DISEÑO DE UNA HERRAMIENTA CUANTITATIVA DE PREDICCIÓN DE DESEMPEÑO HUMANO

BASADA EN LA METODOLOGÍA CREW RESOURCE MANAGEMENT PARA LA INDUSTRIA

COLOMBIANA

Ing. Luz Melba González Beltrán, M.Sc.

INTRODUCCIÓN
La presente propuesta está enfocada en el diseño de una metodología que integra los conceptos
de Crew Resource Management (CRM), macroergonomía, modelación y optimización desde las
herramientas propias de la Ingeniería Industrial. En la actualidad, la predicción del desempeño es
una de las herramientas existentes para determinar con un cierto nivel de certidumbre el
rendimiento futuro de los procesos bajo la influencia de determinados factores, como la calidad
del equipo de trabajo y el ambiente laboral. En particular, los trabajos relacionados con esta
temática han adaptado modelos de comportamiento y desempeño de equipos, haciendo especial
énfasis en el empleo de técnicas de evaluación y medición reconocidas, tales como HEART (Human
Error Assessment and Reduction Techniques) y CREAM (Cognitive Reliability and Error Analysis
Method). Otros trabajos se han centrado en el análisis de factores individuales, habilidades de
trabajo en equipo, integridad y efectividad de los canales de comunicación existentes en un
equipo de trabajo. El uso combinado de técnicas y conceptos ha dado lugar al diseño de modelos
de predicción, que han tenido difusión en el ámbito internacional, mientras que en Latinoamérica
y en Colombia son escasos o inexistentes los estudios enfocados en el diseño de una herramienta
cuantitativa que permita pronosticar el desempeño a corto, mediano y largo plazo de un grupo de
trabajo en particular, sujeto a una serie de factores que condicionan el logro de las metas y
objetivos en una organización. En virtud de este hecho, la presente investigación tiene por
objetivo diseñar una herramienta cuantitativa que permita predecir el desempeño de un equipo
de trabajo en función de los factores individuales y las condiciones propias del ambiente laboral,
integrando conocimientos de áreas tan importantes como Ergonomía Industrial, Diseño de
Experimentos, Optimización, Teoría de la Decisión, Simulación y Procesos Estocásticos.
ANTECEDENTES
MACROERGONOMÍA
La macroergonomía es definida como el diseño de sistemas de trabajo que involucra factores
como las innovaciones organizacionales, la relación humana con el trabajo y la tecnología, el
ambiente interno y cultural, la eficiencia y la implementación de la automatización como el medio
más eficaz de producción (Kleiner, 2006). En función de estos factores se han evidenciado cambios
significativos en cuanto a la tecnología y la complejidad de los sistemas de trabajo actuales, por lo
cual la macroergonomía ha surgido como fuente de metodologías refinadas de análisis y diseño
que integran principios y perspectivas desde el punto de vista de la psicología organizacional y la
psicología del trabajo (Hendrick y Kleiner, 2001).

Una de las metodologías más reconocidas es el Análisis y Diseño Macroergonómico (MEAD, por
sus siglas en inglés), usada especialmente en ambientes industriales (Hendrick, 2002) y basada en
los aportes de Emery y Trist (1978), Taylor y Felton (1993) y Clegg y colegas (1989). Esta
metodología sugiere la aplicación de diez pasos para realizar un análisis y diseño adecuado de un
sistema de trabajo, teniendo en cuenta elementos clave como la naturaleza de los procesos y las
variaciones de desempeño:

1. Exploración del sistema de diseño organizacional y de ambiente laboral en la organización.

2. Definición de los tipos de sistemas de producción y expectativas de desempeño
3. Definición de unidades operacionales y procesos de trabajo
4. Identificación de variaciones entre expectativas de desempeño y desempeño real
5. Diseño de matrices de variación
6. Diseño de tabla de control de variaciones y red de roles en la organización
7. Exploración y definición de asignación de funciones
8. Comprensión de percepciones en relación con los roles organizacionales y sus
responsabilidades
9. Diseño de subsistemas de soporte e interfaces
10. Implementación, ajuste y mejoramiento.

La Herramienta de Análisis de Sistemas, por su parte, es usualmente empleada en ambientes de

oficina y se enfoca en el análisis de unidades de negocio o de departamento, donde los elementos
principales son la misión y objetivos de negocio, así como las metas individuales y grupales que
soportan dicha misión y objetivos (Hendrick y Kleiner, 2002). Esta herramienta involucra la puesta
en práctica de seis pasos:

1. Definición del problema mediante un árbol de factores.

2. Definición de objetivos, desarrollo de una tabla de criterios de evaluación y formulación de
alternativas mediante un árbol de objetivos/actividades.
3. Modelación de alternativas mediante un diagrama de flujo de entradas y salidas.
4. Evaluación de alternativas mediante Análisis de Costo/Beneficio.
5. Selección de alternativas mediante tablas de decisión.
6. Planeación para implementación, evaluación y ajuste: programación y flujo de
administración de proyectos.

Desde la perspectiva de estas metodologías, la efectividad de un sistema de trabajo se mide por el

grado de ajuste entre los factores que condicionan el ambiente de trabajo, la tecnología y el factor
humano (Pasmore, 1988). En tal sentido, la macroergonomía propende por un diseño optimizado
y armónico, sustentado en la existencia de un conjunto consistente de reglas abstractas que
permiten eliminar la incertidumbre en relación con las diferencias individuales en el desempeño
de tareas (Hendrick y Kleiner, 2002). Estas diferencias individuales obedecen a un conglomerado
de comportamientos individuales y colectivos que condicionan y a su vez hacen posible que la
organización logre alcanzar sus metas a nivel operativo y organizacional (Hendrick y Kleiner, 2002).
Se habla entonces de una complejidad inherente al sistema de trabajo, donde es posible
identificar patrones de segmentación en la organización, así como mecanismos de formalización
de vínculos entre los diferentes segmentos y concentración de autoridad en determinados niveles
de la organización (Pasmore, 1988). La existencia de estos elementos corresponde a un sistema
sociotécnico donde existen interacciones de orden físico, cognitivo y psicosocial, así como una
estrecha relación entre el lugar de trabajo (antropometría, biomecánica y procesamiento de
información) y la organización del sistema de trabajo (diseño de procesos y trabajo en equipo)
(Carayon, 2006). Estas relaciones han sido estudiadas y aplicadas en contextos de administración
de salud (Nichols y colegas, 2004; Karsh y Brown, 2010; Vidal y colegas, 2012; Ferris, 2013;
Samaras, 2005), manufactura (Claire y Albayrak, 2004; Maldonado y colegas, 2013; Koyuncu y
colegas, 2011; Cornelly de de Macedo, 2012; García y Lange, 2008; Neumann y colegas, 2009;
Bohdana y Waldemar, 2014; Renner y colegas, 2012; Sherehiy y Karwowski, 2014; Bitencourt y de
Macedo, 2012; Mejía y Huaccho, 2012; Cristiane y colegas, 2012; Pacholsky y colegas, 2011; Moro,
2009; Haro y Kleiner, 2008; Robertson y colegas, 2008), administración (Gaudart y colegas, 2012;
de Gois y Matos de Carvalho, 2012; Caldwell, 2008; Coelho y colegas, 2012; Venda y Hendrick,
1994; Kleiner y Brian, 1998), tecnología (Claire y Albayrak, 2007; Robertson y colegas, 2012;
Kleiner, 2004), ingeniería ambiental (Murphy y colegas, 2014) y energía (Azadeh y colegas, 2006 ).

En el estudio de estas relaciones es usual el empleo de métodos ergonómicos, los cuales pueden
clasificarse como métodos analíticos y métodos evaluativos. Los métodos analíticos se enfocan en
la comprensión de los mecanismos y procesos propios de un sistema de trabajo, mientras que los
métodos evaluativos conciernen a la medición de parámetros específicos en el sistema (Phipps y
colegas, 2011). En tal sentido, la clasificación propuesta por Annett (2002) hace especial énfasis en
la modelación de actividades asociadas a la realización de una tarea, lo cual es catalogado como
una característica propia de las técnicas analíticas (Phipps y colegas, 2011). Esto implica que el
valor de herramientas tan importantes como el Análisis Jerárquico de Tareas (AHT, por sus siglas
en inglés) se entiende mejor en términos de su capacidad para proporcionar información útil sobre
el objeto de interés en lugar de su conformidad con los estándares psicométricos de fiabilidad y
validez (Phipps y colegas, 2011). Los métodos evaluativos, por su parte, están sujetos a criterios
psicométricos, lo cual va en contravía de la alta validez predictiva y baja confiabilidad de algunos
estudios (Phipps y colegas, 2011).

Ante esta perspectiva, se hace necesario realizar evaluaciones de sistemas de trabajo en términos
de consistencia y precisión para determinar la verdadera naturaleza de estos sistemas en relación
con su capacidad para develar información cualitativa confiable (Phipps y colegas, 2011). Una
muestra de ello es el estudio realizado por Phipps y colegas (2011), en el cual se evaluó
empíricamente un sistema de trabajo bajo el enfoque analítico y evaluativo, llegando a la
conclusión que los métodos empleados tienen una mayor utilidad en la estructuración del análisis
acerca de un sistema que en la obtención de resultados confiables en materia de medición y
predicción, por lo cual se sugiere que las futuras investigaciones en este campo se centren en la
identificación y análisis de factores que influyen en la confiabilidad de los métodos empleados y el
efecto de diversas fuentes de información en los resultados finales (Phipps y colegas, 2011). En tal
sentido, la evolución de la ergonomía ha supuesto la puesta en práctica de conceptos y
herramientas propios de esta disciplina, que junto con herramientas de modelación y predicción
han permitido formular soluciones cuantitativas de mejor calidad en términos de poder analítico y
predictivo, incluyendo las auditorías de seguridad, los programas de entrenamiento y la
integración con otros elementos como seguridad, salud y ambiente.

Salud, Seguridad, Ambiente y Ergonomía (HSEE)

El concepto integral de Salud, Seguridad, Ambiente y Ergonomía (HSEE, por sus siglas en ingles)
tiene su principal aplicación en el diseño de sistemas de trabajo, lo cual implica lograr un equilibrio
entre las características del trabajador y las demandas propias de cada proceso (Azadeh y colegas,
2008). Un significativo número de estudios han demostrado los efectos positivos de la aplicación
de los principios ergonómicos en el lugar de trabajo mediante la generación de datos y directrices
para el diseño de aplicaciones industriales (Azadeh y colegas, 2008).

La consecuencia directa de la aplicación de estas directrices ha sido la adopción de un estilo de

vida seguro y la optimización de la relación entre hombre y máquina para el logro de la mayor
eficiencia (Azadeh y colegas, 2008). Bajo este principio, las aplicaciones ergonómicas han ganado
significativo impulso en países desarrollados, enfocándose cada vez más en el adecuado manejo
de la incertidumbre asociada a eventos inesperados en un sistema (Azadeh y colegas, 2008).
Bajo este enfoque han surgido herramientas importantes para la evaluación de tareas (EIAS, por
sus siglas en inglés), investigación de problemas (PWSI, por sus siglas en inglés) y manipulación de
materiales (DJAS, por sus siglas en inglés) (Azadeh y colegas, 2008). Por su parte, Coakes y colegas
(2007) han realizado un importante aporte en relación con la creación de sistemas expertos para
diseño ergonómico de tareas (ALFIE, por sus siglas en inglés), más enfocado en aspectos físicos
que en aspectos cognitivos y comportamentales (Azadeh y colegas, 2008).

Desde el punto de vista de seguridad, los programas HSEE usualmente resultan muy útiles en la
reducción de lesiones en el lugar de trabajo, prevención de problemas de salud y minimización de
efectos severos en el ambiente (Azadeh y colegas, 2013). Al respecto, se conocen múltiples
trabajos enfocados en la implementación de controles internos, la puesta en marcha de acciones
para la optimización de la relación entre ergonomía y factores tales como las condiciones de
trabajo, la implementación de normas de gestión de calidad, mejoramiento continuo y el diseño
de modelos macroergonómicos integrados (Azadeh y colegas, 2013).
Programas de entrenamiento en ergonomía
La adopción de programas de entrenamiento en ergonomía es una medida muy valorada en el
entorno empresarial para la implementación de medidas orientadas a la reducción de lesiones y
accidentes en el ambiente de trabajo (Querelle y colegas, 2012; Yuan, 2012; Korunka y colegas,
2010). Estos programas no sólo están enfocados en educar, sino también en involucrar al personal
en la identificación, análisis y resolución de problemas ergonómicos (King y colegas, 1997). En tal
sentido, Korunka y colegas (2010) identificaron los principales factores que afectan la
calidad de los resultados en los programas de entrenamiento en ergonomía, entre ellos el
contenido, el ambiente de trabajo y las características personales de los entrenadores (Korunka y
colegas, 2010). Aunque dicho estudio ofrece un análisis significativo en torno a estos factores, el
diseño de la investigación fue de tipo transversal, por lo cual su potencial fue limitado al momento
de establecer relaciones de causalidad entre las variables involucradas (Korunga y colegas, 2010).
Adicionalmente, algunos de los constructos en los que se basa el estudio tienen una baja
confiabilidad, mientras que el diseño metodológico aplicado permitió realizar una evaluación
parcial de las condiciones de éxito de un programa de intervención orientado a la prevención de
riesgos ergonómicos (Korunga y colegas, 2010).

Auditorías de seguridad
Las auditorías de seguridad en los sistemas de trabajo se constituyen en un importante método
para medir el efecto de potenciales errores existentes en el sistema antes de manifestarse sus
consecuencias en el entorno de trabajo (Hsiao y colegas, 2013). En particular, es reconocido el
gran valor de las herramientas de auditoría que son validadas frente al desempeño real del
sistema (Hsiao y colegas, 2013); en la práctica, no es frecuente que dichas herramientas sean
validadas en relación con su capacidad para predecir el comportamiento futuro de un sistema de
trabajo en materia de seguridad (Hsiao y colegas, 2013). Asimismo, el concepto de error humano
no es considerado y adoptado en los sistemas de auditoría (Hsiao y colegas, 2013), mientras que
cada vez es más relevante el análisis y predicción de errores humanos en la valoración de la
seguridad de los sistemas productivos, bajo la influencia de un marco integral que permita analizar
e involucrar las influencias organizacionales, las condiciones asociadas a actos inseguros, la
supervisión insegura de los procesos y violaciones a las reglas que rigen los procesos (Hsiao y
colegas, 2013).
ADMINISTRACIÓN DE RECURSOS DE CABINA O DE TRIPULACIÓN (CREW RESOURCE
MANAGEMENT)
La Administración de Recursos de Cabina o de Tripulación (Crew Resource Management o CRM
por sus siglas en inglés) es definida como el conjunto de procedimientos de entrenamiento para su
uso en ambientes de trabajo donde el error humano puede llegar a tener consecuencias
devastadoras (Diehl, 2013). Este concepto también se ha dado a conocer como la efectiva
utilización de todos los recursos disponibles (información, equipo y personas) para alcanzar
elevados niveles de eficiencia y seguridad en las operaciones aéreas (Hedge y colegas, 2009),
tomando en consideración habilidades tan importantes como la comunicación, la resolución de
problemas, la toma de decisiones, habilidades interpersonales y liderazgo (Hedge y colegas, 2009).

A nivel cognitivo y ergonómico, a este concepto se le relaciona con habilidades como el

procesamiento de la información, el manejo del error humano, la fatiga y la carga de trabajo, la
comunicación y la coordinación y desempeño de equipos de trabajo (Petitt, 2012). A nivel práctico,
son conocidas sus aplicaciones en áreas críticas de la actividad humana como el control de tráfico
aéreo, conducción y maniobra de equipo marítimo, extinción y control de incendios y realización
de intervenciones quirúrgicas (Diehl, 1994), lo cual también ha dado lugar a la realización de
trabajos de investigación orientados al diseño de programas de entrenamiento para asistentes de
vuelo (Ritzman y colegas, 2011), diseño de instrumentos de medición y evaluación de aptitudes,
conocimientos, comportamiento y eficacia para selección de personal (Kirkpatrick, 1976; Ford,
2014), tales como SADIE (Ford, 2014), FSAQ (Flight Safety Attitudes Questionnaire, por sus siglas
en inglés) (Ford, 2014), la puesta en marcha de ejercicios de entrenamiento para pilotos (LOFT,
Line Orientated Flying Training por sus siglas en inglés) (Ford, 2014) y el desarrollo de
metodologías para la medición de diferencias individuales y grupales en un entorno de
desempeño de equipos de trabajo bajo la filosofía CRM (Hedge y colegas, 2009).

Un enfoque particular en torno a estas metodologías está centrado en la predicción de

desempeño, que en el campo de la psicología de la aviación ha tenido un papel preponderante y
ha permitido diseñar instrumentos que han mostrado alta efectividad en materia predictiva
basados en la obtención y análisis de datos biológicos, cognitivos y psicomotores (Hedge y
colegas, 2009). En tal sentido, una de las metodologías más promisorias es la Prueba de Juicio
Situacional (SJT, por sus siglas en inglés), en la cual se confronta a los participantes con una serie
de situaciones relevantes asociadas a su trabajo y se les presentan diferentes alternativas, de las
cuales deben seleccionar las más efectivas y las que resultarían menos efectivas en cada situación
(Hedge y colegas, 2009). Aunque esta metodología ha demostrado ser útil en la predicción de
desempeño en cargos gerenciales o de supervisión, otras aplicaciones incluyen la rotación de
personal en agencias de seguros, predicción del éxito en cargos asociados a ventas telefónicas y
rendimiento en el trabajo policial (Hedge y colegas, 2009). En estos campos de aplicación resultan
de gran importancia aspectos como la comunicación, el adecuado manejo de la carga de trabajo,
el procesamiento de la información, la confiabilidad individual y de grupo y la toma de decisiones.

Procesamiento de la información
De acuerdo con el modelo planteado por Wickens (1984), el procesamiento de información en las
personas se lleva a cabo mediante una secuencia de tres estados principales: la percepción, la
cognición y la generación de una respuesta en relación con la información procesada (Lin y
colegas, 2013). El procesamiento de la información comienza cuando el sistema de percepción en
el ser humano transforma de forma instántanea los estímulos en categorías específicas de
información, las cuales son el insumo para el proceso de cognición, en el cual participa el
razonamiento, la atención, la capacidad de decisión y la memoria (Lin, 2013). Del proceso de
razonamiento y de toma de decisiones surge entonces un curso de acción o respuesta, que puede
ser de tipo manual o vocal (Wickens, 1984). En función del tipo de tarea o actividad que lleve a
cabo la persona es posible establecer una comparación entre la demanda de carga mental que
exige dicha actividad y la habilidad del operario o trabajador para suplir esta demanda con sus
propios recursos (Lin, 2013). Bajo esta premisa, la carga mental es un atributo del procesamiento
de la información que media entre el estímulo, las reglas propias de un sistema de trabajo y la
respuesta obtenida por parte del trabajador (Lin, 2013). En consecuencia, la carga mental tiende a
incrementarse cuando los recursos de atención de la persona son deficientes, lo cual conduce a
que el operario cometa algún error durante la realización de una tarea (Lin, 2013).

En relación con la capacidad y habilidad del ser humano para procesar información, autores como
Lord y Maher (1991) han planteado modelos reconocidos, entre ellos el modelo racional, el
modelo experto, el modelo cibernético circular de seis etapas y el modelo de capacidad limitada.
Estos modelos se basan en distintos supuestos, entre ellos la capacidad ilimitada de
procesamiento de información en el ser humano (útil en modelos de optimización de
procesamiento de información), las diferencias de capacidad entre expertos y novatos, el carácter
dinámico del procesamiento en función del tiempo y la naturaleza cognitiva en la aplicación de
esquemas pre-existentes (Epitropaki, 2013).

Confiabilidad humana
La confiabilidad humana es definida como la probabilidad de que una persona realice
correctamente las actividades requeridas por el sistema en un tiempo definido de tiempo (Swain y
Guttmann, 1983). Para la medición de la confiabilidad se han propuesto diversos métodos, entre
ellos el Análisis de Confiabilidad Humana (Human Reliability Analysis), THERP (Technique for
Human Error Rate Prediction), SLIM (Success Likelihood Index Methodology), ATHEANA (A
Technique for Human Error Analysis) y CREAM (Cognitive Realiability and Error Analysis Method).
Los trabajos más recientes en el campo de la ingeniería industrial se han enfocado en la evaluación
de confiabilidad en la industria petrolera (Noroozi y colegas, 2014), métodos de trabajo (Su y
colegas, 2014), aviación y transporte (Kirwan y colegas, 2008; Taga y colegas, 2012; Calhoun y
colegas, 2014; Calhoun y colegas, 2013), integración con conceptos como la lógica difusa y redes
bayesianas (Podofillini y Dang, 2013; Martins y Maturana, 2013; Groth y Mosleh, 2012) y análisis
de riesgo (Verbano y Turra, 2010; Vaurio, 2009).

Gestión de carga de trabajo

La carga de trabajo y su adecuado manejo depende de la naturaleza de las tareas a realizar, las
circunstancias en las que se llevan a cabo dichas tareas y las características del trabajador o
persona que tiene la responsabilidad de culminarlas exitosamente (Viser y colegas, 2014). Para
evaluar los niveles de carga de trabajo se han elaborado estudios recientes centrados en métodos
observacionales y de seguimiento (Gao y colegas, 2013; Viser y colegas, 2014; Kamzanova y
colegas, 2014), autoreportes (de Waard y colegas, 2014), modelación y predicción (Guastello y
colegas, 2014; Neal y colegas, 2014; Pérez y colegas, 2014).
Toma de decisiones
La toma de decisiones es el proceso cognitivo asociado a la evaluación y selección de un curso de
acción entre diferentes alternativas (Monarth, 2013). De igual manera, en el proceso de toma de
decisiones la decisión puede sesgarse de su objetivo y conducir a resultados no óptimos
(Wickham, 2006). Este sesgo puede presentar un comportamiento incierto, aleatorio y persistente,
el cual puede surgir por el uso de atajos al momento de tomar decisiones (Wickham, 2006). Estos
atajos son denominados heurísticas, las cuales hacen referencia a los sesgos usualmente
observados por analistas y estrategas: representatividad, disponibilidad, anclaje, exceso de
confianza y confirmación (Wickham, 2006). La representatividad hace referencia a los juicios de
quien toma la decisión, basados en su experiencia (Wickham, 2006), mientras que el sesgo de
disponibilidad se basa en la valoración o juicio que se hace sobre un objeto, situación o evento y
que depende de qué tan fácilmente pueda ser asociado mentalmente o memorizado (Wickham,
2006). En tal sentido, tiene un papel importante el anclaje o uso de información espuria o
irrelevante para la emisión de un juicio y la toma de una decisión, así como el exceso de confianza,
que altera el procesamiento de información en el cerebro, llevando a una visión extremadamente
optimista en relación con las propias capacidades, el conocimiento adquirido, la habilidad para
realizar juicios y predecir el comportamiento propio y de otras personas (Wickham, 2006).

Conciencia situacional
Este concepto hace referencia al conocimiento del trabajador en relación con su entorno y lo que
está sucediendo a su alrededor, aspecto fundamental para efectuar correctivos en la toma de
decisiones y en la definición y puesta en marcha de cursos de acción (Stanton, 2001). Los estudios
alrededor de este tema se han enfocado en estudios observacionales y estadísticos en relación con
situaciones de emergencia (Seppanen y colegas, 2013) y el desarrollo de sistemas de soporte e
interacción (Luokkala y Virrantaus, 2014; Sorensen y Stanton, 2013; O’Brien y O’Hare, 2007).

Trabajo en equipo
Algunos investigadores argumentan que los diferentes tipos de equipo en las organizaciones se
caracterizan por poseer numerosos atributos. En virtud de estas diferencias, los administradores
de factores humanos suelen emplear diferentes enfoques al manejar diversidad de equipos de
trabajo (Colbert y colegas, 2008; Scott-Young y Samson, 2008), de los cuales da cuenta la literatura
científica (Agrawal, 2012; Rutti y colegas, 2012; Ibrahim y colegas, 2012; Santos y colegas, 2013;
Cruz-Ortiz y colegas, 2013; Jaca y colegas, 2013; Bhat y colegas, 2012). Sin embargo, los estudios
relacionados con la administración de personal en términos operacionales han sido escasos,
resaltando muy especialmente el aporte de Bendoly y colegas (2010), en el cual se hace referencia
a la dinámica de grupo como uno de los principales determinantes en la generación de
conocimiento en torno al comportamiento y desempeño de procesos (Lee y colegas, 2013).

CONCEPTOS Y HERRAMIENTAS
Lógica difusa
La lógica difusa es un concepto que ha surgido de la necesidad de describir y modelar procesos
complejos, no lineales y que involucran definiciones y conceptos imprecisos y subjetivos
(Munárriz, 1994). En particular, el término de sistemas difusos fue propuesto por Zadeh en el año
1965 y fue ampliamente utilizado para abarcar el concepto de imprecisión e integrar cierto grado
de incertidumbre a la descripción de un sistema (Yang y colegas, 2001). En este campo, se
reconoce la utilidad de métodos y formulaciones matemáticas para caracterizar e investigar
diversos tipos de incertidumbre, la cual es reconocida como parte integrante de la teoría de los
conjuntos difusos y de la lógica difusa (Yang y colegas, 2001). Dicha lógica difusa puede ser
aplicada al proceso de toma de decisiones (Wickham, 2006).

Redes neuronales
Las redes neuronales son sistemas concebidos como abstracciones de la estructura cerebral
observada en el ser humano, donde tienen un papel preponderante las conexiones existentes
entre elementos, el intercambio de información y las características propias de estas conexiones
(Kumar, 2004). Las principales aplicaciones de este concepto en el campo de la ingeniería
industrial se han relacionado con el desarrollo de algoritmos y métodos de pronóstico y predicción
de carga asociada al trabajo en sistemas complejos y diseño de sistemas expertos (Azadeh, 2013).
Técnicas de evaluación de confiabilidad humana
Otra de las herramientas más utilizadas para el análisis de desempeño y la minimización del error
humano es el Análisis de Confiabilidad Humana (HRA, por sus siglas en inglés), el cual usualmente
es complementado por la Evaluación de Riesgo Probabilístico (PRA, por sus siglas en inglés) (Boring
y colegas, 2010). Otras técnicas reconocidas son ATHEANA (A Technique
for Human Error Analysis), CESA (Comission Errors Search and Assessment), MDTA (Misdiagnosis
Tree Analysis), THERP (Technique for Human Error Rate Prediction), SPAR-H (Standardized Plant
Analysis Risk-Human Reliability Analysis), HEART (Human Error Assessment and Reduction
Techniques) y HRA Calculator, que combinan el criterio de expertos con datos empíricos y
permiten obtener probabilidades de error que se constituyen en valores de referencia para la
estandarización de tareas y para el respectivo análisis bajo condiciones específicas (Podofillini y
Dang, 2013).

Redes Bayesianas de Confiabilidad (BBN)

Las Redes Bayesianas de Confiabilidad (BBN) han representado un avance significativo,
centrándose en el establecimiento de relaciones de causalidad entre los factores asociados a las
probabilidades de error, la base empírica de los datos, el tratamiento dado a los criterios de
expertos, la incorporación rigurosa de datos empíricos y la implementación de modelos teóricos
(Podofillini y Dang, 2013).

Métodos de Monte Carlo

Los métodos de Monte Carlo han demostrado eficacia en la determinación de la confiabilidad de
sistemas complejos (Rajabalinejad, 2010). Estos métodos incluyen los esquemas de optimización
de varianzas para la mejora de la eficiencia computacional (Rajabalinejad, 2010). La simulación de
Monte Carlo es ampliamente considerada como la alternativa más robusta y el método más
aplicable para la realización de análisis de confiabilidad en el campo de la ingeniería
(Rajabalinejad, 2010). La principal ventaja es la ausencia de errores sistemáticos durante la
realización de las simulaciones; sin embargo, en el caso de modelos complejos se requiere un gran
número de corridas y cada ejecución implica un análisis de elementos finitos y otros
procedimientos que demandan cantidades ingentes de tiempo (Rajabalinejad, 2010). En
contraparte, los métodos de reducción de varianzas suelen ser útiles para la reducción de los
costos de simulación (Rajabalinejad, 2010). En tal sentido, Rajabalinejad (2010) propuso un
método para acelerar el proceso de simulación y predecir con mayor precisión la respuesta de un
modelo (Rajabalinejad, 2010). La implementación de este método se sustenta en la aplicación de
una técnica bayesiana que involucra el uso de una función de densidad de probabilidad y un
determinado nivel de tolerancia para determinar la precisión de la predicción resultante
(Rajabalinejad, 2010). El resultado es la evaluación de información prioritaria conforme avanza la
simulación, teniendo en cuenta la proximidad entre los puntos considerados (Rajabalinejad, 2010),
lo cual se traduce en una mayor rapidez para la obtención de resultados preliminares de
evaluación.

Redes Bayesianas Difusas

Groth y Swiler (2013) han desarrollado una variante del método SPAR-H a partir del uso de redes
bayesianas, lo cual dio como resultado un método robusto que permite la retroalimentación
involucrando diversas fuentes de información organizacionales. Adicionalmente, Peng-cheng y
colegas (2012) propusieron una variante de este modelo ( la red bayesiana difusa) para mejorar la
cuantificación de las influencias organizacionales en el desempeño humano. En primer lugar, los
autores elaboraron un marco conceptual causal para analizar las relaciones entre posibles factores
organizacionales y el error humano asociado (Peng-cheng y colegas, 2012). A partir de este marco
se procedió a diseñar un modelo de inferencia de probabilidad, involucrando la combinación de
todas las potenciales causas (Peng-cheng y colegas, 2012). Sin embargo, dicho estudio no
consideró algunos factores que podrían resultar relevantes en un contexto determinado y su
robustez y validez puede ser mejorada a través de la aplicación de técnicas complementarias como
la simulación para mejorar medidas clave como la incertidumbre probabilística y la imprecisión
(Peng-cheng y colegas, 2012).

En particular, la incertidumbre probabilística y la imprecisión en las estimaciones de

probabilidades HEP requieren de un manejo adecuado en materia de modelación y cuantificación
para la obtención de resultados realistas al momento de realizar predicciones del comportamiento
y confiabilidad de los sistemas de ingeniería (Beer y colegas, 2013). Por esta razón, Beer y colegas
(2013) han propuesto un marco complementario para el manejo de probabilidades imprecisas, las
cuales incluyen información probabilística y no probabilística. En particular, las probabilidades
imprecisas han sido objeto de estudio en lo que respecta a la aplicación de lógica difusa, intervalos
de incertidumbre y otros aspectos relacionados (Beer y colegas, 2013). Sin embargo, en la práctica
de la ingeniería aún se emplean los métodos probabilísticos tradicionales, aunque acreditan baja
precisión y confiabilidad (Beer y colegas, 2013). Esta tendencia se debe a la necesidad de
desarrollar algoritmos eficientes y metodologías para su adecuada implementación, (Beer y
colegas, 2013) lo cual contribuirá a un mejoramiento de las bases científicas que sustentan los
métodos y modelos actuales.

METODOLOGÍA
Exploración
En esta fase se realizará un inventario de las herramientas y modelos disponibles en la literatura
para el posterior diseño de una herramienta robusta de predicción de desempeño de factores
humanos. El diseño de la metodología se centrará en la elaboración de un inventario básico de
variables, factores y elementos a considerar en esta investigación (Proyecto de Investigación
Doctoral I), el diseño de formatos para la recolección de datos (Proyecto de Investigación Doctoral
II), definición inicial de métodos de análisis a emplear (Proyecto de Investigación Doctoral II),
diseño de modelos y algoritmos, lenguajes y aplicaciones a utilizar para su implementación
computacional y la formulación de posibles alternativas de manipulación y organización de
información según la calidad y oportunidad de los datos a obtener.

Participantes
Los participantes de esta investigación serán personas vinculadas a algún sector productivo en
Colombia, representativos de los perfiles personales y profesionales identificados en algún sector
industrial o económico relevante en Colombia.

Diseño muestral
El presente proyecto es un estudio de corte transversal con un conjunto de entrevistas y
observaciones directas de personas pertenecientes a un equipo de trabajo y que se aplicarán en
distintas muestras con un diseño muestral probabilístico, de conglomerados, estratificado y
polietápico. Los grupos de trabajo y personas que los conforman serán analizados en sus perfiles
personales y profesionales mediante el empleo de muestras probabilísticas, de forma que sea
posible garantizar estimaciones válidas y no sesgadas de las características y relaciones a nivel
personal y grupal, con diferentes posibilidades de desagregación por variables individuales y
grupales y con determinados niveles de precisión. Los detalles pormenorizados de esta
configuración muestral se definirán mediante la realización de un estudio piloto en la asignatura
Proyecto de Investigación Doctoral II. Este estudio piloto será fundamental para el diseño de
formularios, pruebas piloto, trabajo de campo, estimación y definición de niveles de cobertura,
captura y depuración de información.

La selección y muestra estarán sujetas al cálculo de las probabilidades de selección en cada uno de
los momentos de realización del estudio piloto. Si las probabilidades resultarán ser desiguales, se
aplicarán ponderaciones correctoras para reducir o evitar los sesgos en la estimación de
resultados. El control de sesgos se realizará mediante la aplicación de ponderaciones de los
valores muestrales por el recíproco de la probabilidad final de las unidades de observación (grupos
y personas) o por un valor equivalente. Dicho recíproco permite corregir la desigualdad de las
proabilidades de selección, lo cual resultará útil para la realización de pruebas de hipótesis, análisis
multivariado y estimaciones insesgadas de las variables.

Los conglomerados que se obtendrán a partir del estudio piloto que tendrá lugar en el primer
semestre de 2015 se sustentarán en la aplicación del análisis cluster en conglomerados de k
medias y conglomerados jerárquicos de acuerdo a las variables y características más relevantes
identificadas en la exploración. El estudio de estas variables y características se realizará a través
de la aplicación de estadísticos descriptivos, análisis ANOVA, modelos de predicción y diseños
factoriales de experimentación.

La estratificación de las muestras, por su parte, se basará en las diferenciaciones y distinciones que
puedan establecerse entre los grupos e individuos susceptibles de considerarse en este estudio. La
obtención de perfiles individuales y grupales de los participantes tendrá lugar mediante la
aplicación de cuestionarios e instrumentos de medición validados en la literatura científica. Entre
los métodos validados por diversos autores se encuentra el análisis cluster de conglomerados de k
medias y conglomerados jerárquicos, el análisis discriminante y árboles de clasificación. Mediante
estos métodos será posible agrupar de manera estadísticamente significativa los grupos de trabajo
y personas que participen en este estudio. Este proceso de agrupación y clasificación se llevará a
cabo en dos etapas: muestreo probabilístico para selección de grupos y muestreo probabilístico
para selección de individuos en los grupos.

El trabajo de campo requerido para la obtención de información grupal e individual se sustentará

en la realización de entrevistas personales y observaciones directas de la interacción en equipos
de trabajo en diferentes etapas de un proceso productivo y de toma de decisiones. Toda la
información y los resultados que se deriven de ella tendrán en cuenta la representatividad de la
población analizada con niveles de precisión previsibles en el diseño muestral. Dicha precisión
usualmente varía en función del grado de desagregación de los resultados, que afecta el tamaño
de la muestra de cada subgrupo poblacional analizado, de la frecuencia de los fenómenos que
tienen lugar durante un proceso en la industria y la variabilidad asociada a los mismos. Todo el
comportamiento de las variables y la calidad de su medición será valorado mediante la
cuantificación del Error Estándar o Error de Muestreo, además de otros modelos o métodos
estadísticos que resulten pertinentes conforme a las características de la información recolectada.

Procedimiento de recolección de datos

La recolección de datos involucrará la participación de un equipo de trabajo lo más representativo
posible, con el cual se coordinará la realización del trabajo de campo y la participación de las
personas en la obtención de datos empíricos. De igual manera, participará un grupo de expertos,
cuyos juicios y criterios serán considerados en la aplicación y validación de las herramientas de
medición y predicción de desempeño actualmente existentes. La recolección de datos implicará el
uso de software especializado (Minitab, PASW 19, Microsoft Excel VBA, E-views, Atlas.ti) para el
adecuado diseño de las bases de datos y su posterior procesamiento. La duración de esta fase
dependerá del número de empresas involucradas en el estudio y la duración de las sesiones
requeridas para la recopilación de la información.

El procesamiento de información involucrará la aplicación de minería de datos para el análisis de

las variables obtenidas de las fuentes de información y el empleo de técnicas para el
establecimiento de numerosos tipos de relaciones entre las diferentes variables y factores. La
realización de esta fase requerirá del uso de software especializado (Minitab, PASW 19, Microsoft
Excel VBA y E-views).
En esta fase se implementarán diversidad de técnicas de modelación disponibles en la literatura
científica para su validación y la posterior verificación de resultados. Esta fase del trabajo se llevará
a cabo con el apoyo de asignaturas como Ergonomía Industrial, Diseño de Experimentos,
Optimización, Teoría de la Decisión, Simulación y Procesos Estocásticos. La puesta en marcha de
esta fase requerirá del empleo de software de simulación (Arena, Microsoft Excel VBA, Bizagi
Process Modeler y Bizagi Studio).

RESULTADOS/PRODUCTOS ESPERADOS
Los productos derivados de esta investigación son:
a) Metodología para el estudio y análisis integral de factores asociados al desempeño humano en
el contexto organizacional o empresarial.
b) Bases de datos para la continuidad futura de estudios de esta índole.
c) Modelo integral de lógica difusa estocástica para la predicción de desempeño humano variables
asociadas.
d) Herramienta robusta para la predicción de desempeño de equipos de trabajo.
e) Aplicación programada de la herramienta.
f) Artículos derivados del trabajo de campo y de los resultados de esta investigación.

BIBLIOGRAFÍA
Lehto, M. R., & Landry, S. J. (2012). Introduction to human factors and ergonomics for engineers.
Crc Press.

Hendrick, H. W., & Kleiner, B. M. (2002). Macroergonomics: An introduction to work system

design.

Adair, J. E. (2007). Decision making and problem solving strategies (Vol. 9). Kogan Page Publishers.

Kepner, C. H., & Tregoe, B. B. (1976). The rational manager; a systematic approach to problem
solving and decision making.
Agrawal, V. (2012). Managing the diversified team: challenges and strategies for improving
performance. Team Performance Management, 18(7/8), 384-400.

Diehl, A. (2013). Air safet investigators: using science to save lives-one crash at a time. Xlibris
Corporation.

Diehl, A. (1994). Crew resource management…it´s not just for flyers anymore. Flying safety. USAF
Safety Agency.

Azadeh, A., Rouzbahman, M., Saberi, M., Valianpour, F., & Keramati, A. (2013). Improved
prediction of mental workload versus HSE and ergonomics factors by an adaptive intelligent
algorithm. Safety Science, 58, 59-75.

Azadeh, A., Saberi, M., Rouzbahman, M., & Saberi, Z. (2012). An intelligent algorithm for
performance evaluation of job stress and HSE factors in petrochemical plants with noise and
uncertainty. Journal of Loss Prevention in the Process Industries.

Azadeh, A., Fam, I. M., Khoshnoud, M., & Nikafrouz, M. (2008). Design and implementation of a
fuzzy expert system for performance assessment of an integrated health, safety, environment
(HSE) and ergonomics system: The case of a gas refinery. Information Sciences, 178(22), 4280-
4300.

Bedford, T., Bayley, C., & Revie, M. (2013). Screening, sensitivity, and uncertainty for the CREAM
method of Human Reliability Analysis. Reliability Engineering & System Safety.

Beer, M., Ferson, S., & Kreinovich, V. (2013). Imprecise probabilities in engineering analyses.
Mechanical Systems and Signal Processing.

Bensi, M., Kiureghian, A. D., & Straub, D. (2012). Efficient Bayesian network modeling of systems.
Reliability Engineering & System Safety.
Berthelette, D., Leduc, N., Bilodeau, H., Durand, M. J., & Faye, C. (2012). Evaluation of the
implementation fidelity of an ergonomic training program designed to prevent back pain. Applied
Ergonomics, 43(1), 239-245.

Bhat, A. B., Verma, N., Rangnekar, S., & Barua, M. K. (2012). Leadership style and team processes
as predictors of organisational learning. Team Performance Management, 18(7/8), 347-369.

Bradley, B. H., Klotz, A. C., Postlethwaite, B. E., & Brown, K. G. (2013). Ready to rumble: How team
personality composition and task conflict interact to improve performance. Journal of Applied
Psychology, 98(2), 385.
Cruz-Ortiz, V., Salanova, M., & Martinez, I. M. (2013). Liderazgo transformacional y desempeno
grupal: unidos por el engagement grupalTransformational leadership and team performance:
Linked by teamwork engagement. Revista de Psicología Social, 28(2), 183-196.

Groth, K. M., & Mosleh, A. (2012). A data-informed PIF hierarchy for model-based human
reliability analysis. Reliability Engineering & System Safety.

Groth, K. M., & Swiler, L. P. (2013). Bridging the gap between HRA research and HRA practice: A
Bayesian network version of SPAR-H. Reliability Engineering & System Safety.

Hsiao, Y. L., Drury, C., Wu, C., & Paquet, V. (2012). Predictive models of safety based on audit
findings: Part 1: Model development and reliability.Applied Ergonomics.

Ibrahim, K. I., Costello, S. B., & Wilkinson, S. (2013). Key Practice Indicators of Team Integration in
Construction Projects: A Review. Team Performance Management, 19(3/4), 1-1.

Jaca, C., Viles, E., Tanco, M., Mateo, R., & Santos, J. (2013). Teamwork effectiveness factors in
healthcare and manufacturing industries. Team Performance Management, 19(3/4), 222-236.

John, B. E., Patton, E. W., Gray, W. D., & Morrison, D. F. (2012, September). Tools for Predicting
the Duration and Variability of Skilled Performance without Skilled Performers. In Proceedings of
the Human Factors and Ergonomics Society Annual Meeting (Vol. 56, No. 1, pp. 985-989). SAGE
Publications.

Korunka, C., Dudak, E., Molnar, M., & Hoonakker, P. (2010). Predictors of a successful
implementation of an ergonomic training program. Applied ergonomics, 42(1), 98-105.

Lee, P. K., To, W. M., & Yu, B. T. (2013). Team attributes and performance of operational service
teams: An empirical taxonomy development. International Journal of Production Economics,
142(1), 51-60.

Li, P. C., Chen, G. H., Dai, L. C., & Zhang, L. (2012). A fuzzy Bayesian network approach to improve
the quantification of organizational influences in HRA frameworks. Safety Science, 50(7), 1569-
1583.

Petit, K. (2012). Flight for Control. Jet Star Publishing Inc.

Phipps, D. L., Meakin, G. H., & Beatty, P. C. (2011). Extending hierarchical task analysis to identify
cognitive demands and information design requirements. Applied ergonomics, 42(5), 741-748.

Podofillini, L., & Dang, V. N. (2013). A Bayesian Approach to Treat Expert-Elicited Probabilities in
Human Reliability Analysis Model Construction.Reliability Engineering & System Safety.
Querelle, L., Duwelz, M., Beaujouan, J., & Pignault, A. (2012). Active participation in preventionist
professional practices: a specific ergonomics training course. Work: A Journal of Prevention,
Assessment and Rehabilitation, 41, 5189-5195.

Rajabalinejad, M. (2010). Bayesian Monte Carlo method. Reliability Engineering & System Safety,
95(10), 1050-1060.

Rutti, R. M., Ramsey, J. R., & Li, C. (2012). The role of other orientation in team selection and
anticipated performance. Team Performance Management,18(1/2), 41-58.
Santos, C. M., & Passos, A. M. (2013). Team mental models, relationship conflict and effectiveness
over time. Team Performance Management, 19(7/8), 5-5.

Sun, Z., Li, Z., Gong, E., & Xie, H. (2012). Estimating human error probability using a modified
CREAM. Reliability Engineering & System Safety, 100, 28-32.

Yuan, L. (2012). Reducing Ergonomic Injuries for Librarians Using a Participatory Approach.
Advances in Usability Evaluation, 20, 161.