V Competencia HF-D7.7-008 intersectorial 7 competencias
Reconocimiento de los riesgos y sesgos de la IA
Reconoce cuándo un sistema de inteligencia artificial funciona de forma sistemáticamente sesgada o poco fiable para determinados grupos o situaciones, y señala las consecuencias y las posibles medidas.
Cómo lo mide hrmforce
- Método de medición
- Prueba de muestra de trabajo · rho 0.33 (SD 0.09)
- Instrumento hrmforce
- Prueba de conocimientos (específica para cada cliente), Prueba de muestra de trabajo
- Competencia (marco 50)
- Capacidad de juicio
- Entrenabilidad
- medio
- Perspectiva de demanda 2026 a 2030
- en alza
El candidato realiza una muestra de trabajo representativa en condiciones estandarizadas.
Anclas conductuales
| Nivel | Comportamiento en este nivel |
|---|---|
| N1 Guiado | Señala que los resultados generados por la IA pueden verse sesgados por los datos utilizados y remite los resultados llamativos a un compañero. trabaja bajo supervisión y sigue instrucciones · rutinario, una variable cada vez · tarea propia |
| N3 Nivel avanzado | Analiza los resultados por grupo o situación, identifica las deficiencias del sistema y propone medidas o controles adicionales. establece su propio enfoque y solicita aportaciones de forma proactiva · varias variables, cierta ambigüedad · su propio equipo o proceso |
| N5 Liderazgo | Establece los marcos de evaluación de la equidad y el riesgo de la IA y decide si un sistema puede seguir utilizándose. establece la norma y la política · estratégico, en un contexto de gran incertidumbre · organización, cadena de valor o profesión |
N2 y N4 no se han anclado deliberadamente. Los evaluadores las sitúan entre los puntos de referencia, siguiendo la convención de O*NET.
Competencias subyacentes
Estas competencias heredan la vía de medición y las anclas conductuales de este constructo.
| T | Competencia | Definición | Perspectiva de demanda 2026 a 2030 |
|---|---|---|---|
| V | Auditoría de un modelo para detectar sesgos Auditoría de sesgos · Análisis de equidad | Compara los resultados y las tasas de error de un modelo entre distintos grupos e indica en qué casos se observan desviaciones. | en alza |
| V | Reconocimiento de variables sustitutivas Variables sustitutivas | Reconoce los atributos que aluden indirectamente al origen, el género o la salud, y evalúa si su uso es justificable. | en alza |
| V | Evaluación de la representatividad del conjunto de datos Representatividad del conjunto de datos | Evalúa si los datos de entrenamiento abarcan los grupos y las situaciones para los que se utilizará posteriormente el modelo. | en alza |
| V | Evaluación del impacto de una predicción errónea Análisis del coste de los errores | Evalúa lo que supone para una persona un resultado falso positivo o negativo y establece el umbral en consecuencia. | en alza |
| V | Seguimiento de la deriva del modelo Desviación del modelo | Supervisa si el rendimiento del modelo y los datos de entrada varían con el tiempo y ajusta el modelo cuando es necesario. | en alza |
| V | Establecimiento de un procedimiento para la tramitación de objeciones y reclamaciones Procedimiento de recurso | Establece que las personas puedan impugnar un resultado y que una persona vuelva a examinar el caso en función de sus méritos. | en alza |
| G | Cómo comunicar los límites de un sistema de inteligencia artificial Comunicar las limitaciones de la IA | Explica a los usuarios para qué sirve y para qué no sirve el sistema, y en qué aspectos deben seguir buscando por su cuenta. | en alza |