0. Preliminares Técnicos

Antes de cualquier argumento sobre auditoría, conviene fijar con exactitud lo que dice la Lens Model Equation — porque el error más fácil de cometer, y el más rápidamente identificable por cualquier lector con formación en juicio y decisión, es empezar describiéndola mal.

En la formulación clásica de Tucker (1964), el achievement — la correlación entre el juicio del juez y el criterio distal, $r_a$ — se descompone como:

$$r_a = G \cdot R_e \cdot R_s + C\sqrt{1-R_e^2}\sqrt{1-R_s^2}$$

donde:

• $R_e$ — previsibilidad del ambiente: la correlación múltiple entre el conjunto de pistas disponibles y el criterio distal real.
• $R_s$ — consistencia del juez: la correlación múltiple entre las pistas y el juicio efectivamente producido, ante configuraciones equivalentes.
• $G$ — matching: la correspondencia lineal entre los pesos que el juez atribuye a cada pista y los pesos ecológicamente válidos de esas mismas pistas en el ambiente real. Este es el componente que sostiene la pretensión normativa central de cualquier auditoría construida sobre la LME — que es posible detectar cuándo un juez, humano o algorítmico, está usando las pistas equivocadas, o ponderándolas de forma desalineada con su validez real.
• $C$ — correlación residual: la covariación entre los residuos de los dos modelos lineales (el del ambiente y el del juez) que no es capturada por el componente $G \cdot R_e \cdot R_s$ — generalmente interpretada como conocimiento no lineal o configural, no modelado por la regresión.

La distinción entre $G$ y $C$ no es una cuestión de preferencia notacional. $G$ mide si el juez usa las pistas correctas, con los pesos correctos, de forma lineal; $C$ mide todo lo demás — lo que sobra después de retirar esa correspondencia lineal. Confundir los dos — atribuir a $C$ el significado que pertenece a $G$, o viceversa — no es un desliz menor: es invertir exactamente el mecanismo que la auditoría pretende exponer. Un instrumento de auditoría cuya descripción de su propia mecánica interna es incorrecta no inspira confianza como estándar de evaluación de terceros, independientemente del rigor del argumento que le siga.

Importa igualmente una segunda precisión, más conceptual que notacional: la LME es una identidad algebraica sobre correlaciones, no una descomposición de fuentes de error independientes que se suman causalmente. Tratar $R_e$, $R_s$, $G$ y $C$ como si fueran cuatro causas distintas de fallo, cada una aislable y corregible por separado, es ya una reificación del aparato formal — la ecuación describe cómo la correlación global se relaciona algebraicamente con estos cuatro términos, no cómo cada término causa una fracción del error observado. Esta distinción entre descripción algebraica y explicación causal atraviesa muchas de las objeciones que este artículo confronta más adelante, y es más fácil mantenerla presente si se declara aquí, antes de cualquier aplicación de la ecuación a un caso concreto, que recordarla a mitad de un argumento ya en curso.

(Nota bibliográfica: la revisión sistemática de algorithm aversion más citada en esta literatura es Burton, Stein & Jensen — la versión correcta de la cita es 2020, Journal of Behavioral Decision Making, 33(2), 220–239; el artículo tuvo publicación online-first en octubre de 2019, lo que explica la confusión de año que a veces aparece en otras fuentes.)