Corrección y detección de sesgos en encuestas

Si le pides a una IA "¿Qué te parece esta encuesta?", la respuesta suele ser predecible y poco útil: "Está muy bien estructurada en general, solo cambiaría un par de detalles". Las IA tienden a ser complacientes por defecto; si no les das un marco de evaluación estricto, ofrecerán impresiones generales en lugar de detectar errores metodológicos. Así, las preguntas sesgadas pasan desapercibidas y llegan al público.

En el bloque de rol, definimos expresamente que "tu trabajo no es felicitar, sino señalar lo que debe corregirse". No basta con darle el título de evaluador; aclarar qué conductas debe evitar transforma por completo el tono. Además, la lista de tipos de error del tercer párrafo le entrega una regla precisa para medir: en lugar de un vago "suena algo raro", dictaminará con exactitud "la pregunta 4 es una pregunta capciosa".

El formato en tabla obliga a procesar cada ítem en una fila independiente. Con una lista abierta, la IA suele comentar solo dos o tres puntos llamativos, pero la tabla exige completar todos los números, forzándola a examinar preguntas que de otro modo ignoraría. La columna de "Versión corregida" garantiza que obtengas textos listos para copiar y usar.

Delimitar el borrador con """ evita que el modelo confunda las instrucciones de la encuesta (como "Indique su nivel de satisfacción") con órdenes para sí mismo. Por último, pedir "preguntas clave que faltan" permite identificar lagunas estructurales más allá de los errores de redacción.

Recibirás una evaluación complaciente que empieza con un "Es una buena encuesta". Si señala algo, será tan superficial como "haz la pregunta 3 más específica", dejando el trabajo de corrección en tus manos. Además, a menudo pasa por alto las últimas preguntas o termina respondiendo a la encuesta en lugar de evaluarla.