Cómo optimizar la selección de personal con el algoritmo CAT (Test Adaptativo Computarizado)

Cómo optimizar la selección de personal con el algoritmo CAT (Test Adaptativo Computarizado)

El algoritmo CAT (Computerized Adaptive Testing o Test Adaptativo Computarizado) está cambiando la forma en que las organizaciones evalúan talento. A diferencia de las pruebas tradicionales, este sistema selecciona cada pregunta según el nivel de respuesta del candidato, lo que permite una medición más precisa y eficiente. GMAC explica que el enfoque adaptativo del GMAT ajusta los ítems a la habilidad del evaluado y ofrece una medición especialmente precisa, mientras que Pearson destaca que este tipo de evaluación alcanza estimaciones confiables con menos preguntas que una prueba fija. (GMAC)

Aplicado al reclutamiento, el algoritmo CAT ayuda a reducir la fatiga del candidato, agiliza el proceso y mejorar la calidad de la información para tomar decisiones de contratación. Esto se traduce en evaluaciones más ágiles y relevantes para cada perfil.

Descubre cómo el CAT puede ser la clave para optimizar tu selección de personal. Agenda un demo gratis con Evaluar y conoce también la evolución del reclutamiento con inteligencia artificial.

Tabla de contenidos:

• Introducción al algoritmo CAT
• Selección de ítems: Maximización de la información
• Reglas de paro en el algoritmo CAT
• Control de exposición de ítems en CAT
• Conclusión

Introducción al algoritmo CAT

Para entender por qué el algoritmo CAT puede aportar tanto valor en reclutamiento, conviene mirar primero su lógica técnica. En una evaluación adaptativa, cada respuesta ayuda a refinar la estimación del nivel del candidato y a seleccionar la siguiente pregunta con mayor utilidad de medición, en lugar de seguir una ruta fija para todos.

Definición del algoritmo CAT

El algoritmo CAT es un sistema de evaluación adaptativa que ajusta la dificultad de las preguntas conforme el candidato responde. ETS explica que, tras cada ítem, el sistema repite dos procesos: seleccionar la siguiente pregunta más apropiada según el desempeño observado y actualizar la estimación del nivel del evaluado a partir de sus respuestas. GMAC añade que este algoritmo elige cada pregunta de acuerdo con la habilidad de la persona, por lo que evita acumular reactivos demasiado fáciles o demasiado difíciles y consigue una medición más precisa y eficiente. En la práctica, esto significa que la prueba no sigue una secuencia rígida, sino una trayectoria personalizada que aprovecha mejor cada respuesta y mejora la calidad del dato obtenido. Para profundizar más en el uso de pruebas psicométricas, consulta esta guía completa sobre pruebas psicométricas.

Importancia del algoritmo CAT en la selección de personal

En selección de personal, la importancia del algoritmo CAT radica en que puede ofrecer mediciones confiables con menos preguntas que una prueba lineal, siempre que exista un banco de ítems bien calibrado y reglas técnicas sólidas. GMAC documenta que los CAT necesitan menos preguntas para alcanzar una precisión aceptable y que, cuando el programa cumple los requisitos de calidad, pueden reducir el tiempo de evaluación en más del 50% manteniendo el mismo nivel de confiabilidad. Pearson coincide en que el proceso adaptativo continúa hasta alcanzar una estimación suficientemente precisa y que, para la mayoría de los evaluados, esto exige muchos menos ítems que un test fijo. Trasladado al reclutamiento, esto puede convertirse en procesos más ágiles y decisiones mejor informadas. Adoptar el algoritmo CAT no solo agilizará sus procesos, sino que también permitirá un enfoque más estratégico en la gestión del talento. Aprende más sobre controles de exposición de ítems en procesos de reclutamiento.

Mejora de la experiencia en la selección de ítems

La mejora en la experiencia no depende solo de que la prueba sea digital, sino de que cada pregunta resulte pertinente para el nivel del candidato. ETS resume el principio del CAT de forma clara: evitar preguntas demasiado difíciles o demasiado fáciles, porque aportan menos información que aquellas que representan un reto razonable. GMAC también señala que, al adaptarse continuamente, el examen presenta menos ítems fuera del nivel real del evaluado y que las sesiones más cortas reducen la fatiga, un factor que puede afectar el resultado. En reclutamiento, esto ayuda a que la evaluación se perciba como más fluida, menos repetitiva y mejor alineada con las capacidades del postulante. Además, al apoyarse en un banco amplio de ítems, las rutas de evaluación tienden a diferenciarse entre candidatos, lo que también fortalece la seguridad del proceso.

Considera implementar evaluaciones personalizadas para enriquecer la experiencia de tus candidatos. También, descubre la importancia de las pruebas de integridad en la gestión de talento humano.

Selección de ítems: Maximización de la información

En el núcleo del algoritmo CAT está la selección de ítems: el sistema no formula preguntas al azar, sino que elige cada reactivo según la información que puede aportar sobre la habilidad estimada del candidato. Para lograrlo, combina un banco de ítems calibrado, reglas psicométricas y controles de contenido y exposición. Así, la evaluación gana precisión sin perder consistencia ni seguridad.

Selección de ítems basada en la máxima información

La lógica de la selección de ítems en un CAT consiste en elegir, en cada paso, la pregunta que mejor ayude a estimar la habilidad del evaluado. GMAC explica que uno de los criterios más utilizados es el de máxima información de Fisher, porque busca el ítem que aporte mayor precisión en el nivel provisional del candidato. Pearson añade que, en la mayoría de las aplicaciones CAT, este proceso se apoya en la Teoría de Respuesta al Ítem (IRT), que calibra preguntas y respuestas en una escala común. En términos prácticos, esto permite que cada respuesta tenga un valor real dentro de la medición, en lugar de repetir preguntas poco útiles para ese perfil. Además, la eficiencia no depende solo de la dificultad, sino también de cómo se equilibran contenido, seguridad y uso del banco. Profundiza en cómo estos métodos pueden ajustarse a tus necesidades.

Ejemplo práctico de adaptación

Un ejemplo claro de adaptación ocurre cuando el sistema inicia con una pregunta de dificultad intermedia y ajusta la siguiente según la respuesta del candidato. Pearson describe que, si la persona responde correctamente, el algoritmo selecciona un ítem más difícil; si falla, presenta uno más sencillo. ETS resume este flujo como un ciclo continuo: seleccionar un ítem del banco, administrarlo, usar la respuesta para actualizar la estimación de desempeño y volver a elegir la siguiente pregunta. Esta dinámica evita acumular reactivos demasiado fáciles o demasiado complejos, que suelen aportar menos valor de medición. En un proceso de selección, esto significa obtener evidencia más útil en menos tiempo y con menor fatiga para el postulante. Este tipo de enfoque puede incrementar la calidad de la información recabada, porque cada pregunta se vuelve más pertinente para el nivel observado en tiempo real.

Impacto en la efectividad del proceso de selección

El verdadero impacto de este enfoque está en la calidad de la medición que respalda la decisión de contratación. GMAC señala que la precisión depende de la información del test en el nivel de habilidad del examinado y que el CAT está diseñado precisamente para maximizar esa información en cada persona. En la misma línea, un estudio técnico de Pearson comparó una versión CAT de 35 ítems con una prueba en papel de 60 ítems y reportó mayor correlación con la habilidad real, mejor precisión de clasificación, estimaciones menos sesgadas y menores errores estándar condicionales en la versión adaptativa. Traducido al reclutamiento, esto no garantiza por sí solo una mejor contratación, pero sí ofrece una base de evaluación más sólida para tomar decisiones.

Explora cómo puedes integrar estos principios en tu proceso de selección de personal. Para más información, visita la guía sobre la importancia de las pruebas psicométricas.

Reglas de paro en el algoritmo CAT

En un algoritmo CAT, las reglas de paro definen el momento exacto en que la evaluación debe terminar. Su función es equilibrar eficiencia, precisión y experiencia del candidato, para que la prueba no se extienda más de lo necesario ni finalice antes de reunir evidencia suficiente.

Definición y propósito de las stopping rules

Las stopping rules son los criterios que indican cuándo un test adaptativo ha reunido información suficiente para cerrar la evaluación. Pearson explica que un CAT puede finalizar de dos formas: después de un número fijo de ítems o cuando alcanza un nivel predefinido de precisión en la puntuación. ETS coincide en que el ciclo adaptativo continúa hasta que se cumple uno de esos umbrales. Su propósito no es solo acortar la prueba, sino asegurar que el resultado final sea útil para la toma de decisiones y que cada candidato responda solo las preguntas necesarias. Bien diseñadas, estas reglas ayudan a evitar evaluaciones innecesariamente largas y mantienen el foco en la calidad de la medición. Evaluar el uso de estas reglas en tu proceso de selección puede optimizar los resultados.

Determinación del fin de la prueba

La determinación del fin de la prueba depende del objetivo del proceso de evaluación. Si la organización necesita una experiencia más uniforme para todos los candidatos, puede optar por una longitud fija. Si prioriza eficiencia y precisión, puede utilizar una longitud variable hasta alcanzar el nivel de exactitud definido. Pearson señala que la modalidad fija facilita reflejar con mayor control la matriz de contenido y administrar mejor la exposición de ítems. ETS añade que no existe un único diseño ideal para todos los contextos, porque la mejor decisión depende del tipo de contenido, la población evaluada y el uso que tendrá el puntaje. En selección de personal, esto implica que las reglas de paro deben alinearse con el objetivo real del proceso, no aplicarse como una configuración genérica. Revisar cómo implementas estas reglas podría transformar tus resultados de selección.

Consecuencias de una mala implementación de reglas de paro

Una mala implementación de las reglas de paro puede afectar la confiabilidad del proceso incluso cuando el banco de ítems es sólido. Pearson indica que, antes de operar un CAT, deben realizarse simulaciones para comprobar que la prueba cumple la matriz de contenido, que los ítems no se usan con demasiada frecuencia y que los puntajes esperados son suficientemente confiables. A partir de ello, se puede inferir que una lógica de cierre mal calibrada puede generar pruebas demasiado largas, una precisión menor a la esperada o una cobertura de contenido inconsistente. En reclutamiento, eso reduce la utilidad de la evaluación para comparar candidatos con criterios técnicos y homogéneos. Asegúrate de que tus reglas sean adecuadas para obtener resultados confiables y precisos.

Para más detalles sobre este tema, consulta cómo mejorar el reclutamiento con inteligencia artificial.

Control de exposición de ítems en CAT

En un algoritmo CAT, no basta con seleccionar preguntas muy informativas: también es necesario administrar el banco de forma segura y equilibrada. El control de exposición de ítems ayuda a proteger la calidad de la medición, preservar la seguridad del contenido y sostener la consistencia del proceso a lo largo del tiempo.

¿Qué es la exposición de ítems?

La exposición de ítems se refiere a la frecuencia con la que cada pregunta del banco aparece en las evaluaciones. ETS advierte que un puntaje solo es útil si refleja realmente la capacidad del evaluado; eso puede verse comprometido cuando existe exposición previa a los ítems. Además, señala que, si está bien configurado, un test adaptativo puede ofrecer una protección especialmente fuerte frente a la sobreexposición y los problemas de seguridad asociados. En la misma línea, GMAC explica que para el control de calidad a largo plazo de un CAT es muy importante optimizar el uso del banco, es decir, controlar la tasa de exposición de los reactivos. En selección de personal, esto significa que no solo importa medir bien, sino también evitar que unas pocas preguntas se repitan demasiado y debiliten la integridad de la evaluación. Asegurar una gestión adecuada de esta exposición es crucial para mantener la integridad de tus evaluaciones.

Métodos para asegurar un contenido balanceado

Las estrategias más sólidas para controlar la exposición de ítems no se basan en una rotación simple, sino en combinar reglas de selección, balance de contenido y límites de uso por reactivo. Pearson documenta un modelo CAT en el que el contenido se equilibró entre 10 áreas objetivo, manteniendo en la prueba adaptativa una representación proporcional similar a la de la versión base. Para ello, el algoritmo elegía ítems del objetivo “más necesitado” en cada momento. En ese mismo diseño, Pearson aplicó el procedimiento Sympson-Hetter y fijó una tasa máxima deseada de administración de 0,15 por ítem, lo que muestra cómo el control de exposición puede incorporarse de forma explícita al algoritmo. En la práctica, esto sugiere que conviene combinar aleatorización controlada, monitoreo del banco y reglas técnicas de balance para sostener la equidad del proceso. Adopta una estrategia de rotación controlada y monitoreo continuo en tu proceso de selección para mejorar la equidad.

Implicaciones de un control deficiente

Un control deficiente de la exposición de ítems no solo afecta la seguridad, sino también la calidad operativa del banco y la estabilidad del proceso de medición. ETS señala que la eficiencia del CAT debe equilibrarse con dos prioridades que compiten entre sí: cumplir los requisitos de contenido y proteger los ítems frente a la sobreexposición. GMAC muestra por qué esto importa en la práctica: en una simulación oficial, algunos métodos generaron un uso extremadamente desbalanceado del banco, con cerca de 150 de 500 ítems sin utilizarse durante 20 días de administración y más de 125 ítems llevados hasta la tasa máxima de exposición. En cambio, los métodos mejor calibrados distribuyeron el uso de manera mucho más uniforme. En reclutamiento, esto se traduce en un riesgo mayor de comprometer la comparabilidad entre candidatos y la seguridad del instrumento. Evalúa tus métodos de control de exposición para asegurar decisiones de contratación más informadas.

Conclusiones

En conjunto, el algoritmo CAT ofrece una forma más eficiente y técnicamente sólida de evaluar candidatos. Al adaptar la dificultad de los ítems al desempeño observado, puede obtener mediciones precisas con menos preguntas que una prueba fija, siempre que el banco de ítems esté bien calibrado y el diseño incluya reglas claras de selección, paro y control de exposición. ETS establece que, en una prueba adaptativa, estos componentes deben definirse y documentarse con su justificación y evidencia, mientras que Pearson señala que el CAT puede medir con precisión usando menos ítems que una evaluación tradicional. Esto convierte al modelo en una herramienta valiosa para procesos de selección que buscan mayor agilidad, consistencia y mejor aprovechamiento de la información psicométrica. 

Adoptar tecnologías como el algoritmo CAT no solo mejora la eficiencia de tu proceso de selección, sino que también ayuda a reducir la fatiga del candidato y a reforzar la calidad de las decisiones de contratación.

Para descubrir cómo Evaluar puede ayudarte a transformar tu proceso de selección, agenda un demo con Evaluar.

Fuentes

• GMAC — The GMAT Exam.
• ETS — Practical Considerations in Computer-Based Testing.
• GMAC — Demystifying the GMAT: Computer Adaptive Testing.
• Pearson Assessments — Practical Questions in Introducing Computerized Adaptive Testing for K-12 Assessments.
• GMAC — Gradual Maximum Information Ratio Approach to Item Selection in Computerized Adaptive Testing.
• Pearson Assessments — Growth, Precision, and CAT: An Examination of Gain Score Conditional SEM.
• ETS — E. T. S. Standards for Quality and Fairness 2014.

También te puede interesar

• La evolución del Reclutamiento con Inteligencia Artificial: del 1.0 al 5.0 

   

• Pruebas Psicométricas: Guía Completa de Tipos, Beneficios y Mejores Prácticas 
• Las Pruebas de Integridad son Clave en la Selección de Personal 
• Pruebas de Integridad en la Selección y Gestión de Talento Humano 
• Los 5 Errores del Reclutamiento 2.0 que Debes Olvidar 
• La IA como Aliada Estratégica en la Selección de Talento de Vanguardia