La Presentación de Resultados como Acto Científico
En la investigación académica, la calidad de un hallazgo no depende únicamente de su rigor metodológico: depende también de cómo se comunica. La presentación de resultados es el momento en que el investigador convierte datos crudos en conocimiento transferible. Una presentación deficiente puede ocultar contribuciones genuinas; una presentación sólida puede articular con claridad incluso hallazgos modestos. Este artículo describe los principios y herramientas que permiten presentar resultados de forma clara, convincente y científicamente honesta.
Distinguir Resultados de Interpretaciones
El primer principio es ontológico: los resultados son hechos observados y medidos; las interpretaciones son inferencias derivadas de esos hechos. Mezclarlos en la sección de resultados —error frecuente en manuscritos en formación— debilita la credibilidad del trabajo porque impide al lector evaluar la evidencia de manera independiente.
En la práctica, una oración como "el grupo experimental mejoró significativamente, lo que demuestra la eficacia del tratamiento" combina un dato estadístico con una conclusión causal. La forma correcta es separar: primero reportar el dato ("el grupo experimental obtuvo una media de X ± DE, frente a Y ± DE del grupo control; t(n) = valor, p = valor"), y después, en la sección de discusión, ofrecer la interpretación causal.
Estadística Inferencial y Tamaño del Efecto
Reportar únicamente el valor p —probabilidad de obtener un resultado al menos tan extremo como el observado, asumiendo que la hipótesis nula es verdadera— es insuficiente según las guías actuales de la APA (7ª edición) y de revistas de alto impacto. El p-valor indica si un efecto es estadísticamente discernible del ruido aleatorio, pero no su magnitud ni relevancia práctica.
Por ello debe acompañarse del tamaño del efecto (effect size), que cuantifica la magnitud del fenómeno estudiado con independencia del tamaño muestral. Los índices más usados son la d de Cohen (para comparación de medias), r de Pearson (para correlaciones) y η² eta cuadrado parcial (para diseños ANOVA). Adicionalmente, se recomienda reportar intervalos de confianza (IC) al 95%, que expresan el rango plausible del parámetro poblacional y comunican tanto la precisión como la dirección del efecto.
Tablas y Figuras como Instrumentos Cognitivos
Las tablas y figuras no son decoraciones: son herramientas cognitivas que procesan información visual de manera más eficiente que el texto prosaico cuando se diseñan correctamente. Una figura es preferible cuando se desea mostrar tendencias, distribuciones o interacciones; una tabla es preferible cuando se necesita que el lector consulte valores exactos.
- Título autónomo: cada tabla o figura debe poder entenderse sin leer el cuerpo del artículo; el título y las notas al pie deben proveer todo el contexto necesario.
- Escala honesta: los ejes de las gráficas deben iniciar en cero cuando se comparan magnitudes absolutas; truncar el eje Y para exagerar diferencias es una práctica que distorsiona la percepción del lector.
- Barras de error explícitas: indicar siempre si las barras representan desviación estándar (DE), error estándar de la media (EEM) o IC; la confusión entre ellas es uno de los errores más comunes en la literatura científica.
- Resolución y accesibilidad: usar paletas de color distinguibles para personas con daltonismo y garantizar que los elementos sean legibles en impresión en escala de grises.
- Referencia obligatoria en el texto: toda tabla y figura debe citarse explícitamente en el cuerpo del artículo antes de su aparición ("véase Figura 1", "como se muestra en la Tabla 3").
Estructura Narrativa de la Sección de Resultados
La sección de resultados no es una lista de salidas de software: es una narrativa guiada. El investigador debe conducir al lector desde los hallazgos descriptivos —medidas de tendencia central y dispersión que caracterizan la muestra— hacia los hallazgos inferenciales, respetando el orden lógico de los objetivos o hipótesis planteados en la introducción.
Una estructura efectiva sigue este patrón: (1) describir el hallazgo principal en texto, (2) remitir al soporte visual o tabular, (3) enunciar los estadísticos relevantes con formato APA, y (4) señalar sin interpretar si el hallazgo es consistente o inconsistente con la hipótesis. La parsimonia —principio que dicta reportar solo lo necesario para responder la pregunta de investigación— es una virtud: incluir decenas de pruebas post-hoc no pedidas ni justificadas infla el texto y diluye la contribución central.
Transparencia y Reproducibilidad
La crisis de reproducibilidad —fenómeno documentado desde aproximadamente 2011 en psicología, biomedicina y otras ciencias, que evidenció que una proporción significativa de hallazgos publicados no se replicaba en estudios independientes— ha impuesto nuevos estándares de transparencia. Presentar resultados de forma convincente hoy implica adherirse a prácticas como:
- Reportar todos los análisis realizados, incluidos los que no alcanzaron significancia estadística, para evitar el sesgo de publicación (publication bias).
- Distinguir entre análisis confirmatorios (hipótesis pre-registradas antes de recolectar datos) y análisis exploratorios (generados post-hoc al inspeccionar los datos), etiquetando cada uno con claridad.
- Depositar datos, código de análisis y materiales en repositorios de acceso abierto (OSF, Zenodo, Figshare) y citar el DOI correspondiente en el manuscrito.
- Reportar los supuestos estadísticos verificados (normalidad, homocedasticidad, independencia) y las pruebas utilizadas para comprobarlos.
Precisión del Lenguaje Técnico
El lenguaje es la última capa de precisión. Usar "probar" en lugar de "sugerir" o "indicar" cuando los datos son correlacionales es un error semántico con consecuencias epistemológicas. En ciencias del comportamiento, los estudios transversales no prueban causalidad; los estudios longitudinales pueden sugerirla bajo condiciones específicas; solo los experimentos controlados aleatorizados (ECA) permiten inferencias causales sólidas. Usar el verbo correcto según el diseño del estudio no es formalismo: es rigor.
Del mismo modo, evitar el lenguaje evaluativo no fundado en datos ("sorprendentemente", "notablemente") contribuye a la sobriedad científica. El lector experto juzgará la relevancia; el texto debe proveer los hechos para que ese juicio sea posible.
Glosario
- Valor p (p-value): probabilidad de obtener un resultado igual o más extremo que el observado, asumiendo que la hipótesis nula es verdadera.
- Tamaño del efecto (effect size): índice que cuantifica la magnitud de un fenómeno con independencia del tamaño muestral.
- Intervalo de confianza (IC): rango de valores dentro del cual se estima que se encuentra el parámetro poblacional con un nivel de probabilidad determinado.
- Desviación estándar (DE): medida de dispersión que indica cuánto se alejan los valores individuales de la media del grupo.
- Error estándar de la media (EEM): estimación de la variabilidad de la media muestral respecto a la media poblacional.
- Parsimonia: principio metodológico que dicta presentar solo la información necesaria y suficiente para responder la pregunta de investigación.
- Sesgo de publicación (publication bias): tendencia a publicar preferentemente resultados estadísticamente significativos, distorsionando el cuerpo de evidencia disponible.
- Análisis confirmatorio: prueba de hipótesis pre-especificada antes de recolectar o ver los datos.
- Análisis exploratorio: análisis generado al inspeccionar los datos, con carácter generador de hipótesis, no verificador.
- Crisis de reproducibilidad: fenómeno que evidenció que una fracción importante de hallazgos científicos publicados no podía replicarse en estudios independientes.
- ECA (Ensayo Clínico Aleatorizado / Experimento Controlado Aleatorizado): diseño experimental con asignación aleatoria a condiciones, considerado el estándar de oro para inferencias causales.