ciencia archivos - El blog de Víctor Yepes

Cómo medir el impacto social de la divulgación científica

Medir el impacto social de la divulgación científica es uno de los desafíos más complejos en la evaluación de la comunicación científica. A diferencia del impacto académico, que se mide tradicionalmente mediante citas en publicaciones científicas, el impacto social requiere metodologías e indicadores que capturen cómo la ciencia llega a la sociedad y la afecta en su conjunto, algo mucho más difícil de cuantificar, ya que no se trata solo de contar lecturas, visualizaciones o menciones en redes, sino de entender si esa información realmente cambia percepciones, alimenta decisiones informadas o despierta vocaciones científicas en quienes la reciben.

En un momento en que la desinformación circula con la misma rapidez —o incluso más— que el conocimiento riguroso, es urgente desarrollar herramientas que nos permitan valorar con precisión el verdadero alcance de nuestro trabajo divulgativo, no solo para justificar recursos o esfuerzos ante instituciones y financiadores, sino también para mejorar continuamente la forma en que contamos la ciencia.

Existe una carencia de metodologías e indicadores fiables para evaluar los resultados de las actividades de divulgación científica. Esta dificultad surge porque el impacto social no se manifiesta de manera inmediata ni uniforme y porque los efectos de la divulgación pueden ser muy diversos, desde cambios en actitudes y percepciones hasta influencias en políticas públicas o en comportamientos individuales.

Métricas alternativas (Altmetrics)

Las métricas alternativas, también denominadas altmétricas, han surgido como una herramienta fundamental para medir la visibilidad y el impacto social de la producción científica en el entorno digital. Estas métricas miden cuantitativamente y en tiempo real la actividad, la visibilidad y el impacto social y científico de la producción académica en la web, examinando el número de veces en que un contenido se ve, se descarga, se recomienda, se guarda o se discute.

Plataformas como Altmetric y PlumX facilitan datos de métricas alternativas que incluyen menciones en informes públicos, repercusión en medios de noticias y redes sociales, y uso o capturas mediante herramientas como Mendeley. Estas herramientas permiten rastrear la influencia digital de las publicaciones científicas en múltiples canales en línea.

Varias herramientas facilitan la medición del impacto social de la divulgación científica:

Altmetric: Disponible a través de Dimensions, ofrece información sobre menciones en documentos de políticas públicas, Wikipedia, medios de comunicación y redes sociales
PlumX: A través de Scopus en la sección Impact, proporciona datos similares sobre influencia social
InfluScience2: Plataforma española que informa sobre la influencia social de los resultados de la investigación española desde 2016
Overton: Base de datos especializada en documentos de políticas públicas que citan investigación científica
The Lens: Base de datos multidisciplinar e internacional de literatura científica y patentes con acceso libre

Dimensiones del impacto social

Las métricas alternativas pueden agruparse en función del tipo de impacto generado:

Impacto mediático: Incluye las métricas que miden el impacto de una publicación en la opinión pública, en las redes sociales y en los medios de comunicación. Comprende menciones en redes sociales (me gusta en Facebook, mensajes en Twitter/X, entradas en blogs, noticias en medios de comunicación, en Reddit).
Impacto de uso: Se refiere a todas las métricas relacionadas con el uso de una publicación, principalmente la lectura y la descarga. Incluye descargas y visualizaciones, el número de clics en un enlace y las lecturas del resumen y/o del documento.
Impacto científico: Agrupa todas las métricas vinculadas al impacto en la comunidad científica, como las citas en publicaciones académicas y las menciones en redes científicas.

Plataforma InfluScience

En España, la plataforma InfluScience es un ejemplo destacado de herramienta para medir el impacto social de la ciencia. Desarrollada por investigadores de la Universidad de Granada, esta plataforma mide la visibilidad y la atención que reciben las publicaciones científicas españolas en distintos medios y en plataformas sociales.

Su funcionamiento se basa en las técnicas Altmetrics y permite analizar cuatro dimensiones de influencia:

Influencia social: medida a través de las menciones en Twitter/X
Influencia política: a través de las menciones en informes y documentos de políticas públicas
Influencia mediática: a través de la aparición en noticias de medios de comunicación
Influencia educativa: a través de las menciones en Wikipedia

InfluScience ha analizado más de 434.000 artículos para crear rankings de influencia digital de la ciencia española y proporcionar datos sobre artículos, personas, instituciones y revistas.

Indicadores de impacto social específicos

El impacto social se refiere a la influencia real que los resultados de la investigación tienen fuera del ámbito académico, ya sea en la toma de decisiones, en la práctica profesional, en la innovación o en la resolución de problemas sociales. Para su evaluación se consideran múltiples aspectos:

Citas y menciones en ámbitos no académicos: Una de las principales evidencias del impacto social radica en las citas de la investigación en documentos no académicos. Esto incluye:
- Citas en documentos de políticas públicas (disponibles a través de Overton)
- Citas en Wikipedia
- Citas en patentes
- Citas en guías clínicas
- Menciones en sitios web y blogs profesionales
- Noticias en medios de comunicación, tanto generalistas como especializados
Explotación y aplicación de patentes: Otro indicador clave del impacto social es la explotación o la aplicación de patentes derivadas de la investigación.
Difusión no académica: La difusión de resultados de investigación en canales no académicos, que incluye la participación en actividades de divulgación científica y la presencia en redes sociales generalistas.
Aportaciones a las políticas públicas: Las contribuciones de la investigación a la solución de problemas sociales y a la formulación de políticas públicas constituyen evidencia directa de su impacto social.

Métricas para redes sociales

Para evaluar específicamente el impacto de la divulgación en redes sociales, se pueden utilizar indicadores cuantitativos y cualitativos que midan diferentes niveles de compromiso:

Alcance y visualizaciones: Cuántas personas vieron el contenido
Interacciones significativas: Comentarios, compartidos, guardados
Crecimiento de comunidad: Nuevos seguidores interesados en ciencia
Conversión a lectura: Visitas y descargas de artículos completos

Cada métrica refleja diferentes niveles de compromiso, desde el simple contacto visual hasta la acción concreta de leer un artículo completo o aplicar el conocimiento adquirido.

Evidencias de impacto en diferentes contextos

Las investigaciones sobre evaluación de impacto han identificado varias categorías de evidencia:

Impacto cognitivo: Hay evidencia de que las exhibiciones interactivas y las actividades de divulgación mejoran el conocimiento y la comprensión pública de la ciencia.
Impacto educativo: La divulgación promueve el aprendizaje intergeneracional y facilita la transmisión de conocimientos científicos entre diferentes grupos de edad.
Impacto relacional: Las actividades de divulgación fomentan la confianza entre el público y los científicos, construyendo puentes entre la comunidad científica y la sociedad.
Impacto económico: Los centros científicos y las actividades de divulgación generan impactos económicos directos e indirectos en la economía local mediante la generación de ingresos y empleo.

Un indicador relevante del impacto social es la vinculación de la investigación con líneas estratégicas institucionales, regionales, nacionales o internacionales, en especial con los Objetivos de Desarrollo Sostenible (ODS). Tanto Scopus como otras plataformas ofrecen datos sobre la vinculación con los ODS a partir del análisis de resúmenes y del contenido de las publicaciones.

Limitaciones y consideraciones

Es importante reconocer que las métricas de impacto social tienen limitaciones. Estas métricas miden principalmente la atención y la visibilidad, pero no necesariamente la comprensión, el cambio de actitudes ni la aplicación del conocimiento. El hecho de que un mensaje científico haya recibido muchas menciones en redes sociales no garantiza que haya sido comprendido correctamente ni que haya generado un impacto significativo en el público.

Además, las métricas digitales pueden estar sesgadas hacia ciertos tipos de contenido (más visuales, más controvertidos o más emocionales) y hacia ciertas audiencias (más jóvenes o más conectadas digitalmente). Por ello, es recomendable combinar métricas cuantitativas con evaluaciones cualitativas, como encuestas de comprensión, entrevistas en profundidad o estudios de caso que capturen dimensiones del impacto que las métricas automatizadas no pueden medir.

Recomendaciones prácticas

Para medir de manera efectiva el impacto social de la divulgación científica, se recomienda:

Utilizar múltiples indicadores: combinar métricas de diferentes tipos (alcance, interacción, conversión, citas no académicas) para obtener una visión más completa
Establecer objetivos claros: definir desde el inicio qué tipo de impacto se busca lograr (concienciación, cambio de actitudes, influencia en políticas, etc.).
Contextualizar las métricas: las cifras absolutas deben interpretarse en relación con el tamaño de la audiencia objetivo, el tipo de contenido y el canal de difusión
Complementar con evaluación cualitativa: Incorporar encuestas, entrevistas o grupos focales para capturar dimensiones del impacto que las métricas cuantitativas no reflejan
Realizar seguimiento temporal: el impacto social puede manifestarse con retraso, por lo que es importante realizar mediciones en diferentes momentos tras la divulgación
Vincular con ODS: alinear la divulgación con los Objetivos de Desarrollo Sostenible proporciona un marco reconocido internacionalmente para evaluar el impacto social

Conclusión

Medir el impacto social de la divulgación científica requiere un enfoque multifacético que combine métricas cuantitativas (altmétricas, menciones y descargas) con evaluaciones cualitativas (comprensión, cambio de actitudes y aplicación), ya que ninguno de estos dos enfoques por separado ofrece una imagen completa. Los datos cuantitativos permiten dimensionar el alcance y la difusión de un contenido, pero dicen poco sobre si este realmente transformó la manera de pensar o de actuar de quien lo consumió. Por su parte, las evaluaciones cualitativas aportan esa profundidad, pero resultan más costosas y difíciles de escalar. Aunque existen herramientas cada vez más sofisticadas, como InfluScience, Altmetric o PlumX, que facilitan el seguimiento y la sistematización de estos datos, ninguna métrica por sí sola puede captar la complejidad del impacto social, precisamente porque este se manifiesta de formas muy diversas —desde una conversación cotidiana influida por un dato científico hasta una decisión de política pública basada en pruebas—, que rara vez quedan reflejadas en un solo indicador. Por ello, para realizar una evaluación efectiva es necesario definir objetivos claros desde el inicio de cualquier iniciativa divulgativa, utilizar múltiples indicadores complementarios que se retroalimenten entre sí y, sobre todo, reconocer las limitaciones inherentes a cada método de medición, aceptando que medir el impacto social no es una ciencia exacta, sino un proceso en constante mejora que debe adaptarse a los objetivos, audiencias y contextos particulares de cada proyecto de comunicación científica.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Estrategias para combatir bulos y desinformación científica

La desinformación científica se ha convertido en uno de los mayores desafíos para la sociedad actual. La rapidez con la que circula la información en internet y en las redes sociales facilita que afirmaciones falsas o engañosas alcancen a millones de personas antes de que puedan ser verificadas. Este fenómeno puede influir en decisiones relacionadas con la salud, el medio ambiente, la tecnología o las políticas públicas, erosionando la confianza en el conocimiento científico y dificultando la toma de decisiones fundamentadas en evidencias.

Frente a este escenario, la lucha contra la desinformación científica requiere un enfoque multifacético que involucre a ciudadanos, instituciones educativas, medios de comunicación, plataformas digitales y la propia comunidad científica. Ningún actor puede afrontar este reto de forma aislada: es necesaria la colaboración de todos para promover una cultura basada en el pensamiento crítico, la verificación de la información y la comunicación rigurosa de la ciencia. A continuación se presentan las estrategias más efectivas identificadas por expertos y organismos especializados para reducir el impacto de la desinformación y fortalecer la confianza en el conocimiento científico.

Alfabetización mediática y científica de la ciudadanía

La estrategia más poderosa a largo plazo es fortalecer la capacidad crítica de las personas para evaluar la información. La alfabetización mediática permite desarrollar competencias para involucrarse de manera crítica y efectiva con la información, verificar las fuentes y comprender las diferentes modalidades de difusión. Un estudio de la FECYT revela que invitar a las personas a detenerse y valorar la credibilidad de la información antes de compartirla reduce de forma significativa la difusión de contenidos falsos.

Es fundamental que la población comprenda el carácter provisional de la ciencia, en la que un nuevo descubrimiento puede desestimar un conocimiento previo sin que ello suscite desconfianza. Al contrario, entender este proceso debería reforzar la confianza en la ciencia como una actividad sometida a un juicio constante y a la revisión por pares. Las intervenciones educativas y de alfabetización mediática han demostrado efectos beneficiosos al mejorar las competencias de evaluación crítica y la resiliencia ante la desinformación.

Fomento del pensamiento crítico y escepticismo saludable

Es importante promover competencias que permitan desarrollar un escepticismo saludable, es decir, una actitud crítica que cuestione la información, pero que también sea capaz de aceptar las conclusiones cuando están respaldadas por evidencias sólidas. Este enfoque contrasta con el pensamiento conspirativo, que se caracteriza por una desconfianza absoluta ante cualquier información vinculada al relato oficial y por rechazar sistemáticamente las pruebas que contradicen sus creencias.

La confianza en las instituciones científicas, junto con un mejor conocimiento de cómo funciona la ciencia, ayuda a las personas a reconocer los riesgos de la desinformación y a diferenciar entre afirmaciones fundamentadas y contenidos engañosos. Comprender que el conocimiento científico se construye mediante la acumulación de evidencias, la revisión continua y la corrección de errores favorece una actitud más crítica e informada.

Además, los ciudadanos deben desarrollar la capacidad para evaluar la confiabilidad de las fuentes de información y valorar si quienes emiten determinadas afirmaciones cuentan con experiencia y conocimientos especializados en el ámbito correspondiente. Del mismo modo, es fundamental conocer las prácticas mediante las cuales la comunidad científica produce conocimiento confiable, como la revisión por pares, la replicación de los resultados y la búsqueda de consenso basada en la evidencia. Estas herramientas permiten distinguir con mayor facilidad la información veraz de los bulos y reducir la vulnerabilidad ante la desinformación.

Comunicación científica responsable y de calidad

Las instituciones científicas y los medios de comunicación deben promover estructuras estables, recursos especializados y una comunicación científica de calidad que involucre activamente al público y proporcione información rigurosa, eficaz y responsable. Para ello, es fundamental evitar la exageración o la simplificación excesiva de los hallazgos científicos, comunicar de forma transparente las incertidumbres inherentes al proceso de investigación y fomentar una mejor comprensión de cómo funciona la ciencia, de sus métodos y de los mecanismos mediante los cuales se genera y valida el conocimiento.

Impulsar una comunicación científica de calidad desde los medios de comunicación y las instituciones resulta esencial, no solo para combatir la desinformación y la difusión de contenidos pseudocientíficos, sino también para fortalecer la confianza de la ciudadanía en estas organizaciones. Un estudio muestra que el 83,8 % de los españoles confía en el personal investigador, muy por encima de la confianza depositada en periodistas (31 %) y en políticos (11,9 %). Esta elevada credibilidad otorga a los científicos una responsabilidad especialmente relevante a la hora de comunicar sus resultados y contribuir a un debate público informado y basado en evidencias.

Periodismo científico especializado

Debe promoverse un periodismo científico profesional y especializado que, sin perder su independencia ni su capacidad crítica, sea capaz de contextualizar adecuadamente los hallazgos científicos y explicar su verdadero alcance. Asimismo, resulta esencial transmitir que el carácter provisional de la ciencia no constituye una debilidad, sino una de sus principales fortalezas, ya que el conocimiento científico se revisa y perfecciona continuamente a la luz de nuevas evidencias.

También es fundamental evitar el denominado «falso equilibrio» en los medios de comunicación, que consiste en presentar un tema como si existiera un equilibrio entre dos posiciones enfrentadas cuando, en realidad, la evidencia científica respalda claramente una de ellas. Esta práctica puede generar confusión y distorsionar la percepción pública sobre el consenso científico.

Iniciativas como los Science Media Centres o el European Science-Media Hub proporcionan recursos y apoyo a los medios de comunicación para cubrir la actualidad científica con rigor, precisión y una adecuada contextualización. Estos centros facilitan a los periodistas el acceso a fuentes expertas verificadas, les ayudan a interpretar correctamente los resultados de las investigaciones y contribuyen a que puedan comunicar la relevancia real de los hallazgos científicos de forma comprensible y responsable.

Regulación de algoritmos y plataformas digitales

Es importante trabajar con los algoritmos de los motores de búsqueda y de las redes sociales para que reduzcan la visibilidad de la desinformación y favorezcan la difusión de contenidos fiables. Los sesgos presentes en estos algoritmos, como el sesgo de interacción, a menudo aumentan la difusión de bulos al priorizar aquellos contenidos que generan un mayor engagement, independientemente de su veracidad o calidad informativa.

La competencia por captar la atención de los usuarios y el uso de tácticas favorecidas por estos algoritmos pueden llevar a que científicos, divulgadores e instituciones contribuyan, incluso de forma involuntaria, al ruido informativo y a la propagación de contenidos engañosos. Por ello, las plataformas digitales deben asumir una mayor responsabilidad en la detección y moderación de contenidos falsos, así como en la promoción de fuentes verificadas y de información basada en evidencias, especialmente cuando se trata de temas relacionados con la salud y la ciencia. Además, una mayor transparencia en el funcionamiento de los algoritmos permitiría comprender mejor cómo se seleccionan y difunden los contenidos, lo que facilitaría el desarrollo de estrategias más eficaces contra la desinformación.

Evitar la politización de hechos científicos

La ideología puede desempeñar un papel importante tanto en la identificación como en la difusión de la desinformación científica, lo que subraya la necesidad de evitar la politización de los hallazgos científicos. Para ello, es fundamental diferenciar los hechos y las evidencias científicas de las medidas o decisiones políticas que se adoptan a partir de ellos. Estas últimas no dependen exclusivamente del conocimiento científico, sino que también están condicionadas por factores sociales, económicos, culturales y éticos, así como por las prioridades y los valores de cada sociedad.

Cuando la ciencia se instrumentaliza para defender intereses políticos o partidistas, se corre el riesgo de presentar determinados datos de manera sesgada o de cuestionar evidencias sólidas por motivos ajenos a su validez científica. Esto puede debilitar la confianza pública en la ciencia y favorecer la difusión de desinformación interesada. Por ello, los políticos y líderes institucionales deben respetar la independencia de la evidencia científica y comunicar sus conclusiones de forma rigurosa y transparente al formular políticas públicas. Al mismo tiempo, es importante reconocer que la evidencia científica debe orientar las decisiones, pero no determina por sí sola qué medidas políticas deben adoptarse.

Prevención de la desinformación por parte de expertos

Debe evitarse la desinformación difundida por científicos y profesionales sanitarios a través de diversos medios de comunicación, especialmente en redes sociales. Esta situación puede producirse cuando profesionales de la ciencia y la salud emiten opiniones sobre cuestiones que quedan fuera de su área de especialización y respecto de las cuales no disponen de los conocimientos o herramientas necesarios para valorar adecuadamente su veracidad. La recepción de estas afirmaciones puede verse condicionada por un sesgo de autoridad, ya que el público tiende a otorgar mayor credibilidad a una persona por su condición de experta, aunque su conocimiento no sea aplicable al tema concreto que aborda.

Por ello, los científicos y profesionales sanitarios deben ser especialmente cuidadosos al comunicarse fuera de su ámbito de especialización, distinguiendo con claridad entre el conocimiento basado en evidencia y las opiniones o valoraciones personales. Asimismo, deben declarar de manera transparente cualquier conflicto de interés relevante cuando intervengan en medios de comunicación o en espacios públicos. La autoridad científica constituye un recurso valioso para la sociedad y, precisamente por ello, debe ejercerse con responsabilidad, evitando contribuir a la difusión de afirmaciones no suficientemente respaldadas por la evidencia disponible

Estrategias narrativas y emocionales positivas

La lucha contra la desinformación no debe basarse únicamente en contraargumentos, sino también en la creación de contenidos novedosos, atractivos, entretenidos y beneficiosos para la audiencia. Las organizaciones del sector científico y tecnológico están llamadas a actuar para que la información veraz sea la que gane.

La competencia por captar la atención del público en el caos informativo digital implica abandonar las antiguas fórmulas descriptivas y explicativas de los mensajes y adoptar la narrativa. Contar historias que incorporen conocimiento científico en su desarrollo, mediante personajes en situaciones particulares que siguen secuencias de acciones y transmiten emociones, resulta más efectivo que la mera exposición de datos.

Educación desde edades tempranas

Los adolescentes están cada vez más expuestos a la desinformación científica y sanitaria a través de plataformas de redes sociales, donde el contenido amplificado algorítmicamente y cargado emocionalmente puede influir en el desarrollo psicosocial y en los comportamientos de salud. Las deficiencias en alfabetización digital, la influencia de pares, la amplificación algorítmica y el contenido cargado emocionalmente emergen como mecanismos recurrentes que incrementan la vulnerabilidad frente a la desinformación.

El fortalecimiento de la alfabetización digital en salud, el pensamiento crítico y las intervenciones educativas basadas en evidencia representan estrategias esenciales para reducir la vulnerabilidad ante la desinformación y promover entornos digitales más saludables para los jóvenes. Incorporar estos contenidos en el currículo escolar desde edades tempranas prepara a las futuras generaciones para navegar por el ecosistema informativo digital con criterio.

Colaboración institucional y redes de verificación

La colaboración entre instituciones científicas, universidades, medios de comunicación y organismos públicos es fundamental para crear un ecosistema informativo resiliente. Iniciativas como el proyecto Iberifier Plus de la FECYT trabajan para identificar y combatir la desinformación científica mediante investigación aplicada y el desarrollo de herramientas de detección .

Las redes de verificadores de hechos (fact-checkers) especializados en ciencia y salud desempeñan un papel crucial al desmentir bulos virales y proporcionar información contrastada. Su trabajo debe ser amplificado por medios e instituciones para maximizar su alcance e impacto.

Conclusión

Combatir la desinformación científica requiere esfuerzos coordinados en múltiples frentes: educación ciudadana, comunicación responsable, regulación de las plataformas, periodismo especializado y colaboración institucional. No existe una solución única, sino un conjunto de estrategias complementarias que deben implementarse de manera sostenida. La recompensa es una sociedad más informada, capaz de tomar decisiones fundamentadas en evidencia y resistente a manipulaciones interesadas que ponen en riesgo la salud pública, la democracia y el progreso científico.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume los conceptos básicos de la desinformación científica.

Scientific_Disinformation_and_Adolescence

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Guía maestra para escribir artículos científicos que realmente se lean (y se publiquen)

Introducción: El arte de organizar el pensamiento.

La investigación científica suele encallar en la transición del dato al papel. Poseer hallazgos revolucionarios es estéril si el autor no es capaz de estructurarlos con rigor. Como sentenció Robert Louis Stevenson: «Si un hombre puede organizar sus ideas, entonces puede escribir». Partiendo de esta premisa, la escritura técnica deja de ser un simple volcado de información para convertirse en un ejercicio de arquitectura mental. No se escribe para registrar, sino para comunicar estratégicamente.

Este asunto de escribir artículos científicos ya lo he tratado varias veces en mi blog. Los que estéis interesados, podéis consultar el siguiente enlace: https://victoryepes.blogs.upv.es/2012/04/18/%c2%bfque-es-un-articulo-cientifico/

El artículo como obra teatral: planteamiento, nudo y desenlace.

Para captar la atención del lector, debemos entender el manuscrito como una estructura narrativa tripartita. Esta analogía facilita un flujo lógico que guía al lector desde la curiosidad hasta la certeza.

Planteamiento (preparación): título, resumen e introducción. Su misión es situar al lector en el escenario y presentar el conflicto o el vacío de conocimiento.
Nudo (ejecución): materiales, métodos y resultados. Es la parte central de la obra, en la que se exponen los métodos utilizados y los resultados obtenidos.
Desenlace (visión): discusión y prospectiva. Aquí se interpreta el trabajo desde una perspectiva global y se proyecta su impacto futuro.

Las preguntas de oro antes de la primera palabra.

La intencionalidad debe preceder a la ejecución. Antes de ponerse a escribir, un autor senior somete su proyecto a cuatro preguntas críticas:

¿Para qué escribo? (Definir el objetivo primordial).
¿Qué tengo que decir? (Asegurarse de que existe un mensaje central).
¿Quién es mi público? (Identificar el perfil del lector y el foro adecuado).
¿Merece la pena escribir este documento? (Evaluar la relevancia y la originalidad).

El título: «Menos es más» (y las palabras clave primero).

El título es su único embajador en las bases de datos. Debe redactarse al final del proceso para garantizar la fidelidad total al contenido.

Límite técnico: menos de 15 palabras (idealmente, menos de 10).
Posicionamiento: ubique los conceptos de mayor peso semántico al inicio.
Limpieza: elimine siglas, subtítulos y términos telegráficos.

Un título como «A four color flow cytometry study on Effects of NAC on the viability…» fracasa porque los detalles técnicos y las abreviaturas confunden al lector. La versión superior, «Efectos del N-acetilcisteína sobre la viabilidad de los linfocitos cultivados», enfatiza el aspecto singular de la investigación con absoluta transparencia.

El resumen: tu anzuelo para atraer lectores.

El resumen es un «miniartículo» autónomo. Es la pieza más importante: si el resumen no convence al editor, el resto del trabajo nunca será evaluado.

Reglas de oro: entre 150 y 300 palabras (aproximadamente el 5 % del total). Debe escribirse en un solo párrafo y en tiempo pasado (excepto la frase concluyente).
Tipología:
- Descriptivos: identifican el tipo de información, son breves y dependen del texto.
- Informativos: presentan resultados, conclusiones y recomendaciones y deben ser independientes.
- Mixtos: combinan ambas funciones.
Error crítico: nunca incluya referencias bibliográficas ni términos confusos en esta sección.

La táctica «backwards» y el eje de la introducción.

La introducción (que representa el 15 % del artículo) debe redactarse en tiempo presente. Su eje absoluto es la Research Question (pregunta de investigación), el punto de fuga de toda la arquitectura del artículo.

Para redactarla, aplique la táctica inversa:

Anclaje: escriba primero el objetivo específico del estudio para delimitar su alcance.
Apertura: a partir de ese objetivo, construya hacia atrás hasta el contexto científico general.
Producto final: presente la información en forma de triángulo invertido, guiando al lector desde la doctrina existente hasta el problema específico que resolverá.

Materiales y métodos: el rigor del «nudo».

Esta sección, que debe redactarse en tiempo pasado, debe permitir que cualquier investigador independiente replique el estudio. No se limite a enumerar las herramientas; organice la exposición en cinco áreas clave:

Diseño: aleatorio, controlado, prospectivo, etc.
Población: marco de la muestra y criterios de selección.
Entorno: ubicación física o institucional del estudio.
Intervenciones: técnicas, aparatos, unidades y pruebas piloto.
Análisis estadístico: métodos utilizados para el procesamiento de datos.

Resultados y discusión: el corazón del documento.

Es imperativo separar el dato de la interpretación.

Resultados (30-40 %): se escriben en pasado. Son objetivos y concisos. Utilice tablas para datos precisos y figuras para mostrar tendencias o patrones. No repita en el texto lo que ya se desprende de los gráficos.
Discusión (15-25 %): se escribe en presente. Es el espacio para interpretar las anomalías y comparar los resultados con la doctrina previa.

«La discusión es el corazón del artículo».

Estilo: la tríada de la excelencia (rigor, precisión y concisión).

El estilo editorial sénior prioriza la voz activa para dotar al texto de dinamismo y claridad, colocando el sujeto al inicio de la oración.

Prácticas recomendadas	Errores a evitar
Voz activa (sujeto + verbo + objeto).	Abuso de la voz pasiva.
Frases de ~20 palabras.	Dar referencias en el Abstract.
Párrafos de 7-14 líneas.	Repetir una palabra más de 3 veces en cada párrafo.
Señalar limitaciones del estudio.	Incluir información obvia o redundante.

Conclusión: el eco de la investigación.

La conclusión, redactada en presente, no es un resumen de lo ya expuesto. Es la respuesta directa a la pregunta planteada en la introducción. Debe terminar con un párrafo que «resuene» y destaque la conclusión más importante que el lector debe retener.

Al finalizar, hágase la siguiente pregunta: ¿su artículo es un depósito inerte de datos o una pieza de comunicación estratégica diseñada para transformar su campo de estudio? La respuesta reside en la arquitectura de sus ideas.

Grabé un vídeo sobre cómo escribir un artículo científico hace unos años, espero que os interese.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos básicos de un artículo científico.

Scientific_Paper_Architecture

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Por qué nada en la ciencia es exacto? Cómo entender y calcular el error experimental

Jorge Luis Borges imaginó una vez un imperio en el que el arte de la cartografía alcanzó tal perfección que el mapa de una sola provincia ocupaba toda una ciudad. Finalmente, los cartógrafos trazaron un mapa del imperio que tenía el mismo tamaño que este y coincidía punto por punto con él. Por supuesto, aquel mapa era inútil.

En ciencia sucede algo similar: medir no es replicar la realidad, sino crear un mapa de ella. Estamos obsesionados con la exactitud, pero en el laboratorio pronto aprendemos que la «medida exacta» es una quimera. Medir no consiste en capturar una verdad absoluta, sino en gestionar con elegancia la incertidumbre. Un dato sin su margen de error no es una medida, sino una simple expresión de deseos.

1. La ilusión de la exactitud: el error es inevitable.

En metrología, la humildad es una competencia técnica. Debemos aceptar que nuestros sentidos y nuestros instrumentos están limitados por definición. La teoría de los errores nos enseña que el «valor verdadero» es un ideal matemático al que solo podemos aproximarnos. El error no es una equivocación del científico, sino una propiedad inherente al acto de medir.

Existen dos fuerzas que distorsionan nuestro «mapa» de la realidad:

El error sistemático es un sesgo constante. Aparece cuando la metodología es inadecuada, los instrumentos están mal calibrados o los patrones de medición son dudosos. Se trata de un error predecible que desplaza todas nuestras mediciones en la misma dirección, alejándolas de la realidad.
El error accidental o aleatorio es el «ruido» del universo. Se debe al azar, a variaciones microscópicas y a factores incontrolables. Se manifiestan como pequeñas fluctuaciones al repetir una medición y, aunque no pueden eliminarse, la estadística es nuestra herramienta para controlarlas.

Para navegar por esta complejidad, distinguimos entre exactitud (cuán cerca está nuestra flecha del centro de la diana) y precisión (cuán cerca están las flechas entre sí, independientemente de dónde hayan caído).

«El error se define como la diferencia entre el valor verdadero y el obtenido experimentalmente».

2. El drama de los ceros: el límite de nuestro conocimiento.

En el lenguaje técnico, los números no solo indican cantidades, sino que también expresan confianza. No es lo mismo informar de un peso de «1,5 g» que de uno de «1,500 g». Las cifras significativas son los dígitos que realmente aportan información sobre la precisión de nuestra medición.

Para entenderlas, seguimos unas reglas claras:

Cualquier dígito distinto de cero es significativo.
Los ceros situados entre dígitos significativos (por ejemplo, 2,054) siempre cuentan.
Los ceros a la izquierda (por ejemplo, 0,076) son solo marcadores de posición decimal.
Los ceros situados a la derecha del punto decimal (por ejemplo, 0,0540) son fundamentales, ya que indican que el instrumento fue capaz de medir esa posición.

El número «1500» es el ejemplo clásico de ambigüedad: ¿es una aproximación a la centena o una medida exacta en gramos? La notación científica resuelve el misterio: 1,5 × 10^(3) indica dos cifras significativas, mientras que 1,500 × 10^(3) indica cuatro. Aquí reside una reflexión profunda: la última cifra significativa siempre es incierta. Es el límite de nuestra visión, el punto en el que nuestra capacidad de observación se desvanece en la duda.

3. La paradoja de la resta: el «caso más desfavorable».

Uno de los conceptos más fascinantes y contraintuitivos es la propagación de errores. Imaginemos que pesamos una tetera colocando pesas en un platillo. Si la masa de la tetera se obtiene restando la masa del plato de la masa total, podrías pensar que los errores también se restan. Sin embargo, la ciencia es conservadora por necesidad.

En metrología, trabajamos bajo la filosofía del caso más desfavorable. Si la medida A presenta un error por exceso y la medida B, por defecto, al restarlas (A – B) el error total resultante no disminuye, sino que aumenta. Las incertidumbres nunca se anulan; siempre se acumulan.

En sumas y restas, las cotas de error absoluto se suman.
En multiplicaciones y divisiones, lo que sumamos son los errores relativos.

Cuando multiplicamos, no solo añadimos «milímetros» de duda, sino que también multiplicamos la incertidumbre de la proporción misma, lo que amplía el margen de error de nuestro mapa original.

4. La regla de oro: la estética del rigor.

La honestidad metrológica tiene una regla estética: el error absoluto generalmente se expresa con una sola cifra significativa. No tiene sentido decir que una montaña mide 2000,432 metros, con un error de 12,45 metros. La duda en las decenas anula cualquier certeza en los milímetros.

Sin embargo, existen dos excepciones en las que se permiten dos cifras significativas en el error:

Si la primera cifra es un 1.
Si la primera cifra es un 2 seguido de una cifra menor que 5 (es decir, hasta 24).

La regla del redondeo es estricta: se redondea por exceso en una unidad si la segunda cifra es 5 o superior. Finalmente, el valor y su error deben tener el mismo número de decimales.

Corrección de estilo metrológico

5. El criterio de dispersión: ¿cuándo es suficiente?

¿Cuántas mediciones necesitamos para que nuestra media sea fiable? Si solo realizamos una medición, el error dependerá directamente del instrumento.

En los instrumentos digitales, el error se expresa como la sensibilidad (S).
En los instrumentos analógicos, el error es la mitad de la sensibilidad (S/2).

Pero cuando la precisión es crítica, recurrimos a la estadística. A continuación, comento un criterio usado en algunas publicaciones, como la de Fernando Senent, aunque también se pueden consultar otros criterios en este otro documento. En cualquier caso, el proceso siempre comienza con 3 medidas iniciales para calcular el criterio de dispersión (T):

Para series largas (N ≥ 15), utilizamos el error cuadrático medio (ECM). Este cálculo parte de la suposición de que nuestros datos siguen una distribución gaussiana (la famosa campana de Gauss), según la cual el 68,3 % de las medidas se encontrarán dentro de un margen de error cuadrático medio respecto a la media. Es el reconocimiento matemático de que el azar tiene una estructura.

Conclusión: la honestidad de la incertidumbre.

La ciencia no es el dominio de las verdades absolutas, sino el territorio de la incertidumbre controlada. Aceptar el error, nombrarlo y calcularlo no es una debilidad, sino la máxima expresión de la integridad técnica. Al acotar lo que no sabemos, protegemos la validez de lo que sí sabemos.

¿Cómo cambiaría nuestra percepción del mundo si aceptáramos que cada «dato real» que consumimos, desde las estadísticas económicas hasta los resultados de un análisis clínico, viene acompañado de un margen de error invisible? Quizás dejaríamos de buscar certezas absolutas y empezaríamos a valorar la honestidad de la duda bien calculada.

En esta conversación puedes escuchar las ideas más interesantes de este artículo.

Aquí tienes un resumen en formato de vídeo sobre los aspectos clave de la medición.

Por último, creo que este resumen puede resultar de interés.

Medición_y_error_La_guía_maestra

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Clasificación y principios fundamentales del diseño experimental

Cuando pensamos en un experimento, solemos imaginar una prueba simple para ver qué opción es “mejor”. Sin embargo, esta visión apenas roza la superficie de una disciplina profunda y estratégica. Existen principios sorprendentes que rigen el diseño experimental y son cruciales no solo para la ciencia, sino también para cualquier toma de decisiones informada. A continuación, se describen brevemente los tipos de experimentos que pueden utilizarse en la investigación científica.

El diseño experimental se clasifica en dos categorías principales, según la propuesta de Anscombe (1947): el experimento absoluto y el experimento comparativo. El experimento absoluto se enfoca en la medición de propiedades físicas constantes para ampliar el conocimiento científico, utilizando un modelo estadístico de efectos aleatorios (Modelo II de Eisenhart), ya que los tratamientos se seleccionan al azar de una población más amplia. Por el contrario, el experimento comparativo está orientado a la toma de decisiones en ciencias aplicadas, con el fin de determinar cuál de varios tratamientos predefinidos es “mejor”. Este enfoque utiliza un modelo de efectos fijos (Modelo I de Eisenhart) y exige una definición precisa del problema para garantizar su validez.

El éxito de un experimento, especialmente el comparativo, depende del cumplimiento de cinco principios fundamentales: simplicidad, nivel de precisión adecuado, ausencia de error sistemático, amplio rango de validez de las conclusiones y una correcta cuantificación de la incertidumbre. La elección del diseño y el modelo estadístico asociado (fijo, aleatorio o mixto) determinan directamente el alcance y la naturaleza de las inferencias que pueden extraerse, vinculando de manera inseparable la planificación experimental con las conclusiones científicas y las decisiones de gestión.

La clasificación propuesta por Anscombe distingue los experimentos en dos grandes tipos según su objetivo fundamental: la adquisición de conocimiento puro o la fundamentación de decisiones prácticas.

Uno de ellos es el llamado experimento absoluto. En este tipo de experimento, el interés principal es medir y conocer las propiedades físicas de una población. Se asume que dichas propiedades permanecen constantes, lo que justifica el uso del término absoluto. El objetivo no es comparar alternativas concretas, sino ampliar el conocimiento científico sobre el fenómeno estudiado.

Los experimentos absolutos suelen centrarse en un solo factor y consideran un número limitado de tratamientos o niveles de ese factor. Estos tratamientos suelen elegirse de forma aleatoria. Por esta razón, si el experimento se repite, no es obligatorio utilizar exactamente los mismos tratamientos en cada ocasión.

Debido a esta forma de selección, los tratamientos se consideran variables aleatorias. En consecuencia, el análisis se basa en un modelo de efectos aleatorios, también conocido como el Modelo II de Eisenhart (1947). Este tipo de modelo permite identificar y estimar los distintos componentes de la variación aleatoria presentes en una población compuesta, lo que constituye un enfoque especialmente útil para muchos problemas de ingeniería.

El experimento comparativo es el segundo tipo de experimento descrito por Anscombe. Este enfoque se utiliza cuando se analizan varios tratamientos y se observa que, aunque los valores absolutos de los resultados pueden fluctuar de forma irregular, las comparaciones relativas entre tratamientos suelen mantenerse estables. En este contexto, es posible concluir que, bajo condiciones similares, algunos tratamientos ofrecen resultados claramente mejores que otros.

Brownlee (1957) sitúa este tipo de experimentos en el ámbito de las ciencias aplicadas, y no es casualidad: la teoría estadística del diseño de experimentos se desarrolló originalmente para responder a las necesidades de este tipo de estudios.

En un experimento comparativo, los tratamientos se evalúan según su efecto promedio sobre una variable de respuesta, con el objetivo principal de determinar cuál es “mejor” según un criterio definido. A diferencia de los experimentos orientados al conocimiento fundamental, aquí el propósito central es apoyar la toma de decisiones prácticas, especialmente las administrativas o de gestión.

Una característica fundamental de los experimentos comparativos es que todos los tratamientos de interés están incluidos explícitamente en el estudio. Por esta razón, el análisis se basa en un modelo de efectos fijos, también conocido como el Modelo I de Eisenhart (1947). Si el experimento se repite, se utilizan exactamente los mismos tratamientos, ya que no se considera una muestra aleatoria. El interés principal radica en detectar y estimar relaciones constantes entre las medias de los tratamientos, lo que conduce naturalmente a la evaluación de hipótesis estadísticas sobre dichas medias.

Para que un experimento comparativo sea válido, debe comenzar con una definición clara y precisa del problema. No basta con plantear de manera general la idea de “comparar tratamientos”. Es imprescindible especificar con detalle los objetivos del estudio y formular con precisión las hipótesis que se probarán. Esta definición inicial determina la población a la que se aplicarán las conclusiones, identifica los factores, los tratamientos y sus niveles, establece las variables de respuesta que se medirán y define qué diferencias entre tratamientos se consideran relevantes. Sin estas especificaciones, no es posible diseñar un experimento adecuado.

Finalmente, una consecuencia natural de los experimentos comparativos es que casi siempre conducen a decisiones concretas. Dado un nivel suficiente de recursos, la hipótesis nula de igualdad entre tratamientos puede rechazarse, lo que obliga a actuar: mantener la situación actual o cambiar a un nuevo tratamiento. Este proceso de decisión consta de dos etapas bien definidas:

Análisis estadístico de los datos, en el que se evalúan las probabilidades asociadas a los resultados y se extraen conclusiones técnicas.
Decisión de gestión en la que, con base en esas conclusiones, se define la acción a realizar.

Esta conexión directa entre el análisis estadístico y la toma de decisiones explica por qué los experimentos comparativos son una herramienta central en la divulgación y la práctica de la ingeniería y de las ciencias aplicadas.

El estadístico cumple un rol clave en el proceso experimental: su responsabilidad es presentar, con la mayor precisión posible, las probabilidades obtenidas en la etapa de análisis, de manera que se reduzca al mínimo la posibilidad de tomar decisiones equivocadas cuando llegue el momento de actuar.

Dado que las decisiones sobre las hipótesis dependen directamente de experimentos cuidadosamente planificados, es esencial que dichos ensayos cumplan con una serie de principios básicos. A continuación se resumen los más importantes, con un enfoque práctico para la ingeniería:

Simplicidad: Tanto la selección de los tratamientos como la organización del experimento deben ser lo más simples posible. Un diseño sencillo facilita el análisis estadístico y la interpretación de los resultados y reduce el riesgo de errores innecesarios.
Nivel de precisión: El experimento debe permitir detectar diferencias entre tratamientos con el grado de precisión que el investigador considere relevante. Para lograrlo, se requiere un diseño experimental adecuado y un número suficiente de repeticiones que garanticen mediciones confiables.
Ausencia de error sistemático: El experimento debe planearse de modo que las unidades experimentales que reciben distintos tratamientos no difieran sistemáticamente entre sí antes de aplicarlos. Este cuidado es fundamental para obtener estimaciones insesgadas del efecto real de cada tratamiento, evitando que factores externos distorsionen los resultados.
Rango de validez de las conclusiones: Las conclusiones del experimento deben ser aplicables a un rango de situaciones lo más amplio posible. Los experimentos replicados y los diseños factoriales ayudan a ampliar este rango de validez, ya que permiten evaluar la consistencia de los resultados bajo diferentes condiciones.
Cuantificación de la incertidumbre: Todo experimento conlleva cierto grado de incertidumbre. Por ello, el diseño debe permitir calcular la probabilidad de que los resultados observados se deban únicamente al azar. Esta cuantificación es esencial para evaluar la solidez de las conclusiones.

Estos principios conducen a una clasificación clásica de los modelos estadísticos, propuesta por Eisenhart (1947), que conecta el diseño del experimento con el tipo de inferencia que se desea realizar:

Modelo de efectos fijos: se utiliza cuando las conclusiones se formulan sobre un conjunto específico y previamente definido de tratamientos. En este caso, el interés estadístico se centra en comparar los efectos medios de dichos tratamientos.
Modelo de efectos aleatorios: se aplica cuando los tratamientos evaluados representan una muestra aleatoria de una población más amplia de tratamientos. Aquí, las conclusiones se extienden más allá de los tratamientos observados y la inferencia se centra en las varianzas asociadas a dichos tratamientos.
Modelo de efectos mixtos: surge cuando el experimento combina tratamientos de efectos fijos y aleatorios en un mismo estudio.

Esta clasificación permite comprender cómo las decisiones sobre el diseño experimental influyen directamente en el tipo de conclusiones que pueden extraerse, un aspecto fundamental tanto en la práctica como en la divulgación de la ingeniería.

En este archivo de audio puedes escuchar una conversación sobre los tipos de experimentos.

En este vídeo se resumen las ideas más importantes sobre este tema.

Referencias:

Anscombe, F. J. (1947). The validity of comparative experiments. Journal of the Royal Statistical Society, 61, 181–211.

Brownlee, K. A. (1957). The principles of experimental design. Industrial Quality Control, 13, 1–9.

Eisenhart, C. (1947). The assumptions underlying the analysis of variance. Biometrics, 3, 1–21.

Melo, O. O., López, L. A., & Melo, S. E. (2007). Diseño de experimentos: métodos y aplicaciones. Universidad Nacional de Colombia. Facultad de Ciencias.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Crees que la ciencia «transfiere» conocimiento a la sociedad? 4 revelaciones que cambiarán tu perspectiva.

Introducción: de la torre de marfil al diálogo abierto.

A menudo imaginamos la ciencia como un proceso aislado: un grupo de expertos en una torre de marfil que, una vez finalizado su trabajo, «transfiere» su conocimiento empaquetado a una sociedad que lo recibe pasivamente. Esta imagen de un flujo unidireccional en el que el conocimiento fluye desde el laboratorio hasta la calle ha dominado nuestra percepción durante décadas. Sin embargo, esta visión está profundamente obsoleta. La relación entre la ciencia y la sociedad es, en realidad, un ecosistema vibrante, un diálogo complejo y multidireccional que enriquece a ambas partes de formas que apenas empezamos a comprender.

Este artículo se sumerge en el corazón de esta nueva perspectiva basándose en un profundo análisis del documento de trabajo de la Agencia Nacional de Evaluación de la Calidad y Acreditación (ANECA). A continuación, revelaremos las claves más impactantes y sorprendentes sobre cómo el conocimiento científico crea realmente valor social, desmontando viejos mitos y abriendo la puerta a una nueva forma de entender la ciencia.

1. No es «transferencia», sino «intercambio». Y el cambio es enorme.

El primer gran cambio es conceptual, pero tiene implicaciones transformadoras. La anterior Ley Orgánica de Universidades de 2001 entendía la «transferencia» como un flujo que siempre partía de la universidad hacia la sociedad, con un enfoque casi exclusivo en el valor económico o tecnológico. Era un monólogo en el que la ciencia hablaba y la sociedad escuchaba.

El nuevo paradigma, impulsado por las recientes leyes del Sistema Universitario y de la Ciencia, habla de «transferencia e intercambio de conocimiento». Este término enriquece radicalmente la perspectiva. Reconoce que los flujos de conocimiento son multidireccionales, ya que la sociedad también aporta saberes, necesidades y contextos cruciales para la investigación. Se valora la interacción con actores no académicos y los procesos de cocreación, en los que el valor ya no es solo económico, sino también social, artístico y cultural. Este cambio es significativo, puesto que transforma la relación de un monólogo a un diálogo y reconoce que el conocimiento y las necesidades de la sociedad son fundamentales para enriquecer la propia ciencia.

La valorización del conocimiento consiste en crear valor social y económico a partir de él, vinculando diferentes ámbitos y sectores, y transformando datos, conocimientos técnicos y resultados de la investigación en productos, servicios, soluciones y políticas basadas en el conocimiento, sostenibles y que beneficien a la sociedad.

2. Las patentes son solo la punta del iceberg (y muy pequeña, además).

Cuando pensamos en la ciencia aplicada a la sociedad, suele venirnos a la mente la imagen de una patente que se convierte en un producto comercial o la creación de una empresa spin-off a partir de una investigación universitaria. Estas se han considerado durante mucho tiempo como el máximo exponente de la transferencia de tecnología.

Sin embargo, la realidad es muy diferente. El informe de la ANECA pone de manifiesto que solo una minoría de investigadores e instituciones participa activamente en estas actividades. Los datos del estudio EXTRA son reveladores: la comercialización de resultados (que incluye patentes y empresas derivadas) es una práctica mucho menos frecuente (12 %) que la colaboración formal mediante contrato (63 %) o la colaboración informal (80 %). Esto significa que, durante décadas, los sistemas de evaluación han premiado y medido la actividad de una minoría (el 12 %), mientras que el vasto ecosistema de colaboración real (el 80 %) que genera valor social ha permanecido en la sombra, sin ser reconocido ni incentivado.

Esta obsesión por lo comercial no es solo teórica. En una evaluación piloto de la «transferencia» realizada en 2018, los resultados favorecieron abrumadoramente un modelo económico y tecnológico que premiaba perfiles muy específicos (hombres de mayor edad con trayectorias consolidadas) y actividades como las spin-offs y las patentes, mientras que la divulgación y la transferencia con valor social obtuvieron resultados muy inferiores. Este sesgo sistémico demostró que el antiguo modelo no solo era incompleto, sino también excluyente.

La mayor parte del intercambio real se produce a través de un «espectro oculto» de mecanismos menos visibles, pero muy valiosos, como la investigación conjunta con empresas u ONG, la consultoría especializada, la formación a medida o la participación directa en la elaboración de políticas públicas.

«Intercambio de conocimientos» es el nombre que damos a la amplia gama de actividades que las instituciones de educación superior emprenden con socios (…) para explorar datos y explicaciones sobre las diferentes maneras en que trabajan con sus socios externos, desde empresas hasta grupos comunitarios, en beneficio de la economía y la sociedad.

3. El valor de la ciencia no es intrínseco, sino que lo crean quienes la utilizan.

Medir el «impacto social» de la investigación es un gran desafío. De hecho, la literatura citada en el documento de ANECA señala que ni siquiera existe una definición consensuada de qué es exactamente. Esto ha llevado a un cambio de enfoque radical: la «valorización y el uso social».

La idea es sencilla, pero potente: el valor no reside inherentemente en los resultados científicos, como un artículo o un descubrimiento. El valor se crea y materializa cuando los agentes sociales —empresas, administraciones públicas, ONG, asociaciones de pacientes o ciudadanos— utilizan ese conocimiento para resolver problemas, mejorar procesos o enriquecer contextos. La investigación, por sí sola, no tiene valor social; lo adquiere cuando alguien la pone en práctica.

En la práctica, son los actores sociales que usan o apoyan el uso de la investigación quienes le confieren valor, ya que este no es intrínseco a los resultados científicos, sino que depende de su materialización efectiva por parte de los usuarios en sus respectivos entornos.

Esta perspectiva empodera a la sociedad y transforma por completo el enfoque de la evaluación. La pregunta clave ya no es «¿qué ha producido el científico?», sino «¿cómo y quién ha utilizado el conocimiento generado para crear valor real en el mundo?».

4. La ciencia del futuro debe ser inclusiva, abierta y responsable.

La idea de una ciencia completamente neutral y objetiva, inmune a los problemas sociales, es otro mito que se desmorona. El documento de ANECA deja claro que la ciencia, al igual que cualquier actividad humana, no está exenta de sesgos sistémicos como el sexismo, el racismo o la discriminación por clase social. Reconocer esto es el primer paso para construir una ciencia mejor, guiada por tres pilares fundamentales:

Ciencia inclusiva: supera el «modelo del déficit», que asume que el público es un receptor vacío de conocimiento. En su lugar, incorpora activamente las voces, experiencias y preocupaciones de comunidades diversas e históricamente excluidas en el propio proceso científico. En esencia, es la puesta en práctica del verdadero «intercambio» del que hablamos al principio y garantiza que el diálogo sea real y representativo.
Ciencia abierta: promueve el acceso libre y gratuito a los datos, las metodologías y los resultados de la investigación. El objetivo es maximizar su reutilización, transparencia y beneficio para toda la sociedad, no solo para quienes pueden pagarlo.
Ciencia responsable: implica considerar proactivamente las implicaciones éticas, sociales y medioambientales de la investigación. Se trata de anticipar consecuencias para garantizar que el «valor» creado por la sociedad, como vimos antes, se oriente siempre hacia el bien común.

Integrar estos principios no es solo una cuestión de justicia social. Se trata de una estrategia indispensable para mejorar la calidad y la relevancia de la propia investigación, fortalecer la confianza pública en la ciencia y garantizar que sus beneficios lleguen a todos.

Conclusión: una conversación, no un monólogo.

El viaje ha sido revelador. Hemos pasado de la idea de una «transferencia» unidireccional y centrada en las patentes a un ecosistema de «intercambio», en el que el verdadero valor no radica en el descubrimiento científico en sí, sino en cómo la sociedad lo utiliza y lo transforma. Este cambio nos obliga a replantearnos qué es lo que realmente importa. La ciencia del futuro no puede medirse por sus productos aislados, sino por la riqueza y la calidad de sus relaciones con la sociedad. Su éxito no radica en un monólogo desde la autoridad, sino en su capacidad para crear, conjuntamente, un valor tangible y equitativo mediante un diálogo inclusivo, abierto y responsable.

Ahora que entendemos la ciencia no como un monólogo desde una torre de marfil, sino como una conversación continua, ¿qué pregunta urgente le harías tú a la comunidad científica?

En esta conversación se descubre gran parte de las ideas anteriores.

En este vídeo tenéis un resumen del tema.

El documento de ANECA lo podéis ver en este enlace: https://www.aneca.es/web/guest/-/documento-transferencia-e-intercambio-de-conocimiento

Pero también lo podéis descargar aquí:

Pincha aquí para descargar

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Quién lidera la investigación científica española en ingeniería civil?

El Grupo DIH, (Grupo para la Difusión del Índice h) cuyo objetivo es la difusión del índice h, ha publicado una clasificación de investigadores científicos que residen en España y se basa en dicho índice. El ranking se elabora a partir de la base de datos de publicaciones científicas ISI Web of Knowledge y establece una clasificación específica para cada una de las diez áreas de conocimiento consideradas: agricultura, biología, ciencias de los materiales, ciencias de la salud, ciencias de la tierra, física, informática, ingeniería, matemáticas y química.

De acuerdo con la metodología utilizada, Fh se define como la relación entre el índice h del investigador y el promedio de los índices de otros autores que figuran en el ranking de su área. En el caso de que el autor aparezca en varias áreas, Fhm se calculará como la media de estos valores.

Aunque es posible que existan algunas críticas basadas en el índice h, este permite una evaluación objetiva de la carrera investigadora, si bien no es un indicador tan adecuado para investigadores jóvenes. Si deseáis ampliar detalles sobre este tema, podéis consultar un artículo que escribí previamente.

A continuación se presenta la tabla actualizada a febrero de 2023 en el área de ingeniería civil. Es un honor ocupar la tercera posición, detrás de dos figuras destacadas en nuestro país: Íñigo Losada y Enrique Castillo. Sin embargo, es importante mencionar que hay otros ingenieros de caminos que lideran en investigación en distintas áreas. Por ejemplo, Eugenio Oñate, del CIMNE, encabeza la lista en el área de aplicaciones interdisciplinarias de matemáticas; Jaime Gómez, de nuestra universidad, se encuentra en los primeros puestos en el área de recursos hídricos; Antonio Aguado, de la UPC, destaca en el área de tecnología de la construcción; y Alfredo García, también de nuestra universidad, sobresale en ciencia y tecnología del transporte. Seguramente, hay muchos más investigadores destacados que se han quedado fuera de esta lista. Les recomiendo explorar y conocer a todos ellos.

Rankings de investigadores científicos españoles en el área de ingeniería civil

El Grupo DIH, (Grupo para la Difusión del Índice h) publica la clasificación de investigadores científicos residentes en España basados en el índice h. El ranking, que se elabora a partir de la base de datos sobre publicaciones científicas ISI Web of Knowledge, establece una clasificación específica para cada una de las disciplinas enmarcadas dentro de las diez áreas de conocimiento consideradas: agricultura, biología, ciencias de los materiales, ciencias de la salud, ciencias de la tierra, física, informática, ingeniería, matemáticas y química.

Según la metodología seguida, Fh es la relación entre el índice h del investigador y el valor medio de los h de los otros autores presentes en el ranking de su área. Si el autor aparece en varias áreas, Fhm es la media de estos valores.

A pesar de que pueden existir algunas críticas a la evaluación mediante el índice h, lo cierto es que permite una evaluación objetiva de la carrera investigadora, aunque no es tan buen indicador para el caso de investigadores jóvenes. De este tema ya hablé en un artículo anterior, por si os interesa ampliar detalles.

En el caso del área de ingeniería civil, la tabla actualizada a diciembre de 2021 es la que aparece a continuación. Tengo el honor de ocupar la tercera posición, compartida con Raúl Medina, teniendo por delante a dos verdaderos hitos en nuestro país como son Íñigo Losada y Enrique Castillo. No obstante, hay más ingenieros de caminos que están en los primeros puestos en la investigación de nuestro país, pero en otras áreas de investigación. Por ejemplo, Eugenio Oñate, del CIMNE, es el primer situado en el área de aplicaciones interdisciplinarias de matemáticas; Jaime Gómez, de nuestra universidad, está en los primeros puestos en el área de recursos hídricos; Antonio Aguado, de la UPC, está destacado en el área de tecnología de la construcción; o Alfredo García, también de nuestra universidad, en ciencia y tecnología del transporte. Pero seguro que me dejo a más ingenieros de caminos investigadores en la lista. Os recomiendo recorrerla y conocerlos a todos ellos.

Cuando una «campaña experimental» se convierte en un desperdicio de tiempo y dinero

https://www.laensa.com/probetas-hormigon/

Reconozco abiertamente que me recorre cierto escalofrío cuando escucho por algún sitio que se está desarrollando una «campaña experimental«, a menudo en laboratorios donde, por desgracia, cada ensayo cuesta muchísimo tiempo y dinero. Me viene a la mente una campaña militar a gran escala donde, para conseguir un objetivo, se sacrifica lo que sea necesario. Cuando igual una pequeña fuerza de operaciones especiales sería suficiente.

Lo digo porque no es la primera vez que me encuentro con algún estudiante de máster o doctorado que quiere iniciar ensayos para cubrir, literalmente, las variaciones posibles en ciertos rangos, de un número de factores que influyen en un problema determinado. Y tampoco me es ajeno el típico estudiante que acude a mi despacho a pedirme consejo porque no sabe qué hacer con las montañas de datos generados, no siendo capaz de interpretar con herramientas estadísticas rigurosas.

Pero este problema no solo ocurre en determinados ámbitos científicos, sino que es habitual en empresas, procesos industriales y laboratorios de todo tipo. Cuento esto porque encuentro de vez en cuando a un doctorando que ha dedicado, por ejemplo, más de cinco años en recoger datos que luego, a la postre, se acumulan en hojas de cálculo y son difíciles de interpretar porque no se sabía exactamente cuál era la pregunta de investigación que se quería resolver.

También es muy típico encontrar en las empresas a técnicos expertos en un proceso determinado «con mucha experiencia», que realmente lo que ha hecho es aprender con los años, y sobre todo, de sufrir en sus carnes muchos errores. Este tipo de experiencia, basada en el error, no es la más barata, ni mucho menos.

Afortunadamente, cada vez son menos los que se enfrascan directamente a ensayar todas las combinaciones posibles en los valores de ciertas variables. Para eso disponemos de una rama del conocimiento denominada diseño de experimentos que permite no solo ahorrar recursos (tiempo, espacio de laboratorio, dinero, etc.), sino también es capaz de sacar muchísima más información de los datos cuando se dedica algo de tiempo a hacer un buen diseño experimental. No digo con esto que existan campañas experimentales bien diseñadas, sino que aún perviven prácticas que, por puro desconocimiento, son utilizadas aún en demasiadas ocasiones.

Veamos un ejemplo sencillo que nos permite aclarar las ideas. Imaginemos un proceso que solo depende de 4 factores. Si de cada factor queremos analizar 5 niveles, una «campaña experimental» exhaustiva nos obligaría a tomar 5^4 = 625 observaciones. Este número tan elevado puede ser inviable. ¿Cómo podemos reducir el número de observaciones? Se podría reducir el número de factores o el número de niveles a estudiar .

Un buen diseño de experimentos puede reducir muchísimo el número de observaciones necesarias ofreciendo, a su vez, información muy valiosa. Por ejemplo, un diseño factorial a dos niveles, ya sea completo o fraccionado, sería suficiente en la mayoría de los casos para estudiar los efectos, las interacciones entre los factores, etc. Invito al lector a revisar en este mismo blog algunos artículos que he escrito al respecto:

¿Qué es el diseño de experimentos?

Definiciones básicas del diseño de experimentos

Incluso, en el caso de que no exista una interacción entre los factores, por ejemplo un diseño en cuadrado grecolatino, para cuatro factores y cuatro niveles, podríamos obtener información valiosa con 16 observaciones en vez de las 256 que serían las necesarias para cubrir todas las combinaciones posibles. En este blog podéis encontrar muchos ejemplos resueltos buscando «diseño de experimentos» en la columna de la izquierda, donde aparece el buscador.

Resumiendo, estoy a favor de las «campañas experimentales», pero siempre que se basen en un diseño de experimentos previo. Pero mi consejo es que antes de hacer nada, tengamos muy clara la pregunta de investigación que queremos resolver. De hecho, la ciencia experimental trata de llegar a conclusiones generales con datos procedentes de casos particulares, y para eso necesitamos la estadística.

Parafraseando la frase que, según la tradición, estaba grabada a la entrada de la Academia de Platón, yo pondría el siguiente letrero a la puerta de cualquier laboratorio: «NO ENTRE NADIE QUE NO SEPA ESTADÍSTICA».

Os dejo una conferencia del profesor Xabier Barber de la Universidad Miguel Hernández que os aclarará muchas cosas. Espero que os guste.

Referencias:

Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores. Diseño, innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-Hill, México.
Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos. Soluciones con SAS y SPSS. Pearson Educación, Madrid.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

32 científicos de la Universidad Politécnica de Valencia, entre los 10 mejores de España en 21 disciplinas (incluida la ingeniería civil)

Avelino Corma, investigador de la UPV con el mejor índice h de España (h=152)

Avelino Corma, investigador con mejor índice h de España, Jaime Lloret y Rubén Ruiz, números 1 en sus respectivas disciplinas

Aparece hoy como noticia de portada en la web de la Universitat Politècnica de València la noticia de que 32 científicos de la UPV se encuentran en la élite nacional atendiendo a sus índices h de investigación. Es un auténtico orgullo comprobar que soy el único investigador de nuestra universidad que se encuentra en el top 10 del área de «ingeniería civil». En el cuadro que os dejo a continuación se encuentra el ranking de esta disciplina. Os paso, por su interés, el contenido de esta noticia.

Los investigadores Avelino Corma, Jaime Lloret y Rubén Ruiz, que desarrollan su actividad en la Universitat Politècnica de València (UPV), son los mejores de España en sus respectivas disciplinas según el índice h, sistema que mide su calidad científica a partir del número de citaciones de sus artículos.

El ranking, elaborado por el Grupo para la Difusión del Índice h (DIH) a partir de la base de datos sobre publicaciones científicas ISI Web of Knowledge, establece una clasificación específica para cada una de las disciplinas enmarcadas dentro de las diez áreas de conocimiento consideradas: agricultura, biología, ciencias de los materiales, ciencias de la salud, ciencias de la tierra, física, informática, ingeniería, matemáticas y química.

La citada clasificación, cuya última actualización tuvo lugar durante el recién finalizado primer trimestre de 2021 en las ramas de agricultura, ciencias de los materiales, ciencias de la tierra, informática, ingeniería y matemáticas, detalla tanto el índice h de cada investigador como su factor h, es decir, la relación entre el valor h del científico y la media de los del ranking del campo al que pertenece.

Avelino Corma (UPV-CSIC), científico español con mejor índice h

Avelino Corma, profesor de investigación del Consejo Superior de Investigaciones Científicas en el Instituto de Tecnología Química (ITQ, centro mixto UPV-CSIC), no solo encabeza el campo de química física sino que, además, es el científico español con mejor índice h. No en vano, su índice h de 152 es el único superior, en toda España, a 130.

También son líderes nacionales en sus respectivos ámbitos Jaime Lloret, investigador del Instituto de Investigación para la Gestión Integrada de Zonas Costeras (IGIC) del campus de Gandia UPV (en telecomunicaciones), y Rubén Ruiz, investigador del Instituto Universitario Mixto de Tecnología Informática y director del Área de Tecnologías y Recursos de la Información UPV (en investigación operativa y gestión).

3 investigadores más de la UPV, en segunda posición, y otros 4, terceros

Junto a los tres investigadores que lideran sus disciplinas, otros tantos científicos de la UPV aparecen en segunda posición de sus respectivos campos: Raúl Payri, del Instituto CMT-Motores Térmicos (en ingeniería mecánica); Sebastián Martorell, investigador del Grupo de Medioambiente y Seguridad Industrial (en ingeniería industrial); y Juan Carlos Cano, del Grupo de Redes de Computadores (en telecomunicaciones).

Completando los podios nacionales en sus disciplinas, figuran también Hermenegildo García (con un destacado índice h de 102, lo que le sitúa en el top 20 nacional), del ITQ (en química física); Francisco Javier Salvador, del CMT-Motores Térmicos (en ingeniería mecánica); José Duato, del Grupo de Arquitecturas Paralelas (en teoría informática y métodos); y Sandra Sendra, del IGIC (en telecomunicaciones).

A ellos hay que añadir a Jordi Payá, del Instituto de Ciencia y Tecnología del Hormigón (ICITECH), (en tecnologías de la construcción y la edificación); José Ramón Serrano, del CMT-Motores Térmicos (en ingeniería mecánica); y Josefa Mula Bru, del Centro de Investigación en Gestión e Ingeniería de la Producción (en ingeniería industrial); cuartos, los tres, en sus respectivos ámbitos.

Junto a todos los anteriores, en el top 5 nacional figuran también otros 6 científicos UPV: Luis María Guanter, del Instituto Universitario de Ingeniería del Agua y del Medio Ambiente (IIAMA), (en teledetección); José Capmany, del Instituto Universitario de Telecomunicación y Aplicaciones Multimedia (en óptica); Mª Victoria Borrachero, del ICITECH (en tecnologías de la construcción y la edificación); Jaime Gómez, del IIAMA (en recursos hídricos); Francisco Payri, del CMT-Motores Térmicos (en ingeniería mecánica); y Alberto José Ferrer, del Grupo de Ingeniería Estadística Multivariante (en probabilidad y estadística).

Un total de 32 científicos UPV, entre los 10 mejores de España en 21 disciplinas

Si se amplía la lista al top ten de cada disciplina, la UPV cuenta con 13 científicos clasificados más al margen de los ya citados, lo que supone un total de 32 entre los 10 mejores de España en 21 disciplinas (Martí, Lloret, Martorell y Ferrer aparecen, cada uno, en la élite de dos campos distintos).

Sextos a nivel nacional son Amparo Chiralt, del Instituto Universitario de Ingeniería de Alimentos para el Desarrollo (en ciencia y tecnología de la alimentación); Javier Martí, del Instituto Universitario de Tecnología Nanofotónica (en electrónica e ingeniería eléctrica); Víctor Yepes Piqueras, del ICITECH (en ingeniería civil); Alfred Peris, del Instituto Universitario de Matemática Pura y Aplicada (en matemáticas); y Alberto José Ferrer, del Grupo de Ingeniería Estadística Multivariante (en aplicaciones matemáticas interdisciplinares).

En séptimo lugar aparecen Ricardo Flores, del Instituto de Biología Molecular y Celular de Plantas (IBMCP), (en virología); Manuel Agustí, del Instituto Agroforestal Mediterráneo (en horticultura); Jaime Gimeno, del CMT-Motores Térmicos (en ingeniería mecánica); y Pedro Albertos, del Departamento de Ingeniería de Sistemas, Computadores y Automática (en sistemas de control y automatización); y en octavo, Ramón Martínez Máñez, secretario del Instituto Interuniversitario de Investigación de Reconocimiento Molecular y Desarrollo Tecnológico (en química multidisciplinar); y José María Monzó, del ICITECH (en tecnologías de la construcción y la edificación).

Completan la lista de investigadores UPV destacados a nivel nacional José Luis Gómez, del Centro de Biomateriales e Ingeniería Tisular (en ciencia polimérica); y Javier Martí, del Instituto Universitario de Tecnología Nanofotónica (en óptica); ambos novenos en las disciplinas consideradas; y Jaime Lloret, del IGIC (en electrónica e ingeniería eléctrica); Sebastián Martorell, investigador del Grupo de Medioambiente y Seguridad Industrial (en investigación operativa y gestión); y José María Desantes y José Galindo, ambos del CMT-Motores Térmicos, en décimo lugar a nivel nacional.