# Exactitud y confianza en GenderAPI.io V2

> Comprende los tipos de confianza V2, los resultados desconocidos y cómo evaluar la exactitud. Esta guía no publica una tasa de exactitud medida.

Canonical HTML: https://www.genderapi.io/es/accuracy-methodology

Last reviewed: 2026-09-28

## ¿Qué indica una puntuación de confianza?

confidence describe las evidencias de una predicción concreta de V2. No mide la exactitud global del servicio ni determina la identidad de género de una persona. Interprétalo junto con confidence_kind, source y sample_count.

Esta guía explica el contrato de respuesta V2 y un método de evaluación propuesto. Las pruebas de contrato verifican el comportamiento del software; no son una evaluación de exactitud con etiquetas de referencia independientes. La fecha de revisión de la página no es una fecha de medición de exactitud.

El inventario del 26 de septiembre de 2026 examinó los recuentos de las colecciones y la coherencia numérica de 5.000 registros aleatorios de cada una. No comparó predicciones con referencias independientes, por lo que no proporciona un porcentaje de exactitud.

- [Campos de respuesta V2](https://www.genderapi.io/es/docs/v2/responses)
- [Inventario y límites de la evidencia](https://www.genderapi.io/es/data-provenance)

## Dos tipos de confianza con significados distintos

Ejemplo de cálculo, no medición: si male = 90, female = 10 y total = 100, confidence es 0.9. Estas cifras hipotéticas no son un resultado medido de GenderAPI.io ni afirman que el 90 % de las personas con ese nombre se identifiquen como hombres.

Los recuentos no se han verificado aquí como observaciones independientes y representativas. La puntuación de IA tampoco está calibrada frente a ellos. No trates ambos tipos como probabilidades intercambiables; evalúa por separado los umbrales adecuados para tu aplicación.

| Campo | Resultado del conjunto de datos | Resultado de IA |
| --- | --- | --- |
| `source` | dataset | ai |
| `confidence_kind` | observed_frequency si se devuelve un género | model_reported si se devuelve un género |
| `confidence` | max(male, female) / total si se devuelve un género; null si los recuentos empatan | Puntuación declarada por el modelo, superior a 0,5 y como máximo 1 si se devuelve un género; en caso contrario, null |
| `sample_count` | total del registro seleccionado; no es el tamaño de una muestra de evaluación de exactitud | null; no se proporciona un recuento de muestras del conjunto de datos |
| `match` | Candidato seleccionado, método de coincidencia y alcance global o específico del país | method: model_inference; name, scope y country: null |

## Resultados desconocidos, ambiguos y errores

No existe un umbral universal de rechazo por baja confianza para los resultados del conjunto de datos. La regla que exige una puntuación de IA superior a 0,5 cuando no es null pertenece al contrato de respuesta; no demuestra exactitud. No conviertas null en cero ni en una categoría de género forzada.

| Resultado | Comportamiento de V2 | Tratamiento en la evaluación |
| --- | --- | --- |
| Identificado | result_status: identified; gender: male o female | Comparar con la referencia y contar como ejemplo respondido |
| Desconocido | result_status: unknown; gender y confidence: null | Mantener en la muestra elegible; contar por separado de una predicción incorrecta |
| Empate en el conjunto de datos | reason: ambiguous en modo de solo datos; fallback puede sustituirlo por un resultado de IA | Registrar el resultado final y el modo de IA; no contar la ambigüedad como un segundo resultado |
| Evidencia insuficiente para IA | source: ai; reason: insufficient_evidence | Contar como desconocido; un JSON válido no demuestra exactitud |
| Error de solicitud o elemento | Los errores HTTP y de elementos de lotes son resultados operativos | No eliminarlos silenciosamente; publicar su número y denominador por separado |

## Evalúa la configuración que utilizas

- Evalúa por separado nombres, correos y usuarios. Las consultas de correo y usuario también extraen candidatos; una evaluación solo de nombres no mide todo ese proceso.
- Separa ai_mode: off, fallback y always. Sin forceToGenderize, el modo predeterminado es fallback en consultas individuales y off en lotes. Fallback consulta primero el conjunto de datos y recurre a IA si no devuelve un género.
- Evalúa forceToGenderize por separado para cada tipo de entrada. Puede inferir una asociación de alias con name: null; no verifica la identidad del titular.
- Registra si enviaste country. Para cada candidato se prefiere el registro específico del país; si no existe, se prueba el global. match.scope y match.country muestran la selección.
- Publica los tamaños de muestra por contexto de país, escritura y tipo de entrada. Una asociación regional no verifica nacionalidad ni residencia.
- Fija los umbrales de tu aplicación antes de medir la muestra independiente. Publica por confidence_kind tanto la respuesta bruta como los resultados que la aplicación descarta por el umbral.

- [Opciones de IA y alias](https://www.genderapi.io/es/docs/v2/ai-options)
- [Parámetros de solicitud](https://www.genderapi.io/es/docs/v2/request-parameters)

## Métricas y denominadores

N es el total de ejemplos elegibles con referencia. A = C + W es el número respondido: C correctos, W incorrectos, U desconocidos y E errores operativos tras aplicar la política de ejecución definida previamente. Cada ejemplo cuenta una sola vez: N = C + W + U + E. Publica estos recuentos antes que los porcentajes.

Si N = 0, las tasas sobre la muestra total no están definidas; no las presentes como 0 %. Indica los intervalos de confianza y el método de cálculo. Los subgrupos pequeños o no representativos no justifican afirmaciones generales de exactitud.

| Métrica | Definición | Medición publicada |
| --- | --- | --- |
| Cobertura de respuesta | A / N | No medida |
| Exactitud entre ejemplos respondidos | C / A; no definida si A = 0 | No medida |
| Tasa de error entre ejemplos respondidos | W / A; no definida si A = 0 | No medida |
| Respuestas correctas entre todos los ejemplos elegibles | C / N; no equivale a la exactitud entre los respondidos | No medida |
| Tasa de desconocidos | U / N; la ambigüedad puede informarse como subconjunto de U | No medida |
| Tasa de errores operativos | E / N; desglosar también por códigos de error estables | No medida |
| Calibración | Comparar por separado observed_frequency y model_reported con la exactitud observada; publicar intervalos de puntuación, recuentos e incertidumbre | No medida |

## Requisitos de una evaluación reproducible

No generes etiquetas de referencia con otro servicio de predicción de nombres. Sin una referencia independiente adecuada, comparar servicios mide concordancia, no exactitud. Si las etiquetas de referencia no encajan en la salida binaria de la API, explica ese límite y el alcance de la evaluación en lugar de reetiquetar a las personas.

| Registro | Qué debe documentarse | Estado actual |
| --- | --- | --- |
| Muestra de referencia | Origen y permiso de uso de las etiquetas; elegibilidad, exclusiones, muestreo, duplicados y subgrupos | No se ha publicado un conjunto de referencia revisado |
| Separación de los datos de origen | Control de solapamientos y filtraciones; separación entre desarrollo y evaluación independiente | No se ha publicado un informe de separación verificada |
| Versión y ejecución | Fecha, versión exacta de API e instantánea de datos; con IA, versión de modelo/proveedor, prompts y configuración | No se ha publicado una versión de evaluación ejecutada |
| Resultados | N, C, W, U, E; recuentos por subgrupo, intervalos de confianza y calibración | No se han publicado resultados de rendimiento medidos |
| Reproducción y revisión | Código de evaluación, resultados agregados reproducibles, límites y responsabilidad de revisión | Método propuesto; sin evaluación independiente completada |

## Utiliza el resultado con sus límites

Las asociaciones de nombres y alias varían entre idiomas, países y comunidades. La etiqueta devuelta no determina la identidad de género. Conserva los resultados desconocidos y prioriza la información proporcionada por la persona. No utilices estas inferencias como fundamento de decisiones con consecuencias importantes para alguien.

- [Fuentes de datos](https://www.genderapi.io/es/data-provenance)
- [Consulta sobre evidencias de evaluación](https://www.genderapi.io/es/contact)

## Historial de revisión

| Fecha | Versión del documento | Cambio |
| --- | --- | --- |
| 2026-09-28 | 1.0.0 | Adaptación al español de los tipos de confianza V2, las fuentes, los resultados desconocidos y los denominadores de evaluación. No se publica una nueva tasa de exactitud. |