Pensamiento científico: hipótesis contrastables, variables y causalidad
Pensamiento científico evalúa si razonas como investigador: formular preguntas contrastables, diseñar observaciones capaces de refutar una hipótesis, distinguir variables, reconocer sesgos y separar correlación de causalidad. No exige matemáticas avanzadas; exige rigor lógico sobre la evidencia disponible.
Núcleo del método
- Hipótesis: enunciado contrastable que predice una relación entre variables. “El fertilizante mejora el crecimiento” es vago; “una dosis de 5 g/L aumenta la altura de la planta en 20% frente al control” es contrastable.
- Variables: independiente (la que se manipula), dependiente (la que se mide), controladas (las que se mantienen constantes) y extrañas o de confusión (las que podrían explicar el resultado y no se controlaron).
- Diseño: grupo experimental y grupo control, asignación aleatoria, repetición de mediciones y cegamiento cuando existe expectativa.
- Validez interna: ¿la manipulación causó el efecto? Validez externa: ¿el resultado generaliza a otras poblaciones o contextos?
- Correlación ≠ causalidad: se requieren mecanismo, temporalidad y descarte de confusores.
- Sesgos: confirmación, selección, medición y publicación.
- Datos: unidades, precisión, error de medición, escalas y promedios engañosos.
Ejemplo resuelto
Un estudio encuentra que los municipios con más heladerías registran más ahogamientos y concluye que el helado provoca accidentes.
Razonamiento: la relación es correlacional. Existe una tercera variable -la temperatura- que aumenta tanto el consumo de helado como la afluencia a ríos y piscinas. Sin controlar la temperatura, la conclusión causal no se sostiene. La respuesta correcta identifica la variable de confusión y propone un diseño que la controle: comparar dentro de rangos de temperatura o aleatorizar la exposición.
Errores que cuestan puntos
- Aceptar una conclusión por el prestigio de la fuente.
- Confundir hipótesis con opinión o con resultado ya obtenido.
- Cambiar la hipótesis después de ver los datos.
- Dar por causal una asociación estadística.
- Comparar promedios sin atender al tamaño de la muestra ni a la variabilidad.