¿Se puede detectar una mentira? Cómo leer los estudios

TL;DR

Para saber si un método detecta mentiras, necesitas algo más que un porcentaje de aciertos. Hay que conocer la respuesta verdadera antes de evaluar el método, contar sus dos tipos de error y comprobar qué ocurre con personas y situaciones nuevas.

Puedes encontrar investigaciones prometedoras sin que exista una regla para leer cualquier entrevista. También puedes encontrar una noticia sobre un estudio que todavía busca resultados. Aquí distinguimos esas situaciones y hacemos una cuenta que explica por qué una alerta no equivale a una mentira demostrada.

Una investigación empieza con una pregunta

Lees que una universidad investiga cómo distinguir testimonios verdaderos y falsos. La noticia suena esperanzadora. Un vídeo la cita después como prueba de que su análisis de una entrevista está científicamente demostrado. Entre ambas cosas falta un paso: ¿qué resultado obtuvo realmente esa investigación?

La Universidad de Granada anunció en febrero de 2024 un estudio sobre criterios de valoración del testimonio. El procedimiento descrito incluía escribir un hecho verdadero o falso, asignado al azar, a partir de un acontecimiento autobiográfico relacionado con una foto reciente. La noticia explica una propuesta; no presenta una tasa final de acierto.

La diferencia importa para la detección de mentiras. Que una pregunta merezca investigación no significa que su respuesta ya se conozca. Conviene conservar la fecha, el tipo de documento y lo que sus autores afirman haber hecho. La última vez que revisamos estas fuentes fue el 20 de octubre de 2026.

Cómo se sabe qué relato era inventado

En un experimento se puede asignar una acción: unas personas toman un objeto y otras no. Después cuentan una versión de lo sucedido. La organización sabe qué tarea recibió cada participante y puede comparar los juicios con esa información.

Con recuerdos personales resulta menos sencillo. ¿Cómo se confirmó que el episodio ocurrió? ¿Se consultó a otra persona, existía una grabación o se aceptó la palabra del narrador? Son formas distintas de establecer la respuesta de referencia. Una etiqueta de “verdadero” no explica por sí misma de dónde procede la certeza.

Si un relato se considera falso porque parece sospechoso y luego se usa esa misma impresión para demostrar que el método funciona, la comprobación es circular. Tal vez se ha medido un acuerdo entre evaluaciones, no una coincidencia con los hechos. Esta pregunta debe resolverse antes de interpretar los aciertos.

Lo que un acierto puede estar midiendo

Una persona puede parecer convincente sin que su afirmación sea cierta. También puede contar algo verdadero de forma torpe. Por eso importa qué respuesta debía dar quien participaba: una nota de credibilidad, una emoción o una decisión de verdad o mentira.

En el estudio de Bogaard y colegas publicado en 2026, 246 personas evaluaron ocho relatos. La asociación entre conocimientos sobre indicios y credibilidad de relatos verdaderos no se tradujo en una relación estadísticamente clara con su correcta clasificación binaria. El resultado de esa última prueba fue p = 0,062.

Imagina que valoras una historia real con un siete y una inventada con un seis, pero decides que ambas son verdaderas. Has diferenciado un poco su apariencia. No has descubierto la invención. En el análisis de un caso, presentar lo primero como demostración de lo segundo cambiaría el significado del resultado.

El 54% tiene un contexto

Bond y DePaulo reunieron en 2006 resultados de 206 documentos con 24 483 evaluadores. Los juicios sin ayudas ni entrenamiento rondaban el 54% de acierto. Es una referencia para aquellas tareas, no un límite de toda investigación futura.

Tampoco significa que la siguiente persona de una entrevista tenga una probabilidad del 54% de mentir. Se contaron clasificaciones correctas frente a respuestas conocidas. Para estimar la probabilidad de una afirmación nueva haría falta otra información sobre ese caso.

Una prueba con muchas verdades puede premiar a quien casi siempre responde “verdad”. Otra, con cantidades equilibradas, plantea una comparación diferente. El número de relatos verdaderos y falsos forma parte del resultado. Sin ese dato, es difícil saber qué demuestra la cifra general.

Más información no equivale a más certeza

Hay hallazgos favorables que merece la pena conservar. En nueve estudios de 2023, Verschuere y colegas encontraron que centrarse en el detalle ayudaba a distinguir relatos verdaderos e inventados mejor que el juicio libre. No demuestra que toda historia larga sea sincera.

La ventaja práctica de un detalle es que a veces permite comprobar algo. Una hora lleva a un registro; un lugar, a una grabación. El dato independiente puede apoyar o contradecir la versión. La seguridad de quien narra no cumple esa función.

Una mentira puede estar rodeada de información auténtica, y una respuesta verdadera puede ser breve porque la pregunta era concreta. Antes de contar detalles, identifica qué afirmación está en disputa. De lo contrario, una descripción abundante de otra cosa puede dar sensación de comprobación sin resolver nada.

Dos errores que no conviene mezclar

Un método puede dejar escapar una mentira o señalar como mentira una respuesta verdadera. Mejorar el primer problema no garantiza mejorar el segundo. Si empieza a sospechar de todo, encontrará muchas mentiras, pero también producirá muchas acusaciones equivocadas.

La sensibilidad cuenta qué proporción de relatos falsos detectó. La especificidad cuenta qué proporción de relatos verdaderos dejó correctamente sin señalar. Cada indicador utiliza su propio grupo como denominador.

También hay que mirar los casos sin decisión. Excluirlos puede ser razonable, pero entonces el porcentaje describe únicamente los casos resueltos. Para valorar el uso del método necesitas conocer cuántas veces no pudo responder. La incertidumbre reconocida no debería desaparecer del informe.

Dieciocho aciertos y treinta y seis falsas alarmas

Hagamos una cuenta inventada. Hay 200 relatos: 20 falsos y 180 verdaderos. Un método hipotético detecta el 90% de los falsos y deja pasar correctamente el 80% de los verdaderos. No estamos describiendo un producto real ni suponiendo que esa sea la frecuencia de mentira en la vida diaria.

Detectaría 18 relatos falsos y perdería dos. Entre los verdaderos, dejaría pasar 144 y señalaría por error 36. Habría 54 alertas, de las que solo 18 ÷ 54, aproximadamente 33,3%, corresponderían a relatos realmente falsos.

El acierto global sería (18 + 144) ÷ 200 = 81%. Es compatible con que dos de cada tres alertas sean falsas alarmas. Una cosa es acertar entre todos los relatos y otra acertar entre los señalados. Si cambian las condiciones, cambia la cuenta; el ejemplo no da una probabilidad para una persona concreta.

Una diferencia media deja casos mezclados

Supón dos grupos con valores 1, 2, 3 y 2, 3, 4. Sus medias son distintas, pero un valor de 2 o 3 aparece en ambos. Es un ejemplo aritmético, no un experimento de detección.

Encontrar que una conducta es más frecuente en un grupo puede ser valioso. Para decidir a qué grupo pertenece una persona, sin embargo, hay que probar una regla y contar sus errores en material nuevo. La diferencia entre medias no entrega ese resultado automáticamente.

También conviene distinguir una conducta asociada a mentir de una conducta asociada a que otros sospechen. La segunda relación puede explicar un prejuicio de los observadores. No basta para demostrar que el indicio era correcto.

Personas nuevas, no solo archivos nuevos

Un programa puede entrenarse con grabaciones de ciertas personas y examinarse con otros fragmentos de esas mismas personas. Ha recibido archivos distintos, pero quizá no voces ni caras desconocidas.

Podría aprender rasgos de una cámara, de una habitación o del propio hablante que coincidan por casualidad con las etiquetas. Para una promesa de funcionamiento con personas nuevas, esas personas deben quedar fuera del entrenamiento. Para otro idioma o entorno se necesita una evaluación adecuada a esa diferencia.

Mil fragmentos de una entrevista siguen procediendo de una entrevista. Más observaciones pueden ayudar, pero no sustituyen mil situaciones independientes. Preguntar cómo se separaron los datos puede revelar más que el tamaño anunciado del conjunto.

Qué pasa si otro equipo repite la prueba

Luke examinó en 2019 cómo las muestras pequeñas, la escasa repetición y la publicación selectiva pueden exagerar los indicios. No equivale a demostrar que todos sean inútiles. Obliga a comprobar cómo llegó a publicarse el resultado.

Si se prueban muchas combinaciones y solo se comunica la mejor, el lector desconoce las oportunidades de acertar por casualidad. Registrar de antemano las decisiones principales permite distinguir una prueba prevista de una explicación elegida después.

Repetir el estudio con otro material es una oportunidad de comprobar la idea, incluso de refutarla. Además, las personas pueden preparar respuestas o mezclar hechos reales con una invención. No sabemos cuánto cambia el rendimiento por cada dificultad hasta que se estudia.

La pieza prestada y el registro del museo

Imagina una historia ficticia: una asociación devuelve una pieza prestada para una exposición. Quien la entregó dice que volvió el viernes, pero el inventario tiene fecha del lunes. Su explicación suena convincente; una herramienta automática la marca como mentira.

Primero comprueba qué fecha representa el inventario. La llegada física, la inspección y la anotación pueden ocurrir en momentos diferentes. También puede existir un error de número o una entrega incompleta. Nada de eso se resuelve eligiendo entre la cara de la persona y el programa.

Si el justificante corresponde a otra pieza, hay una contradicción concreta que explicar. Aun entonces, hay que averiguar qué sabía quien habló y qué quiso decir. Una discrepancia y un engaño deliberado no son el mismo hallazgo.

Lo que debería acompañar al porcentaje

Busca la tarea, la forma de establecer la verdad, los dos errores y los casos sin decisión. Después pregunta si participaron personas nuevas y si el resultado se repitió en condiciones parecidas a las prometidas.

Un resultado modesto puede servir para obtener mejores preguntas o datos comprobables. La seriedad de una investigación se ve también en lo que reconoce que falta. Si el porcentaje aparece separado de todo eso, todavía no tienes motivos para convertirlo en una conclusión sobre alguien.