Las pruebas que el modelo tiene que pasar — y los números reales.

El modelo en una mirada

La afinidad combina cinco piezas. Cada postura del candidato y cada respuesta tuya se traducen al mismo lenguaje numérico, se ponderan por la calidad de la evidencia y se promedian. El resultado se mapea a una escala fija donde 50 % es exactamente neutro.

a = 1 − |u − c|/4   (mismo signo) a = −|u − c|/4      (signo opuesto) a = 0               (uno de los dos en 0)

w = c_conf × s_sal

θ = 50 + 50 × Σ(w·a) / Σ(w)

u_stance = mean(u_q1, u_q2, ...)

stances usados = high + medium

Parámetros del modelo

Las pruebas que siguen aplican estos parámetros sobre los datos reales de los cinco candidatos. Si los números cambian (programa actualizado, postura ajustada, pregunta corregida), las tablas se recalculan automáticamente.

Si respondes 0 a todo, todos los candidatos quedan en 50 %.

La neutralidad absoluta no debería producir un “ganador”. Si responder siempre “neutral” favoreciera a algún candidato, sería sesgo geométrico del modelo. Aquí: 50 % exacto para los cinco.

El techo de afinidad debe ser ~100 % para todos.

Si respondes idéntico a las posturas declaradas de un candidato (su “perfil espejo”), tu afinidad con él debería ser ~100 %. Si solo algunos candidatos pueden alcanzar 100 % por la geometría del modelo, hay sesgo estructural. Aquí: los cinco tienen techo en 100 % (Sergio cae a 99 % por redondeo). El piso (responder lo opuesto exacto a sus posturas) es bajo y razonable.

El modelo es simétrico: score(+u) + score(−u) ≈ 100.

Si dos usuarios responden exactamente lo opuesto, sus afinidades con cada candidato deberían sumar ~100. Si no, el modelo favorece una dirección sobre la otra. Aquí: suma exacta de 100 ± 1 (el ±1 es redondeo, no sesgo).

Respuestas aleatorias convergen a ~50 % (200 corridas).

Generamos respuestas uniformemente aleatorias y corrimos el modelo 200 veces. Si la afinidad media se aleja mucho de 50 %, el modelo estaría inventando señal donde no la hay. Resultado: media entre 49 % y 55 %, dispersión ±5 a ±7. El modelo necesita que expreses postura para producir un ranking — eso es robustez, no debilidad.

Cobertura de stances por candidato.

Cuántos de los 36 temas estandarizados aborda el programa de cada candidato con confianza ≥ media. Los temas marcados como “low” (silencio del programa) se omiten del cálculo de afinidad: el silencio no penaliza el techo, pero tampoco se infiere postura. Cada candidato es evaluado solo en lo que sí dice.

Matriz de afinidad cruzada.

Si respondes idéntico al “perfil espejo” del candidato de la fila, ¿qué afinidad sacas con cada candidato de la columna? La diagonal (resaltada) muestra el techo. Las celdas fuera de la diagonal revelan qué tan parecidos son los candidatos en el cuestionario actual: si dos están muy juntos en una fila, comparten posturas; si están muy lejos, son polos opuestos.

Qué temas separan más a los candidatos.

Para cada postura medible, calculamos la desviación estándar de los valores entre candidatos. Más alta = la postura los polariza. Más baja = consenso. Esto valida la calidad del cuestionario: las preguntas más útiles para diferenciar son las que reflejan los debates polarizadores reales del país.

Las posturas con SD ≈ 0 (ej. anticorrupción, todos firman +2) tienen su pregunta con peso reducido (0.5 en lugar de 1.0) para que pesen menos en el ranking sin desaparecer del cuestionario. Los puntos grises indican que el candidato no aborda esa postura con evidencia suficiente.