3.6: Diseñar un estudio de investigación

Identificar y definir las variables y la población

Variables y Definiciones Operativas

Parte de generar una hipótesis implica identificar las variables que se desea estudiar y definir operacionalmente esas variables para que puedan medirse. Las preguntas de investigación en psicología son sobre variables. Una variable es una cantidad o calidad que varía según las personas o situaciones. Por ejemplo, la altura de los alumnos matriculados en un curso universitario es una variable porque varía de estudiante a alumno. El mayor elegido de los estudiantes también es una variable siempre y cuando no todos en la clase hayan declarado la misma especialización. Casi todo en nuestro mundo varía, por lo que pensar en ejemplos de constantes (cosas que no varían) es mucho más difícil. Un raro ejemplo de una constante es la velocidad de la luz. Las variables pueden ser cuantitativas o categóricas. Una variable cuantitativa es una cantidad, como la altura, que normalmente se mide asignando un número a cada individuo. Otros ejemplos de variables cuantitativas incluyen el nivel de locuacidad de las personas, lo deprimidas que están y el número de hermanos que tienen. Una variable categórica es una cualidad, como la principal elegida, y normalmente se mide asignando una etiqueta de categoría a cada individuo (por ejemplo, Psicología, Inglés, Enfermería, etc.). Otros ejemplos incluyen la nacionalidad de las personas, su ocupación y si están recibiendo psicoterapia.

Después de que el investigador genere su hipótesis y seleccione las variables que quiere manipular y medir, el investigador necesita encontrar formas de medir realmente las variables de interés. Esto requiere una definición operativa —una definición de la variable en términos de cómo se va a medir precisamente. La mayoría de las variables que los investigadores están interesados en estudiar no pueden observarse ni medirse directamente, y esto plantea un problema porque el empirismo (observación) está en el centro del método científico. Definir operacionalmente una variable implica tomar un constructo abstracto como depresión que no se puede observar directamente y transformarlo en algo que pueda observarse y medirse directamente. La mayoría de las variables pueden definirse operacionalmente de muchas maneras diferentes. Por ejemplo, la depresión puede definirse operacionalmente como las puntuaciones de las personas en una escala de depresión de papel y lápiz como el Inventario de Depresión de Beck, el número de síntomas depresivos que están experimentando o si han sido diagnosticados con trastorno depresivo mayor. Los investigadores son sabios al elegir una definición operativa que haya sido ampliamente utilizada en la literatura de investigación.

Muestreo y medición

Además de identificar qué variables manipular y medir, y definirlas operacionalmente, los investigadores necesitan identificar la población de interés. Los investigadores en psicología suelen estar interesados en sacar conclusiones sobre algún grupo muy grande de personas. A esto se le llama la población. Podrían ser todos adolescentes estadounidenses, niños con autismo, atletas profesionales, o incluso solo seres humanos, dependiendo de los intereses y metas del investigador. Pero suelen estudiar sólo un pequeño subconjunto o muestra de la población. Por ejemplo, un investigador podría medir la locución de unos pocos cientos de estudiantes universitarios con la intención de sacar conclusiones sobre la locuacidad de hombres y mujeres en general. Es importante, por lo tanto, que los investigadores utilicen una muestra representativa, una que sea similar a la población en aspectos importantes.

Un método para obtener una muestra es el muestreo aleatorio simple, en el que cada miembro de la población tiene las mismas posibilidades de ser seleccionado para la muestra. Por ejemplo, un encuestador podría comenzar con una lista de todos los electores registrados en una ciudad (la población), seleccionar al azar 100 de ellos de la lista (la muestra), y preguntar a esos 100 por quienes pretenden votar. Desafortunadamente, el muestreo aleatorio es difícil o imposible en la mayoría de las investigaciones psicológicas porque las poblaciones están menos claramente definidas que los votantes registrados en una ciudad. ¿Cómo podría un investigador dar a todos los adolescentes estadounidenses o a todos los niños con autismo la misma oportunidad de ser seleccionados para una muestra? La alternativa más común al muestreo aleatorio es el muestreo por conveniencia, en el que la muestra consiste en individuos que resultan estar cerca y dispuestos a participar (como estudiantes de psicología introductoria). Por supuesto, el problema obvio con el muestreo por conveniencia es que la muestra podría no ser representativa de la población y por lo tanto puede ser menos apropiado generalizar los resultados de la muestra a esa población.

Investigación experimental vs. no experimental

El siguiente paso que debe dar un investigador es decidir qué tipo de enfoque utilizará para recopilar los datos. Como aprenderás en tu curso de métodos de investigación hay muchos enfoques diferentes para la investigación que se pueden dividir de muchas maneras diferentes. Una de las distinciones más fundamentales es entre la investigación experimental y la no experimental.

Investigación Experimental

Los investigadores que quieran probar hipótesis sobre las relaciones causales entre variables (es decir, su objetivo es explicar) necesitan utilizar un método experimental. Esto se debe a que el método experimental es el único método que nos permite disuadir las relaciones causales. Usando el enfoque experimental, los investigadores primero manipulan una o más variables mientras intentan controlar variables extrañas, y luego miden cómo las variables manipuladas afectan las respuestas de los participantes.

Los términos variable independiente y variable dependiente se utilizan en el contexto de la investigación experimental. La variable independiente es la variable que manipula el experimentador (es la causa presunta) y la variable dependiente es la variable que mide el experimentador (es el efecto presunto).

Las variables extrañas son cualquier variable que no sea la variable dependiente. Los confundidos son un tipo específico de variable extraña que varía sistemáticamente junto con las variables investigadas y, por lo tanto, proporciona una explicación nativa de los resultados. Cuando los investigadores diseñan un experimento, necesitan asegurarse de que controlan para los hallazgos; deben asegurarse de que las variables extrañas no se conviertan en variables confusas porque para llegar a una conclusión causal necesitan asegurarse de que se han descartado explicaciones alternativas para los resultados.

Como ejemplo, si manipulamos la iluminación en la habitación y examinamos los efectos de esa manipulación en la productividad de los trabajadores, entonces las condiciones de iluminación (luces brillantes vs. luces tenues) se considerarían la variable independiente y la productividad de los trabajadores se consideraría la variable dependiente. Si las luces brillantes son ruidosas entonces ese ruido sería un confundir ya que el ruido estaría presente siempre que las luces sean brillantes y el ruido estaría ausente cuando las luces están tenues. Si el ruido varía sistemáticamente con la luz, entonces no sabríamos si una diferencia en la productividad del trabajador en las dos condiciones de iluminación se debe al ruido o la luz. Entonces los confundidos son malos, perturban nuestra capacidad de sacar conclusiones causales sobre la naturaleza de la relación entre

variables. Sin embargo, si hay ruido en la habitación tanto cuando las luces están encendidas como cuando las luces están apagadas entonces el ruido es simplemente una variable extraña (es una variable distinta a la variable independiente o dependiente), y no nos preocupamos mucho por las variables extrañas. Esto se debe a que, a menos que una variable varíe sistemáticamente con la variable independiente manipulada, no puede ser una explicación competitiva para los resultados.

Investigación no experimental

Los investigadores que simplemente estén interesados en describir las características de las personas, describir las relaciones entre variables y usar esas relaciones para hacer predicciones pueden usar la investigación no experimental. Utilizando el enfoque no experimental, el investigador simplemente mide las variables tal como ocurren naturalmente, pero no las manipula. Por ejemplo, si acabo de medir el número de muertes de tránsito en Estados Unidos el año pasado que involucraron el uso de un celular pero en realidad no manipulé el uso del celular entonces esto se clasificaría como investigación no experimental. Alternativamente, si me parara en una intersección concurrida y registrara los géneros de los conductores y si estaban usando o no un celular cuando pasaban por la intersección para ver si hombres o mujeres tienen más probabilidades de usar un celular al conducir, entonces esto sería una investigación no experimental. Es importante señalar que no experimental no significa no científico. La investigación no experimental es de naturaleza científica. Se puede utilizar para cumplir dos de los tres objetivos de la ciencia (describir y predecir). Sin embargo, a diferencia de la investigación experimental, no podemos sacar conclusiones causales utilizando este método; no podemos decir que una variable cause otra variable usando este método.

Laboratorio vs. investigación de campo

La siguiente distinción importante entre métodos de investigación es entre estudios de laboratorio y de campo. Un estudio de laboratorio es un estudio que se realiza en el ambiente de laboratorio. En contraste, un estudio de campo es un estudio que se realiza en el mundo real, en un entorno natural.

Los experimentos de laboratorio suelen tener una alta validez interna. La validez interna se refiere al grado en que podemos inferir con confianza una relación causal entre variables. Cuando realizamos un estudio experimental en un ambiente de laboratorio, tenemos una validez interna muy alta porque manipulamos una variable mientras controlamos todas las demás variables externas. Cuando manipulamos una variable independiente y observamos un efecto sobre una variable dependiente y controlamos para todo lo demás para que la única diferencia entre nuestros grupos o condiciones experimentales sea la variable manipulada, entonces podemos estar bastante seguros de que es la variable independiente la que está causando el cambio en la variable dependiente. En contraste, debido a que los estudios de campo se realizan en el mundo real, el experimentador suele tener menos control sobre el ambiente y posibles variables extrañas, lo que disminuye la validez interna, lo que hace que sea menos apropiado llegar a conclusiones causales.

Pero normalmente hay una compensación entre validez interna y externa. La validez externa se refiere simplemente al grado en que podemos generalizar los hallazgos a otras circunstancias o entornos, como el entorno del mundo real. Cuando la validez interna es alta, la validez externa tiende a ser baja; y cuando la validez interna es baja, la validez externa tiende a ser alta. Por lo tanto, los estudios de laboratorio suelen tener una validez externa baja, mientras que los estudios de campo suelen tener una validez externa alta. Dado que los estudios de campo se realizan en el entorno real, es mucho más apropiado generalizar los hallazgos a ese entorno del mundo real que cuando la investigación se realiza en el laboratorio estéril más artificial.

Por último, hay estudios de campo, que son de naturaleza no experimental porque no se manipula nada. Pero también hay experimentos de campo donde se manipula una variable independiente en un entorno natural y se controlan variables extrañas. Dependiendo de su calidad general y del nivel de control de variables extrañas, dichos experimentos de campo pueden tener una alta validez externa e interna alta.