Este estudio introduce una medida novedosa para evaluar la relevancia de atributos, diseñada específicamente para identificar con precisión atributos que están intrínsecamente relacionados con un fenómeno, siendo sensible a la asimetría de esas relaciones y a las condiciones de ruido. Las técnicas tradicionales de selección de variables, como los métodos de filtro y envoltura, a menudo no logran capturar estas complejidades. Nuestra metodología, basada en árboles de decisión pero ampliable a otros modelos de aprendizaje automático, fue evaluada rigurosamente en diversos escenarios de datos. Los resultados demuestran que nuestra medida distingue efectivamente los atributos relevantes de los irrelevantes y resalta cómo la relevancia es influenciada por el ruido, proporcionando una comprensión más matizada en comparación con métodos establecidos como Pearson, Spearman, Kendall, MIC, MAS, MEV, GMIC, y otros. Esta investigación subraya la importancia de la explicabilidad centrada en el fenómeno, la reproducibilidad y la evaluación robusta de la relevancia de atributos en el desarrollo de modelos predictivos. Al mejorar tanto la interpretabilidad como la precisión contextual de los modelos, nuestro enfoque no solo respalda la toma de decisiones más informada, sino que también contribuye a una comprensión más profunda de los mecanismos subyacentes en diversos campos de aplicación, como la investigación biomédica, modelado financiero, astronomía y otros.