El objetivo típico de un algoritmo de filtrado colaborativo es minimizar la desviación entre las predicciones de calificación y las calificaciones reales de los usuarios, de modo que el sistema de recomendación ofrezca sugerencias para artículos apropiados, logrando un mayor valor de predicción. Los conjuntos de datos en los que se aplican los algoritmos de filtrado colaborativo varían en términos de escasez, es decir, en cuanto al porcentaje de celdas vacías en las matrices de calificación usuario-artículo. La escasez es un factor importante que afecta la precisión de la predicción de calificaciones, ya que investigaciones han demostrado que el filtrado colaborativo sobre conjuntos de datos escasos exhibe una menor precisión. El presente trabajo tiene como objetivo explorar, en un contexto más amplio, los factores relacionados con la precisión de la predicción de calificaciones en conjuntos de datos de filtrado colaborativo escasos, indicando que recomendar los artículos que simplemente logran valores de predicción más altos que otros, sin considerar otros factores, en algunos casos, puede reducir la precisión de la recomendación y afectar negativamente el éxito del sistema de recomendación. Se lleva a cabo una evaluación extensa utilizando conjuntos de datos de filtrado colaborativo escasos. Se encuentra que el número de vecinos cercanos utilizados para la formulación de la predicción, el promedio de calificaciones del usuario para quien se genera la predicción y el promedio de calificaciones del artículo en relación con la predicción pueden indicar, en muchos casos, si la predicción de calificación producida es confiable o no.