Aprende a auditar fuentes, datos, gráficos y argumentos antes de aceptar una afirmación técnica, periodística o corporativa. El curso te entrena para distinguir correlación de causalidad, detectar encuestas débiles y emitir dictámenes críticos accionables.
El usuario aprende a separar afirmaciones, premisas, conclusión, evidencia y tipo de argumento antes de creer o rechazar un texto.
Identificar con precisión cuál es la afirmación central, qué evidencia la sostiene y qué decisión intenta influir.
Distinguir entre un argumento válido por estructura y un argumento sólido por estructura más premisas verdaderas.
Separar afirmaciones sobre cómo son las cosas de afirmaciones sobre cómo deberían ser.
Asignar correctamente quién debe aportar evidencia y cuánta evidencia exige el tipo de afirmación.
El usuario practica lectura lateral, trazabilidad y revisión de transparencia para no depender de una sola página, experto o institución.
Aplicar lectura lateral para verificar la reputación, independencia y contexto de una fuente.
Clasificar fuentes por cercanía a la evidencia original y usar cada tipo con el nivel de confianza adecuado.
Revisar si una fuente revela autoría, financiamiento, método, población, fecha, limitaciones y datos suficientes.
Diferenciar una cita verificable de una cita decorativa y reconstruir la cadena de evidencia.
El usuario aprende estadística descriptiva mínima, márgenes de error, muestras sesgadas y errores de encuesta frecuentes.
Interpretar medidas descriptivas básicas para detectar cuando un promedio oculta desigualdad, extremos o variabilidad.
Evaluar si una muestra representa a la población sobre la que el reporte quiere concluir.
Interpretar margen de error e incertidumbre sin confundir precisión estadística con calidad total del estudio.
Detectar sesgos de selección, no respuesta, supervivencia, medición y redacción de preguntas.
El usuario aprende a evaluar diseños de investigación, variables de confusión, mecanismos plausibles y significancia práctica.
Reconocer correlaciones y evitar interpretarlas automáticamente como relaciones causales.
Comparar diseños observacionales, experimentales y cuasi-experimentales según su capacidad para sostener inferencias causales.
Aplicar tres pruebas mínimas para evaluar si una relación causal es plausible.
Distinguir entre evidencia estadística de diferencia y magnitud suficiente para decidir.
El usuario integra argumentos, fuentes y datos en una matriz de auditoría aplicable a noticias, informes corporativos, políticas públicas y documentos técnicos.
Detectar truncamiento de ejes, escalas engañosas, áreas desproporcionadas, doble eje y cherry picking visual.
Revisar denominadores, tasas base y comparaciones absolutas para evitar conclusiones infladas por porcentajes aislados.
Usar una lista breve de preguntas para emitir un dictamen crítico antes de aceptar un reporte técnico.
Integrar argumento, fuente, método, datos y causalidad en un dictamen breve y accionable.
Digital platform of learning capsules in Spanish
Follow us on social media