Algunos aspectos de la ciencia, tomados al nivel más amplio, son universales en la investigación empírica. Entre ellos se encuentran la recogida, el análisis y la presentación de datos. En cada uno de estos aspectos, pueden producirse errores, y de hecho se producen.
Primero discutimos la importancia de centrarse en los errores estadísticos y de datos para mejorar continuamente la práctica de la ciencia. A continuación, describimos los temas subyacentes de los tipos de errores y postulamos los factores que contribuyen a ellos. Para ello, describimos una serie de casos de errores estadísticos y de datos relativamente graves. Se revisaron encuestas sobre algunos tipos de errores para caracterizar mejor la magnitud, la frecuencia y las tendencias. Una vez examinados estos errores, analizamos las consecuencias de errores específicos o clases de errores.
Por último, teniendo en cuenta los temas extraídos, discutimos los enfoques metodológicos, culturales y a nivel de sistema para reducir la frecuencia de los errores comúnmente observados. Estos enfoques contribuirán de forma plausible a la práctica autocrítica, autocorrectiva y en constante evolución de la ciencia y, en última instancia, al avance del conocimiento.
En la vida común, retractarse de un error, incluso al principio. A esto podemos añadir que la decepción y la oposición inflaman las mentes de los hombres y los apegan, aún más, a sus errores.
Por qué es importante centrarse en los errores
Según Arnup et al (2016), identificar y corregir los errores es esencial para la ciencia. Esto da lugar a la máxima de que la ciencia es autocorrectiva. El corolario es que si no identificamos y corregimos los errores, la ciencia no puede pretender ser autocorrectiva. Es un concepto que ha sido fuente de discusión crítica. Podría decirse que los errores son necesarios para el avance científico. Mantenerse dentro de los límites del pensamiento y los métodos establecidos limita el avance del conocimiento.
La historia de la ciencia es rica en errores. Antes de Watson y Crick, Linus Pauling publicó su hipótesis de que la estructura del ADN era una triple hélice. Lord Kelvin se equivocó al estimar la edad de la Tierra en más de un orden de magnitud. En los inicios de la disciplina de la genética, Francis Galton introdujo una expresión matemática errónea para las contribuciones de los diferentes ancestros a los rasgos heredados de un individuo. Aunque no por ello son menos erróneos, estos errores representan importantes conocimientos de algunas de las mentes más brillantes de la historia que trabajan en la frontera entre la ignorancia y el conocimiento. Proponen, prueban y refinan teorías.
Antecedentes
En principio, los científicos bien formados que trabajan dentro de su disciplina y son conscientes del conocimiento establecido de su época deberían o podrían haber sabido que eran erróneas o carecían de rigor. Mientras que los errores mencionados anteriormente sólo podrían haberse identificado en retrospectiva a partir de los avances de la ciencia, nuestra atención se centra en los errores que a menudo podrían haberse evitado prospectivamente. Las demostraciones de la falibilidad humana -más que de la brillantez humana- han estado y estarán siempre presentes en la ciencia.
Por ejemplo, hace casi 100 años, Horace Secrist, profesor y autor de un texto sobre métodos estadísticos, sacó conclusiones sustanciales sobre el rendimiento de las empresas. Se basó en patrones que un experto en estadística de la época debería haber comprendido que representaban una regresión a la media. Hace más de 80 años, el gran estadístico Student publicó una crítica de un experimento fallido en el que el tiempo, el esfuerzo y el gasto de estudiar los efectos de la leche en el crecimiento de 20.000 niños no dio lugar a respuestas sólidas. Esto debido a un diseño y una ejecución del estudio descuidados. Estos problemas no son nuevos en la ciencia. Hoy en día se siguen cometiendo errores similares. A veces son lo suficientemente graves como para poner en tela de juicio estudios enteros, y que pueden ocurrir con una frecuencia no trivial.
¿Qué entendemos por errores?
Según Gøtzsche et al (2007), por errores nos referimos a acciones o conclusiones que son demostrable e inequívocamente incorrectas desde un punto de vista lógico o epistemológico. Por ejemplo, falacias lógicas, errores matemáticos, afirmaciones no respaldadas por los datos, procedimientos estadísticos incorrectos o análisis de un conjunto de datos equivocado. No nos referimos a cuestiones de opinión (por ejemplo, si una medida de ansiedad podría haber sido preferible a otra) ni a cuestiones éticas que no estén directamente relacionadas con el valor epistémico de un estudio (por ejemplo, si los autores tenían un derecho legítimo a acceder a los datos comunicados en un estudio).
Por último, al etiquetar algo como error, declaramos únicamente su falta de corrección objetiva, y no hacemos ninguna implicación sobre las intenciones de quienes cometen el error. De este modo, nuestra definición de errores invalidantes puede incluir la fabricación y la falsificación (dos tipos de mala conducta). Dado que se definen por la intencionalidad y la atrocidad, no los abordaremos específicamente. Además, reconocemos plenamente que la categorización de los errores requiere cierto grado de subjetividad y es algo con lo que otros han luchado.
Tipos de errores que consideraremos
Según Tokolahi et al (2016), los tipos de errores tienen tres características. Primero, se relacionan de forma general con el diseño de los estudios, el análisis estadístico y la comunicación de los diseños, las opciones analíticas y los resultados. Segundo, nos centramos en los errores de invalidación. Estos implican errores de hecho o se desvían sustancialmente de los procedimientos claramente aceptados de manera que, si se corrigen, podrían alterar las conclusiones de un trabajo.
Tercero, nos centramos en los errores en los que existe una expectativa razonable de que el científico debería o podría haberlo sabido. Por tanto, no consideramos los errores de pensamiento o de procedimiento necesarios para el progreso de nuevas ideas y teorías. Los errores de Secrist y los identificados por Student podrían haberse evitado gracias a los conocimientos establecidos y contemporáneos. Mientras que los errores de Pauling, Kelvin y Galton fueron anteriores a los conocimientos necesarios para evitarlos.
Violaciones de las Normas Científicas
Nos parece importante aislar los errores científicos de las violaciones de las normas científicas. Estas violaciones no son necesariamente errores invalidantes. Sin embargo, pueden afectar a la confianza en la empresa científica o a su funcionamiento. Algunas prácticas de investigación perjudiciales, la no revelación de conflictos de intereses, el plagio (que entra dentro de la “mala conducta”) y la no obtención de la aprobación ética no afectan a la verdad o la veracidad de los métodos o los datos.
Más bien afectan al prestigio (autoría), a la percepción pública (divulgación), a la confianza entre los científicos (plagio) y a la confianza del público en la ciencia (aprobación ética). Las violaciones de estas normas tienen el potencial de sesgar las conclusiones en un campo. Por lo tanto son importantes por derecho propio. Es importante separar las discusiones sobre el mal comportamiento social de los errores que afectan directamente a los métodos, los datos y las conclusiones, tanto en los análisis primarios como en los secundarios.
Temas subyacentes de los errores y sus factores contribuyentes
Temas de tipos de errores
Se han propuesto diversos temas o taxones de errores. Hemos señalado los errores relacionados con la medición, el diseño del estudio, la replicación, el análisis estadístico, las opciones analíticas, el sesgo de citación, el sesgo de publicación, la interpretación y el mal uso o el descuido de las matemáticas simples. Otros han clasificado los errores por etapas del proceso de investigación. Bouter et al., por ejemplo, clasificaron los comportamientos erróneos en la investigación en cuatro ámbitos: presentación de informes, colaboración, recogida de datos y diseño del estudio. Muchos elementos dentro de varios temas o taxones se superponen. El mal comportamiento en la investigación de una persona puede clasificarse como un error estadístico de otra.
Errores que producen “datos malos”
Definimos los datos malos como aquellos adquiridos a través de métodos de recopilación, diseños de estudio o técnicas de muestreo erróneos o de calidad suficientemente baja. De esta manera su uso para abordar una cuestión científica concreta es científicamente injustificable.
Ejemplo 1
En un ejemplo, se ha utilizado la ingesta energética autodeclarada para estimar la ingesta energética real. Este método consiste en pedir a las personas que recuerden su ingesta dietética de una o más maneras, y luego derivar una estimación de la ingesta de energía metabolizable a partir de estos informes.
El método, comparado con las mediciones objetivas de la ingesta energética real, resulta ser inválido, no sólo “limitado” o “imperfecto”. Los errores de medición son lo suficientemente grandes y no aleatorios como para dar lugar a correlaciones consistentes y estadísticamente significativas en la dirección opuesta a la correlación verdadera para algunas relaciones. Además, las relaciones entre los errores y otros factores son lo suficientemente numerosas y complejas como para desafiar las correcciones simples. Hace décadas se planteó la preocupación por este método y, sin embargo, se sigue utilizando.
Ejemplo 2
Otros ejemplos comunes de datos erróneos son la confusión de los efectos del lote con las variables de interés del estudio y la identificación errónea o la contaminación de las líneas celulares. En el caso de la confusión o la contaminación, los datos son malos por un diseño fallido y a menudo son irrecuperables.
Los datos defectuosos representan uno de los temas más atroces de los errores porque normalmente no hay una forma correcta de analizar los datos defectuosos. A menudo no se puede llegar a conclusiones científicamente justificables sobre las cuestiones de interés originales. También puede ser uno de los errores más difíciles de clasificar, porque puede depender de información como el contexto en el que se utilizan los datos y si son adecuados para un propósito concreto.
Nuestros especialistas esperan por ti para que los contactes a través del formulario de cotización o del chat directo. También contamos con canales de comunicación confidenciales como WhatsApp y Messenger. Y si quieres estar al tanto de nuestros novedosos servicios y las diferentes ventajas de contratarnos, síguenos en Facebook, Instagram o Twitter.
Si este artículo fue de tu agrado, no olvides compartirlo por tus redes sociales.
Referencias Bibliográficas
Tokolahi E, Hocking C, Kersten P, Vandal AC (2016) Quality and reporting of cluster randomized controlled trials evaluating occupational therapy interventions: A systematic review. OTJR (Thorofare, NJ) 36:14–24.
Arnup SJ, Forbes AB, Kahan BC, Morgan KE, McKenzie JE (2016) The quality of reporting in cluster randomised crossover trials: Proposal for reporting items and an assessment of reporting quality. Trials 17:575.
Gøtzsche PC, Hróbjartsson A, Marić K, Tendal B (2007) Data extraction errors in meta-analyses that use standardized mean differences. JAMA 298:430–437.
También te puede interesar: Recolección de Datos Estadísticos
Errores en la Recolección de Datos Estadísticos
