Tests de IAT y Priming: avances en neurociencia y tecnología EEG
Las pruebas de sesgo implícito, particularmente el Test de Asociación Implícita (IAT) y los paradigmas basados en priming, se han utilizado durante mucho tiempo para investigar asociaciones automáticas que influyen en el juicio y el comportamiento humano (Greenwald & Banaji, 1995; Greenwald et al., 1998). En los últimos años, los avances en neurociencia y tecnologías de monitorización cerebral han ampliado el conjunto de herramientas metodológicas disponibles para los investigadores que estudian la cognición implícita (Forbes et al., 2012; Schiller et al., 2016; Yatsenko et al., 2025).
Este artículo examina cómo los métodos neurofisiológicos modernos, incluida la electroencefalografía (EEG), combinados con el análisis de datos impulsado por inteligencia artificial, están ayudando a los investigadores a explorar los procesos neuronales que subyacen a las actitudes implícitas y las asociaciones automáticas (Cai & Wu, 2021; Calà et al., 2024; Zhang et al., 2025). Estudios emergentes sugieren que integrar medidas conductuales con tecnologías de detección cerebral puede proporcionar una visión más profunda de la dinámica temporal del procesamiento implícito (Forbes et al., 2012; Schiller et al., 2016; Veliks et al., 2024).
Estos avances son especialmente relevantes para la sanidad, la psicología clínica, la neurociencia del consumidor y la interacción humano-ordenador (Cunningham, 2024; Tipura et al., 2024; Kalaganis et al., 2025). A medida que las plataformas de neurotecnología continúan evolucionando, los enfoques multimodales que combinan pruebas conductuales con datos neuronales pueden ofrecer nuevas formas de comprender los procesos cognitivos implícitos y su papel en la toma de decisiones del mundo real (Ghosh et al., 2024; Xue et al., 2024).
El siguiente vídeo ofrece una introducción al Test de Asociación Implícita
Introducción a las pruebas de sesgo implícito
Las medidas implícitas se hicieron ampliamente utilizadas en la investigación académica hace varias décadas. Los investigadores los aplicaron para estudiar sesgos relacionados con la raza, el género, la sexualidad, la edad y la religión, así como constructos como la autoestima en psicología clínica (Greenwald & Banaji, 1995; Greenwald et al., 1998; Cai & Wu., 2021). Hoy en día, los métodos implícitos también se utilizan en la investigación de mercados y la neurociencia del consumidor, donde ayudan a revelar preferencias automáticas hacia productos, marcas, candidatos políticos o comportamientos relacionados con la salud (Morehouse & Banaji, 2024; Kalaganis et al., 2025).
Las técnicas explícitas preguntan directamente a las personas sobre sus opiniones, creencias u actitudes mediante métodos de autoinforme como cuestionarios o entrevistas. Las técnicas implícitas, en cambio, buscan capturar información sin pedir directamente a los participantes. En cambio, se basan en respuestas conductuales, la mayoría de las veces tiempos de reacción, para inferir asociaciones automáticas que pueden operar fuera de la conciencia consciente (Greenwald & Banaji, 1995; Strack & Deutsch, 2004).
El interés por los métodos implícitos ha crecido en parte porque la investigación en cognición social ha identificado limitaciones clave de los procedimientos explícitos:
- Limitación 1: Las respuestas explícitas pueden verse influenciadas por estrategias de autopresentación, lo que significa que los participantes pueden modificar consciente o inconscientemente sus respuestas para alinearlas con las expectativas sociales.
- Limitación 2: Las medidas explícitas están limitadas por los límites de la introspección: los individuos no siempre son capaces de informar con precisión de los procesos cognitivos que subyacen a sus actitudes y juicios (Greenwald & Banaji, 1995; Strack & Deutsch, 2004).
Estas limitaciones suelen interpretarse dentro de modelos de cognición de doble proceso. Desde esta perspectiva, el procesamiento humano de la información implica dos sistemas que interactúan. El sistema proposicional, a menudo denominado Sistema 2, soporta el razonamiento deliberado y la evaluación consciente, pero opera relativamente despacio, mientras que el sistema asociativo, o Sistema 1, se basa en la activación automática de asociaciones aprendidas y opera rápidamente, a menudo con accesibilidad introspectiva limitada (Strack & Deutsch, 2004; Schnabel et al., 2008).
Las pruebas de respuesta implícita buscan capturar estos procesos asociados rápidos. Lo hacen midiendo la rapidez con la que las personas categorizan o asocian diferentes conceptos durante tareas informáticas. El tiempo de reacción sirve como un indicador indirecto de la fuerza asociativa: las respuestas más rápidas suelen reflejar asociaciones cognitivas más fuertes entre los conceptos emparejados (Greenwald et al., 1998; Schnabel et al., 2008).
Temporización en medidas implícitas
Una cuestión metodológica clave en los paradigmas de respuesta implícita se refiere al momento de las respuestas conductuales. El tiempo de reacción desempeña un papel central en estas tareas porque proporciona una medida indirecta de la fortaleza de las asociaciones cognitivas (Greenwald et al., 1998; Ratliff & Smith, 2024).
Cuando se presenta un estímulo, el cerebro comienza a procesar la información y a preparar una respuesta motora. En tareas implícitas informatizadas, los participantes suelen responder pulsando una tecla para categorizar los estímulos de la forma más rápida y precisa posible. Por tanto, los tiempos de reacción reflejan la duración combinada del procesamiento perceptivo, la evaluación cognitiva y la ejecución motora (Forbes et al., 2012; Schiller et al., 2016).
Para mejorar la calidad de los datos, normalmente se excluyen las respuestas extremadamente rápidas o lentas del análisis. Las respuestas dev aproximadamente 200–300 ms suelen considerarse anticipatorias y poco probables de reflejar un procesamiento genuino del estímulo. En el otro extremo, respuestas que superen aproximadamente 650–900 ms pueden reflejar vacilación, distracción o mayor dificultad de la tarea y, por tanto, suelen tratarse como valores atípicos (Greenwald et al., 1998; Ratliff & Smith, 2024).
Es importante destacar que estos umbrales de tiempo no se corresponden directamente con el procesamiento del Sistema 1 o del Sistema 2. La velocidad de procesamiento cognitivo varía según las personas, las tareas y los tipos de estímulos, y los procesos automáticos y deliberativos pueden solaparse en el tiempo. Por esta razón, la investigación implícita suele basarse en procedimientos estandarizados de puntuación y métodos de filtrado estadístico para analizar los datos de tiempo de reacción teniendo en cuenta la variabilidad individual (Strack & Deutsch, 2004; Elder et al., 2023).
Se utilizan varios paradigmas implícitos tanto en entornos académicos como aplicados, incluyendo el IAT, la Tarea Externa Afectiva de Simon (EAST), la Tarea de Asociación Go/No-Go (GNAT), el Procedimiento de Atribución Incorrecta de Afecto (AMP) y pruebas de cebado semántico o visual (Ratliff & Smith, 2024). Entre ellos, el IAT y los paradigmas basados en priming siguen siendo los más utilizados y ampliamente estudiados (Greenwald et al., 1998; Ratliff & Smith, 2024).
Figura 1. Representación conceptual del tiempo en medidas implícitas. Los tiempos de reacción reflejan la duración combinada del procesamiento perceptivo, la evaluación cognitiva y la ejecución motora. Las respuestas extremadamente rápidas e inusualmente lentas suelen excluirse mediante procedimientos de filtrado estandarizados, ya que no se puede asignar un límite temporal fijo exclusivamente al procesamiento automático o deliberativo (Strack & Deutsch, 2004; Elder et al., 2023).
No existe una ventana de tiempo exacta durante la cual el Sistema 1 funcione porque algunas personas reaccionan más rápido que otras, y algunos estímulos son más difíciles de procesar que otros. Se emplean varios algoritmos para filtrar los datos.
El Test de Asociación Implícita
El Test de Asociación Implícita (IAT) es una de las herramientas más utilizadas para evaluar actitudes implícitas y asociaciones automáticas. Fue introducido en 1998 por Anthony Greenwald, Debbie McGhee y Jordan Schwartz como un método basado en el tiempo de reacción para medir la fuerza relativa de las asociaciones entre conceptos mentales (Greenwald et al., 1998).
Sus raíces teóricas se encuentran en trabajos anteriores sobre la cognición social implícita, particularmente en la propuesta de que las actitudes, estereotipos y asociaciones relacionadas con el yo pueden moldear la percepción y el comportamiento incluso cuando no están plenamente accesibles para la introspección consciente (Greenwald & Banaji, 1995).
A diferencia de los cuestionarios o entrevistas explícitos, el IAT no pide a los participantes que informen directamente de lo que piensan o sienten. En cambio, recoge evidencia conductual de asociaciones automáticas midiendo la rapidez con la que los individuos categorizan los estímulos bajo diferentes condiciones de emparejamiento. Esto hace que el IAT sea especialmente valioso en contextos donde el autoinforme puede verse influenciado por la deseabilidad social o el acceso introspectivo limitado (Greenwald & Banaji, 1995; Greenwald et al., 1998).
Procedimiento
En un IAT típico, se pide a los participantes que clasifiquen una serie de estímulos, normalmente palabras o imágenes, lo más rápido y preciso posible usando dos claves de respuesta. Estos estímulos pertenecen a dos tipos principales de categorías:
- Categorías objetivo, que representan los conceptos que se están comparando
- Categorías de atributos, que representan dimensiones evaluativas o semánticas como bueno/malo, saludable/no saludable o seguro/riesgoso
La tarea está organizada en bloques en los que las etiquetas de categoría se emparejan de diferentes maneras. Cuando dos conceptos más fuertemente asociados en la memoria comparten la misma clave de respuesta, las respuestas tienden a ser más rápidas y precisas. Cuando conceptos menos fuertemente asociados se emparejan, las respuestas suelen volverse más lentas y más esforzadas (Greenwald et al., 1998; Schiller et al., 2016).
Por ejemplo, si un participante responde más rápido cuando Categoría 1 + Bueno comparten una clave que cuando Categoría 2 + Bueno comparten la misma clave, este patrón sugiere una asociación automática más fuerte entre Categoría 1 y el atributo Bueno (Greenwald et al., 1998).
El resultado clave del IAT no es, por tanto, un único tiempo de reacción, sino la diferencia en el rendimiento entre las distintas condiciones de emparejamiento. En general, un rendimiento más rápido indica una asociación subyacente más fuerte entre los conceptos emparejados. Un IAT estándar puede completarse normalmente en 5 a 10 minutos, lo que lo convierte en una herramienta práctica y escalable tanto para la investigación como para contextos aplicados (Greenwald et al., 1998; Ratliff & Smith, 2024).
¡HAZ UN EXAMEN!
Puedes probar un IAT haciendo clic en la ventana emergente en la parte inferior (abajo a la derecha si usas un dispositivo de sobremesa) de esta página. Si no aparece, por favor, actualiza tu navegador. Asegúrate de seleccionar tu idioma deseado. Al final de la prueba, verás tus puntuaciones personales del IAT junto con las de otros participantes que ya han realizado la prueba.
Qué mide el IAT
El IAT se entiende mejor como una medida de la fuerza asociativa relativa. No revela si un participante respalda conscientemente una creencia, ni proporciona una explicación directa de por qué existe una asociación. En cambio, estima la fuerza del vínculo entre dos conceptos en la memoria basándose en la velocidad y el patrón de las respuestas de categorización (Greenwald et al., 1998; Ratliff & Smith, 2024).
Esta distinción es especialmente importante en contextos científicos y aplicados. En sanidad, psicología, investigación del consumidor y análisis del comportamiento humano, el IAT puede ayudar a identificar patrones de cognición implícita que pueden no capturarse completamente mediante preguntas explícitas (Cunningham, 2024; Tipura et al., 2024).
IAT y EEG: más allá del comportamiento
Aunque el IAT tradicional es un paradigma conductual, los avances recientes en neurociencia han ampliado significativamente su valor. Al combinar el IAT con el EEG, los investigadores pueden ir más allá de los tiempos de reacción y examinar la dinámica neuronal subyacente al procesamiento implícito (Forbes et al., 2012; Schiller et al., 2016; Cai & Wu., 2021).
Este enfoque multimodal permite investigar:
- Cuando surgen asociaciones automáticas en el cerebro
- Cómo responde el cerebro a emparejamientos congruentes frente a incongruentes
- Qué procesos neuronales reflejan conflicto semántico, relevancia emocional o control cognitivo (Xiao et al., 2015)
Los estudios EEG sugieren que las condiciones incongruentes de IAT suelen asociarse con un mayor reclutamiento de sistemas neuronales implicados en la monitorización de conflictos y el procesamiento controlado, mientras que las condiciones congruentes pueden reflejar un procesamiento asociativo más fluido. Potenciales relacionados con eventos como el N400 y el Potencial Positivo Tardío (LPP) han sido especialmente informativos, ofreciendo una visión a milisegundos de cómo se desarrollan las asociaciones implícitas a lo largo del tiempo (Williams & Themanson, 2011; Xiao et al., 2015; Tipura et al., 2024).
La combinación de paradigmas conductuales como el IAT con tecnología avanzada de EEG y análisis de señales impulsado por IA crea nuevas oportunidades para estudiar la cognición implícita de una manera más objetiva, detallada y ecológicamente significativa (Forbes et al., 2012; Schiller et al., 2016; Cai & Wu., 2021).
Tests de priming: mecanismos y correlaciones neuronales
El efecto priming ocurre cuando la exposición a un estímulo influye en el procesamiento de un estímulo posterior, ya sea con o sin intención consciente. Los primeros trabajos de Storms y Cofer demostraron que presentar material relacionado antes de una tarea de asociación podía aumentar temporalmente la fuerza asociativa (Storms, 1958; Cofer, 1960; Cramer, 1966).
Las pruebas de priming son una familia de medidas implícitas diseñadas para examinar cómo la exposición a un estímulo influye en el procesamiento de un estímulo posterior. En este contexto, el estímulo precedente (prime) activa asociaciones relacionadas en la memoria, que pueden facilitar o interferir con la respuesta al objetivo (Matsumoto & Kakigi, 2014; Wilson et al., 2024).
En muchos paradigmas aplicados, los objetivos representan los conceptos o categorías en comparación, por ejemplo, dos marcas, dos grupos sociales o dos diseños de productos, mientras que los primes proporcionan las señales evaluativas, semánticas o visuales utilizadas para activar las representaciones mentales asociadas. Dependiendo del tipo de prime utilizado, estos paradigmas pueden adoptar la forma de tareas de priming semántico (basadas en palabras) o priming visual (basadas en imágenes).
Procedimiento
En una tarea típica de priming, se pide a los participantes que respondan al objetivo de la forma más rápida y precisa posible, clasificándolo en la categoría correspondiente. Justo antes de que aparezca el objetivo, se presenta brevemente en pantalla un estímulo de priming, ya sea una palabra o una imagen, a menudo durante aproximadamente 200–300 ms. Normalmente se instruye a los participantes para ignorar el prime y centrarse únicamente en la tarea de clasificación del objetivo (Matsumoto & Kakigi, 2014; Veliks et al., 2024).
Cuando el prime y el objetivo están más fuertemente asociados, las respuestas tienden a ser más rápidas y precisas. Las diferencias en el rendimiento entre emparejamientos congruentes e incongruentes se interpretan como evidencia de fuerza asociativa implícita (Wilson et al., 2024; Veliks et al., 2024).
Como en otros paradigmas implícitos, las respuestas inverosímilmente rápidas o inusualmente lentas suelen excluirse del análisis para mejorar la calidad de los datos y reducir la influencia de respuestas anticipatorias o excesivamente deliberativas (Elder et al., 2023).
A diferencia de la IAT, que se basa fundamentalmente en la categorización relativa entre bloques emparejados, los paradigmas de priming son especialmente útiles para examinar la activación asociativa rápida y los efectos de procesamiento en etapas tempranas. Esto los hace especialmente adecuados para su combinación con EEG, donde la resolución temporal a nivel de milisegundos puede ayudar a identificar las etapas neuronales en las que surgen los efectos de cebado (Matsumoto & Kakigi, 2014; Wilson et al., 2024).
Mecanismos neuronales del priming
La investigación reciente en neurociencia ha ayudado a clarificar los sustratos neuronales de los efectos del priming. Los estudios sobre el priming semántico subliminal sugieren que el procesamiento inconsciente puede modular la conectividad entre las regiones cerebrales frontal y temporal. Otros trabajos que utilizan jerarquías sociales enmascaradas durante tareas de categorización han identificado patrones ERP consistentes con el procesamiento de información socialmente relevante fuera de la conciencia consciente (Matsumoto & Kakigi, 2014; Fondevila et al., 2022).
Investigaciones recientes sobre EEG han examinado el priming hacia adelante y hacia atrás, revelando correlaciones conductuales y neuronales distintas. Además, trabajos metodológicos sobre la variabilidad de la latencia han demostrado que el jitter temporal puede afectar el rendimiento de los clasificadores EEG, destacando la importancia de un análisis cuidadoso al interpretar señales neuronales variables en el tiempo (Li et al., 2024; Wilson et al., 2024).
Una variante particularmente útil es el priming evaluativo subliminal, en el que los primes se presentan por debajo del umbral de la conciencia consciente. Los estudios de EEG de frecuencia-tiempo sugieren que este enfoque puede revelar marcadores neuronales de actitudes étnicas implícitas y otras asociaciones socialmente relevantes, apoyando la integración de paradigmas de cebado con métodos neurofisiológicos (Veliks et al., 2024).
Comparando los paradigmas de IAT y de priming
Aunque ambos paradigmas están diseñados para evaluar asociaciones implícitas, difieren en estructura de tareas, interpretabilidad, perfil temporal y idoneidad para preguntas de investigación específicas (Greenwald et al., 1998; Ratliff & Smith, 2024).
El IAT es más útil cuando el objetivo es comparar dos conceptos o categorías y estimar una preferencia o sesgo relativo. Su estructura de bloques, extenso historial de validación y compatibilidad con la investigación en monitorización de conflictos la hacen especialmente atractiva para estudios sobre el control cognitivo y los efectos de congruencia (Greenwald et al., 1998; Forbes et al., 2012; Xiao et al., 2015).
Los paradigmas de priming, en cambio, son especialmente útiles para examinar la activación asociativa rápida, el procesamiento de un solo concepto o las influencias subliminales. Pueden ser más flexibles que el IAT y a menudo son más adecuados para capturar efectos sensoriales y semánticos tempranos (Matsumoto & Kakigi, 2014; Veliks et al., 2024; Wilson et al., 2024).
Desde la perspectiva del EEG, ambos métodos también muestran énfasis neuronales diferentes. Las tareas de IAT suelen implicar el procesamiento relacionado con el control de forma más intensa, especialmente en condiciones incongruentes, mientras que las tareas de cebado son especialmente informativas para examinar las dinámicas sensoriales y semánticas tempranas. Para los investigadores que buscan una visión amplia y mecánicamente rica de la cognición implícita, ambos enfoques pueden ser complementarios en lugar de competir entre sí (Forbes et al., 2012; Schiller et al., 2016; Li et al., 2024).
Los fundamentos neuronales de la cognición implícita
La investigación reciente en neurociencia ha ampliado sustancialmente nuestra comprensión de los mecanismos neuronales que subyacen a las pruebas de sesgo implícito. Al combinar medidas conductuales con EEG, los investigadores pueden ahora observar el procesamiento en tiempo real del cerebro durante tareas implícitas y caracterizar la dinámica temporal de asociaciones automáticas (Forbes et al., 2012; Schiller et al., 2016; Yatsenko et al., 2025).
Entre los componentes de ERP más relevantes para esta literatura se encuentran:
- N400, que es sensible a la incongruencia semántica y a la violación de expectativas
- LPP, que a menudo está vinculada a un significado emocional y motivacional
- P1/N1, que puede reflejar el procesamiento sensorial y atencional temprano (Williams & Themanson, 2011; Calà et al., 2024; Tipura et al., 2024)
En conjunto, estas señales ayudan a los investigadores a distinguir los efectos perceptivos tempranos de los procesos semánticos, afectivos y relacionados con el control posteriores. Los estudios de neuroimagen eléctrica del IAT sugieren además que condiciones incongruentes pueden prolongar la duración de procesos específicos, especialmente las operaciones perceptivas y relacionadas con el control, en lugar de simplemente añadir nuevos (Forbes et al., 2012; Schiller et al., 2016).
Los análisis tiempo-frecuencia añaden otra capa de información al identificar patrones oscilatorios asociados a actitudes implícitas. Esto es especialmente valioso en paradigmas como el priming evaluativo subliminal, donde las medidas convencionales de tiempo de reacción pueden no capturar completamente la riqueza de la respuesta neuronal subyacente (Veliks et al., 2024).
Validación, fiabilidad y consideraciones metodológicas
La validez y fiabilidad de las pruebas de sesgo implícito han sido objeto de debate durante muchos años, y trabajos metodológicos recientes han refinado la discusión en lugar de cerrarla (Elder et al., 2023; Morehouse & Banaji, 2024; Ratliff & Smith, 2024).
Por el lado positivo, estudios más recientes han ido más allá de simples preguntas de prueba y repetición y han empezado a examinar la fiabilidad de los procesos cognitivos que contribuyen a las respuestas de la IAT. Los enfoques de modelos de difusión también sugieren que las puntuaciones conductuales pueden reflejar una mezcla de mecanismos, incluyendo la precaución de respuesta y procesos de no decisión, no solo la fuerza de asociación. Esto es un recordatorio importante de que la interpretación requiere matices (Elder et al., 2023; Morehouse & Banaji, 2024).
Los datos neuronales proporcionan evidencia convergente, pero no prueba definitiva, de la plausibilidad de los constructos medidos por estas tareas. Los estudios con EEG han demostrado contribuciones neuronales separables a condiciones congruentes e incongruentes, junto con patrones consistentes con el procesamiento semántico, la evaluación emocional y el monitoreo de conflictos relacionados con el control (Forbes et al., 2012; Williams & Themanson, 2011; Xiao et al., 2015).
Al mismo tiempo, siguen existiendo varias limitaciones importantes:
- Las señales ERP pueden tener una relación señal-ruido relativamente baja
- Las asociaciones implícitas pueden ser sensibles al contexto
- Los individuos muestran una variabilidad considerable en las respuestas neuronales
- La relación entre marcadores neuronales, puntuaciones conductuales y comportamiento en el mundo real sigue siendo compleja (Dijkstra et al., 2020; Lahtinen et al., 2019; Yatsenko et al., 2025)
Por esa razón, las pruebas implícitas se interpretan mejor como parte de un marco multimodal más amplio que como lecturas independientes de creencias ocultas.
Aplicaciones en el mundo real
La integración de pruebas implícitas con el EEG ha abierto posibilidades útiles en varios ámbitos aplicados.
Sanidad y Psicología Clínica
Se han utilizado paradigmas implícitos para investigar el sesgo en profesionales sanitarios, incluyendo el procesamiento relacionado con estereotipos que puede influir en el juicio clínico. En psicología clínica, los paradigmas modificados de IAT se han utilizado para estudiar asociaciones entre el yo y la salud, rasgos depresivos, agresión relacionada con el estrés y cambios relacionados con el tratamiento (Cunningham, 2024; Tipura et al., 2024; Zhang et al., 2025).
Neurociencia del consumidor y neuromarketing
Las pruebas implícitas siguen siendo valiosas para entender las preferencias de los consumidores sin depender únicamente del autoinforme. Cuando se combinan con el EEG, pueden ofrecer información más detallada sobre la dinámica temporal de la evaluación de la marca, la percepción del producto y la respuesta publicitaria. Los enfoques multimodales que integran EEG con seguimiento ocular parecen especialmente prometedores para la investigación real de consumidores (Kalaganis et al., 2025).
Cognición política y social
La investigación también ha aplicado medidas implícitas y EEG a actitudes políticas, comportamiento electoral, sesgos intergrupales y reconciliación social. Estas aplicaciones son especialmente relevantes cuando el autoinforme explícito puede verse influenciado por normas sociales, respuesta estratégica o baja accesibilidad introspectiva (Galli et al., 2021; Morehouse & Banaji, 2024; Ugarriza et al., 2025).
Qué significan estas tendencias
La relevancia de este campo radica en la convergencia de tres fortalezas: tecnología EEG, análisis de señales impulsado por IA e investigación en comportamiento humano.
En primer lugar, paradigmas implícitos como las tareas de IAT y priming proporcionan marcos conductuales estructurados que pueden integrarse con el EEG para generar datasets multimodales más ricos. En segundo lugar, los avances en EEG portátil, procesamiento de señales y aprendizaje automático están haciendo cada vez más viable estudiar la cognición implícita fuera de entornos de laboratorio altamente restringidos. En tercer lugar, la creciente demanda de neurotecnología ecológicamente válida, interpretable y escalable crea oportunidades en la sanidad, la investigación del consumidor y la interacción humano-ordenador (Ghosh et al., 2024; Kalaganis et al., 2025; Xue et al., 2024).
Esto no significa que la prueba de sesgo implícito se haya convertido en un problema resuelto. Esto significa que las empresas que trabajan en la intersección de la neurociencia, la ingeniería y la investigación humana aplicada están ahora mejor posicionadas para construir herramientas que hagan estos paradigmas más informativos, útiles y relevantes clínica o comercialmente.
Conclusión
Las pruebas de sesgo implícito, particularmente los paradigmas IAT y de priming, siguen siendo herramientas importantes para estudiar asociaciones automáticas que moldean el juicio y el comportamiento (Greenwald & Banaji, 1995; Greenwald et al., 1998). Su valor original provenía de proporcionar acceso indirecto a procesos que no siempre se capturan bien con un autoinforme explícito.
Hoy en día, su relevancia es más amplia. Cuando se combinan con el EEG y el análisis moderno de señales, estos paradigmas conductuales pueden apoyar una comprensión más detallada de cuándo surgen efectos implícitos, qué operaciones cognitivas implican y cómo varían esos procesos entre individuos y contextos (Forbes et al., 2012; Schiller et al., 2016; Yatsenko et al., 2025).
La oportunidad clave no reside simplemente en usar el EEG como complemento, sino en avanzar en una ciencia más integrada de la cognición implícita en la que se puedan estudiar conjuntamente las medidas conductuales, los datos neuronales y la toma de decisiones aplicada. Esa combinación tiene el potencial de mejorar la calidad de la investigación, fortalecer la interpretación y ampliar la utilidad real de las pruebas implícitas en la sanidad, la psicología, la neurociencia del consumidor y más allá (Ghosh et al., 2024; Kalaganis et al., 2025; Xue et al., 2024).
Referencias
Cai, H., & Wu, L. (2021). The self-esteem implicit association test is valid: Evidence from brain activity. Psych Journal, 10(4), 465–477. https://doi.org/10.1002/pchj.422
Calà, A., Zangrilli, M. A., Mancini, M., Petti, M., Cincotti, F., & Mattia, D. (2024). Expectancy violation: Climate change associations may reveal underlying brain-evoked responses of implicit attitudes. In Proceedings of the 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. https://www.proceedings.com/content/077/077737webtoc.pdf
Cofer, C. N. (1960). Experimental studies on the role of verbal processes in concept formation and problem-solving. Annals of the New York Academy of Sciences, 91, 94–107.
Cramer, P. (1966). Mediated priming of associative responses: The effect of time-lapse and interpolated activity. Journal of Verbal Learning and Verbal Behavior, 5(2), 163–166. https://doi.org/10.1016/S0022-5371(66)80010-5
Cunningham, W. A. (2024). Implicit bias in healthcare professionals beyond implicit association tests: A neuroscientific understanding. In Advances in Experimental Medicine and Biology (pp. 23–38). https://doi.org/10.1007/978-3-031-76204-8_3
Dijkstra, K. V., Farquhar, J. D. R., & Desain, P. W. M. (2020). The N400 for brain–computer interfacing: Complexities and opportunities. Journal of Neural Engineering, 17(2), 022001. https://doi.org/10.1088/1741-2552/ab702e
Elder, J., Wilson, L., & Calanchini, J. (2023). Estimating the reliability and stability of cognitive processes contributing to responses on the Implicit Association Test. Personality and Social Psychology Bulletin, 50(10), 1451–1470. https://doi.org/10.1177/01461672231171256
Fondevila, S., Hernández-Gutiérrez, D., Espuny, J., Jiménez-Ortega, L., Casado, P., Muñoz, F. M., Sánchez-García, J., & Martín-Loeches, M. (2022). Subliminal priming effects of masked social hierarchies during a categorization task: An event-related brain potentials study. Frontiers in Human Neuroscience, 16, 862359. https://doi.org/10.3389/fnhum.2022.862359
Forbes, C. E., Cameron, K. A., Grafman, J., Barbey, A. K., Solomon, J., Ritter, W., & Ruchkin, D. (2012). Identifying temporal and causal contributions of neural processes underlying the Implicit Association Test (IAT). Frontiers in Human Neuroscience, 6, 320. https://doi.org/10.3389/fnhum.2012.00320
Galli, G., Angelucci, D., Bode, S., et al. (2021). Early EEG responses to pre-electoral survey items reflect political attitudes and predict voting behavior. Scientific Reports, 11, 18692. https://doi.org/10.1038/s41598-021-96193-y
Ghosh, S., Máthé, D., Harishita, P. B., Sankarapillai, P., Mohan, A., Bhuvanakantham, R., Gulyás, B., & Padmanabhan, P. (2024). Review of multimodal data acquisition approaches for brain–computer interfaces. BioMed, 4(4), 548–587. https://doi.org/10.3390/biomed4040041
Greenwald, A. G., & Banaji, M. R. (1995). Implicit social cognition: Attitudes, self-esteem, and stereotypes. Psychological Review, 102(1), 4–27. https://doi.org/10.1037/0033-295X.102.1.4
Greenwald, A. G., McGhee, D. E., & Schwartz, J. L. K. (1998). Measuring individual differences in implicit cognition: The implicit association test. Journal of Personality and Social Psychology, 74(6), 1464–1480. https://doi.org/10.1037/0022-3514.74.6.1464
Kalaganis, F., Chatzilari, E., Nikolopoulos, S., & Kompatsiaris, I. (2025). A hybrid neuromarketing approach exploiting EEG graph signal processing and gaze dynamic patterning. Brain Informatics, 12(1), 2. https://doi.org/10.1186/s40708-025-00272-z
Lahtinen, A., Juvonen, K., Lapveteläinen, A., Kolehmainen, M., Lindholm, M., Tanila, H., Kantanen, T., Sinikallio, S., Karhunen, L., & Närväinen, J. (2019). Metabolic state as a modulator of neural event-related potentials for food stimuli in an implicit association test. Physiology & Behavior, 207, 112589. https://doi.org/10.1016/j.physbeh.2019.112589
Li, Y., Sommer, W., Tian, L., & Zhou, C. (2024). Assessing the influence of latency variability on EEG classifiers: A case study of face repetition priming. Cognitive Neurodynamics, 18(6), 3527–3548. https://doi.org/10.1007/s11571-024-10181-2
Matsumoto, A., & Kakigi, R. (2014). Subliminal semantic priming changes the dynamic causal influence between the left frontal and temporal cortex. Journal of Cognitive Neuroscience, 26(2), 390–401. https://doi.org/10.1162/jocn_a_00472
Morehouse, K. N., & Banaji, M. R. (2024). The science of implicit race bias: Evidence from the Implicit Association Test. Dædalus, 153(1), 21–50. https://doi.org/10.1162/daed_a_02047
Ratliff, K. A., & Smith, C. T. (2024). The Implicit Association Test. Dædalus, 153(1), 51–64. https://doi.org/10.1162/daed_a_02048
Schiller, B., Gianotti, L. R. R., Baumgartner, T., Nash, K., Koenig, T., & Knoch, D. (2016). Clocking the social mind by identifying mental processes in the IAT with electrical neuroimaging. Proceedings of the National Academy of Sciences, 113(10), 2786–2791. https://doi.org/10.1073/pnas.1515828113
Schnabel, K., Asendorpf, J. B., & Greenwald, A. G. (2008). Understanding and using the Implicit Association Test: V. Measuring semantic aspects of trait self-concepts. European Journal of Personality, 22(8), 695–706. https://doi.org/10.1002/per.697
Storms, L. H. (1958). Apparent backward association: A situational effect. Journal of Experimental Psychology, 55(4), 390–395. https://doi.org/10.1037/h0044258
Strack, F., & Deutsch, R. (2004). Reflective and impulsive determinants of social behavior. Personality and Social Psychology Review, 8(3), 220–247. https://doi.org/10.1207/s15327957pspr0803_1
Tipura, E., Rennung, M., & Göritz, A. S. (2024). I don’t feel sick: Cognitive and affective processing of self-health associations using the Implicit Association Test. Journal of Health Psychology, 29(6), 603–617. https://doi.org/10.1177/13591053241233509
Ugarriza, J. E., Lopez, J. D., Quiza, J., Vergara, N., & Trujillo, N. (2025). Event-related potential responses of ex-combatants and war victims differ for bias stimuli. Scientific Reports, 15(1), 43958. https://doi.org/10.1038/s41598-025-27449-0
Veliks, V., Porozovs, J., Plotka, I., Blumenau, N., & Igonins, D. (2024). Neural markers of ethnic implicit attitudes obtained by time-frequency analysis of data of the subliminal evaluative priming procedure: Pilot study. Baltic Journal of Legal and Social Sciences, 2(2), 15–28. https://doi.org/10.30525/2592-8813-2024-2-2-15
Williams, L. E., & Themanson, J. R. (2011). Neural correlates of the implicit association test: Evidence for semantic and emotional processing. Social Cognitive and Affective Neuroscience, 6(1), 1–9. https://doi.org/10.1093/scan/nsq065
Wilson, M., Wittmann, M., & Kornmeier, J. (2024). Behavioural and EEG correlates of forward and backward priming. PsyArXiv. https://doi.org/10.31234/osf.io/43zae
Xiao, F., Zheng, Z., Wang, Y., Cui, J., & Chen, Y. (2015). Conflict monitoring and stimulus categorization processes involved in the prosocial attitude implicit association test: Evidence from event-related potentials. Social Neuroscience, 10(4), 408–417. https://doi.org/10.1080/17470919.2014.1003598
Xue, T., Fan, W., Liu, Z., Xu, M., Xu, C., Chen, C., & Ming, D. (2024). Instrumentation, measurement, and signal processing in electroencephalography-based brain–computer interfaces: Situations and prospects. IEEE Transactions on Instrumentation and Measurement, 73, 1–23. https://doi.org/10.1109/TIM.2024.3417598
Yatsenko, M. V., Brak, I. V., & Artemenko, E. D. (2025). Review of experience in the use of event-related potentials in studies of the implicit component of cognitive biases. Neuroscience and Behavioral Physiology, 55(1), 145–152. https://doi.org/10.1007/s11055-025-01765-4
Zhang, Y., Chen, X., Duan, Y., Liu, M., Xu, Q., & Wu, L. (2025). Acute psychological stress promotes implicit aggression: Evidence from behavior and ERPs. Cognitive, Affective, & Behavioral Neuroscience, 25, 1083–1098. https://doi.org/10.3758/s13415-025-01276-2
Podrías tener interés en:
- Todo lo que necesitas saber sobre el neuromarketing | Bitbrain
- ¿Qué es el neuromarketing? Comprender cómo toman decisiones las personas
- ¿Cómo nos afecta la presencia de marcas en los videojuegos?
- Así es como funciona la tecnología de eye tracking
- EEG y Realidad Virtual: El Futuro Neuroadaptativo de la Neurotecnología
- ¿Cómo se aplica el neuromarketing siguiendo la metodología científica? La ética del neuromarketing
- ¿Qué es el EEG y para qué sirve?
