E85 - Demo: Corrección de prueba de selección automática en R

Resumen

En este episodio (E85) los conductores de enCoders discuten cómo diseñar pruebas de selección para cargos de ciencia de datos, análisis de datos y MLOps, y por qué conviene que puedan corregirse automáticamente cuando llegan decenas o cientos de postulantes. Comparan tipos de preguntas (imposibles, capciosas, de definición, de aplicación, de lógica/programación y abiertas) y concluyen que las de aplicación, lógica y programación son las más útiles y fáciles de corregir. Comparten tips para postular (redes de contacto, portafolio, preparar respuestas con ejemplos concretos, cuidar la cámara y el fondo). En la demo, Rodo muestra un script en R que toma el Excel de un formulario (Google Forms, Microsoft Forms, etc.) y calcula un puntaje absoluto y uno parcial por postulante, comparándolo con una pauta. Se explica el uso de símbolos y `!!` en dplyr para parametrizar nombres de columnas. Conclusión: la prueba automática sirve como primer filtro; las preguntas abiertas y de código se revisan después con humanos.

Capítulos

• 00:00
  IntroSe presenta el temario: entrevistas de trabajo y un código en R que corrige automáticamente cuestionarios. Se explica que sale de un Excel de un forms y asigna puntaje según las respuestas, y que se adaptó para servir a cualquier cargo.
• 02:05
  Por qué hacer una prueba de selección?A uno de ellos no le gustan las pruebas en vivo tipo LeetCode porque el nerviosismo hace rendir menos; prefiere una tarea para la casa y dar feedback después. Cuando llegan 50, 100 o 150 postulantes, una prueba automática reduce entrevistas y ahorra tiempo a ambas partes.
• 09:14
  Secciones de una entrevistaTípicamente hay una entrevista inicial con RR.HH., una o más pruebas técnicas (en vivo, asincrónicas, teóricas o prácticas) y una entrevista con jefe o gerente para evaluar el fit con el equipo. Se recomienda una prueba estándar con la misma dificultad para todos, y usar imágenes en las preguntas para dificultar el uso de ChatGPT.
• 14:18
  Tipos de preguntas que hemos vistoSe mencionan preguntas imposibles (estimar pelotas de tenis en una piscina, mercado de pianos en Chile), de lógica (cruzar el río en un bote), capciosas, de definición, de aplicación y abiertas. Para corrección automática descartan las abiertas, las de definición y las imposibles, y se quedan con programación, lógica y aplicaciones con caso concreto.
• 23:01
  Qué nos gusta preguntar a nosotros?Uno pregunta cuál es el rol de un Data Scientist, esperando que responda que es generar valor y apoyar decisiones de negocio. Otro plantea el caso de estar "en una isla desierta" con un computador para ver si el primer paso es entender el negocio. Se aclara que el rol depende de la empresa y de si es investigación o con fines de lucro.
• 32:07
  Preguntas del públicoSe responde que no hay lenguaje preferido (suele ser Python hoy) y que se usa lo que resuelva el problema, considerando quién lo sabe usar. Se comenta el caso de Devin: una demo que no es confiable ni reemplaza desarrolladores a corto plazo. Se opina que la IA libera tiempo y los trabajos se adaptan, y se discute si Bash es un lenguaje de programación.
• 41:10
  MemesSe comenta el meme del entrevistador que pregunta por qué quieres el trabajo y el del nerviosismo al programar mientras te miran. Surge el tema de la incomodidad de usar un computador ajeno y de compartir un archivo de extensiones de VS Code (`.vscode`) en el repositorio de un curso para Data Analyst en Entel.
• 45:14
  Tips para buscar trabajo como Data AnalystSe remite al episodio 11 (preparar una entrevista) y se recomiendan las redes de contacto, un portafolio pequeño, preparar respuestas típicas (debilidades, flujo de trabajo de un proyecto), tener ejemplos concretos y practicar con ChatGPT como entrevistador. También se aconseja cuidar luz, cámara, micrófono y orden del fondo.
• 52:59
  Qué queremos medir?Se busca medir que la persona sepa lo básico y sepa aplicar conceptos; las buenas prácticas son lo menos prioritario. Las respuestas del test sirven para hacer preguntas más avanzadas en la entrevista y detectar si alguien mintió. Se comenta la pregunta de las debilidades y la importancia de ser honesto.
• 58:56
  Demo: Creación de una mini prueba(Este tramo aparece en el timeline de la descripción pero no como capítulo de YouTube.) Se crea un formulario con nombre, email y preguntas tipo checkbox, que permiten evaluar un tema desde varios ángulos con verdaderos/falsos. Ejemplos: git (Mercurial/SVN, tags y branches como punteros, fetch/pull) y una pregunta con imagen de descenso del gradiente y otra de tabla de confusión (accuracy, precisión, recall). Cada pregunta da un puntaje parcial y todas pesan lo mismo.
• 01:10:10
  Demo: Formateo de las respuestasEn el Excel se agregan una fila con la pauta correcta y otra con todas las alternativas marcadas (para contar alternativas por pregunta), y una hoja "variables" con los nombres de columnas (nombre, email, primera y última pregunta, tiempos).
• 01:12:32
  Demo: Corrección automática y outputEn R, con tidyverse y un paquete para leer xlsx, se leen ambas hojas, se limpian nombres de columnas y duplicados, y se aplica una función por postulante que calcula aciertos, omisiones y errores (verdaderos/falsos positivos y negativos). El resultado se guarda en CSV con puntaje absoluto y parcial; se comenta un bug donde el porcentaje parcial supera 1, y se explica el uso de símbolos y `!!` en dplyr para parametrizar columnas.
• 01:26:34
  CierreSe agradece a la audiencia y se responde una pregunta sobre un junior con exceso de carga y mercado laboral difícil: priorizar con el jefe, aprender a decir que no y valorar ganar experiencia en el primer trabajo. Se recapitula el tema y se invita al Discord y al canal de YouTube.

Palabras clave