Las escalas psicológicas juegan un papel clave en la evaluación, el cribado y el diagnóstico de variables latentes, como las emociones, la salud mental y el bienestar. En la práctica, los investigadores necesitan escalas más cortas de rasgos psicológicos para ahorrar tiempo y costos de administración. Así, se han propuesto una variedad de algoritmos de optimización para abreviar escalas psicológicas extensas en instrumentos más cortos de manera eficiente. El objetivo principal de esta aplicación es formar una escala abreviada con menos ítems, manteniendo la fiabilidad, las relaciones entre las subescalas y el ajuste del modelo para la escala completa. En este estudio, utilizamos un algoritmo de optimización (algoritmo genético) y un algoritmo de selección de características (eliminación recursiva de características) para abreviar automáticamente una escala psicológica. Aunque ambos algoritmos buscan un subconjunto óptimo de características dentro de un gran conjunto de características, el mecanismo de búsqueda subyacente a cada algoritmo es bastante diferente. El algoritmo genético emplea un proceso de muestreo sistemático pero computacionalmente costoso para encontrar las características óptimas, mientras que la eliminación recursiva de características elimina iterativamente las características menos importantes hasta que se retiene un número deseado de características. En este estudio, utilizamos una medida de 77 ítems de emociones de prueba (Cuestionario de Emociones de Prueba) para demostrar cómo se pueden utilizar estos algoritmos para la abreviación de escalas. Generamos una forma corta de 40 ítems utilizando cada algoritmo y comparamos la calidad de los ítems seleccionados con respecto a la escala completa. Los resultados indican que ambos métodos pueden proporcionar a investigadores y profesionales un procedimiento sistemático para crear versiones más cortas y psicométricamente sólidas de instrumentos psicológicos extensos.