Commmonn Ground

Fact Check

Fact Check: Cómo un gráfico mal etiquetado sobre mujeres bisexuales se convirtió en 'prueba' de contagio social trans

En marzo de 2026, apareció un gráfico en X que afirmaba mostrar el porcentaje de jóvenes que se identifican como transgénero: una curva ascendente pronunciada que parecía alarmante por diseño. Elon Musk lo amplificó en cinco minutos. Las vistas combinadas superaron los 30 millones en menos de 48 horas. Las respuestas se llenaron de variaciones de "contagio social confirmado". ¿El problema? El gráfico en realidad mostraba el porcentaje de mujeres estadounidenses que se identifican como bisexuales, desglosado por grupo de edad, a partir de datos de los CDC analizados por la psicóloga Jean Twenge. La etiqueta original había sido eliminada y reemplazada por una afirmación falsa sobre la juventud transgénero.

Esta es la historia de un solo gráfico. Pero las habilidades que necesitas para detectar este tipo de manipulación durarán más que cualquier ciclo de noticias.

Lo que el gráfico mostraba realmente

Los datos originales procedían de la Encuesta Nacional de Crecimiento Familiar de los CDC y de encuestas de comportamiento relacionadas, que abarcan desde 2014 hasta 2025. La psicóloga Jean Twenge —conocida por su investigación sobre tendencias generacionales— publicó un análisis en su Substack examinando el creciente porcentaje de mujeres jóvenes estadounidenses que se identifican como bisexuales. El gráfico trazaba esta tendencia por grupo de edad, mostrando un aumento significativo entre las mujeres de 18 a 25 años durante la última década.

Los datos son reales. La tendencia es real. Y no tiene nada que ver con la identificación transgénero.

El análisis de Twenge exploró varias explicaciones posibles para la tendencia de identificación bisexual, incluyendo la reducción del estigma, definiciones más amplias de la sexualidad y efectos de influencia social. Fue una discusión matizada y basada en datos. Lo que no era, de ninguna manera, era un gráfico sobre la juventud transgénero.

Cómo ocurrió el error de etiquetado

La mecánica fue angustiosamente simple. Alguien tomó una captura de pantalla del gráfico, recortó el título original de Twenge y las etiquetas de los ejes que hacían referencia a las mujeres bisexuales, y añadió un nuevo subtítulo: una afirmación de que representaba a jóvenes que se identifican como transgénero. La forma visual de los datos —una curva ascendente— hizo el resto. Sin enlace a la fuente. Sin metodología. Solo un gráfico que "parecía científico" junto con una afirmación políticamente cargada.

Para cuando Musk lo republicó, el encuadre falso ya estaba consolidado. Millones de personas vieron un gráfico con una tendencia ascendente pronunciada y un subtítulo sobre la juventud trans. La mayoría nunca lo cuestionó. ¿Por qué lo harían? Tenía un gráfico. Los gráficos son datos. Los datos son la verdad. Excepto cuando no lo son.

The Journal, el medio de verificación de datos de Irlanda, fue uno de los primeros en rastrear la imagen hasta la publicación original de Twenge en Substack y confirmar el error de etiquetado. Su investigación mostró una cadena clara: gráfico original sobre mujeres bisexuales → recortado y reetiquetado → publicado como evidencia de contagio social trans → amplificado a decenas de millones.

Cómo verificar cualquier gráfico que veas en línea

Este incidente es un caso de estudio, pero el método de verificación funciona en cualquier visualización de datos que encuentres. Aquí tienes un proceso de cuatro pasos:

1. Encuentra la fuente original

Cada gráfico legítimo proviene de algún lugar: un estudio, un conjunto de datos, un informe. Si la publicación no enlaza a una fuente, esa es tu primera señal de alerta. Busca frases clave en el texto del gráfico o utiliza la búsqueda inversa de imágenes (Google Lens, TinEye) para encontrar dónde apareció la imagen por primera vez.

2. Revisa los ejes y las etiquetas

¿Qué se está midiendo exactamente? ¿Cuáles son las unidades? ¿Cuál es el rango de tiempo? Un gráfico sin ejes claramente etiquetados es, en el mejor de los casos, incompleto. En el peor, es intencionalmente vago. En este caso, la etiqueta original del eje Y que hacía referencia a la identificación bisexual había sido eliminada, el único cambio que hizo posible todo el engaño.

3. Rastrea la metodología

¿Quién recopiló estos datos? ¿Cómo? ¿Cuál fue el tamaño de la muestra? Las encuestas de los CDC siguen una metodología rigurosa. Un gráfico aleatorio en las redes sociales no. Entender de dónde provienen los datos te indica cuánto peso merecen.

4. Revisa quién lo comparte y por qué

El contexto importa. Un gráfico compartido por un investigador con un enlace a su metodología es fundamentalmente diferente del mismo gráfico despojado de contexto y compartido por una cuenta con una agenda política. Los datos no cambiaron. El encuadre sí.

Estas habilidades no son solo para detectar desinformación sobre temas sociales. Las mismas técnicas se aplican a gráficos manipulados sobre capacidades de IA, puntos de referencia de la industria o comparaciones tecnológicas. Dondequiera que se utilicen visualizaciones de datos para persuadir, se aplican estos pasos de verificación.

Por qué las visualizaciones de datos son excepcionalmente peligrosas cuando se usan como armas

Los gráficos ocupan un lugar especial en la forma en que procesamos la información. Tienen una autoridad implícita que el texto no posee. Una afirmación escrita —"la identificación transgénero se está disparando entre los jóvenes"— invita al escepticismo. La misma afirmación presentada como un gráfico de líneas con ejes y puntos de datos se siente como evidencia. Nuestros cerebros tratan los datos visualizados como más objetivos, más científicos y más confiables que las palabras por sí solas.

Esto es lo que hace que los gráficos mal etiquetados sean tan efectivos como desinformación. Explotan la confianza que depositamos en la visualización de datos como medio. No necesitas fabricar datos. No necesitas hackear una base de datos gubernamental. Solo necesitas tomar un gráfico real, quitarle la etiqueta y añadir una nueva. Lo visual hace el trabajo de convencer por ti.

La investigación en ciencia cognitiva respalda esto. Los estudios sobre el "efecto de imprimátur científico" muestran que las personas califican las afirmaciones como más creíbles cuando van acompañadas de gráficos, incluso cuando los gráficos no contienen información relevante. El formato en sí mismo es persuasivo.

El dividendo del mentiroso

Hay un efecto de segundo orden que es posiblemente peor que la desinformación en sí. Cuando las personas aprenden que los gráficos pueden ser falsificados o mal etiquetados, algunas comienzan a dudar de todas las visualizaciones de datos, incluidas las precisas. Los investigadores llaman a esto el "dividendo del mentiroso": la existencia de falsificaciones otorga a las personas permiso para descartar evidencia real que contradice sus creencias.

Este es el costo más profundo. El gráfico mal etiquetado de mujeres bisexuales a jóvenes trans no solo engañó a 30 millones de personas sobre un tema. Contribuyó a un entorno donde los datos legítimos —de los CDC, de estudios revisados por pares, de investigadores cuidadosos como Twenge— son descartados con un "no puedes confiar en ningún gráfico que veas en línea".

La respuesta no es dejar de confiar en los datos. Es mejorar en su lectura.

Conclusión

El gráfico era real. Los datos eran reales. La etiqueta era una mentira. Y 30 millones de personas vieron la mentira antes de que alguien la verificara. En un entorno de información donde una sola captura de pantalla puede correr más rápido que cualquier verificador de datos en el planeta, la habilidad más importante no es saber la respuesta correcta, sino saber cómo hacer las preguntas correctas antes de hacer clic en compartir.

Preguntas frecuentes

¿Qué mostraba realmente el gráfico viral?

El gráfico mostraba el porcentaje de mujeres estadounidenses que se identifican como bisexuales por grupo de edad, de 2014 a 2025. Los datos provenían de encuestas de los CDC y fueron publicados originalmente por la psicóloga Jean Twenge en su Substack. No tenía nada que ver con la identificación transgénero. Alguien eliminó las etiquetas originales y añadió un subtítulo falso afirmando que mostraba datos de jóvenes trans.

¿Cómo puedo saber si un gráfico en las redes sociales es real o manipulado?

Utiliza una verificación de cuatro pasos: (1) busca la fuente original; si no hay enlace, sé escéptico; (2) lee los ejes y las etiquetas cuidadosamente para buscar detalles específicos; (3) rastrea quién recopiló los datos y cómo; (4) considera quién lo comparte y si se ha eliminado el contexto. La búsqueda inversa de imágenes puede ayudarte a encontrar la versión original.

¿Qué es el "dividendo del mentiroso" en la desinformación?

El dividendo del mentiroso es un concepto en el que la existencia conocida de falsificaciones y contenido manipulado da a las personas una razón para descartar evidencia real que les resulta inconveniente. Una vez que las personas aprenden que los gráficos pueden estar mal etiquetados, algunas usan ese conocimiento no para ser mejores lectores de datos, sino para rechazar cualquier dato que desafíe sus creencias existentes.

Fuentes:

Keep Reading

← All articles