciones causales sobre el entrenamiento.
La humildad intelectual y cómo juzgas a quienes cambian de opinión
La honestidad intelectual también tiene una dimensión social. Leary y colaboradores (2017) desarrollaron una Escala de Humildad Intelectual y definieron el rasgo como el grado en que las personas reconocen que sus creencias podrían ser erróneas. En el primero de cuatro estudios, la humildad intelectual se asoció con apertura, curiosidad, tolerancia a la ambigüedad y bajo dogmatismo. Las personas con alta humildad intelectual eran menos propensas a ver como “chaqueteros” a los políticos que cambiaban de postura, y prestaban más atención a la solidez de los argumentos persuasivos que las personas con un nivel bajo del rasgo.
Esto importa a quienes lideran. Si la cultura que estableces trata cada revisión como un cambio de chaqueta, estás empujando a tu equipo hacia los estilos anclado y de gran salto tardío de la Tabla 2. Si las revisiones basadas en la evidencia se tratan como algo normal, haces socialmente asumibles las actualizaciones pequeñas y frecuentes. La evidencia sobre pronósticos dice que ahí es donde reside la precisión. Para saber si tu propia primera respuesta se mantiene por las razones equivocadas, consulta nuestro artículo sobre el sesgo de la primera conclusión y por qué la gente acepta la primera respuesta de una IA.
El Protocolo Operativo de Honestidad Intelectual
La evidencia y el marco deben mantenerse separados. Los hallazgos anteriores son evidencia. El protocolo siguiente es nuestra síntesis editorial: una forma de convertir esos hallazgos en hábitos semanales. Cada paso está vinculado al hallazgo que lo motiva y al límite de ese hallazgo.
Tabla 3. El Protocolo Operativo de Honestidad Intelectual (marco editorial de CEOtudent, vinculado a hallazgos verificados)
| Paso | Qué haces | Hallazgo que lo motiva | Límite que respetar |
|---|---|---|---|
| 1. Comprométete con un número | Expresa las creencias importantes como probabilidades (“65 % de que este lanzamiento alcance el objetivo”), no con adjetivos | La puntuación de Brier premia las probabilidades honestas y hace que la precisión sea medible (Mellers y colaboradores, 2014) | Un número sin comprobación posterior es teatro; el paso 5 es obligatorio |
| 2. Decide de antemano qué te haría cambiar de opinión | Antes de decidir, anota las dos o tres observaciones que moverían tu número 10 puntos o más | La certeza temprana acertaba solo alrededor del 70 % de las veces; “el problema era la falta de actualización” (Mellers y colaboradores, 2014) | Elige señales realmente predictivas, no solo visibles |
| 3. Parte de una tasa base | Ancla la primera estimación en la frecuencia con que ocurren cosas similares y luego ajusta | Quienes actualizaban en pequeños incrementos obtenían su ventaja de mejores pronósticos iniciales (Atanasov y colaboradores, 2020) | Las tasas base pueden engañar si tu caso es inusual |
| 4. Actualiza a menudo, en pasos pequeños | Revisa tus creencias vigentes con un calendario; muévete en pasos proporcionales a la evidencia, normalmente unos pocos puntos | Los pronosticadores más precisos hacían actualizaciones frecuentes y pequeñas; los de baja habilidad confirmaban o saltaban (Atanasov y colaboradores, 2020) | Actualizar es una apuesta a que la evidencia es informativa (Haran y colaboradores, 2013) |
| 5. Lleva un registro de errores y puntúalo | Anota pronósticos y resultados; calcula una puntuación de Brier sencilla cada trimestre | Las revisiones frecuentes y pequeñas eran “señales fiables y válidas de habilidad” (Atanasov y colaboradores, 2020) | Pocas decisiones al año implican puntuaciones ruidosas; juzga tendencias, no resultados aislados |
| 6. Busca información que pueda demostrar que te equivocas | Antes de una decisión importante, dedica tiempo deliberado a la contraevidencia más sólida | Los pensadores abiertos recopilaban más información, lo que explicaba su precisión (Haran y colaboradores, 2013) | La información adicional solo ayuda si es válida |
| 7. Haz que revisar sea socialmente seguro | Elogia en tu equipo los cambios de opinión basados en la evidencia; nunca los castigues como un cambio de chaqueta | La alta humildad intelectual va unida a juzgar menos como “chaquetero” y a atender más a la solidez de los argumentos (Leary y colaboradores, 2017) | Evidencia correlacional; los efectos sobre la cultura son inferencia nuestra |
Varias herramientas de CEOtudent apoyan pasos concretos. Para el paso 1, consulta cómo pensar en apuestas. Para el paso 2, la guía de criterios de abandono muestra cómo fijar condiciones de antemano. Para el paso 5, el protocolo del diario de decisiones te da una plantilla para registrar pronósticos y revisarlos. Para el paso 6, un pre-mortem convierte la contraevidencia en una parte programada de la planificación.
El CEO y el estudiante
El argumento profesional a favor de la honestidad intelectual es sencillo una vez que la precisión es medible. Las personas que gestionan bien la incertidumbre son valiosas, y Atanasov y colaboradores sugieren que el patrón de actualizaciones de alguien es una señal fiable de esa habilidad. Una organización que registra pronósticos puede ver quién revisa en pasos pequeños y oportunos y quién defiende una primera respuesta hasta que la realidad le obliga a dar un salto.
El lado CEO de la lente es la responsabilidad. Te comprometes con un número, pones tu nombre en él y decides. La honestidad intelectual no significa evitar el compromiso. El pronosticador anclado de la Tabla 2 se comprometió, y también el que tenía exceso de confianza. La diferencia está en lo que ocurre después del compromiso.
El lado estudiante es la revisión. Tratas cada posición como el borrador actual, sabes de antemano qué la cambiaría y la cambias en la medida adecuada cuando llega esa evidencia. Los datos sugieren que esto no es una disyuntiva entre confianza y humildad. Los pronosticadores más precisos del Good Judgment Project hacían ambas cosas: se comprometían con números y seguían moviéndolos.
Equivocarse antes no significa equivocarse más a menudo. Significa descubrirlo antes, mientras la corrección es pequeña y barata.
Preguntas frecuentes
¿Qué es la honestidad intelectual en la toma de decisiones?
En términos prácticos, es el hábito de expresar las creencias con la precisión suficiente para que se pueda demostrar que son erróneas, buscar evidencia que pueda demostrarlo y revisarlas en proporción a esa evidencia. La investigación sobre pronósticos lo hace medible al puntuar los juicios de probabilidad frente a los resultados.
¿Las personas que cambian de opinión a menudo hacen mejores predicciones?
En los datos del Good Judgment Project, sí, cuando los cambios son frecuentes y pequeños. Atanasov y colaboradores (2020) constataron que los pronosticadores más precisos hacían actualizaciones frecuentes y pequeñas, mientras que los de baja habilidad confirmaban sus primeros juicios o hacían revisiones escasas y grandes. Los superpronosticadores enviaron de media 7,8 pronósticos por pregunta, frente a 1,6 de los equipos normales.
¿Ser abierto de mente es siempre mejor?
No. Haran, Ritov y Mellers (2013) constataron que los pensadores activamente abiertos eran más precisos porque reunían más información, pero en las sorpresas, cuando la información apuntaba en la dirección equivocada, una mayor apertura mental iba unida a un peor rendimiento. Actualizar ayuda cuando la evidencia es al menos algo predictiva.
¿Se puede entrenar la habilidad de pronosticar?
Los resultados originales del Good Judgment Project indicaban que un módulo de entrenamiento en probabilidad de unos 45 minutos mejoraba la precisión, con beneficios que se mantenían durante temporadas de pronóstico de unos 8 a 10 meses cada una. Un reanálisis de 2024 de Hauenstein y colaboradores sostiene que estos efectos del entrenamiento y del trabajo en equipo se reducen, desaparecen o se invierten cuando se controlan el momento, la elección de preguntas y su dificultad. La cuestión causal está en disputa. El vínculo entre el estilo de actualización y la precisión está mejor respaldado.
¿Cómo puedo medir mi propia precisión?
Anota los pronósticos como probabilidades, con una fecha y una regla de resolución, y luego puntúalos. Para una pregunta de sí o no, en la versión de dos resultados usada aquí, la puntuación es la diferencia al cuadrado en el “sí” más la diferencia al cuadrado en el “no”. Decir 90 % sobre algo que ocurre puntúa 0,02, y decir 90 % sobre algo que no ocurre puntúa 1,62. Promedia las puntuaciones de un trimestre y sigue la tendencia.
Fuentes
- Mellers, B., Ungar, L., Baron, J., Ramos, J., Gurcay, B., Fincher, K., Scott, S. E., Moore, D., Atanasov, P., Swift, S. A., Murray, T., Stone, E. y Tetlock, P. E. (2014). Psychological Strategies for Winning a Geopolitical Forecasting Tournament. Psychological Science, 25(5). Tabla 1 (puntuaciones de Brier por periodo), medidas de implicación (predicciones por pregunta), análisis de la calibración, ejemplo desarrollado de la puntuación de Brier, ejemplo del mar de China Meridional y Oriental.
- Mellers, B., Stone, E., Murray, T., Minster, A., Rohrbaugh, N., Bishop, M., Chen, E., Baker, J., Hou, Y., Horowitz, M., Ungar, L. y Tetlock, P. (2015). Identifying and Cultivating Superforecasters as a Method of Improving Probabilistic Predictions. Perspectives on Psychological Science, 10(3), 267-281. Resumen: persistencia de la precisión de los superpronosticadores y cuatro explicaciones.
- Atanasov, P., Witkowski, J., Ungar, L., Mellers, B. y Tetlock, P. (2020). Small steps to accuracy: Incremental belief updaters are better forecasters. Organizational Behavior and Human Decision Processes, 160, 19-35. Hallazgos del resumen sobre frecuencia, magnitud y confirmación de las actualizaciones; versión de congreso en la 21st ACM Conference on Economics and Computation (EC‘20) para la descripción del conjunto de datos y las medidas de actualización.
- Haran, U., Ritov, I. y Mellers, B. A. (2013). The role of actively open-minded thinking in information acquisition, accuracy, and calibration. Judgment and Decision Making, 8(3), 188-201. Estudios 1 a 3, mediación por la adquisición de información, resultados sorpresa, discusión general.
- Hauenstein, C., Thomas, R., Illingworth, D. y Dougherty, M. (2024, publicado en línea; número impreso de 2025). Rethinking the Role of Teams and Training in Geopolitical Forecasting: The Effect of Uncontrolled Method Variance on Statistical Conclusions. Psychological Science, 36(1), 3-18. Manuscrito aceptado del autor: resumen y discusión.
- Leary, M. R., Diebels, K. J., Davisson, E. K., Jongman-Sereno, K. P., Isherwood, J. C., Raimi, K. T., Deffler, S. A. y Hoyle, R. H. (2017). Cognitive and Interpersonal Features of Intellectual Humility. Personality and Social Psychology Bulletin, 43(6), 793-813. Resumen: cuatro estudios con la Escala de Humildad Intelectual.
La Tabla 1 reproduce datos publicados de Mellers y colaboradores (2014). Las comparaciones porcentuales del texto (por ejemplo, “un 56 % más baja”) son cálculos de CEOtudent a partir de esa tabla. La Tabla 2 es un cálculo de CEOtudent con cifras ilustrativas. La Tabla 3 es un marco editorial de CEOtudent.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
