4.3: Diseños experimentales y entornos de investigación

De las muchas características de los diseños de investigación, las relevantes para experimentos y laboratorios se refieren al “dónde” y al “cómo” de la recolección de datos. Para responder a las preguntas causales de interés para los meta-teóricos relacionales, queremos crear diseños que nos permitan hacer inferencias válidas sobre las causas y los efectos a medida que se desarrollan en los contextos actuales de la vida cotidiana. Como es habitual, descubriremos las tensiones en nuestras metas, los equilibrios que podemos golpear entre ellas y las múltiples estrategias que se pueden utilizar para crear líneas de visión claras.

¿No nos deshicimos de experimentos y laboratorios en 1977 cuando Bronfenbrenner básicamente demolió la psicología infantil experimental?

En cierto modo. Por lo menos introdujo una dosis saludable de escepticismo sobre los entornos de laboratorio. En lugar de pensar en el laboratorio como un lugar donde el investigador podría obtener información más prístina sobre su fenómeno objetivo (es decir, el niño y su comportamiento), el laboratorio llegó a ser considerado como un contexto con sus propios atributos (por ejemplo, novedad) y conjunto de interlocutores sociales (es decir, el experimentador) que estaban ejerciendo sus propios efectos sobre el niño. Además, contextualistas como Bronfenbrenner argumentaron que al sacar al niño de su entorno familiar y compañeros de interacción, los investigadores han dejado atrás inadvertidamente gran parte de los fenómenos de interés.

Los meta-teóricos relacionales probablemente irían más allá. Para nosotros, los contextos no son solo “escenarios” geográficos y arquitectónicos en el sentido de que puedes recoger a las personas y “colocarlas” en nuevos lugares. Los contextos tienen tentáculos que se extienden y se enrollan alrededor de las personas, y las personas tienen raíces que llegan a lugares. Están conectados, incluso interpenetrados, de manera que nuestras fuerzas causales más probables, nuestros procesos proximales, ni siquiera pueden constituirse cuando miramos solo a una sin la otra. Cuando los investigadores separan al niño de su contexto, destruye el fenómeno en sí, como sacar el corazón del cuerpo para ver cómo funciona. No puedes Una vez que lo eliminas, ya no funciona.

¿Entonces los desarrollistas ya no realizan investigaciones en entornos de laboratorio?

En absoluto. Los contextualistas simplemente son muy cautelosos con la idea del “escenario” y muy conscientes de lo que se pierde al salir de la “escena del crimen”, es decir, los contextos de la vida cotidiana.

Bueno, ¿cuándo los metateóricos relacionales traerían a los participantes al laboratorio?

Una razón importante es medir un constructo que no se puede capturar fuera del laboratorio. Hay algunos fenómenos de gran interés que no son visibles sin instrumentación especializada o procedimientos que solo se pueden administrar en el entorno de laboratorio. Todo tipo de constructos neurofisiológicos solo se pueden medir en el entorno de laboratorio utilizando equipos complejos, como el fMRI, así como la evaluación de estados y capacidades internas, como el coeficiente intelectual o la función ejecutiva o el retraso de la gratificación. De hecho, precisamente porque las personas y sus contextos están tan entrelazados, a veces traemos a nuestros participantes al laboratorio para ver qué pueden hacer sin los andamios o la interferencia de los interlocutores sociales.

Una segunda razón importante es obtener información más detallada sobre los propios procesos proximales. En este caso, los investigadores tienen la tarea de recrear los procesos proximales relevantes bajo condiciones más controladas. Traen tanto a la persona objetivo como a sus interlocutores sociales al laboratorio, ayudan a iniciar un proceso proximal y luego están en condiciones de recopilar más información a la que puedan acceder en el campo. Muchos estudios de relaciones incluyen componentes de laboratorio, en los que ambos socios (por ejemplo, cónyuges, padres y adolescentes, o niños y sus amigos) son llevados a participar conjuntamente en (lo que es de esperar) actividades interesantes, como discutir temas matrimoniales, trabajar conjuntamente en la enseñanza y tareas de aprendizaje, juegos competitivos, etc. Estos intercambios suelen ser grabados en video u observados de cerca, y en algunos casos, se recogen medidas fisiológicas simultáneas, como la frecuencia cardíaca o la presión arterial.

Una tercera razón por la que los investigadores podrían recurrir a los entornos de laboratorio es para crear condiciones en las que puedan desencadenarse y luego observar interacciones que son relativamente raras en entornos de campo. Por ejemplo, la investigación sobre la impotencia aprendida a menudo lleva a los niños a entornos controlados donde los investigadores pueden verlos trabajar con acertijos, laberintos y tareas conceptuales solucionables y luego con irresolubles, mientras monitorean sus estrategias, esfuerzos y acciones a lo largo del tiempo. (Y, claro que siempre terminan con experiencias de éxito). Otro ejemplo es la Situación Extraña en la que los investigadores activan el sistema de apego en el entorno de laboratorio similar al salón, enviando a un extraño y pidiendo al cuidador que se vaya, para luego observar las acciones del niño.

En todos estos casos, la observación naturalista puede parecer preferible, pero debido a la variedad y la capacidad de respuesta de los contextos, los procesos sociales pueden ser imposibles de separar. Por ejemplo, los niños orientados al dominio se encuentran con menos tareas que no pueden resolver que los niños propensos a la impotencia y así es más difícil atraparlos en situaciones de fracaso, y en las escuelas los maestros no asignan tareas imposibles, por lo que los observadores podrían pasar semanas sin ver sus fenómenos. Y, por cierto, después de unos cinco años de edad, los niños están ocupados tratando de ocultar sus verdaderas reacciones ante eventos negativos (un fenómeno llamado “enmascaramiento”), lo que dificulta que los observadores detecten realmente estados no deseados (como la ansiedad o el aburrimiento).

4.3.1: Distinguir entre configuraciones y diseños.

Ajuste

Diseño	Lab	Campo
Experimental	Experimento de laboratorio	Experimento de campo
Naturalista	Observación en laboratorio	Observación de campo

Estos suenan como problemas de acceso o medición. ¿Dónde está la causalidad?

Parte de la causalidad es un problema de medición, donde puede obtener la mejor visión de sus procesos causales potenciales o sus posibles efectos, y cuando llegue allí cuán profundamente puede ver los pasos del proceso que está tratando de comprender. Así que el laboratorio, y toda su encantadora parafernalia, a menudo ofrece las mejores estrategias que tenemos para medir nuestras causas y efectos objetivo.

Invenciones geniales: ¿Chalecos neurofisiológicos?

¿Los laboratorios son buenos para otras partes de la detección de causalidad?

Efectivamente lo son. Son lugares útiles para experimentos. No pueden ser superados por entornos en los que el investigador tenga un control más o menos completo sobre dos características clave del diseño: (1) la asignación aleatoria de los participantes en cuanto a si recibirán o no el tratamiento causal; y (2) la administración de la variable causal hipotética.

¿A los contextualistas les importa la asignación aleatoria?

Nosotros alguna vez. ¿Recuerdas todos esos efectos de selección y temas de surtido de los que hablamos en capítulos anteriores? Esos son la taquigrafía de los enormes problemas creados por el hecho de que en los contextos de la vida cotidiana las personas no son asignadas aleatoriamente a las condiciones causales; hay características personales particulares que van con las personas que se interponen en el camino de factores causales particulares, o que participan en ellos directamente. Y así, si vamos a distinguir condiciones preexistentes que lanzaron a alguien en una trayectoria de desarrollo particular de los factores causales que nos interesa descifrar, tenemos que crear grupos que sean “iguales en todo” antes de comenzar nuestro espectáculo causal. La asignación aleatoria es una estrategia para lograr esto, así como sus opciones más sistemáticas, como la aleatorización de bloques (asignación aleatoria de diferentes categorías de personas), emparejamiento, emparejamiento de puntaje de propensión, etc.

¿No hay mejores estrategias?

Bien, esto es lo que realmente nos gustaría hacer. Realmente nos gustaría tomar nuestra muestra completa y exponerlos al tratamiento (el factor causal potencial) y ver qué les sucede, por el tiempo que nos interesa detectar efectos. Entonces nos gustaría cargarlos todos en una máquina del tiempo y llevarlos de regreso a un punto en el tiempo antes de que ocurriera el tratamiento y dejarlos solos, y ver cómo habrían cambiado sin el tratamiento. Eso es lo que siempre estamos tratando de aproximar, una máquina del tiempo: Veamos cómo habrían sido estos grupos de desarrollo de personas con este factor y luego compararlo con el desarrollo de las mismas personas sin ese factor. Tiempo molestos, otra vez. Así que tenemos que intentar crear grupos de diferentes personas que sean iguales en todo lo que podamos imaginar (emparejar) así como en todo lo que no podamos (asignación aleatoria).

¿Por qué estamos tan entusiasmados con el control exacto del factor causal?

Bueno, esa es la característica genial del diseño experimental. El investigador es como el hada madrina que ondea su varita mágica e introduce el futuro potencialmente nuevo para el grupo de tratamiento. Entonces el investigador sabe que el grupo de tratamiento obtuvo el factor causal potencial, y cuánto del factor, y así sucesivamente (como en un ensayo de drogas, el médico administra el medicamento y su dosis). Y luego el investigador tiene aproximadamente un bazgillion grupos de control, que consiguieron matices de todo menos el ingrediente activo hipotético (y estos pueden ser tan creativos, el grupo control sin nada, con solo atención, con una visita al laboratorio pero sin factor causal, con un factor causal que se parece al factor causal real pero realmente no lo es, y así sucesivamente).

¿Es más fácil controlar la administración del factor causal en el laboratorio? Mucho más fácil. Una vez que los investigadores salen al campo, y sobre todo si deciden que el tratamiento (muchas veces como programa de intervención) se administrará a través de intermediarios (como maestros o padres de familia o trabajadores sociales), puede ser un dolor de cabeza gigante. Hay toda una área de investigación llamada “investigación de implementación”, y un enfoque en la “fidelidad de la implementación”, o cómo carajo sabrías y podrías medir si los participantes realmente hicieron contacto con el factor causal que estás estudiando. Es como médicos que envían las píldoras de tratamiento a casa con sus pacientes y luego esperan lo mejor, pero nunca llegan a contar las píldoras que quedan en el frasco al final del ensayo, y si los pacientes no mejoran, realmente no pueden decir si el medicamento no funcionó o si los pacientes simplemente no tomaron sus pastillas. Muy insatisfactorio desde una perspectiva de inferencia causal.

Entonces estamos empezando a calentarnos hasta los laboratorios, ¿verdad?

Sí, los estamos considerando a distancia pero con respeto y aprecio. Pueden ser nuestro aliado en la medición y nos pueden dar una ventaja sobre nuestra máquina del tiempo simulada para crear grupos que son iguales, así podemos enviar a los diferentes grupos por separado (y con muchos grupos de control, sus variedades) de experiencias causales cuidadosamente calibradas y dosificadas.

Y ¿qué pasa con los diseños experimentales? ¿Estamos empezando a calentarnos con ellos también?

Sí, nosotros los respetamos y apreciamos, también. Pero tanto los estudios de laboratorio como los experimentales tienen serias limitaciones cuando se trata del tipo de preguntas que los contextualistas y los desarrollistas quieren responder.

¿Cuáles son esas limitaciones?

Pensemos en tres grandes limitaciones. Primero, ya mencionamos que los laboratorios y los campos no son solo escenarios para nosotros. El “campo” es una parte intrínseca y crucial del objetivo que estamos tratando de entender, y si vamos a llevar todo nuestro fenómeno al laboratorio, tenemos que conocer todos los elementos relevantes del contexto y simularlos efectivamente en el laboratorio. Para nosotros, es un tema de validez interna.

Segundo, asumimos que todos nuestros factores causales, es decir, nuestros procesos proximales, están incrustados en contextos y moldeados por ellos. Entonces, si estamos viendo el funcionamiento de los procesos proximales en el laboratorio, podemos estar seguros de que el contexto del laboratorio se está dando forma entonces, lo que significa que no podemos estar seguros de que operarán de la misma manera en los contextos de la vida diaria. Así que siempre tenemos que admitir que cualquier vínculo causal que podamos haber visto operando en el laboratorio tiene que ser expresado como “puede causar” nuestro objetivo y no como “causa” nuestro objetivo. Tenemos que esperar y ver si estos mismos procesos están operando en los contextos reales que forman los microsistemas naturales para nuestros participantes. Esto es un problema de validez externa.

En tercer lugar, el lapso de tiempo durante el cual los desarrolladores asumen que los efectos causales se acumulan no se puede simular fácilmente en el laboratorio. Los procesos causales de interés para los desarrollistas se desarrollan a lo largo de meses, años y décadas, a través de múltiples contextos, así que aunque podemos usar el laboratorio para medir los efectos a largo plazo de los factores causales al traer a nuestros participantes de regreso al laboratorio tantas veces como queramos, si realmente queremos mirar el procesos causales que tengan sus efectos a lo largo de meses o años, será difícil lograrlo en el entorno del laboratorio.

Por favor diga que estos problemas no son sólo para los desarrollistas.

Tienes razón. Se aplican a todos. Pero hay un problema con la investigación típica de laboratorio que en general no se aplica a los desarrollistas.

¿Qué es eso?

Gran parte de la investigación de laboratorio que realizan investigadores universitarios utiliza muestras de conveniencia. ¿Y quién podría ser más conveniente para los investigadores universitarios que para los universitarios? Así que gran parte de la investigación, por ejemplo, en psicología social o sobre cognición o toma de decisiones o percepción o educación se basa en muestras de estudiantes universitarios de segundo año —especializaciones de psicología, nada menos. Si los investigadores toman en serio a sus poblaciones y se preocupan por los efectos de selección, entonces este es un gran problema. Sin embargo, la mayoría de los desarrollistas esquivan esta bala en particular, no imaginan que el estudiante promedio de segundo año de la universidad pueda considerarse un facsímil razonable para un niño de 8 o 80 años o un padre con tres hijos o una persona que haya experimentado la Gran Depresión. Por lo tanto, los desarrolladores que trabajan en el laboratorio suelen importar participantes de sus poblaciones objetivo reales al entorno del laboratorio.

Entonces, ¿cuál es el defecto fatal con la investigación experimental? Como señalaron muchos metodólogos, el problema aparentemente insuperable con los diseños experimentales es que no es posible asignar o manipular aleatoriamente las fuerzas causales que son de mayor interés para los desarrollistas. Nadie puede asignar aleatoriamente a sus participantes a un determinado grupo de edad (“He volteado una moneda y estarás en el grupo de cinco años” “¡Oh no, yo quería tener 10!”) o a una cohorte particular o historia del desarrollo.

De hecho, la mayoría de los factores causales que nos interesan no pueden ser manipulados éticamente en absoluto: la feliz familia monoparental o los padres infelizmente casados, los amigos delincuentes o obsesionados con el teatro, el fracaso escolar o la indiferencia, el rechazo o popularidad de los compañeros, la alta reactividad al estrés, los peligrosos barrios, tono perfecto, o altura. Antes de que preguntes, solo agregaremos que este mismo tema se aplica a todas las áreas de la psicología. Muchos problemas aplicados no pueden ser manipulados: divorcio, trastorno de estrés postraumático, condiciones laborales peligrosas, psicopatología, conflicto trabajo-familia, diagnóstico médico grave, violencia de pareja, etc. Por lo que hay límites en cuanto a la cantidad de diseños experimentales que pueden ayudar a los investigadores aplicados a estudiar las condiciones y causas que más nos interesan.

Rutter, Pickles, Murray, & Eaves (2001) sobre la interacción de factores de riesgo y protectores en diseños para probar hipótesis complejas sobre los efectos causales del riesgo ambiental: Es evidente a partir de numerosas revisiones que los procesos causales suelen implicar una compleja interacción entre los mecanismos de riesgo y protección, con reacciones en cadena indirectas, influencias bidireccionales, interacciones gene-ambiente, y sinergia entre factores de riesgo crónicos y agudos la regla más que la excepción... [T] l concepto de interacción significa que hay ciertas implicaciones de diseño adicionales, de las cuales enfatizamos cuatro como especialmente importantes. En primer lugar, las variables de riesgo putativas deben conceptualizarse y medirse en términos suficientemente amplios como para abarcar los riesgos que pueden depender de una combinación de factores. El grado en que ese es el caso, más la delimitación de qué elementos conllevan el riesgo principal, se realiza mejor mediante técnicas de resta que mediante la adición de microrelementos, cada uno de los cuales por sí solo podría no llevar ningún riesgo significativo. En segundo lugar, los diseños, muestras y técnicas analíticas deben elegirse sobre la base de que puedan probar la posibilidad tanto de interacciones geno-ambiente como de interacciones personaambiente basadas en los efectos sobre la persona de experiencias previas o de rasgos maduracionales o género... En tercer lugar, deben utilizarse diseños apropiados para examinar las formas en que las diferentes formas de interacciones geno-ambiente y correlaciones persona-ambiente juegan un papel en los procesos causales asociados a la mediación del riesgo ambiental... Cuarto, se debe prestar atención al fenómeno de la resiliencia, es decir, un grado de resistencia a las adversidades psicosociales, definidas operacionalmente como resultados relativamente buenos a pesar de experimentar grandes riesgos ambientales... La realidad del fenómeno ha quedado bien demostrada, pero los factores protectores han han sido poco explorados aún a pesar de sus posibles implicaciones para la prevención e intervención” (Rutter et al, 2001, p. 297-298.

¡Espera! ¿Qué pasa con los estudios de optimización?

Sí, en efecto. Esos son considerados con razón experimentos de campo, e incluso pueden realizarse como ensayos de control aleatorios (¡el patrón oro!). Y es correcto que podamos estudiar éticamente cualquier objetivo antiguo que nos plazca siempre y cuando estemos tratando de optimizar el desarrollo, remediar trayectorias desfavorables del desarrollo, mantener las resilientes y, en general, prevenir las adversas y promover un desarrollo saludable. Así que podemos aprender mucho y hacer mucho bien tratando de crear y estudiar intervenciones diseñadas para optimizar el desarrollo.

Al mismo tiempo, dichos estudios de optimización tienen dos limitaciones importantes para los desarrollistas. En primer lugar, una cosa que tales estudios no pueden decirnos es qué causó estas vías de desarrollo poco saludables en primer lugar, más que estudiar aspirina puede decirnos qué causa los dolores de cabeza o cómo prevenirlos. Por lo que siempre será necesario un trabajo adicional para rellenar el rompecabezas causal de los factores que contribuyen y mantienen un desarrollo no óptimo o conducen a la psicopatología. Parece que este tipo de estudios serían esenciales para los esfuerzos de prevención.

Segundo, tenemos un hueso para escoger con ensayos aleatorizados de control (ECA) como metodología ideal para estudiar las relaciones causales. Como ya sabrás, esta metodología se tomó prestada de ensayos clínicos de tratamientos médicos, y es genial en muchos sentidos. Tiene tiempo en su diseño, lo que siempre es una noticia bienvenida a los desarrollistas. Los ECA comparan (al menos) dos grupos que deberían ser equivalentes entre sí (en base a la asignación aleatoria), uno de los cuales ha recibido el medicamento y el otro probablemente un placebo, para que los investigadores puedan examinar los efectos del medicamento más allá de los efectos de saber que uno está siendo tratado. Luego, después de una cantidad suficiente de tiempo para que el medicamento haga su trabajo, los cambios en el grupo de tratamiento y control pueden compararse a lo largo de cuantos puntos de tiempo incluya el diseño.

Esto suena muy tiempo-máquina-esque. ¿Cuál es el problema?

El problema es que, al final del día, lo único que este diseño te puede decir es “sí” o “no”, es decir, la única información que arroja es si los dos grupos son diferentes. Se pueden agregar muchas características, por ejemplo, muchos indicadores de enfermedad o salud, se puede medir la dosis y sus efectos, a lo largo de varios periodos de tiempo, y así sucesivamente. No obstante, los desarrollistas dirían que, después de todo este trabajo, lo único que tenemos en nuestras manos es una descripción causal pero no lo que más queremos, es decir, una explicación causal. Para las compañías farmacéuticas, todo lo que quieren saber sobre las explicaciones causales está contenido en el propio medicamento; en la medida en que les importa cómo funciona el medicamento, sus mecanismos de efectos ya han sido estudiados (y por supuesto, tomamos muchos medicamentos que son efectivos, pero cuyos mecanismos de efectos son desconocido).

Limitaciones de los senderos de control aleatorios para el estudio de procesos causales

Pero como desarrollalistas, nuestras intervenciones contienen cientos de ingredientes activos potenciales. Y así queremos meter la cabeza debajo del capó y mirar a su alrededor, viendo cómo se enganchan los dientes y las ruedas giran. (¡Ups! ¡Metáfora equivocada para los metateóricos relacionales!) Queremos ver el partido de tenis o el baile, y ver quién está golpeando la pelota más fuerte y cómo los jugadores se adaptan al estilo del otro a lo largo del tiempo y quién está tocando la música. En otras palabras, estamos en la pista de la explicación causal y así no podemos realmente estar satisfechos con “sí” o “no”. Siempre estaremos preguntando “¿por qué?” o “¿por qué no?” y sobre todo “¿cómo funcionó eso?”. Por lo que siempre estaremos complementando estudios experimentales y de laboratorio, e incluso estudios ECA, con estudios que utilicen diseños que puedan proporcionarnos relatos más complejos orientados a procesos de las múltiples causas de trayectorias y transformaciones diferenciales de desarrollo.

Cuadro 4.3.2: Ventajas y desventajas de los diferentes ajustes y diseños.

Experimento de laboratorio	Ventajas	Control y precisión Inferencia causal inequívoca.
		Control preciso del factor causal hipotético.
		Medida precisa del efecto hipotético.
	Desventajas	Artificialidad
		Pueden cambiar fenómenos.
		Limitado a “puede causar” versus “causa” conclusiones causales.
		Puede o no funcionar en contextos reales.
		La mayoría de los factores causales potenciales no pueden ser manipulados.
Estudio de Laboratorio Naturalista	Ventajas	Precisión Medir constructos que están “debajo de la superficie” (e.g., neurofisiología, capacidades, conocimiento).
	Desventajas	Distorsión
		La separación de la persona del contexto puede haber destruido factores causales.
		Difícil de localizar “ingrediente activo” de los paquetes causales.
		La artificialidad y novedad del contexto, instrumento o disparador distorsiona los fenómenos causales.
Experimento de campo	Ventajas	Control y contexto real Potencial de inferencia causal.
		Potencial para ver cómo operan las causas in situ.
		Potencial para ver efectos in situ.
	Desventajas	Messiness
		Difícil de controlar con precisión la implementación del factor causal potencial.
		Especialmente si los repartidores también son naturalistas (es decir, padres, maestros, trabajadores sociales)
		Limitado a “puede causar” versus “causa” conclusiones causales.
		La mayoría de los factores causales potenciales no pueden ser manipulados.
		Cuenta limitada del proceso causal.
Estudio de campo naturalista	Ventajas	Autenticidad Todo el fenómeno está intacto.
		Se pueden descubrir causas que no se esperaban.
	Disdvantages	Turkiness
		Difícil de especificar “ingrediente activo” de los paquetes causales.
		Imposible controlar todos los efectos de selección.
		Limitado a “puede causar” versus “causa” conclusiones causales.