1.5: Investigaciones Científicas

¿Qué le volvió naranja al agua?

Si estuvieras caminando por el bosque y vieras este arroyo, probablemente te preguntarías qué hizo que el agua se volviera naranja. ¿El agua es naranja por algo que crece en ella? ¿Está contaminado con algún tipo de químicos? Para responder a estas preguntas, podrías investigar un poco. Por ejemplo, podrías preguntar a la gente local si saben por qué el agua es naranja, o podrías intentar aprender más sobre ella en línea. Si aún no has encontrado respuestas, podrías emprender una investigación científica. En definitiva, podrías “hacer” la ciencia.

Figura:Río\(\PageIndex{1}\) Tinto

Ciencia “Haciendo”

La ciencia se trata más de hacer que de saber. Los científicos siempre están tratando de aprender más y obtener una mejor comprensión del mundo natural. Existen métodos básicos de adquisición de conocimientos que son comunes a toda la ciencia. En el corazón de la ciencia está la investigación científica. Una investigación científica es un plan para hacer preguntas y probar posibles respuestas con el fin de avanzar en el conocimiento científico.

La figura\(\PageIndex{2}\) describe los pasos del método científico. Los libros de texto de ciencia suelen presentar esta “receta” simple y lineal para una investigación científica. Se trata de una simplificación excesiva de cómo se hace realmente la ciencia, pero sí destaca el plan básico y el propósito de cualquier investigación científica: probar ideas con evidencia. Utilizaremos este diagrama de flujo para ayudar a explicar el formato general para la investigación científica.

La ciencia es en realidad un esfuerzo complejo que no puede reducirse a una sola secuencia lineal de pasos, como las instrucciones en un paquete de mezcla para pasteles. La ciencia real es no lineal, iterativa (repetitiva), creativa, impredecible y emocionante. Los científicos suelen emprender los pasos de una investigación en una secuencia diferente, o repiten los mismos pasos muchas veces a medida que obtienen más información y desarrollan nuevas ideas. Las investigaciones científicas a menudo plantean nuevas preguntas a medida que se responden las viejas. Las investigaciones sucesivas pueden abordar las mismas preguntas pero a niveles cada vez más profundos. Alternativamente, una investigación podría conducir a una observación inesperada que desencadene una nueva pregunta y lleve la investigación en una dirección completamente diferente.

Saber cómo los científicos “hacen” la ciencia puede ayudarte en tu vida cotidiana, aunque no seas científico. Algunos pasos del proceso científico —como hacer preguntas y evaluar evidencia— se pueden aplicar para responder preguntas de la vida real y resolver problemas prácticos.

Figura\(\PageIndex{2}\): El método científico: El método científico es un proceso de recolección de datos y procesamiento de información. Proporciona pasos bien definidos para estandarizar cómo se recopila el conocimiento científico a través de un método lógico y racional de resolución de problemas. Este diagrama muestra los pasos del método científico, los cuales se enumeran a continuación.

Hacer observaciones

Una investigación científica suele comenzar con observaciones. Una observación es cualquier cosa que se detecte a través de los sentidos humanos o con instrumentos y dispositivos de medición que potencien los sentidos humanos. Normalmente pensamos en las observaciones como cosas que vemos con nuestros ojos, pero también podemos hacer observaciones con nuestro sentido del tacto, olfato, gusto u oído. Además, podemos extender y mejorar nuestros propios sentidos con instrumentos como termómetros y microscopios. Se pueden utilizar otros instrumentos para percibir cosas que los sentidos humanos no pueden detectar en absoluto, como la luz ultravioleta o las ondas de radio.

A veces, las observaciones fortuitas conducen a importantes descubrimientos científicos. Una de esas observaciones la realizó el biólogo escocés Alexander Fleming (Figura\(\PageIndex{3}\)) en la década de 1920. El nombre de Fleming puede sonar familiar para usted porque es famoso por el descubrimiento en cuestión. Fleming había estado cultivando cierto tipo de bacterias en placas de vidrio en su laboratorio cuando notó que una de las placas había sido contaminada con moho. En un examen más detenido, Fleming observó que el área alrededor del moho estaba libre de bacterias.

Figura\(\PageIndex{3}\): Alexander Fleming experimentando con penicilina y bacterias en su laboratorio en la década de 1940.

Haciendo preguntas

Las observaciones a menudo conducen a preguntas interesantes. Esto es especialmente cierto si el observador está pensando como un científico. También es útil contar con formación y conocimiento científicos. El conocimiento de fondo relevante y el pensamiento lógico ayudan a dar sentido a las observaciones para que el observador pueda formar preguntas particularmente sobresalientes. Fleming, por ejemplo, se preguntaba si el moho —o alguna sustancia que producía— había matado a las bacterias en el plato. Afortunadamente para nosotros, Fleming no solo tiró la placa contaminada con moho. En cambio, investigó su pregunta y al hacerlo, descubrió el antibiótico penicilina.

Formación de Hipótesis

Para encontrar la respuesta a una pregunta, el siguiente paso en una investigación científica suele ser formar una hipótesis. Una hipótesis es una posible respuesta a una pregunta científica. Pero no es una respuesta cualquiera. Una hipótesis debe basarse en el conocimiento científico. En otras palabras, no debería estar reñido con lo que ya se sabe del mundo natural. Una hipótesis también debe ser lógica, y es beneficiosa si la hipótesis es relativamente simple. Además, para ser útil en la ciencia, una hipótesis debe ser comprobable y falsificable. Es decir, debe ser posible someter la hipótesis a una prueba que genere pruebas a favor o en contra de ella, y debe ser posible hacer observaciones que desmentirían la hipótesis si realmente es falsa.

A menudo se expresa una hipótesis en forma de predicción: Si la hipótesis es cierta, entonces B le sucederá a la variable dependiente. La hipótesis de Fleming podría haber sido: “Si se introduce cierto tipo de moho a un tipo particular de bacteria que crece en un plato, la bacteria morirá”. ¿Es esta una hipótesis buena y útil? La hipótesis es lógica y se basa directamente en observaciones. La hipótesis también es simple, involucrando solo un tipo de moho y bacterias que crecen en una placa de vidrio. Esto hace que sea fácil de probar. Además, la hipótesis es falsificable. Si las bacterias crecieran en presencia del moho, desmentiría la hipótesis si realmente es falsa.

Prueba de Hipótesis

Las pruebas de hipótesis están en el centro de una investigación científica. ¿Cómo probaría Fleming su hipótesis? Recogería datos relevantes como evidencia. La evidencia es cualquier tipo de dato que pueda ser utilizado para probar una hipótesis. Los datos (singular, datum) son esencialmente solo observaciones. Las observaciones pueden ser mediciones en un experimento o simplemente algo que el investigador note. Entonces, probar una hipótesis implica usar los datos para responder a dos preguntas básicas:

1. Si mi hipótesis es cierta, ¿qué esperaría observar?
2. ¿Lo que realmente observo coincide con lo que predijo?

Se apoya una hipótesis si las observaciones reales (datos) coinciden con las observaciones esperadas. Se refuta una hipótesis si las observaciones reales difieren de las observaciones esperadas.

Probando la hipótesis de Fleming

Para probar su hipótesis de que el moho mata bacterias, Fleming cultivó colonias de bacterias en varias placas de vidrio e introdujo moho en solo algunas de las placas. Sometió todas las placas a las mismas condiciones salvo la introducción de molde. Cualquier diferencia en el crecimiento de bacterias en los dos grupos de placas podría entonces atribuirse razonablemente a la presencia/ausencia de moho. Los datos de Fleming podrían haber incluido mediciones reales del tamaño de las colonias bacterianas, como los datos que se muestran en la tabla de datos a continuación, o podrían haber sido solo una indicación de la presencia o ausencia de bacterias que crecen cerca del moho. Datos como los primeros, que pueden expresarse numéricamente, se denominan datos cuantitativos. Datos como este último, que sólo pueden expresarse en palabras, como presentes o ausentes, se denominan datos cualitativos.

Cuadro\(\PageIndex{1}\): Datos hipotéticos de crecimiento bacteriano en placas con y sin introducción de moho.

Número de identificación de placa bacteriana	Introducción de Molde a Placa?	Área Total de Crecimiento Bacteriano en Placa después de 1 Semana (mm ^2)
1	si	48
2	si	57
3	si	54
4	si	59
5	si	62
6	no	66
7	no	75
8	no	71
9	no	69
10	no	68

Análisis e Interpretación de Datos

Los datos que los científicos recopilan en sus investigaciones son datos brutos. Estas son las mediciones reales u otras observaciones que se realizan en una investigación, como las mediciones de crecimiento bacteriano que se muestran en la tabla de datos anterior. Los datos brutos generalmente deben ser analizados e interpretados antes de que se conviertan en evidencia para probar una hipótesis. Para dar sentido a los datos brutos y decidir si apoyan una hipótesis, los científicos generalmente usan estadísticas.

Existen dos tipos básicos de estadística: estadística descriptiva y estadística inferencial. Ambos tipos son importantes en las investigaciones científicas.

• Las estadísticas descriptivas describen y resumen los datos. Incluyen valores como el valor medio, o promedio, en los datos. Otro estadístico descriptivo básico es la desviación estándar, que da una idea de la dispersión de los valores de los datos alrededor del valor medio. Las estadísticas descriptivas facilitan el uso y discusión de los datos y también detectar tendencias o patrones en los datos.
• Las estadísticas inferenciales ayudan a interpretar datos para probar hipótesis. Determinan cuán probable es que los resultados reales obtenidos en una investigación ocurran solo por casualidad y no por la razón planteada por la hipótesis. Por ejemplo, si las estadísticas inferenciales muestran que los resultados de una investigación sucederían por casualidad solo el 5 por ciento de las veces, entonces la hipótesis tiene una probabilidad del 95 por ciento de ser apoyada correctamente por los resultados. Un ejemplo de una prueba de hipótesis estadística es una prueba t. Se puede utilizar para comparar el valor medio de los datos reales con el valor esperado predicho por la hipótesis. Alternativamente, se puede usar una prueba t para comparar el valor medio de un grupo de datos con el valor medio de otro grupo para determinar si los valores medios son significativamente diferentes o simplemente diferentes por casualidad.

Supongamos que Fleming obtuvo los datos brutos mostrados en la tabla de datos anterior. Se podría utilizar un estadístico descriptivo como el área media de crecimiento bacteriano para describir los datos brutos. Con base en estos datos, el área media de crecimiento bacteriano para placas con moho es de 56 mm ², y el área media para placas sin moho es de 69 mm ². ¿Es significativa esta diferencia en el crecimiento bacteriano? Es decir, ¿aporta pruebas convincentes de que las bacterias son asesinadas por el moho o algo producido por el moho? ¿O podría la diferencia en los valores medios entre los dos grupos de placas deberse solo al azar? ¿Cuál es la probabilidad de que este resultado pudiera haber ocurrido aunque el moho o uno de sus productos no maten las bacterias? Se podría hacer una prueba t para responder a esta pregunta. El valor p para el análisis de la prueba t de los datos anteriores es menor a 0.05. Esto significa que se puede decir con 95% de confianza que las medias de los datos anteriores son estadísticamente diferentes.

Dibujo de conclusiones

Un análisis estadístico de la evidencia de Fleming mostró que efectivamente apoyaba su hipótesis. ¿Significa esto que la hipótesis es cierta? No, no necesariamente. Eso es porque nunca se puede probar concluyentemente que una hipótesis sea cierta. Los científicos nunca podrán examinar todas las pruebas posibles, y algún día podrían encontrarse pruebas que desmienten la hipótesis. Además, otras hipótesis, aún no formadas, pueden estar sustentadas por la misma evidencia. Por ejemplo, en la investigación de Fleming, algo más introducido en las placas con el molde podría haber sido responsable de la muerte de la bacteria. Si bien una hipótesis no puede demostrarse verdadera sin sombra de duda, cuanta más evidencia sustente una hipótesis, más probable es que la hipótesis sea correcta. De igual manera, cuanto mejor sea la coincidencia entre las observaciones reales y las esperadas, más probable es que una hipótesis sea cierta.

Muchas veces, las hipótesis en competencia están respaldadas por la evidencia. Cuando eso ocurre, ¿cómo concluyen los científicos qué hipótesis es mejor? Existen varios criterios que pueden ser utilizados para juzgar hipótesis en competencia. Por ejemplo, es más probable que los científicos acepten una hipótesis de que:

• explica una mayor variedad de observaciones.
• explica observaciones que antes no se explicaban.
• genera más expectativas y, por lo tanto, es más comprobable.
• es más consistente con teorías bien establecidas.
• es más parsimonioso, es decir, es una explicación más simple y menos enrevesada.

Falacia de correlación-causalidad

Muchas pruebas estadísticas utilizadas en la investigación científica calculan correlaciones entre variables. La correlación se refiere a cuán estrechamente relacionados están dos conjuntos de datos, lo que puede ser un punto de partida útil para una mayor investigación. Sin embargo, la correlación es también uno de los tipos de evidencia más mal utilizados, principalmente por la falacia lógica de que la correlación implica causalidad. En realidad, el hecho de que dos variables estén correlacionadas no significa necesariamente que ninguna de las variables cause la otra.

Un ejemplo sencillo puede ser utilizado para demostrar la falacia de correlación-causalidad. Supongamos que un estudio encontró que tanto la venta de helados como los robos están correlacionados; es decir, las tasas de ambos eventos aumentan juntas. Si la correlación realmente implicaba causalidad, entonces se podría concluir que las ventas de helados provocan robos o viceversa. Es más probable, sin embargo, que una tercera variable, como el clima, influya tanto en las tasas de venta de helados como de robos. Ambos podrían aumentar cuando el clima es soleado.

Un ejemplo real de la falacia de correlación-causalidad ocurrió durante la segunda mitad del siglo XX. Numerosos estudios mostraron que las mujeres que tomaban terapia de reemplazo hormonal (TRH) para tratar los síntomas de la menopausia también tenían una incidencia inferior a la media de enfermedad coronaria (CHD). Esta correlación fue malinterpretada como evidencia de que la TRH protege a las mujeres contra la CHD. Estudios posteriores que controlaron otros factores relacionados con la CHD refutaron esta presunta conexión causal. Los estudios encontraron que las mujeres que tomaban TRH tenían más probabilidades de provenir de grupos socioeconómicos más altos, con dietas y regímenes de ejercicio superiores a la media. En lugar de la TRH que causa una menor incidencia de CHD, estos estudios concluyeron que la TRH y la CHD más baja fueron efectos de mayor nivel socioeconómico y factores relacionados con el estilo de vida.

Comunicar resultados

El último paso en una investigación científica es comunicar los resultados a otros científicos. Este es un paso muy importante porque permite que otros científicos intenten repetir la investigación y ver si pueden producir los mismos resultados. Si otros investigadores obtienen los mismos resultados, agrega soporte a la hipótesis. Si obtienen resultados diferentes, puede refutar la hipótesis. Cuando los científicos comuniquen sus resultados, deben describir sus métodos y señalar cualquier posible problema con la investigación. Esto permite a otros investigadores identificar cualquier defecto en el método o pensar en formas de evitar posibles problemas en futuros estudios.

Repetir una investigación científica y reproducir los mismos resultados se llama replicación. Es una piedra angular de la investigación científica. La replicación no es necesaria para todas las investigaciones científicas, pero es muy recomendable para aquellas que producen resultados sorprendentes o particularmente consecuentes. En algunos campos científicos, los científicos tratan rutinariamente de replicar sus propias investigaciones para asegurar la reproducibilidad de los resultados antes de comunicarlos.

Los científicos pueden comunicar sus resultados de diversas maneras. La forma más rigurosa es redactar la investigación y los resultados en forma de artículo y someterlo a una revista científica revisada por pares para su publicación. El editor de la revista proporciona copias del artículo a varios otros científicos que trabajan en el mismo campo. Estos son los pares en el proceso de revisión por pares. Los revisores estudian el artículo y le dicen al editor si piensan que debe publicarse, con base en la validez de los métodos y la significación del estudio. El artículo podrá ser rechazado rotundamente, o bien podrá aceptarse, ya sea tal cual o con revisiones. En última instancia, solo se publican artículos que cumplan con altos estándares científicos.

Revisar

1. Esbozar los pasos de una investigación científica típica.
2. ¿Qué es una hipótesis científica? ¿Qué características debe tener una hipótesis para ser útil en la ciencia?
3. Explica cómo podrías hacer una investigación científica para responder a esta pregunta: ¿Cuál de las siguientes superficies en mi hogar tiene más bacterias: el teléfono de la casa, el control remoto del televisor, el grifo del lavabo del baño o la manija exterior de la puerta? Formar una hipótesis y exponer qué resultados la apoyarían y qué resultados la refutarían.
4. Utilice la Tabla\(\PageIndex{1}\) anterior que muestra datos sobre el efecto del moho en el crecimiento bacteriano para responder a las siguientes preguntas
   1. Observe las áreas de crecimiento bacteriano para las placas en un solo grupo, ya sea con moho (placas 1-5) o sin moho (placas 6-10). ¿Hay alguna variación dentro del grupo? ¿Cuáles crees que podrían ser posibles fuentes de variación dentro del grupo?
   2. Comparar el área de crecimiento bacteriano para placa 1 vs placa 7. ¿Esto parece ser más una diferencia entre el grupo de moldes frente al grupo sin molde que si comparó la placa 5 frente a la placa 6? Usando estas diferencias entre los puntos de datos individuales, explique por qué es importante encontrar la media de cada grupo al analizar los datos.
   3. ¿Por qué cree que sería importante que otros investigadores intentaran replicar los hallazgos de este estudio?
5. Un científico está realizando un estudio para probar los efectos de un medicamento anticanceroso en ratones con tumores. Miran en las jaulas y observan que los ratones que recibieron el medicamento durante dos semanas aparecen más enérgicos que los que no recibieron el medicamento. Al final del estudio, el científico realiza cirugía en los ratones para determinar si sus tumores se han encogido. Responde las siguientes preguntas sobre el experimento.
   1. ¿El nivel de energía de los ratones tratados con el medicamento es una observación cualitativa o cuantitativa?
   2. Al finalizar el estudio, el científico mide el tamaño de los tumores. ¿Se trata de datos cualitativos o cuantitativos?
   3. ¿Se considerarían datos brutos o estadísticas descriptivas el tamaño de cada tumor?
   4. El científico determina la disminución promedio en el tamaño del tumor para el grupo tratado con fármaco. ¿Se trata de datos brutos, estadísticas descriptivas o estadísticas inferenciales?
   5. La disminución promedio en el tamaño del tumor en el grupo tratado con fármaco es mayor que la disminución promedio en el grupo no tratado. ¿Puede el científico suponer que la droga encoge los tumores? Si no, ¿qué tienen que hacer a continuación?
6. ¿Crees que los resultados publicados en una revista científica revisada por pares tienen más o menos probabilidades de ser científicamente válidos que los de un artículo o libro autopublicado? Por qué o por qué no
7. ¿Explicar por qué la ciencia real suele ser “no lineal”?

Explora más

https://bio.libretexts.org/link?16715#Explore_More

Mire esta charla TED para una discusión animada sobre por qué el método científico estándar es un modelo inadecuado de cómo se hace realmente la ciencia.

Atribuciones

1. Río Tinto River de Carol Stoker, NASA, dominio público vía Wikimedia Commons
2. Método Científico por OpenStax, licenciado CC BY 4.0
3. Alexander Flemming por Secretaría de Información División Fotográfica Fotógrafo, dominio público vía Wikimedia Commons
4. Texto adaptado de Biología Humana por CK-12 licenciado CC BY-NC 3.0