MEIA-01 – Clasificación de afirmaciones y criterios de selección
Documento de trabajo metodológico · Primera propuesta de clasificación.
1. Finalidad de MEIA-01
El objetivo de este trabajo es establecer un sistema que permita identificar qué clase de afirmación estamos investigando y determinar qué operaciones de comprobación necesitamos aplicar.
El tipo de afirmación condiciona directamente la naturaleza de la evidencia necesaria.
No podemos examinar de la misma manera:
Una afirmación sobre lo que una empresa declara.
Una afirmación sobre cómo funciona un modelo.
Una afirmación sobre un resultado obtenido experimentalmente.
Una afirmación sobre una diferencia entre plataformas.
Una afirmación sobre una evolución temporal.
Una afirmación que anticipa un comportamiento futuro.
Requiere preguntas, fuentes y procedimientos diferentes.
MEIA-01 no clasifica las afirmaciones por su importancia, sino por las características metodológicas que determinan cómo pueden comprobarse.
Resultado que buscamos
Al terminar esta etapa deberíamos disponer de:
Una clasificación de los grandes tipos de afirmaciones sobre IA.
Un conjunto de características para identificarlos.
Criterios para determinar qué módulos activar.
Una matriz de correspondencia entre afirmaciones y módulos.
Reglas para tratar afirmaciones compuestas y casos que no encajen en una única categoría.
2. Principio fundamental: clasificar por lo que se afirma, no por dónde aparece
Una misma afirmación puede aparecer en una página comercial, un artículo científico, una documentación técnica o una respuesta generada por ChatGPT.
El soporte o la procedencia de la afirmación no determinan necesariamente su naturaleza.
Por ejemplo:
«El modelo identifica correctamente las entidades mencionadas en una conversación».
Esta afirmación puede aparecer en:
Una publicación de un proveedor.
Un estudio científico.
Una prueba experimental.
Un informe de una consultora.
Su naturaleza sigue siendo una afirmación sobre el comportamiento de un sistema.
Por tanto, debemos separar tres cuestiones:
DIMENSIÓN A
Naturaleza de la afirmación
Qué se está afirmando: existencia, funcionamiento, comportamiento, resultado, comparación, evolución, causalidad o predicción.
DIMENSIÓN B
Procedencia de la afirmación
Quién la formula y dónde aparece: proveedor, investigador, usuario, organismo, medio o sistema de IA.
DIMENSIÓN C
Naturaleza de la evidencia
Qué permite examinarla: documentos, registros, datos, pruebas, observaciones, auditorías o experimentos.
Estas dimensiones deben permanecer separadas.
Una afirmación puede proceder de una fuente oficial, referirse al comportamiento de un modelo y necesitar una comprobación experimental.
Esta separación evita que confundamos la autoridad de quien afirma algo con la demostración de su contenido.
3. Clasificación de las afirmaciones sobre inteligencia artificial
Tipos de afirmaciones.
La clasificación debe ser suficientemente amplia para cubrir investigaciones diferentes, pero sin crear una categoría para cada tecnología o fenómeno particular.
Las categorías se distinguen por aquello que la afirmación pretende establecer.
T01. Afirmaciones de existencia e identificación
¿Qué existe o qué es?
Son afirmaciones que identifican la existencia, identidad, naturaleza o categoría de un sistema, producto, modelo, herramienta, entidad o tecnología.
Ejemplos:
«GPT-6 es un modelo de inteligencia artificial».
«Otterly es una plataforma de monitorización de visibilidad en IA».
«Esta aplicación incorpora funcionalidades basadas en inteligencia artificial».
«El sistema pertenece a la categoría de modelos multimodales».
Características distintivas:
Identifican un objeto o fenómeno.
Pueden implicar una clasificación.
Suelen poder examinarse documentalmente.
Algunas requieren comprobaciones técnicas para confirmar su naturaleza.
Módulos necesarios:
M01. Documental.
M02. Procedencia y atribución, cuando corresponda.
M03. Técnico, si la naturaleza del objeto requiere comprobación técnica.
M08. Corroboración independiente, cuando la identificación sea controvertida o relevante.
Ejemplo de límite: encontrar una herramienta descrita como inteligencia artificial no demuestra por sí solo qué tecnología utiliza.
T02. Afirmaciones de atribución y procedencia
¿Quién ha dicho, creado o realizado algo?
Son afirmaciones sobre la autoría, procedencia, responsabilidad o atribución de una información, resultado, contenido o acción.
Ejemplos:
«Esta respuesta ha sido generada por ChatGPT».
«La documentación ha sido publicada por OpenAI».
«Este resultado procede de una API de un modelo determinado».
«La investigación fue realizada por una entidad independiente».
Características distintivas:
Se refieren al origen o responsable.
Necesitan identificar la relación entre una fuente y un resultado.
Pueden implicar cadenas de procedencia.
La atribución puede estar documentada, declarada o verificada técnicamente.
Módulos necesarios:
M01. Documental.
M02. Procedencia y atribución.
M03. Técnico, si se necesita comprobar el origen tecnológico.
M08. Corroboración independiente, cuando la atribución lo requiera.
Ejemplo de límite: que una respuesta aparezca dentro de una interfaz no siempre permite demostrar qué modelo concreto la ha generado.
T03. Afirmaciones sobre capacidades y funcionalidades
¿Qué puede hacer un sistema?
Son afirmaciones que atribuyen a una tecnología, herramienta o modelo la capacidad de realizar determinadas operaciones.
Ejemplos:
«El modelo puede analizar imágenes».
«La herramienta permite monitorizar menciones de marcas en sistemas de IA».
«El asistente puede consultar información actualizada».
«Una aplicación puede identificar entidades en documentos».
Características distintivas:
Expresan posibilidades o capacidades.
No implican necesariamente que la operación se ejecute siempre.
Pueden depender de configuraciones, versiones, permisos o condiciones.
Necesitan distinguir capacidad declarada de capacidad demostrada.
Módulos necesarios:
M01. Documental, para examinar las especificaciones.
M03. Técnico, para examinar la implementación.
M04. Experimental, para comprobar la capacidad mediante pruebas.
M08. Corroboración independiente, cuando se necesite respaldo externo.
M10. Temporal y contextual, cuando existan versiones o condiciones variables.
Ejemplo de límite: demostrar que un modelo puede realizar una tarea no demuestra que la realice correctamente en todos los casos.
T04. Afirmaciones sobre funcionamiento y mecanismos técnicos
¿Cómo funciona?
Son afirmaciones sobre los mecanismos, procesos, arquitectura, componentes o procedimientos internos o externos de un sistema de IA.
Ejemplos:
«La aplicación utiliza una API para consultar un modelo externo».
«El sistema recupera documentos antes de generar una respuesta».
«La plataforma utiliza un mecanismo de recuperación aumentada mediante generación».
«El modelo emplea determinados parámetros durante la inferencia».
Características distintivas:
Describen procesos o mecanismos.
Pueden referirse a componentes internos no accesibles.
Requieren documentación técnica o registros de ejecución.
Algunas afirmaciones solo pueden examinarse indirectamente.
Módulos necesarios:
M01. Documental.
M02. Procedencia y atribución.
M03. Técnico.
M04. Experimental, cuando el funcionamiento pueda someterse a pruebas.
M08. Corroboración independiente, si se pretende verificar declaraciones técnicas.
M09. Reproducibilidad, cuando sea posible repetir las pruebas.
Ejemplo de límite: observar que un sistema recupera información no demuestra necesariamente qué arquitectura interna utiliza.
T05. Afirmaciones sobre comportamiento y respuestas
¿Qué hace o cómo responde?
Son afirmaciones sobre el comportamiento observable de un sistema de IA ante determinadas entradas, instrucciones, contextos o condiciones.
Ejemplos:
«ChatGPT recomienda una marca cuando se le pregunta por una categoría».
«Gemini reconoce una entidad mencionada en una consulta».
«Un modelo cambia su respuesta cuando se modifica el contexto».
«Un sistema atribuye determinada característica a una empresa».
Características distintivas:
Se refieren a comportamientos observables.
Dependen de las entradas y condiciones de ejecución.
Pueden presentar variabilidad.
Necesitan registros de las entradas y salidas.
Su generalización requiere especial cuidado.
Módulos necesarios:
M04. Experimental.
M05. Empírico y cuantitativo, cuando se agregan observaciones.
M06. Comparativo, si se comparan sistemas.
M09. Reproducibilidad.
M10. Temporal y contextual.
Ejemplo de límite: una respuesta obtenida en una consulta no demuestra un comportamiento estable del modelo.
T06. Afirmaciones sobre resultados y rendimiento
¿Qué resultados obtiene?
Son afirmaciones sobre la calidad, precisión, eficacia, rendimiento o resultados obtenidos por un sistema de IA.
Ejemplos:
«El modelo alcanza un 95 % de precisión».
«La herramienta reduce el tiempo de análisis un 40 %».
«El sistema identifica correctamente nueve de cada diez entidades».
«La plataforma mejora la visibilidad de una marca».
Características distintivas:
Atribuyen resultados a un sistema.
Necesitan datos y criterios de medición.
Dependen de muestras, condiciones y métodos.
Pueden implicar relaciones causales que deben examinarse por separado.
Módulos necesarios:
M05. Empírico y cuantitativo.
M04. Experimental, si los resultados se obtienen mediante pruebas propias.
M06. Comparativo, si se comparan resultados.
M08. Corroboración independiente, cuando se necesita validación externa.
M09. Reproducibilidad.
M10. Temporal y contextual.
Ejemplo de límite: un porcentaje correcto puede proceder de una muestra sesgada o de una metodología inadecuada.
T07. Afirmaciones comparativas
¿Qué es diferente o mejor?
Son afirmaciones que establecen diferencias, semejanzas, ventajas o superioridad entre sistemas, herramientas, modelos o resultados.
Ejemplos:
«ChatGPT reconoce más marcas que Gemini».
«Una herramienta ofrece mejores resultados que otra».
«Un modelo es más preciso que otro».
«Una plataforma proporciona mayor cobertura de respuestas».
Características distintivas:
Necesitan al menos dos elementos comparables.
Requieren criterios comunes.
Dependen de condiciones equivalentes.
Pueden contener valoraciones subjetivas o afirmaciones objetivas.
Módulos necesarios:
M06. Comparativo.
M05. Empírico y cuantitativo, si se comparan mediciones.
M04. Experimental, si se generan pruebas propias.
M09. Reproducibilidad.
M10. Temporal y contextual.
M08. Corroboración independiente, cuando proceda.
Ejemplo de límite: una diferencia entre dos resultados no demuestra superioridad general de uno de los sistemas.
T08. Afirmaciones sobre evolución y persistencia
¿Cómo cambia con el tiempo?
Son afirmaciones sobre cambios, estabilidad, continuidad, aparición, desaparición o evolución de un fenómeno relacionado con IA.
Ejemplos:
«Una marca mantiene su presencia en ChatGPT durante seis meses».
«Un modelo ha mejorado su capacidad de reconocimiento».
«La visibilidad de una entidad ha disminuido».
«Una funcionalidad desapareció después de una actualización».
Características distintivas:
Necesitan observaciones en diferentes momentos.
Requieren criterios de comparabilidad.
Deben considerar cambios de versión y condiciones.
Pueden implicar tendencias o simples variaciones puntuales.
Módulos necesarios:
M07. Longitudinal.
M05. Empírico y cuantitativo, si se cuantifican cambios.
M10. Temporal y contextual.
M06. Comparativo, cuando se contrastan periodos o sistemas.
M09. Reproducibilidad, si se pretende repetir el procedimiento.
Ejemplo de límite: observar persistencia durante seis meses no demuestra que vaya a mantenerse durante el séptimo.
T09. Afirmaciones causales
¿Qué provoca qué?
Son afirmaciones que atribuyen a un factor, intervención o circunstancia la producción de un determinado efecto.
Ejemplos:
«Añadir datos estructurados aumenta las recomendaciones de una marca en sistemas de IA».
«La actualización del modelo provocó una reducción de respuestas incorrectas».
«El entrenamiento adicional mejora la capacidad de razonamiento».
«La publicación de nuevos contenidos incrementa la visibilidad en IA».
Características distintivas:
Establecen una relación causa-efecto.
Necesitan distinguir asociación de causalidad.
Requieren examinar factores alternativos.
Pueden necesitar grupos de control, experimentos o diseños cuasiexperimentales.
Son especialmente vulnerables a conclusiones precipitadas.
Módulos necesarios:
M11. Inferencia causal.
M04. Experimental, cuando sea viable.
M05. Empírico y cuantitativo.
M06. Comparativo, si existen grupos o condiciones de contraste.
M08. Corroboración independiente, cuando sea pertinente.
M09. Reproducibilidad.
Ejemplo de límite: observar que dos fenómenos ocurren simultáneamente no demuestra que uno haya causado el otro.
T10. Afirmaciones predictivas
¿Qué sucederá?
Son afirmaciones que anticipan resultados, comportamientos o acontecimientos futuros relacionados con sistemas de IA.
Ejemplos:
«La visibilidad de una marca aumentará durante los próximos 90 días».
«Este modelo anticipará correctamente determinadas respuestas».
«Una señal actual permite predecir una recomendación futura».
«La herramienta puede anticipar cambios en el comportamiento de los modelos».
Características distintivas:
Se refieren a resultados todavía no observados en el momento de la predicción.
Necesitan definir horizonte temporal.
Requieren separar datos de entrenamiento, validación y evaluación futura.
Deben compararse con referencias adecuadas.
Necesitan conservar las predicciones originales antes de conocer los resultados.
Módulos necesarios:
M12. Validación predictiva.
M05. Empírico y cuantitativo.
M07. Longitudinal.
M09. Reproducibilidad, cuando sea posible.
M10. Temporal y contextual.
M06. Comparativo, para comparar con un baseline u otros métodos.
Ejemplo de límite: que un modelo explique correctamente datos históricos no demuestra que pueda anticipar resultados futuros.
T11. Afirmaciones normativas y evaluativas
¿Qué debería ser o qué es mejor?
Son afirmaciones que expresan valoraciones, recomendaciones, criterios de calidad, conveniencia o juicios sobre cómo debería funcionar o utilizarse la IA.
Ejemplos:
«Este modelo es más ético que otro».
«Las empresas deberían identificar siempre los contenidos generados por IA».
«Esta herramienta es la mejor opción para pequeñas empresas».
«Un sistema de IA debería ofrecer explicaciones transparentes».
Características distintivas:
Pueden incorporar valores y preferencias.
No siempre son verificables mediante observaciones empíricas.
Necesitan identificar los criterios de evaluación.
Pueden combinar hechos comprobables y juicios de valor.
Módulos necesarios:
M01. Documental, para examinar normas, declaraciones y criterios publicados.
M02. Procedencia y atribución, cuando se atribuyan posiciones.
M05. Empírico y cuantitativo, si se utilizan indicadores.
M06. Comparativo, si se contrastan alternativas.
M08. Corroboración independiente, cuando existan evaluaciones externas.
Ejemplo de límite: una herramienta puede ser más rápida que otra y, sin embargo, no ser la mejor opción desde el punto de vista de privacidad, accesibilidad o transparencia.
MEIA™ puede examinar la evidencia y la coherencia de una valoración, pero no convertir automáticamente un juicio de valor en un hecho objetivo.
4. Características que permiten distinguir las afirmaciones
| Código | Característica | Pregunta que responde |
| C01 | Objeto | ¿Sobre qué sistema, entidad o fenómeno se afirma algo? |
| C02 | Predicado | ¿Qué se dice que hace, es, tiene o produce? |
| C03 | Naturaleza | ¿Se describe, explica, mide, compara, valora o predice? |
| C04 | Alcance | ¿A qué casos, sistemas o situaciones se aplica? |
| C05 | Temporalidad | ¿Se refiere al pasado, presente o futuro? |
| C06 | Condiciones | ¿Depende de una versión, configuración, contexto o muestra? |
| C07 | Verificabilidad | ¿Qué tipo de evidencia permitiría examinarla? |
Estas características permiten reconocer la naturaleza de una afirmación antes de seleccionar los módulos.
Ejemplo de aplicación
Afirmación:
«ChatGPT recomienda con mayor frecuencia a una marca que Gemini en consultas relacionadas con herramientas SEO».
| Característica | Identificación |
| C01. Objeto | ChatGPT, Gemini y una marca |
| C02. Predicado | Recomendar |
| C03. Naturaleza | Comparativa y cuantitativa |
| C04. Alcance | Consultas relacionadas con herramientas SEO |
| C05. Temporalidad | Periodo de observación |
| C06. Condiciones | Prompts, versiones y condiciones de consulta |
| C07. Verificabilidad | Registros de respuestas y recuentos comparables |
Clasificación principal: T07, comparativa.
Clasificación secundaria: T06, resultados cuantitativos.
Módulos: M04, M05, M06, M09 y M10, según el diseño concreto.
La clasificación principal identifica qué se afirma. La secundaria identifica otras propiedades relevantes que también deben examinarse.
5. Matriz de correspondencia entre afirmaciones y módulos
Consultar una matriz que nos ayude a seleccionar los módulos sin tener que interpretar de nuevo toda la arquitectura cada vez que iniciemos una investigación.
P: módulo normalmente principal para esa clase de afirmación.
C: módulo condicional, necesario si concurren determinadas circunstancias.
—: no suele ser necesario por la naturaleza de la afirmación.
La matriz es una guía inicial, no una obligación automática.
Una afirmación concreta puede requerir operaciones adicionales.
| Tipo | M01 | M02 | M03 | M04 | M05 | M06 |
| T01 Existencia | P | C | C | — | — | — |
| T02 Atribución | C | P | C | — | — | — |
| T03 Capacidades | C | C | P | C | — | — |
| T04 Funcionamiento | C | C | P | C | — | — |
| T05 Comportamiento | — | C | C | P | C | C |
| T06 Rendimiento | C | — | C | C | P | C |
| T07 Comparación | — | — | C | C | C | P |
| T08 Evolución | — | — | C | C | C | C |
| T09 Causalidad | C | — | C | C | C | C |
| T10 Predicción | — | — | C | C | C | C |
| T11 Evaluación | C | C | — | — | C | C |
| Tipo | M07 | M08 | M09 | M10 | M11 | M12 |
| T01 Existencia | — | C | — | C | — | — |
| T02 Atribución | — | C | — | C | — | — |
| T03 Capacidades | — | C | C | C | — | — |
| T04 Funcionamiento | — | C | C | C | — | — |
| T05 Comportamiento | C | C | C | C | — | — |
| T06 Rendimiento | C | C | C | C | C | — |
| T07 Comparación | C | C | C | C | — | — |
| T08 Evolución | P | C | C | P | — | — |
| T09 Causalidad | C | C | C | C | P | — |
| T10 Predicción | C | C | C | P | — | P |
| T11 Evaluación | — | C | — | C | C | — |
La matriz no debe interpretarse como si todos los módulos marcados con P fueran suficientes para resolver una afirmación.
Indica afinidad funcional. La suficiencia depende de la evidencia y del alcance de la conclusión.
Por ejemplo, para demostrar una relación causal, M11 es central, pero puede necesitar M04, M05 y M06.
M11 no reemplaza esas operaciones: organiza el razonamiento causal.
Precisión sobre los módulos M08 y M09
M08, corroboración independiente, examina si existe respaldo adicional que no dependa de la misma fuente original.
M09, reproducibilidad, examina si puede repetirse el procedimiento y obtenerse un resultado comparable.
Puede tener corroboración independiente sin ser reproducible.
También puede ser reproducible sin contar con corroboración independiente.
Son propiedades distintas.
Precisión sobre M11 y M12
La causalidad pregunta si un factor produce un efecto.
La predicción pregunta si podemos anticipar un resultado.
Un modelo puede predecir correctamente una variable sin identificar qué la causa.
Y una relación causal demostrada no implica necesariamente que podamos predecir cada resultado individual.
M11 y M12 separados.
6. Criterios para seleccionar los módulos
No debe depender únicamente de la categoría asignada.
Dos afirmaciones clasificadas como T05, por ejemplo, pueden requerir procedimientos muy distintos.
«ChatGPT ha respondido X» puede examinarse mediante un registro original.
«ChatGPT responde sistemáticamente X ante cualquier pregunta sobre una entidad» requiere un diseño de pruebas mucho más amplio.
Criterios de selección.
Criterio 1. Qué se necesita demostrar
| Necesidad | Módulos orientativos |
| Comprobar una declaración | M01 |
| Identificar procedencia | M02 |
| Examinar funcionamiento | M03 |
| Observar comportamiento | M04 |
| Verificar cantidades | M05 |
| Comparar resultados | M06 |
| Examinar evolución | M07 |
| Obtener respaldo independiente | M08 |
| Repetir un procedimiento | M09 |
| Examinar vigencia y contexto | M10 |
| Investigar causalidad | M11 |
| Evaluar predicciones | M12 |
Criterio 2. Naturaleza de la evidencia disponible
Identificar si disponemos de:
Documentación.
Registros originales.
Acceso al sistema.
Datos estructurados.
Resultados experimentales.
Informes externos.
Series temporales.
Información de versiones.
Criterio 3. Alcance de la afirmación
Cuanto más amplia sea una afirmación, mayor puede ser la necesidad de comprobar sus condiciones.
Por ejemplo:
«En esta consulta, ChatGPT identificó correctamente una marca».
«ChatGPT identifica correctamente esta marca».
«Los sistemas de IA identifican correctamente esta marca».
Las tres afirmaciones no tienen el mismo alcance.
La primera describe una observación concreta.
La segunda generaliza un comportamiento.
La tercera amplía todavía más la generalización a diferentes sistemas.
Criterio 4. Riesgo de error o interpretación
Hay afirmaciones que pueden inducir a conclusiones incorrectas si no se comprueban determinadas cuestiones.
Ejemplos:
Una afirmación técnica sobre un sistema propietario.
Una declaración de rendimiento comercial.
Una comparación entre modelos con condiciones diferentes.
Una afirmación causal basada únicamente en correlaciones.
Una predicción basada en datos retrospectivos.
Reforzar las comprobaciones que permitan identificar explicaciones alternativas, dependencias y limitaciones.
Criterio 5. Posibilidad de reproducción
Preguntar si otra persona podría repetir la comprobación.
No todas las investigaciones permiten una reproducción exacta.
Pero debemos distinguir:
Reproducción posible.
Reproducción parcial.
Reproducción condicionada.
Reproducción imposible con los recursos disponibles.
La imposibilidad de reproducir un procedimiento no invalida automáticamente la evidencia, pero limita el grado de comprobación independiente.
7. Tratamiento de afirmaciones compuestas
Una afirmación compuesta contiene varias proposiciones que pueden necesitar comprobaciones diferentes.
Ejemplo:
«La herramienta X utiliza inteligencia artificial, analiza las respuestas de ChatGPT, mide la visibilidad de las marcas y permite mejorar sus recomendaciones».
| ID | Afirmación | Tipo |
| A01 | Utiliza inteligencia artificial | T01 / T04 |
| A02 | Analiza respuestas de ChatGPT | T03 / T04 |
| A03 | Mide la visibilidad de las marcas | T05 / T06 |
| A04 | Permite mejorar las recomendaciones | T09, si establece causalidad |
Toda afirmación compuesta debe descomponerse en proposiciones independientes antes de seleccionar los módulos de comprobación.
Cada proposición tendrá su propia clasificación, evidencia, comprobaciones y conclusión.
Posteriormente elaborar una síntesis conjunta.
Evita que la evidencia que respalda una parte de una declaración se utilice indebidamente para respaldar todas las demás.
8. Casos especiales que debemos contemplar
La clasificación de once tipos cubre las principales necesidades, pero hay cuatro situaciones que no debemos resolver creando categorías nuevas innecesariamente.
Afirmaciones mixtas
Una afirmación puede ser simultáneamente técnica, comparativa y cuantitativa.
Se asignará una categoría principal y las categorías secundarias pertinentes.
Afirmaciones ambiguas
Cuando una expresión no permite identificar claramente qué se está afirmando, no debemos seleccionar módulos todavía.
Primero debemos aclarar su significado y alcance.
Ejemplo:
«La IA entiende mejor una marca».
¿Qué significa entender? ¿Reconocerla? ¿Clasificarla? ¿Describirla correctamente? ¿Recomendarla?
Sin delimitar el concepto, no existe una comprobación suficientemente definida.
Afirmaciones no verificables con los recursos disponibles
No todas las afirmaciones pueden comprobarse en cualquier investigación.
Puede faltar acceso al sistema, documentación, registros originales o datos.
En ese caso se debe registrar la limitación y determinar qué partes sí pueden examinarse.
No se debe presentar una comprobación parcial como una verificación completa.
Afirmaciones normativas con componentes empíricos
«Las empresas deberían utilizar modelos de IA que reduzcan los errores».
Un juicio normativo: qué deberían hacer las empresas.
Una afirmación empírica: determinados modelos reducen errores.
Un criterio de valoración: qué nivel de reducción se considera suficiente.
Cada componente requiere un tratamiento diferente.
9. Procedimiento de selección: del reconocimiento al módulo
Proceso de clasificación y selección
Identificar la afirmación
Registrar literalmente qué se está afirmando y quién lo afirma.
Descomponerla
Separar las proposiciones independientes cuando sea necesario.
Clasificarla
Asignar un tipo principal y los tipos secundarios pertinentes.
Examinar sus características
Identificar objeto, predicado, alcance, temporalidad, condiciones y verificabilidad.
Seleccionar los módulos
Determinar qué comprobaciones son necesarias y cuáles son complementarias.
Justificar la selección
Registrar los módulos activados, excluidos, pendientes y sus motivos.
10. Reglas de clasificación que debemos preservar
| Código | Regla metodológica |
| MC01 | Clasificar por el contenido de la afirmación, no por la fuente. |
| MC02 | Una afirmación puede tener varias categorías. |
| MC03 | Las afirmaciones compuestas deben descomponerse. |
| MC04 | Cada afirmación debe tener una categoría principal identificable. |
| MC05 | La selección de módulos depende de lo que se necesita demostrar. |
| MC06 | No activar módulos sin justificar su pertinencia. |
| MC07 | No confundir módulos seleccionados con comprobaciones realizadas. |
| MC08 | Registrar las limitaciones de acceso y ejecución. |
| MC09 | No ampliar el alcance de una conclusión respecto a la afirmación examinada. |
| MC10 | Revisar la clasificación si aparecen nuevas evidencias o cambia el objeto de investigación. |
11. Aplicación de MEIA-01 a los proyectos anteriores
| Proyecto | Tipos de afirmaciones predominantes | Módulos relevantes |
| AVM™ | T05, T06, T07 | M04, M05, M06, M09 |
| PCI-L01 | T05, T06, T08, T10 | M04, M05, M07, M09, M10, M12 |
| ERIA-00 | T01, T02, T03, T04 | M01, M02, M03, M08 |
| ERIA-01 | Principalmente T01, T03 y T05, según la dimensión examinada | M01, M03, M04, M05, M08 |
ERIA-00 demuestra la importancia de separar la existencia de una declaración, su atribución y la verificación de su contenido.
PCI-L01 muestra por qué debemos separar las afirmaciones longitudinales de las predictivas.
Una serie de observaciones temporales no equivale a una validación predictiva.
M07 y M12 como módulos distintos.
12. Resultado de MEIA-01
MEIA-01
Clasificación de afirmaciones y criterios de selección de módulos
11
Tipos de afirmaciones
Clasificación inicial
7
Características
Criterios de identificación
12
Módulos
Catálogo de comprobación propuesto
10
Reglas
Criterios metodológicos
Cinco resultados principales
Clasificación por naturaleza de la afirmación.
Separación entre afirmación, procedencia y evidencia.
Criterios para identificar las características de cada afirmación.
Correspondencia entre categorías y módulos.
Procedimiento para seleccionar y justificar las comprobaciones.
