¿Las has usado? La lista de las 10 mentiras más utilizadas. Seguramente hayas dicho más de 7

Actualizado el domingo, 5 noviembre, 2023

La mentira forma parte de nuestras vidas. Dicen que engañar nos permite conseguir lo que queremos mediante la manipulación y la explotación de otros. En general, mentimos para obtener algún beneficio. Una mentira bien tramada es un pasaporte al éxito en una sociedad en la que no se condena la mentira, sino la diferencia o la debilidad. Pero a veces también mentimos, simplemente, por miedo, por vergüenza o incluso, para no hacer daño a alguien.

Las mentiras son parte de la naturaleza humana. Todos hemos dicho una mentira en algún momento de nuestras vidas, ya sea para protegernos a nosotros mismos o a alguien más. ¿Pero cuál es la mejor mentira? ¿Existe tal cosa? La respuesta está en la intención detrás de la mentira y las consecuencias de contarla. Una buena mentira debe tener resultados positivos y no debe causar ningún daño a nadie. También debe ser creíble y tener un elemento de verdad. En última instancia, las mejores mentiras son aquellas que conducen a resultados positivos sin causar ningún daño o incomodidad a las personas involucradas.

Mentiras más utilizadas

Mentir es ventajoso, por eso la evolución, que selecciona rasgos que son ventajosos para los individuos, la ha integrado en la naturaleza humana. Así, se estima que cada día oímos y leemos cientos de mentiras. La mentira se encuentra en todo el reino natural. Existen plantas que tienen flores que parecen avispas hembra para atraer a los machos para que se lleven pegado el polen a otra flor y así polinizarla, serpientes que fingen ser venenosas para ahuyentar a depredadores y orugas que fingen ser serpientes con el mismo fin. Y, en líneas generales, los primates más evolucionados son los más propensos a ellas.

Este es un top 10 de las mentiras más utilizadas

Confiesa, ¿cuántas de ellas has usado ya?

• 1. Estoy llegando.
• 2. Nivel de inglés medio.
• 3. No había mirado el WhatsApp.
• 4. No vuelvo a salir.
• 5. He leído y acepto los términos y condiciones de uso.
• 6. Voy bien, en serio, no estoy borracho.
• 7. Una más y nos vamos.
• 8. A las y media me pongo a estudiar.
• 9. Es la primera vez que me pasa.
• 10. Yo no ronco.

Las 5 mentiras del borracho

El alcohol ha sido parte de la cultura humana durante siglos y no sorprende que a menudo lleve a las personas a decir mentiras. Las mentiras del borracho son algunas de las más comunes, y pueden ir desde mentiras piadosas hasta mentiras más graves. En este artículo, discutiremos cinco de las mentiras más comunes que dicen las personas que han bebido demasiado. Desde mentir sobre cuánto bebieron hasta exagerar sus logros, exploraremos por qué estas mentiras son tan comunes y qué se podría hacer para evitar que sucedan en el futuro.

• ‘Beber de vez en cuando no hace daño’.
• ‘No beberé esta noche, tomaré solo cerveza’.
• ‘He bebido poco, puedo conducir sin problemas’.
• ‘Mi organismo es resistente al alcohol… Nunca me emborracho’.
• ‘La cerveza quita la resaca’.

‘No beberé esta noche, tomaré solo cerveza’

Una de las afirmaciones más comunes es la idea de que consumir únicamente cerveza durante una noche de ocio o reunión no representa un riesgo para la salud. Sin embargo, es crucial entender que, independientemente del tipo de bebida alcohólica, su consumo excesivo o irresponsable puede acarrear consecuencias adversas. El contenido de alcohol presente en la cerveza, aunque menor en comparación con licores más fuertes, sigue siendo significativo. El abuso de esta bebida conlleva los mismos peligros que el consumo desmedido de otras bebidas alcohólicas.

‘He bebido poco, puedo conducir sin problemas’

Otra afirmación frecuente es la creencia errónea de que una cantidad reducida de alcohol en el organismo no afectará la capacidad de conducir. Esta percepción es sumamente peligrosa y ha sido causa de numerosos accidentes viales. Aunque pueda existir la impresión de estar sobrio con una cantidad mínima de alcohol, incluso cantidades bajas pueden comprometer los reflejos, la percepción y la toma de decisiones, aumentando el riesgo de accidentes automovilísticos.

‘Mi organismo es resistente al alcohol… Nunca me emborracho’

Algunas personas afirman tener una resistencia especial al alcohol, asegurando que nunca experimentarán embriaguez o sus efectos. Sin embargo, esta idea es un mito, ya que el alcohol afecta a todos los organismos de manera similar, independientemente de la tolerancia percibida. El hecho de no experimentar síntomas notorios no significa que no exista un impacto en el cuerpo. El alcohol sigue ejerciendo sus efectos negativos, incluso si no son perceptibles de inmediato.

‘La cerveza quita la resaca’

Otro mito popular es la creencia de que consumir cerveza al día siguiente de una ingesta excesiva de alcohol ayuda a superar la resaca. Sin embargo, este planteamiento es completamente falso. La resaca es resultado de la deshidratación y la intoxicación del organismo por el consumo excesivo de alcohol. Ingerir más alcohol solo prolonga y agrava el malestar físico, retrasando la recuperación y perjudicando la salud en lugar de mejorarla.

El autoengaño también es posible

El primer paso para sentirnos bien pasa por aceptarnos tal y como somos, sin lo cual nunca lograremos evolucionar y hacernos mejores personas. Lo mismo sucede con las personas que nos rodean, hay que aprender a aceptarlas como son, con sus defectos y virtudes, para disfrutar más de su compañía, aumentar nuestra capacidad de resiliencia y, en definitiva, nuestro bienestar.

Uno de los aspectos más fascinantes de la mentira es el autoengaño. Si bien mentir a los demás suele ser un acto consciente, el autoengaño no siempre es un proceso voluntario,  muchas veces depende, por ejemplo, del efecto Dunning-Kruger.

El autoengaño es también una de las facetas inherentes a la condición humana. Una faceta que en principio puede parecer inútil, pero que nos concede una estabilidad excepcional para convertirnos en animales sociales. Se ha argumentado que todos los humanos sin excepción son altamente susceptibles al autoengaño, ya que todo el mundo tiene un bagaje emocional de creencias que pueden ser irracionales.

¿Cuántas de estas mentiras has usado? ¿Y qué nos dices del autoengaño?

Mentiras sobre la felicidad que todos nos hemos creído alguna vez

¿Reconoces a un mentiroso?

Everybody Lies trata sobre los datos recopilados en grandes cantidades por computadoras y a través de Internet. Estos datos pueden ayudar a revelar información fascinante sobre la psique, el comportamiento y las peculiaridades humanas, porque resulta que las personas no siempre están tan dispuestas a comunicar sus verdaderas esperanzas y deseos a los demás.

Seamos realistas: no importa cuán sinceros con nosotros mismos y con los que nos rodean decimos ser, hasta cierto punto u otro, seguimos mintiendo. Ya sea que se trate de inflar nuestras características benévolas en una encuesta sobre nuestro estilo de vida o no contar la historia completa sobre el tipo de cosas raras que hacemos cuando nadie está mirando, todos practican un poco de engaño en su vida cotidiana.

Pero con la creciente cantidad de datos que se recopilan a través de, por ejemplo, las búsquedas de Google, podemos ir más allá de la superficie y ver la verdad.

Con una acumulación tan increíblemente grande de datos sobre innumerables aspectos de la existencia humana, un conjunto de información conocido colectivamente como big data, ahora es posible analizar patrones reveladores en nuestro comportamiento e identificar preferencias que nunca conocíamos antes.

Aprenderá sobre lo que los macrodatos tienen para ofrecer, desde informar sobre el estado de nuestra salud hasta revelar extrañas peculiaridades humanas y ayudar a realizar un sinfín de experimentos controlados aleatorios.

La ciencia de datos es más intuitiva de lo que piensas

¿El Big Data puede reconocer a un mentiroso?

La pista está en el nombre. Big data se refiere a un inmenso volumen de datos. Un volumen que es tan vasto, de hecho, que la mente humana apenas puede comprenderlo. En otras palabras, big data son datos para los que se requiere poder computacional para reconocer patrones. Sin embargo, paradójicamente, a pesar de su notable escala, la ciencia de datos tiene un aspecto intuitivo. Después de todo, si lo piensas, todos somos científicos de datos de alguna manera.

El autor señala a su abuela. Un Día de Acción de Gracias, ella comenzó a sugerirle al autor cómo debería ser su pareja ideal, ¡al menos en lo que a ella respectaba! La pareja tenía que ser inteligente, agradable, divertida, sociable y bonita (aunque no se necesitaban supermodelos).

A los 88 años, su abuela había visto muchas relaciones ir y venir. Ella estaba usando años de recopilación de información y datos para articular las características que consideraba esenciales en las relaciones exitosas. Ella estaba utilizando información para detectar patrones y predecir cómo ciertas variables impactarían entre sí, tal como lo haría un científico de datos.

Sin embargo, aunque la ciencia de datos es un proceso intuitivo, la intuición en sí misma no es ciencia. Es por eso que utilizar correctamente los datos recopilados es esencial para refinar la visión del mundo. Los datos nos proporcionan el material para confirmar o refutar nuestras intuiciones iniciales. Nos ayuda a identificar patrones y predicciones más precisos de lo que podría hacerlo la experiencia personal por sí sola.

Volvamos a la abuela; estaba convencida de que las relaciones duran más si los socios tienen amigos en común. Esta noción se basó en su propia experiencia, ya que ella y su esposo habían pasado muchas veladas con sus amigos en Queens, Nueva York.

Pero en realidad, el tamaño de su muestra era demasiado pequeño y los datos concretos sugieren que estaba equivocada. Un estudio de 2014 de Lars Backstrom y Jon Kleinberg, basado en datos de Facebook, mostró que las parejas con más amigos en común tenían más probabilidades de cambiar el estado de su relación de «en una relación» a «soltero».

Esto demuestra que, aunque un presentimiento puede llevarnos lejos, los datos refinan incluso la perspectiva de la persona más intuitiva.

Google es un buen ejemplo de cómo los macrodatos pueden proporcionar constantemente nueva información

La ciencia de datos es una herramienta útil. Pero lo que lo hace especial no es la cantidad de datos recopilados, sino que los datos son útiles ; en otras palabras, es el tipo de datos que pueden revelar patrones o hacer predicciones.

Google es un buen ejemplo. El motor de búsqueda de Larry Page y Sergey Brin, fundado en 1998, se convirtió en un gigante no solo porque pudieron recopilar gran cantidad de datos. Más bien, lo que distingue a Google es que los datos recopilados se pueden usar de manera eficiente.

Antes de Google, cuando escribías «Bill Clinton» en un motor de búsqueda, solo te daban sitios web que contenían la frase con mayor frecuencia. A menudo obtendría una gran cantidad de golpes irrelevantes.

El algoritmo de Brin y Page funcionó de manera diferente. Descubrieron que un sitio web probablemente era más relevante para alguien si tenía más enlaces de otros sitios que llevaban a un usuario a él. Entonces, el sitio web oficial de la Casa Blanca de Bill Clinton, que era el objetivo de miles de enlaces, sería más útil que, por ejemplo, un sitio con sólo cien enlaces, aunque podría mencionarlo por su nombre con más frecuencia.

Agregaron todos esos datos sobre enlaces y pudieron detectar patrones y predecir qué información era más relevante para el usuario.

Explicaremos cuatro razones por las que el big data es tan poderoso. El enfoque de Google es un buen ejemplo de la primera razón: el big data es completamente nuevo. Nos ofrece un flujo constante de nueva información.

Antes de los días del big data, tenía que esperar a que la Oficina de Estadísticas Laborales recopilara y calculara las tasas de desempleo actuales mediante encuestas telefónicas, o esperar un informe de los Centros para el Control y la Prevención de Enfermedades para conocer las tasas de infección de ciertas enfermedades.

Pero ahora, potencialmente podría usar los macrodatos de Google para rastrear ambos, y eso es exactamente lo que hizo el ingeniero de Google Jeremy Ginsberg. Demostró que las búsquedas en Google relacionadas con la gripe, como «síntomas de la gripe», indican la propagación de la influenza y se pueden utilizar para rastrear la propagación de la enfermedad en áreas geográficas y en el tiempo.

El Big data no miente, pero sí quien lo interpreta

Recientemente, se encuestó a los graduados de la Universidad de Maryland sobre sus promedios de calificaciones, o GPA. Entre los encuestados, el dos por ciento admitió que se había graduado con un GPA inferior a 2.5 en una escala de cuatro puntos. Sin embargo, según los registros oficiales, la cifra fue mucho mayor, del 11 por ciento.

Si bien este es solo un ejemplo, demuestra una verdad universal sobre la topografía: la gente miente.

¿Pero por qué? Bueno, es natural que queramos lucir bien, tanto para nosotros mismos como para los demás, por lo que las personas adaptan sus respuestas para tener una visión más positiva de sí mismas. Este comportamiento de dar respuestas que nos hacen ver mejor se llama sesgo de deseabilidad social.

Además, a menudo hay una disposición entre los encuestados a querer impresionar a la persona que administra la encuesta. Queremos causar una buena impresión, seamos anónimos o no. Para tomar un ejemplo extremo, si estuviera respondiendo preguntas de alguien que se parecía a su padre, es posible que no esté dispuesto a detallar sus experiencias universitarias con las drogas.

Es una propensión humana a decir falsedades, lo que hace que las encuestas no sean fiables cuando se trata de intentar comprender el comportamiento, los pensamientos, los deseos y las creencias.

Esto nos lleva a la segunda razón por la que el big data es tan poderoso: no miente. Debido a que se recopila a través de un comportamiento en línea sin filtrar, siempre revelará la verdad. Después de todo, es mucho menos probable que las personas mientan o desvíen los resultados al ingresar términos en los motores de búsqueda cuando no interviene ningún interrogador.

Los macrodatos también nos permiten comprender pequeños subconjuntos de datos.

Es difícil entender qué tan grande es el big data. Cada día, cantidades asombrosas de datos pasan por Google solo, sin mencionar otros motores de búsqueda u otros sitios web en general. El volumen de estos datos significa que ahora podemos hacer cosas que nunca antes podíamos hacer.

Este es el tercer gran poder de los macrodatos: el tamaño de los conjuntos de datos significa que podemos acercarnos a un subconjunto y extraer información de manera confiable.

Consideremos un ejemplo del mundo real. El profesor de Harvard, Raj Chetty, quería investigar si la gente pensaba que el sueño americano todavía estaba vivo. Decidió usar big data para ayudar a formar una respuesta a una pregunta más precisa: ¿pueden las personas cuyos padres son pobres crecer para convertirse en ricas?

El equipo de Chetty utilizó registros fiscales recopilados por el Servicio de Impuestos Internos de EE. UU. En total, tenían más de mil millones de observaciones fiscales.

Los datos fueron reveladores. Demostró que, en comparación con otros países desarrollados como Dinamarca y Canadá, la situación en los Estados Unidos no era buena para la gente pobre. Una estadounidense pobre tenía un 7,5 por ciento de posibilidades de lograr el éxito en el campo que eligió. Pero para los daneses y los canadienses, las posibilidades eran del 11,7 por ciento y el 13,5 por ciento, respectivamente.

Ese era el panorama general, pero la belleza del big data es que Chetty podía hacer zoom en diferentes estados, ciudades, pueblos y vecindarios.

Cuando lo hizo, se encontró con los datos revelaron que el sueño americano hizo existe – pero sólo en unos pocos lugares. En San José, California, un estadounidense pobre tenía un 12,9 por ciento de posibilidades de hacerse rico, lo que es mejor que en Dinamarca. Pero para un estadounidense que crece en Charlotte, Carolina del Norte, las posibilidades eran solo del 4,4 por ciento.

Es esta capacidad de acercamiento lo que demuestra cómo los macrodatos pueden brindarnos una comprensión matizada del mundo, en cualquier lugar y en la escala que elijamos.

Big Data hace que las pruebas A / B sean más fáciles y económicas de ejecutar

Todos los días, nos bombardean con historias sobre correlaciones. Un alimento está relacionado con una enfermedad. Un hábito está relacionado con el éxito. Estas correlaciones parecen creíbles al principio, pero la correlación no implica necesariamente una relación de causa y efecto.

En realidad, para aprender sobre el efecto causal de algo, lo que se necesita para establecer la causalidad usando, experimentos controlados aleatorios, comúnmente llamados A / B pruebas . Por ejemplo, un estudio podría informar que las personas que beben alcohol solo moderadamente suelen ser más saludables. Pero eso no implica que el consumo moderado hace que nuestra salud para mejorar? Por supuesto no.

Para probar si beber moderadamente mejora la salud, necesitaría tener un grupo de individuos seleccionados al azar divididos en dos grupos. Un grupo bebería, digamos, una copa de vino tinto todos los días, mientras que el otro grupo no bebería nada. Después de un año, se compararían los dos grupos. Si el primer grupo fuera más saludable que el grupo dos, eso implicaría que beber moderadamente fue una causa de una mejor salud.

El big data facilita mucho la realización de pruebas A / B, y esta es la cuarta razón por la que el big data es tan poderoso.

Antes de que apareciera el big data, ejecutar pruebas A / B era muy exigente. Por ejemplo, para probar el impacto de un comercial, tendría que reclutar participantes, encuestarlos y analizar los resultados. Pero ahora, los científicos de datos pueden escribir un programa que analice datos de pruebas A / B.

La campaña presidencial de 2008 de Barack Obama empleó este enfoque. Los directores de campaña de Obama querían diseñar un sitio web que atrajera a la gente a registrarse y donar. Utilizaron diferentes combinaciones de imágenes y texto, y luego pudieron analizar los datos relevantes para deducir qué diseño fue más exitoso.

A estas alturas, hemos establecido una serie de aspectos positivos de big data. A continuación, pasemos a los aspectos negativos.

Los macrodatos no son buenos con demasiadas variables o preocupaciones no cuantificables

Aunque el big data tiene claras ventajas, no es perfecto. Su mayor limitación se hace patente en conjuntos de datos con muchas variables: es difícil extraer respuestas confiables porque la cantidad de variables oculta posibles hallazgos.

Consideremos el trabajo del genetista conductual Robert Plomin. En 1998, pensó que había encontrado un gen, IGF2r, que era indicativo del coeficiente intelectual de las personas. Había obtenido un conjunto de datos compilado de varios cientos de estudiantes que contenían información sobre los niveles de ADN y coeficiente intelectual. Plomin comparó su ADN con un coeficiente intelectual alto y bajo, y descubrió que IGF2r tenía dos veces más probabilidades de ocurrir en estudiantes con coeficiente intelectual alto.

Desafortunadamente, la correlación fue una casualidad. Cuando Plomin repitió la comparación del conjunto de datos unos años más tarde, la correlación entre el coeficiente intelectual y la aparición del IGF2r no se veía por ninguna parte.

Es fácil ver por qué. El genoma humano consta de miles de genes; si se producen correlaciones, siempre es posible que se produzcan por casualidad. Hay tantas variables que los patrones pueden ocurrir al azar.

Hay otro problema con los macrodatos. A menudo carece de los llamados datos pequeños, el tipo de datos que tratan sobre la experiencia humana. Los macrodatos pueden medir mucho, pero a veces las respuestas mensurables no son necesariamente lo que buscamos.

Por ejemplo, Facebook puede medir fácilmente los clics y los me gusta usando big data. Pero hacerlo no le diría a la empresa nada sobre la experiencia de las personas con el sitio.

En circunstancias como estas, los datos pequeños son esenciales. Facebook recopila este tipo de datos a través de otros métodos, concretamente mediante encuestas a menor escala para preguntar a los usuarios sobre sus opiniones y experiencias en el sitio. Facebook también emplea psicólogos y sociólogos para ayudar a la empresa a tener una idea de las experiencias de usuario no mensurables.

Esto demuestra que los macrodatos no son perfectos y los problemas son aún más profundos.

Los gobiernos no deberían usar big data para dirigirse a personas.

Cada vez que ingresa una búsqueda en Google o compra un producto en línea, está contribuyendo al big data, ¿qué pasa con las consideraciones éticas? ¿Y si el gobierno tuviera acceso a estos datos? ¿Qué podían hacer con él?

Digamos que alguien escribió «Quiero suicidarme» en un motor de búsqueda. ¿Debería notificarse a la policía local?

En casos como estos, las autoridades simplemente no pueden y no pueden actuar a nivel individual, y con razón. Cada mes, hay 3,5 millones de búsquedas de Google relacionadas con el suicidio en los Estados Unidos. Por el contrario, el número de suicidios en el país es inferior a 4.000 al mes. Esto implicaría un enorme desperdicio de recursos policiales si decidieran localizar al individuo en cuestión cada vez que se tecleara un pensamiento suicida en una computadora.

Pero también hay una dimensión ética que no debemos olvidar. ¿Debería permitirse a los gobiernos poseer y utilizar datos de búsqueda pertenecientes a personas? Después de todo, esto equivaldría a una invasión de la privacidad.

Estas consideraciones éticas no han impedido que los gobiernos usen macrodatos a nivel regional, particularmente porque cada vez más evidencia apunta a una correlación entre las búsquedas en línea y la acción posterior.

Por ejemplo, los investigadores Christine Ma-Kellams, Flora Or, Ji Hyun Baek e Ichiro Kawachi encontraron en un estudio de 2016 que las búsquedas en Google relacionadas con el suicidio están significativamente correlacionadas con las tasas reales de suicidio. Pero esa correlación solo fue válida a nivel estatal.

Entonces, ¿cómo podrían las autoridades estatales y los departamentos de policía utilizar esos datos? Bueno, podrían usarlo en programas de prevención del suicidio en áreas locales específicas, como a nivel estatal o municipal. Podían difundir información en comerciales de radio y televisión, con consejos sobre dónde ir o a quién llamar si las personas necesitaban ayuda.

Demuestra que, además de revelar todo tipo de cosas interesantes sobre los seres humanos, el big data también se puede utilizar de forma productiva en situaciones de la vida real.