Audita un gráfico para detectar un diseño engañoso

Autor: AILesson7 min de preparaciónProbado con:ChatGPTRevisado el: 2026-08-28

Respuesta rápida

Revisa la escala, la codificación visual, las etiquetas, el contexto ausente y la afirmación comparándolos con los valores de origen. Proporciona: Descripción del gráfico, Valores y definiciones de origen, Público y afirmación pretendida. Resultado esperado: Una auditoría del gráfico ordenada por gravedad y una especificación de diseño corregida.

1

Añade tu contexto

Tu texto permanece en este navegador. AILesson Prompts no lo envía a un modelo ni a un servidor.

2

Tu prompt

Los campos sin rellenar permanecen visibles como marcadores de posición, para que puedas copiar y editar el prompt

Audita este gráfico para detectar un diseño engañoso o poco claro.

Tipo de gráfico, ejes, escalas, etiquetas, colores, anotaciones y título:
[chart]

Valores de origen, definiciones, unidades, denominadores, periodos y datos ausentes:
[source]

Público y afirmación pretendida:
[claim]

Compara cada codificación visual y cada afirmación textual con la fuente. Comprueba si hay ejes truncados o desiguales, distorsión de área o volumen, ejes dobles, un orden inadecuado de las categorías, referencias omitidas, periodos seleccionados de forma sesgada, denominadores cambiantes, ausencia de incertidumbre o tamaño de la muestra, problemas de accesibilidad del color y una redacción engañosa del título. Clasifica los hallazgos como bloqueantes, importantes o menores. Después, especifica un gráfico corregido y enuncia la afirmación más contundente que las pruebas realmente respaldan. No inventes detalles de la fuente que no se hayan proporcionado.
Probar en Playground
Privado de forma predeterminadaLa preparación del prompt se realiza localmente en tu navegador. Evita introducir información confidencial en cualquier servicio de IA, a menos que tu organización lo permita.

De la entrada al resultado

Un ejemplo completo

Mira cómo un contexto concreto convierte esta receta en un resultado que puedes usar

Entrada real

Descripción del gráfico
Un gráfico de columnas 3D titulado «La nueva formación duplica la productividad». Muestra Antes=82 y Después=91 tareas por semana. El eje y comienza en 80. Antes aparece en gris y Después en verde brillante. No se indican el tamaño de la muestra ni las fechas.
Valores y definiciones de origen
Se midió a los mismos 12 empleados durante cuatro semanas antes y cuatro semanas después de la formación. Los valores son medias del grupo. No hay grupo de control. Dos empleados estuvieron de permiso durante una de las semanas posteriores. No se facilitan la variación individual ni la incertidumbre.
Público y afirmación pretendida
Diapositiva para la dirección cuyo objetivo es justificar la implantación de la formación en toda la empresa.

Ejemplo de salida

Hallazgos bloqueantes

El título es falso: 91 es un 11,0 % superior a 82, no el doble. El eje y, al comenzar en 80, hace que un aumento de nueve tareas ocupe casi toda la altura del gráfico, y la perspectiva 3D añade más distorsión visual. Sin un grupo de control, la diferencia entre el antes y el después no puede atribuirse a la formación.

Hallazgos importantes

El gráfico omite n=12, los periodos de cuatro semanas, la medición por pares, la diferencia de cobertura debida a los permisos y la incertidumbre. Una media por sí sola oculta si la mejora fue generalizada o estuvo impulsada por unos pocos empleados. El verde brillante también sugiere aprobación en lugar de una comparación neutral.

Especificación corregida

Si se dispone de datos individuales, usa un gráfico de puntos emparejados con la media anterior y posterior de cada empleado, acompañado de un resumen del grupo claramente etiquetado. De lo contrario, usa un gráfico sencillo de pendientes con dos puntos o un gráfico de columnas con una línea de base de cero, un diseño plano en 2D, etiquetas exactas de 82 y 91, y el subtítulo «La media observada aumentó en 9 tareas/semana (11 %); n=12; comparación no controlada antes-después». Añade los periodos de fechas, la nota sobre cobertura y la incertidumbre una vez calculada. La afirmación más contundente respaldada es que la media observada fue mayor después de la formación; los datos no demuestran que la formación causara el aumento ni predicen resultados para toda la empresa.

Por qué funciona

  1. 1

    Comparar la representación visual con los valores de origen permite detectar distorsiones que una revisión meramente estilística pasaría por alto.

  2. 2

    La clasificación por gravedad distingue los defectos que alteran la verdad de los simples retoques.

Comprueba el resultado

  • ¿Las distancias visuales son proporcionales a los valores subyacentes?

  • ¿El título describe las pruebas en lugar de insinuar una causalidad sin fundamento?

  • ¿Se muestran los denominadores, los periodos, las exclusiones y los tamaños de muestra donde es necesario?

Evidencia que respalda el método

Fuentes y citas

Fuentes primarias que respaldan decisiones de diseño específicas de esta receta. No garantizan un resultado concreto de la IA.

  1. La auditoría comprueba la saturación del gráfico, la legibilidad de las etiquetas, las alternativas textuales y los enlaces a las fuentes de datos porque las directrices oficiales del Reino Unido los consideran prácticas fundamentales para la accesibilidad y la transparencia de los gráficos.

    Accessible charts: a checklist of the basics — UK Government Analysis FunctionFuente revisada el:

Úsalo con confianza

Preguntas frecuentes

Respuestas prácticas sobre cuándo usar esta receta, qué debes proporcionar y en qué casos la revisión humana sigue siendo importante

¿Qué debo preparar antes de usar «Audita un gráfico para detectar un diseño engañoso»?

Para «Audita un gráfico para detectar un diseño engañoso», prepara la descripción del gráfico, los valores y definiciones de origen, y el público y la afirmación pretendida. Sustituye los marcadores de posición solo con información que puedas verificar. Si se desconoce algún detalle, expresa esa incertidumbre de forma explícita en lugar de pedir al modelo que lo infiera.

¿Cuándo no está listo para usarse el resultado de «Audita un gráfico para detectar un diseño engañoso»?

El resultado no está listo si todavía no ofrece, a partir de las pruebas proporcionadas, el resultado indicado —una auditoría del gráfico ordenada por gravedad y una especificación de diseño corregida— o si depende de suposiciones sin resolver, aprobaciones pendientes o detalles inventados. Usa las comprobaciones como criterios de autorización: revisa los datos de origen o asigna a una persona identificada y autorizada para revisarlos, en lugar de pulir un resultado sin fundamento.

¿Qué herramientas de IA tienen pruebas registradas para «Audita un gráfico para detectar un diseño engañoso»?

El registro de pruebas publicado para «Audita un gráfico para detectar un diseño engañoso» incluye ChatGPT a fecha de 2026-08-28. Esto confirma que se registraron ejecuciones, pero no garantiza la compatibilidad ni resultados idénticos en versiones posteriores del producto. Para otra herramienta o versión, mantén visibles todas las restricciones y repite las comprobaciones del resultado antes de usarlo.

Mantén el trabajo en marcha