Los tests, ordinariamente, se construyen en torno a concepciones determinadas de la inteligencia (actualmente la mayoría siguen el modelo Cattell-Horn-Carroll, CHC). Puede verse una descripción sencilla en castellano en este artículo (p. 71 y ss). Y, desde luego, en el libro de Pfeiffer, en relación a este particular, el capítulo 5.

Primero, hay que tener en cuenta que el CI es una puntuación de síntesis que se obtiene, depende de los tests, generalmente como un promedio. Esto significa que si entre la puntuaciones que producen el promedio hay mucha dispersión (varianza) se produce aquello que se dice en broma (pero en serio): «si uno se come dos pollos y el otro ninguno, al final resulta que cada uno se ha comido un pollo». Dicho en otros términos, una puntuación promedio oculta las diferencias (a menos que se tengan en cuenta, claro), el perfil de las capacidades que han dado lugar al promedio. Esto no es una cuestión menor. Hay también una razón de porqué las puntuaciones de los test se distribuyen normalmente (con arreglo a la curva normal), y ello tiene que ver con la dificultad de los ítems. Variando esta se podrían obtener otras distribuciones, pero esto no es del  caso ahora.

Segundo, la valoración de la inteligencia no es estable ni en el tiempo, ni por los tests, modos de aplicación, situación personal del evaluado, condiciones ambientales, etc. Esto está demostrado hasta la saciedad en la literatura especializada. El CI cambia a lo largo del tiempo.

Tercero, un mismo CI puede ser el resultado de perfiles cognitivos y de capacidades absolutamente diversas, por lo que no es útil para la planificación educativa.

Cuarto, no es posible determinar que a partir de un determinado valor de CI (en este caso 130, pero podría ser cualquier otro) es posible establecer «quién es» y «quién no es». No existe posibilidad ni argumento científico para tal afirmación. Del mismo modo que no es posible establecer un punto de corte rígido con la altura o el peso, o la presión arterial para decir quién es alto, bajo, gordo o flaco, hipertenso o no. Estamos hablando de continuos. No de puntos de ebullición o sublimación que sí son constantes (en condiciones normales de presión y temperatura) para cada sustancia, produciéndose un cambio de estado al alcanzar la temperatura apropiada. Por tanto, no hay un «cambio de estado» al alcanzar o superar una determinada puntuación de CI. Por lo mismo, giftedness es un constructo social, no una realidad física, rasgo, atributo o «estado del ser».

Quinto, ¿entonces el CI no significa nada?: en absoluto, significa mucho, y un CI alto, o bajo, nos pone en la pista de buscar el perfil de la persona, los puntos fuertes y débiles…y nos dice que una persona comparada con otras que les sean comparables, está por encima o por debajo de, digamos, tal percentil. Esto apunta a otra cuestión tampoco menor: la medida es también en este caso relativa a la referencia: «los otros». Además es indirecta y probabilística. Demasiadas objeciones para decir que en 130 de CI pasa algo, emerge algo o aparece algo que por debajo de ese valor no estaba.

En suma, el CI no es una huella dactilar de la persona. Por ello, ha de tomarse con prudencia, valorar su obtención, reevaluarlo periodicamente, considerar siempre el error de medida y la fiabilidad de la prueba, no olvidar el enfoque out of level, esencial en los más capaces. Y, desde luego, no perder de vista que las decisiones las toman las personas, no los tests.

Nadie es profeta en su tierra, me consta, por lo que añado unos párrafos del libro de Pfeiffer citado más arriba. Pongo énfasis ahora, que no está en el original, en lo que juzgo más importante.

«Muchas personas todavía creen en una puntuación mágica de CI, en algo así como un número único y singular que sería el indicador exclusivo y definitivo de la capacidad mental de una persona. Incluso en el campo de la educación sigue vigente el mito -perpetuado en ocasiones por los medios de comunicación- según el cual cada persona nace con un cierto CI, una puntuación fija e inmutable, que formaría parte de ella desde el momento de su nacimiento y que estaría predeterminada por factores biológicos y genéticos (Pfeiffer, 2012, 2013b). Alan Kaufman, una autoridad internacionalmente reconocida en el ámbito de la evaluación del CI, nos recuerda sin embargo que esta aseveración está muy lejos de ser verdad. “Se trata de una estupidez, de una interpretación errónea muy frecuente. No existe tal cosa como el CI de una persona. Este es un constructo que varía. Cambia el test de CI, y verás cómo cambia el CI. Cambia de examinador, el día de la prueba, el estado de humor de la persona evaluada o el nivel de alerta del examinador, y verás cómo cambia el CI. Evalúa a una misma persona doce veces y obtendrás doce CIs diferentes (Kaufman, 2009, p. 3).

Si bien todavía son muchos aquellos que se refieren a estos tests de CI como pruebas de aptitud cognitiva o de procesamiento mental, dichos tests ya no proporcionan “cocientes intelectuales”. El cociente fue sustituido por puntuaciones estándar o compuestas una vez quedó demostrado con claridad que el CI original -una ratio obtenida a partir de la división de la edad mental entre la edad cronológica y multiplicada por 100-, no funcionaba demasiado bien desde un punto de vista evolutivo ya que el crecimiento en un año en capacidad mental no era algo perfectamente lineal a lo largo de los rangos de edad medidos por los tests (Kaufman, 2009). David Wechsler revisó el cociente y lo reemplazó por puntuaciones estándar en 1939, si bien continúo llamando CI a la puntuación total obtenida. La escala Stanford-Binet comenzó a utilizar puntuaciones estándar en 1962 pero, al igual que las escalas de Wechsler, también continuó usando el término CI hasta su cuarta edición.

Dicho esto, ¿qué cabe decir de la relación existente entre la evaluación del alumnado con altas capacidades y la aplicación de tests de CI? Este capítulo examinará con detalle esta cuestión, sin duda importante y decisiva, así como otros aspectos relacionados con la evaluación de las aptitudes o capacidades cognitivas de estos alumnos. Asimismo, analizaremos de forma sucinta algunos tests de rendimiento académico y su relación con la evaluación del alumnado más capaz».

Más adelante señala:

«Mi propia posición acerca del “mejor” enfoque a la hora de interpretar los tests de CI en el ámbito de la evaluación de las altas capacidades es como sigue: ¡depende del propósito con que realicemos la evaluación de las altas capacidades! Si el objeto de la evaluación de las altas capacidades es identificar aquellos estudiantes de un determinado centro educativo, o distrito, que son intelectualmente dotados (recuérdese la primera lente del modelo tripartito) y que son los candidatos más idóneos para un programa local dirigido a alumnos con altas capacidades, en tal caso el hecho de poner el foco en la puntuación global de CI de cada candidato o en las puntuaciones compuestas de uno o más tests de inteligencia nos proporciona una enorme cantidad de información a la hora de seleccionar a los mejores candidatos. Este enfoque tanto de la identificación como del diagnóstico es particularmente equitativo e imparcial.

No obstante, si el propósito de la evaluación de las altas capacidades es obtener una comprensión detallada e integral del perfil de aptitudes cognitivas de un alumno con altas capacidades, tanto de sus fortalezas como de sus posibles debilidades (de cara a una planificación educativa o una orientación académico profesional), en tal caso la interpretación del test, en mi opinión, resulta más beneficiosa si se examinan los factores incluidos en el modelo CHC, en concreto, las aptitudes del estrato III medidas por uno o varios subtests, o incluso mediante un análisis ideográfico cualitativo, como analizaremos más adelante».

Pues dicho queda.

Siguiendo a Feldhusen y Jarwan (1993), se pueden señalar los siguientes cuatro aspectos clave:

• relevancia del test,
• fiabilidad,
• validez,
• baremación,
• sesgos posibles y
• efecto de techo.

Aunque casi todos ellos son muy obvios para los especialistas, merecen un comentario en esta panorámica general. Naturalmente estos criterios son igualmente aplicables a los instrumentos empleados en cualquier proceso de diagnóstico ya sea en el ámbito de las altas capacidades o no.

La relevancia del test se refiere a la adecuación entre propósito para el cual ha sido diseñado y el uso que se pretende hacer de él. Por ejemplo, si pretendemos seleccionar los candidatos más adecuados para un programa de desarrollo de la capacidad Matemática, un test de inteligencia general no parece lo más adecuado; del mismo modo un test de capacidad Matemática tiene poco sentido —aunque sea técnicamente correcto— si se pretende seleccionar sujetos para un programa de desarrollo de la creatividad en artes plásticas.

La fiabilidad no precisa demasiados comentarios. Se trata de una condición esencial, aunque no suficiente, para que un test pueda ser empleado en un proceso de identificación o de diagnóstico en general. Indica, como es bien conocido, la precisión de la medida; es decir, que nos indica la parte de la varianza de las puntuaciones que se debe a diferencias reales entre los sujetos y la parte de varianza que se considera aleatoria o de error. Es importante valorar la información disponible sobre la fiabilidad de la prueba que pensemos utilizar: sobre qué muestras se ha obtenido, con qué procedimientos, hace cuánto tiempo, etc.

Asimismo, relacionado con la fiabilidad, será importante hacer uso del error de medida, ya que permitirá realizar juicios más precisos sobre las puntuaciones individuales, el establecimiento de intervalos de confianza, puntos de corte, etc. Estos datos son importantes a la hora de tomar decisiones. Por raro que parezca es difícil encontrar referencias a este aspecto en las evaluaciones, siendo así que se ofrecen puntuaciones de los sujetos evaluados como si no estuviesen afectadas por ningún error de medida, lo que es una laguna importante. Es decir, que cuando recibimos la puntuación de un alumnos deberíamos decir o preguntar: ¿cuál es el intervalo de confianza de esta puntuación y para qué nivel de probabilidad? No es suficiente decir que tal o cual niño tiene un CI (pongamos por caso) de 128. Deberíamos decir que el intervalo de confianza de su evaluación -con un 95, 99% de probabilidad, u otro valor- se encuentra entre, digamos 125 y 131 (suponiendo un error de medida de 3 puntos, como mero ejemplo).

La validez es la condicio sine qua non. Un modo clásico sencillo de referirse a la validez es decir que se trata de una apreciación del grado en el que un instrumento mide aquello que pretende. Más precisamente habría que decir que la validez no es tanto del instrumento —aunque está implicado, naturalmente— cuanto de las inferencias que pretendamos hacer a partir de las puntuaciones del mismo. Es conocido que se distinguen diversos tipos de validez: de contenido, concurrente, predictiva, convergente, discriminante, etc., pero la concepción más inclusiva de todas ellas es la validez de constructo, que supone una inserción de la medida en la teoría, de modo que medir se convierte en una forma de validar una teoría, la estructura teórica del fenómeno medido.

Sin entrar en tecnicismos ahora, podemos señalar que se trata aquí, para los propósitos que perseguimos, de responder a dos preguntas: a) ¿qué constructo (capacidad) queremos medir?, b) ¿qué evidencias muestra este instrumento de ser una medida adecuada de este constructo (capacidad)? No parece necesario insistir en la importancia de esta característica, sin la cual todas las demás son superfluas (Cfr. APA, 1986; Cronbach, 1970; Cronbach y Meehl, 1955; Tourón, 1989).

Los baremos son una pieza de información imprescindible para poder interpretar las puntuaciones. Su importancia es crucial, ya que sin ellos no podemos, desde una perspectiva normativa —que es la más común en la evaluación de este tipo—, valorar el grado o nivel de ejecución de un sujeto en la prueba correspondiente. Este es un aspecto muy preocupante en nuestro país, pues los datos de baremación de muchas de las pruebas relevantes que precisamos usar son muy deficientes, en ocasiones, inservibles. Este es un punto que sería necesario abordar con un buen número de pruebas de modo urgente. No parece necesario detenerse a explicar que constituyen la  «descripción cuantificada» del nivel de ejecución del grupo considerado normativo en el test correspondiente.

Con mucha frecuencia los baremos están poco actualizados, son inespecíficos y están realizados sobre muestras pequeñas y de carácter coyuntural, con lo cual el uso de determinadas pruebas no puede ser más que tentativo; máxime cuando estamos hablando de la evaluación de un extremo de la población.

Un ejemplo ilustrará el problema: en una muestra entre 100 y 300 sujetos sólo encontraríamos, con una puntuación de dos desviaciones típicas por encima de la media, entre 2 y 6. Simplemente para encontrar 10 sujetos por encima de 132 de CI, se necesitaría una muestra representativa de 438 sujetos. Así, como señala Perleth y cols. (1993), «los baremos que ofrecen dichos valores extremos están construidos sobre la base de una extrapolación aleatoria y suavizada, pero no sobre la base se datos empíricos procedentes de muestras representativas».

Los efectos de sesgo son otro de los criterios a tener en cuenta a la hora de seleccionar un instrumento de medida. Los sesgos se refieren, entre otras cosas, al hecho de que las puntuaciones obtenidas por los sujetos pueden ser inferiores o, en general, verse alteradas, por razón de su sexo, raza, situación cultural, religión, etc., lo que llevaría a una inadecuada valoración de los mismos. El sesgo, como señalan Feldhusen y Jarwan (1993), es —principalmente— un problema de fiabilidad del diagnóstico.

La justicia (adecuación) del diagnóstico es una cuestión de validez. Por ejemplo, sería poco razonable someter a los alumnos españoles a un test de razonamiento verbal en el que muchos items incluyesen vocabulario perteneciente a algún deporte típicamente norteamericano, como el beisbol o el fútbol americano ( y en ocasiones se hace). Del mismo modo, sujetos que hayan vivido en el ámbito rural extremo durante toda su vida tendrán problemas para contestar a tests profundamente impregnados de cultura urbana. Todos estos efectos producen sesgos que llevan a los sujetos a obtener puntuaciones que no reflejan su habilidad o capacidad real en la variable medida. Por lo mismo, un test de inteligencia general excesivamente verbalizado producirá un sesgo claro en sujetos deficientemente escolarizados o que viven en un ámbito culturalmente deprivado.

Así pues, para planificar el proceso de diagnóstico será necesario atender a la validez y equidad del test para la población específica para la que se va a emplear, al tiempo que se deben estudiar con cautela los baremos disponibles.

El efecto de techo es el último de los aspectos que quiero señalar, pero en absoluto el menos importante. Más aún, es un aspecto crucial. Se refiere, como es sabido, a la falta de un rango de dificultad adecuado en los items, lo que conduce a que los sujetos más capaces no puedan demostrar adecuadamente todo su potencial. Dicho en otros términos, el test pierde la capacidad de discriminar o distinguir las diferencias entre los sujetos a partir de determinado nivel. De este modo, cuando se produce el efecto de techo, sujetos muy distintos en su potencial aparecerán como iguales al obtener puntuaciones similares.

Este efecto es más acusado, lógicamente, cuanto más extremos son los sujetos evaluados. Se considera que comienza a presentarse este efecto cuando la puntuación media de un grupo está por encima del 75% de la puntuación máxima del test, o cuando la distribución de las puntuaciones está muy sesgada negativamente.

Uno de los mejores sistemas para corregir el efecto de techo es utilizar el procedimiento denominado en el ámbito sajón «out of level testing», es decir, utilizar tests previstos para sujetos de mayor edad que la de aquellos que van a ser evaluados. Esta es la base de un modelo de identificación al que dedicaré varios posts pronto, pues se ha utilizado extensivamente en muchos países, también en España por mí mismo, con resultados excelentes.