Es mucho más probable que tanto las ventas de helados como las tasas de criminalidad estén relacionadas con la temperatura exterior. Cuando la temperatura es cálida, hay muchas personas fuera de sus casas, que interactúan entre sí, se molestan y, a veces, cometen delitos. Además, cuando hace calor afuera, es más probable que busquemos un regalo fresco como un helado. ¿Cómo determinamos si efectivamente existe una relación entre dos cosas? Y cuando hay una relación, ¿cómo podemos discernir si es atribuible a una coincidencia o causalidad?
Investigación correlacional
La correlación significa que existe una relación entre dos o más variables (como el consumo de helado y el delito), pero esta relación no implica necesariamente causa y efecto. Cuando dos variables están correlacionadas, simplemente significa que a medida que cambia una variable, también cambia la otra. Podemos medir la correlación calculando una estadística conocida como coeficiente de correlación. Un coeficiente de correlación es un número de -1 a +1 que indica la fuerza y la dirección de la relación entre variables. El coeficiente de correlación generalmente está representado por la letra r.
La porción numérica del coeficiente de correlación indica la fuerza de la relación. Cuanto más cercano sea el número a 1 (ya sea negativo o positivo), las variables estarán más relacionadas y los cambios más predecibles en una variable serán a medida que cambie la otra variable. Cuanto más se acerca el número a cero, más débil es la relación y menos predecibles se vuelven las relaciones entre las variables. Por ejemplo, un coeficiente de correlación de 0.9 indica una relación mucho más fuerte que un coeficiente de correlación de 0.3. Si las variables no están relacionadas entre sí, el coeficiente de correlación es 0. El ejemplo anterior sobre el helado y el crimen es un ejemplo de dos variables que podríamos esperar que no tengan relación entre sí.
El signo, positivo o negativo, del coeficiente de correlación indica la dirección de la relación. Una correlación positiva significa que las variables se mueven en la misma dirección. Dicho de otra manera, significa que a medida que una variable aumenta, también lo hace la otra, y por el contrario, cuando una variable disminuye, también lo hace la otra. Una correlación negativa significa que las variables se mueven en direcciones opuestas. Si dos variables están correlacionadas negativamente, una disminución en una variable se asocia con un aumento en la otra y viceversa.
El ejemplo de helado y tasas de criminalidad es una correlación positiva porque ambas variables aumentan cuando las temperaturas son más cálidas. Otros ejemplos de correlaciones positivas son la relación entre la altura y el peso de un individuo o la relación entre la edad de una persona y el número de arrugas. Uno podría esperar que exista una correlación negativa entre el cansancio de alguien durante el día y la cantidad de horas que durmió la noche anterior: la cantidad de sueño disminuye a medida que aumenta la sensación de cansancio. En un ejemplo del mundo real de correlación negativa, los estudiantes investigadores de la Universidad de Minnesota encontraron una correlación negativa débil (r = -0.29) entre el número promedio de días por semana que los estudiantes dormían menos de 5 horas y su promedio de calificaciones (Lowry , Dean y Manders, 2010). Tenga en cuenta que una correlación negativa no es lo mismo que ninguna correlación. Por ejemplo, probablemente no encontraríamos correlación entre las horas de sueño y el tamaño del zapato.
Como se mencionó anteriormente, las correlaciones tienen valor predictivo. Imagina que estás en el comité de admisiones de una universidad importante. Se enfrenta a una gran cantidad de solicitudes, pero solo puede acomodar un pequeño porcentaje del grupo de solicitantes. ¿Cómo puede decidir quién debe ser admitido? Puede intentar correlacionar el GPA de la universidad de sus estudiantes actuales con sus puntajes en exámenes estandarizados como el SAT o el ACT. Al observar qué correlaciones fueron más fuertes para sus estudiantes actuales, podría usar esta información para predecir el éxito relativo de aquellos estudiantes que solicitaron la admisión a la universidad.
 |
| Los diagramas de dispersión son una vista gráfica de la fuerza y la dirección de las correlaciones. Cuanto más fuerte es la correlación, más cerca están los puntos de datos de una línea recta. En estos ejemplos, vemos que hay (a) una correlación positiva entre el peso y la altura, (b) una correlación negativa entre el cansancio y las horas de sueño, y (c) ninguna correlación entre el tamaño del zapato y las horas de sueño. |
La correlación no indica causalidad
La investigación correlacional es útil porque nos permite descubrir la fuerza y la dirección de las relaciones que existen entre dos variables. Sin embargo, la correlación es limitada porque establecer la existencia de una relación nos dice poco sobre causa y efecto. Si bien las variables a veces se correlacionan porque una causa la otra, también podría ser que algún otro factor, una variable de confusión, en realidad esté causando el movimiento sistemático en nuestras variables de interés. En el ejemplo de helado / tasa de criminalidad mencionado anteriormente, la temperatura es una variable de confusión que podría explicar la relación entre las dos variables.
Incluso cuando no podemos señalar las variables de confusión claras, no debemos suponer que una correlación entre dos variables implica que una variable causa cambios en otra. Esto puede ser frustrante cuando una relación de causa y efecto parece clara e intuitiva. Piense en nuestra discusión sobre la investigación realizada por la American Cancer Society y sobre cómo sus proyectos de investigación fueron algunas de las primeras demostraciones del vínculo entre fumar y el cáncer. Parece razonable suponer que fumar causa cáncer, pero si estuviéramos limitados a la investigación correlacional, estaríamos sobrepasando nuestros límites al hacer esta suposición.
Desafortunadamente, las personas hacen afirmaciones de causalidad por error todo el tiempo en función de las correlaciones. Tales afirmaciones son especialmente comunes en anuncios y noticias. Por ejemplo, una investigación reciente encontró que las personas que comen cereales de forma regular alcanzan pesos más saludables que aquellos que rara vez comen cereales (Frantzen, Treviño, Echon, Garcia-Dominic y DiMarco, 2013; Barton et al., 2005). Adivina cómo las compañías de cereales informan este hallazgo. ¿Comer cereal realmente hace que una persona mantenga un peso saludable, o hay otras explicaciones posibles, como que alguien con un peso saludable tiene más probabilidades de comer un desayuno saludable regularmente que alguien que es obeso o alguien que evita las comidas en un intento? hacer dieta? Si bien la investigación correlacional es invaluable para identificar relaciones entre variables, una limitación importante es la incapacidad para establecer la causalidad. Los psicólogos quieren hacer declaraciones sobre causa y efecto, pero la única forma de hacerlo es realizar un experimento para responder una pregunta de investigación. La siguiente sección describe cómo los experimentos científicos incorporan métodos que eliminan o controlan explicaciones alternativas, que permiten a los investigadores explorar cómo los cambios en una variable causan cambios en otra variable.
 |
| ¿Comer cereal realmente hace que alguien tenga un peso saludable? |
Correlaciones ilusorias
La tentación de hacer declaraciones erróneas de causa y efecto basadas en investigaciones correlacionales no es la única forma en que tendemos a malinterpretar los datos. También tendemos a cometer el error de correlaciones ilusorias, especialmente con observaciones no sistemáticas. Las correlaciones ilusorias, o correlaciones falsas, ocurren cuando las personas creen que existen relaciones entre dos cosas cuando no existe tal relación. Una correlación ilusoria bien conocida es el supuesto efecto que las fases de la luna tienen sobre el comportamiento humano. Muchas personas afirman apasionadamente que el comportamiento humano se ve afectado por la fase de la luna, y específicamente, que las personas actúan de manera extraña cuando la luna está llena.
 |
| Muchas personas creen que la luna llena hace que las personas se comporten de manera extraña. |
No se puede negar que la luna ejerce una poderosa influencia en nuestro planeta. El flujo y reflujo de las mareas del océano están estrechamente vinculados a las fuerzas gravitacionales de la luna. Muchas personas creen, por lo tanto, que es lógico que la luna también nos afecte. Después de todo, nuestros cuerpos están compuestos principalmente de agua. Sin embargo, un metaanálisis de casi 40 estudios demostró constantemente que la relación entre la luna y nuestro comportamiento no existe (Rotton y Kelly, 1985). Si bien podemos prestar más atención al comportamiento extraño durante la fase completa de la luna, las tasas de comportamiento extraño permanecen constantes durante todo el ciclo lunar.
¿Por qué somos tan aptos para creer en correlaciones ilusorias como esta? A menudo leemos o escuchamos sobre ellos y simplemente aceptamos la información como válida. O, tenemos una corazonada sobre cómo funciona algo y luego buscamos evidencia para apoyar esa corazonada, ignorando la evidencia que nos diría que nuestra corazonada es falsa; Esto se conoce como sesgo de confirmación. Otras veces, encontramos correlaciones ilusorias basadas en la información que viene a la mente más fácilmente, incluso si esa información es muy limitada. Y aunque podemos sentirnos seguros de que podemos usar estas relaciones para comprender y predecir mejor el mundo que nos rodea, las correlaciones ilusorias pueden tener inconvenientes significativos. Por ejemplo, la investigación sugiere que las correlaciones ilusorias, en las que ciertas conductas se atribuyen de manera inexacta a ciertos grupos, están involucradas en la formación de actitudes perjudiciales que pueden conducir a una conducta discriminatoria (Fiedler, 2004).
Causalidad: realización de experimentos y uso de los datos
Como has aprendido, la única forma de establecer que existe una relación de causa y efecto entre dos variables es realizar un experimento científico. El experimento tiene un significado diferente en el contexto científico que en la vida cotidiana. En las conversaciones cotidianas, a menudo lo usamos para describir probar algo por primera vez, como experimentar con un nuevo peinado o un nuevo alimento. Sin embargo, en el contexto científico, un experimento tiene requisitos precisos para el diseño y la implementación.
La hipótesis experimental-
Para realizar un experimento, un investigador debe tener una hipótesis específica para ser probado. Como has aprendido, las hipótesis se pueden formular a través de la observación directa del mundo real o después de una cuidadosa revisión de investigaciones anteriores. Por ejemplo, si cree que no debería permitirse que los niños vean programación violenta en la televisión porque hacerlo les haría comportarse de manera más violenta, entonces básicamente han formulado una hipótesis, es decir, que mirar programas de televisión violentos hace que los niños se comporten de manera más violenta . ¿Cómo podría haber llegado a esta hipótesis particular? Es posible que tengas parientes más jóvenes que miran dibujos animados con personajes que usan artes marciales para salvar al mundo de los malhechores, con una impresionante variedad de golpes, patadas y posturas defensivas. Te das cuenta de que después de mirar estos programas por un tiempo, tus parientes jóvenes imitan el comportamiento de lucha de los personajes retratados en la caricatura
 |
| Ver un comportamiento como este justo después de que un niño mira programas violentos de televisión podría llevarlo a la hipótesis de que ver programas violentos de televisión conduce a un aumento en la visualización de comportamientos violentos. |
Este tipo de observaciones personales es lo que a menudo nos lleva a formular una hipótesis específica, pero no podemos usar observaciones personales limitadas y evidencia anecdótica para probar rigurosamente nuestra hipótesis. En cambio, para descubrir si los datos del mundo real respaldan nuestra hipótesis, tenemos que realizar un experimento.
Diseñando un experimento
El diseño experimental más básico involucra dos grupos: el grupo experimental y el grupo de control. Los dos grupos están diseñados para ser iguales, excepto por una diferencia: la manipulación experimental. El grupo experimental obtiene la manipulación experimental, es decir, el tratamiento o la variable que se está probando (en este caso, imágenes de televisión violentas), y el grupo de control no. Dado que la manipulación experimental es la única diferencia entre los grupos experimental y de control, podemos estar seguros de que cualquier diferencia entre los dos se debe a la manipulación experimental más que al azar.
En nuestro ejemplo de cómo la programación televisiva violenta puede afectar el comportamiento violento en los niños, tenemos el grupo experimental que ve la programación televisiva violenta durante un tiempo específico y luego mide su comportamiento violento. Medimos el comportamiento violento en nuestro grupo de control después de que miran la programación de televisión no violenta durante la misma cantidad de tiempo. Es importante que el grupo de control sea tratado de manera similar al grupo experimental, con la excepción de que el grupo de control no recibe la manipulación experimental. Por lo tanto, tenemos el grupo de control que mira la programación de televisión no violenta durante la misma cantidad de tiempo que el grupo experimental.
También necesitamos definir con precisión u operacionalizar lo que se considera violento y no violento. Una definición operativa es una descripción de cómo mediremos nuestras variables, y es importante para permitir que otros entiendan exactamente cómo y qué mide un investigador en un experimento en particular. Al poner en práctica el comportamiento violento, podríamos elegir contar solo los actos físicos como patear o golpear como ejemplos de este comportamiento, o también podemos optar por incluir intercambios verbales enojados. Independientemente de lo que determinemos, es importante que operacionalicemos el comportamiento violento de tal manera que cualquiera que escuche sobre nuestro estudio por primera vez sepa exactamente lo que queremos decir con violencia. Esto ayuda a las personas a interpretar nuestros datos, así como a repetir nuestro experimento si así lo desean.
Una vez que hemos puesto en funcionamiento lo que se considera programación de televisión violenta y lo que se considera comportamiento violento de los participantes de nuestro experimento, debemos establecer cómo llevaremos a cabo nuestro experimento. En este caso, es posible que los participantes vean un programa de televisión de 30 minutos (ya sea violento o no violento, dependiendo de la membresía de su grupo) antes de enviarlos a un patio de juegos durante una hora donde se observa su comportamiento y la cantidad y tipo de actos violentos. esta grabado.
Idealmente, las personas que observan y registran el comportamiento de los niños desconocen quién fue asignado al grupo experimental o de control, para controlar el sesgo del experimentador. El sesgo del experimentador se refiere a la posibilidad de que las expectativas de un investigador puedan sesgar los resultados del estudio. Recuerde, realizar un experimento requiere mucha planificación, y las personas involucradas en el proyecto de investigación tienen un interés personal en apoyar sus hipótesis. Si los observadores supieran qué niño pertenecía a cada grupo, esto podría influir en la cantidad de atención que prestaron al comportamiento de cada niño, así como en la forma en que interpretaron ese comportamiento. Al ser ciegos a qué niño está en qué grupo, protegemos contra esos prejuicios. Esta situación es un estudio simple ciego, lo que significa que uno de los grupos (participantes) desconoce en qué grupo están (grupo experimental o de control) mientras que el investigador que desarrolló el experimento sabe qué participantes están en cada grupo.
En un estudio doble ciego, tanto los investigadores como los participantes son ciegos a las tareas grupales. ¿Por qué querría un investigador realizar un estudio en el que nadie sepa quién está en qué grupo? Porque al hacerlo, podemos controlar tanto las expectativas del experimentador como las de los participantes. Si está familiarizado con la frase efecto placebo, ya tiene alguna idea de por qué esta es una consideración importante. El efecto placebo ocurre cuando las expectativas o creencias de las personas influyen o determinan su experiencia en una situación dada. En otras palabras, simplemente esperar que algo suceda realmente puede hacer que suceda.
El efecto placebo se describe comúnmente en términos de probar la efectividad de un nuevo medicamento. Imagine que trabaja en una compañía farmacéutica y cree que tiene un nuevo medicamento que es eficaz para tratar la depresión. Para demostrar que su medicamento es efectivo, realice un experimento con dos grupos: el grupo experimental recibe el medicamento y el grupo de control no. Pero no desea que los participantes sepan si recibieron el medicamento o no.
¿Porqué es eso? Imagine que participa en este estudio y que acaba de tomar una píldora que cree que mejorará su estado de ánimo. Debido a que espera que la píldora tenga efecto, es posible que se sienta mejor simplemente porque tomó la píldora y no por ningún medicamento realmente contenido en la píldora; este es el efecto placebo.
Para asegurarse de que cualquier efecto sobre el estado de ánimo se deba al medicamento y no a las expectativas, el grupo de control recibe un placebo (en este caso, una píldora de azúcar). Ahora todos reciben una píldora, y una vez más, ni el investigador ni los participantes experimentales saben quién recibió el medicamento y quién recibió la píldora de azúcar. Cualquier diferencia en el estado de ánimo entre los grupos experimentales y de control ahora se puede atribuir al fármaco en sí mismo en lugar del sesgo del experimentador o las expectativas de los participantes.
 |
| Proporcionar al grupo control un tratamiento con placebo protege contra el sesgo causado por la expectativa. |
Variables independientes y dependientes
En un experimento de investigación, nos esforzamos por estudiar si los cambios en una cosa causan cambios en otra. Para lograr esto, debemos prestar atención a dos variables importantes, o cosas que se pueden cambiar, en cualquier estudio experimental: la variable independiente y la variable dependiente. Una variable independiente es manipulada o controlada por el experimentador. En un estudio experimental bien diseñado, la variable independiente es la única diferencia importante entre los grupos experimentales y de control. En nuestro ejemplo de cómo los programas de televisión violentos afectan la exhibición de comportamiento violento de los niños, la variable independiente es el tipo de programa, violento o no violento, visto por los participantes en el estudio. Una variable dependiente es lo que mide el investigador para ver cuánto efecto tuvo la variable independiente. En nuestro ejemplo, la variable dependiente es el número de actos violentos que muestran los participantes experimentales.
 |
| En un experimento, se espera que las manipulaciones de la variable independiente den como resultado cambios en la variable dependiente. |
Esperamos que la variable dependiente cambie en función de la variable independiente. En otras palabras, la variable dependiente depende de la variable independiente. Una buena manera de pensar sobre la relación entre las variables independientes y dependientes es con esta pregunta: ¿Qué efecto tiene la variable independiente en la variable dependiente? Volviendo a nuestro ejemplo, ¿qué efecto tiene mirar media hora de programación televisiva violenta o programación televisiva no violenta en la cantidad de incidentes de agresión física que se muestran en el patio de recreo?
Seleccionar y asignar participantes experimentales
Ahora que nuestro estudio está diseñado, necesitamos obtener una muestra de individuos para incluir en nuestro experimento. Nuestro estudio involucra a participantes humanos, por lo que debemos determinar a quién incluir. Los participantes son sujetos de investigación psicológica y, como su nombre lo indica, las personas que participan en la investigación psicológica participan activamente en el proceso. A menudo, los proyectos de investigación psicológica dependen de estudiantes universitarios para que participen. De hecho, la gran mayoría de la investigación en los subcampos de psicología ha involucrado históricamente a los estudiantes como participantes de la investigación (Sears, 1986; Arnett, 2008). ¿Pero los estudiantes universitarios son realmente representativos de la población general? Los estudiantes universitarios tienden a ser más jóvenes, más educados, más liberales y menos diversos que la población general. Aunque el uso de estudiantes como sujetos de prueba es una práctica aceptada, depender de un grupo tan limitado de participantes en la investigación puede ser problemático porque es difícil generalizar los hallazgos a la población en general.
Nuestro experimento hipotético involucra a niños, y primero debemos generar una muestra de niños participantes. Las muestras se usan porque las poblaciones suelen ser demasiado grandes para involucrar razonablemente a todos los miembros en nuestro experimento particular. Si es posible, deberíamos usar una muestra aleatoria (hay otros tipos de muestras, pero para los propósitos de este capítulo, nos enfocaremos en muestras aleatorias). Una muestra aleatoria es un subconjunto de una población más grande en la que cada miembro de la población tiene las mismas posibilidades de ser seleccionado. Se prefieren las muestras aleatorias porque si la muestra es lo suficientemente grande, podemos estar razonablemente seguros de que los individuos participantes son representativos de la población más grande. Esto significa que los porcentajes de las características de la muestra (sexo, origen étnico, nivel socioeconómico y cualquier otra característica que pueda afectar los resultados) están cerca de esos porcentajes en la población en general.
En nuestro ejemplo, supongamos que decidimos que nuestra población de interés es de cuarto grado. Pero todos los alumnos de cuarto grado son una población muy grande, por lo que debemos ser más específicos; en cambio, podríamos decir que nuestra población de interés son todos estudiantes de cuarto grado en una ciudad en particular. Deberíamos incluir estudiantes de varios niveles de ingresos, situaciones familiares, razas, etnias, religiones y áreas geográficas de la ciudad. Con esta población más manejable, podemos trabajar con las escuelas locales en la selección de una muestra aleatoria de alrededor de 200 estudiantes de cuarto grado que queremos participar en nuestro experimento.
En resumen, debido a que no podemos evaluar a todos los alumnos de cuarto grado en una ciudad, queremos encontrar un grupo de aproximadamente 200 que refleje la composición de esa ciudad. Con un grupo representativo, podemos generalizar nuestros hallazgos a la población más grande sin temor a que nuestra muestra esté sesgada de alguna manera.
 |
| Los investigadores pueden trabajar con (a) una población grande o (b) un grupo de muestra que es un subconjunto de la población más grande. |
Ahora que tenemos una muestra, el siguiente paso del proceso experimental es dividir a los participantes en grupos experimentales y de control mediante asignación aleatoria. Con la asignación aleatoria, todos los participantes tienen las mismas posibilidades de ser asignados a cualquiera de los grupos. Existe un software estadístico que asignará aleatoriamente a cada uno de los alumnos de cuarto grado de la muestra al grupo experimental o al grupo de control.
La asignación aleatoria es crítica para el diseño experimental de sonido. Con muestras suficientemente grandes, la asignación aleatoria hace improbable que haya diferencias sistemáticas entre los grupos. Entonces, por ejemplo, sería muy poco probable que obtuviéramos un grupo compuesto completamente por hombres, una identidad étnica dada o una ideología religiosa dada. Esto es importante porque si los grupos fueran sistemáticamente diferentes antes de que comenzara el experimento, no sabríamos el origen de las diferencias que encontremos entre los grupos: ¿Las diferencias eran preexistentes o fueron causadas por la manipulación de la variable independiente? La asignación aleatoria nos permite suponer que las diferencias observadas entre los grupos experimentales y de control resultan de la manipulación de la variable independiente.
Cuestiones a considerar
Si bien los experimentos permiten a los científicos hacer afirmaciones de causa y efecto, no están exentos de problemas. Los verdaderos experimentos requieren que el experimentador manipule una variable independiente, y eso puede complicar muchas preguntas que los psicólogos podrían querer abordar. Por ejemplo, imagine que desea saber qué efecto tiene el sexo (la variable independiente) en la memoria espacial (la variable dependiente). Aunque ciertamente puede buscar diferencias entre hombres y mujeres en una tarea que aprovecha la memoria espacial, no puede controlar directamente el sexo de una persona. Clasificamos este tipo de enfoque de investigación como cuasi-experimental y reconocemos que no podemos hacer afirmaciones de causa y efecto en estas circunstancias.
Los experimentadores también están limitados por restricciones éticas. Por ejemplo, no podría realizar un experimento diseñado para determinar si experimentar abuso en la niñez conduce a niveles más bajos de autoestima entre los adultos. Para llevar a cabo tal experimento, necesitaría asignar aleatoriamente algunos participantes experimentales a un grupo que recibe abuso, y ese experimento no sería ético.
Interpretación de hallazgos experimentales
Una vez que se recopilan los datos de los grupos experimental y de control, se realiza un análisis estadístico para determinar si existen diferencias significativas entre los dos grupos. Un análisis estadístico determina la probabilidad de que cualquier diferencia encontrada se deba al azar (y, por lo tanto, no sea significativa). En psicología, las diferencias grupales se consideran significativas o significativas, si las probabilidades de que estas diferencias ocurran por casualidad son del 5 por ciento o menos. Dicho de otra manera, si repetimos este experimento 100 veces, esperaríamos encontrar los mismos resultados al menos 95 de cada 100.
La mayor fortaleza de los experimentos es la capacidad de afirmar que cualquier diferencia significativa en los hallazgos es causada por la variable independiente. Esto ocurre porque la selección aleatoria, la asignación aleatoria y un diseño que limita los efectos del sesgo del experimentador y la expectativa de los participantes deberían crear grupos que son similares en composición y tratamiento. Por lo tanto, cualquier diferencia entre los grupos es atribuible a la variable independiente, y ahora finalmente podemos hacer una declaración causal. Si descubrimos que mirar un programa de televisión violento resulta en un comportamiento más violento que mirar un programa no violento, podemos decir con seguridad que mirar programas de televisión violentos provoca un aumento en la visualización del comportamiento violento.
Investigación de informes
Cuando los psicólogos completan un proyecto de investigación, generalmente quieren compartir sus hallazgos con otros científicos. La Asociación Americana de Psicología (APA, por sus siglas en inglés) publica un manual que detalla cómo escribir un artículo para enviarlo a revistas científicas. A diferencia de un artículo que podría publicarse en una revista como Psychology Today, dirigida a un público general interesado en la psicología, las revistas científicas generalmente publican artículos de revistas revisados por pares dirigidos a una audiencia de profesionales y académicos que participan activamente en la investigación.
Un artículo de revista revisado por pares es leído por varios otros científicos (generalmente de forma anónima) con experiencia en el tema. Estos pares revisores proporcionan comentarios, tanto al autor como al editor de la revista, con respecto a la calidad del borrador. Los revisores pares buscan una base sólida para la investigación que se describe, una descripción clara de cómo se realizó la investigación y evidencia de que la investigación se realizó de manera ética. También buscan fallas en el diseño, los métodos y los análisis estadísticos del estudio. Verifican que las conclusiones extraídas por los autores parecen razonables dadas las observaciones realizadas durante la investigación. Los revisores pares también comentan cuán valiosa es la investigación para avanzar en el conocimiento de la disciplina. Esto ayuda a evitar la duplicación innecesaria de los resultados de la investigación en la literatura científica y, en cierta medida, asegura que cada artículo de investigación proporcione nueva información. En última instancia, el editor de la revista compilará todos los comentarios de los revisores pares y determinará si el artículo se publicará en su estado actual (algo raro), se publicará con revisiones o no se aceptará para su publicación.
La revisión por pares proporciona cierto grado de control de calidad para la investigación psicológica. Los estudios mal concebidos o ejecutados pueden eliminarse, e incluso la investigación bien diseñada puede mejorarse mediante las revisiones sugeridas. La revisión por pares también asegura que la investigación se describa con suficiente claridad como para permitir que otros científicos la repliquen, lo que significa que pueden repetir el experimento usando diferentes muestras para determinar la confiabilidad. A veces, las repeticiones implican medidas adicionales que amplían el hallazgo original. En cualquier caso, cada replicación sirve para proporcionar más evidencia para respaldar los resultados de la investigación original. Las réplicas exitosas de la investigación publicada hacen que los científicos sean más aptos para adoptar esos hallazgos, mientras que los repetidos fracasos tienden a poner en duda la legitimidad del artículo original y llevan a los científicos a buscar en otro lado. Por ejemplo, sería un avance importante en el campo de la medicina si un estudio publicado indicara que tomar un nuevo medicamento ayudara a las personas a alcanzar un peso saludable sin cambiar su dieta. Pero si otros científicos no pudieran replicar los resultados, las afirmaciones del estudio original serían cuestionadas.
El mito del autismo vacunal y la retracción de los estudios publicados
Algunos científicos han afirmado que las vacunas infantiles de rutina hacen que algunos niños desarrollen autismo y, de hecho, varias publicaciones revisadas por pares publicaron investigaciones que hacen estas afirmaciones. Desde los informes iniciales, la investigación epidemiológica a gran escala ha sugerido que las vacunas no son responsables de causar autismo y que es mucho más seguro vacunar a su hijo que no. Además, varios de los estudios originales que hacen esta afirmación han sido retirados.
Un trabajo publicado puede rescindirse cuando se cuestionan los datos debido a la falsificación, la fabricación o los problemas graves de diseño de la investigación. Una vez rescindido, se informa a la comunidad científica de que existen serios problemas con la publicación original. Las retractaciones pueden ser iniciadas por el investigador que dirigió el estudio, por los colaboradores de la investigación, por la institución que empleó al investigador, o por el consejo editorial de la revista en la que se publicó originalmente el artículo. En el caso de la vacuna contra el autismo, la retracción se realizó debido a un conflicto de intereses significativo en el que el investigador principal tenía un interés financiero en establecer un vínculo entre las vacunas infantiles y el autismo (Offit, 2008). Desafortunadamente, los estudios iniciales recibieron tanta atención de los medios que muchos padres de todo el mundo dudaron en vacunar a sus hijos.
 |
| Algunas personas todavía piensan que las vacunas causan autismo. |
Fiabilidad y Validez
La fiabilidad y la validez son dos consideraciones importantes que deben realizarse con cualquier tipo de recopilación de datos. La confiabilidad se refiere a la capacidad de producir consistentemente un resultado dado. En el contexto de la investigación psicológica, esto significaría que cualquier instrumento o herramienta utilizada para recopilar datos lo hace de manera consistente y reproducible.
Desafortunadamente, ser consistente en la medición no significa necesariamente que haya medido algo correctamente. Para ilustrar este concepto, considere una báscula de cocina que se usaría para medir el peso del cereal que come en la mañana. Si la báscula no está calibrada adecuadamente, puede subestimar o sobreestimar constantemente la cantidad de cereal que se está midiendo. Si bien la báscula es altamente confiable para producir resultados consistentes (por ejemplo, la misma cantidad de cereal vertida en la báscula produce la misma lectura cada vez), esos resultados son incorrectos. Aquí es donde entra en juego la validez. La validez se refiere a la medida en que un instrumento o herramienta determinada mide con precisión lo que se supone que debe medir. Si bien cualquier medida válida es por necesidad confiable, lo contrario no es necesariamente cierto. Los investigadores se esfuerzan por usar instrumentos que sean altamente confiables y válidos.
¿Te sirvió el contenido del tema? ¿tienes alguna duda o sugerencia?
Puedes escribir un comentario en la parte de abajo y nosotros con gusto te responderemos. Esperemos que tengas un lindo día. ¡Mucho éxito en tus estudios!
