Vamos a repasar los tipos de sesgos en investigación más frecuentes, con ejemplos, así como esos otros en los que es más posible caer cuando preparas tu primera tesis doctoral. Verás que algunos de ellos se pueden corregir con cierta facilidad, porque ese tipo de sesgo aparece en las conclusiones finales, y cómo otros comprometen todo tu trabajo de investigación.
Un sesgo cognitivo es un atajo mental que simplifica las cosas y funciona en muchos casos, pero en otros conduce a errores en la interpretación o a la hora de extraer conclusiones. Cuando una investigación se ve afectada por algún tipo de sesgo, sus resultados quedan comprometidos.
La mejor prevención es hacer repasos con sentido crítico tras cada etapa relevante de la redacción de la tesis, no solo antes de mandárnosla lista para imprimir.
Qué son los sesgos de investigación y por qué evitarlos
Cuando llevas a cabo una investigación, siempre puede haber errores difíciles de detectar. Unos pueden clasificarse como aleatorios y otros como errores sistemáticos.
Los errores aleatorios afectan a la precisión de los resultados y, de no detectarse, a futuras investigaciones. Los errores sistemáticos comprometen la exactitud o veracidad del estudio, y son los que llamamos sesgos de investigación.
Pueden ser voluntarios, en cuyo caso hablaríamos coloquialmente de trampas, o involuntarios, que son la mayoría. Los sesgos involuntarios que pueden afectar a una investigación suelen ser fruto de la subjetividad, especialmente cuando trabajamos con variables no cuantitativas.
A partir de este momento, vamos a referirnos solo a los sesgos involuntarios. No respires aliviado todavía, pues hay muchos tipos. Según el tipo de tesis y el método utilizado para llegar a las conclusiones, varía cuál es el tipo de error sistemático más probable.
Tipos de sesgos en investigación más comunes
Ahora veremos los tipos o grupos de sesgos más frecuentes, así como otros que necesitas tener presentes.
Sesgos de selección
Este tipo de sesgo es uno de esos que te obligan a repetir todo el proceso. Afectan a la posibilidad de que una medición o un sujeto de estudio sean excluidos por no considerarse fiables. Hablaríamos de un error experimental en el caso de mediciones. A veces, estos errores son obvios, y otras veces hay sorpresas. ¿Dónde poner el límite?
Cuando no existe un consenso, es fácil caer en este error. Imagina que debes hacer una serie de encuestas sobre un tema delicado. ¿Crees que los resultados serán los mismos si trabajas con personas voluntarias que cuando la gente está obligada a responder? Y, ¿qué será más fiable? La gente voluntaria puede pecar de entusiasmo y caer en sesgos a la hora de responder ante una escala, mientras que la gente que participa sin solicitarlo va a mostrar desinterés y puede contestar sin pensar.
Nuestro consejo es que, ante la duda, prestes atención a la manera predominante de proceder con las fuentes más confiables y también en las investigaciones de los últimos años.
Sesgo de medición
Cuando se produce un salto cualitativo en la tecnología, pasará un tiempo hasta que existan muchas fuentes de consulta que hayan aplicado dicha técnica. Mientras tanto, pueden aparecer incongruencias o, por el contrario, nuevos interrogantes.
Por ejemplo, cuando las pruebas diagnósticas pasaron de los rayos X a incorporar ecografías y resonancias, los umbrales mínimos de detección y la nitidez de las imágenes destaparon diagnósticos erróneos antiguos o permitieron incluir nuevos síntomas que aparecen en etapas tempranas de enfermedades neurológicas.
Otro sesgo de medición lo vimos en las tesis donde se realizan encuestas o entrevistas, mientras que en unas universidades el uso de internet estaba plenamente integrado y en otras, a veces de diferentes naciones, no tanto.
Sesgo de información o mezcla de efectos
La falta de conocimiento global puede causar sesgos de información. El ejemplo más sencillo de entender lo encontramos en algunos estudios antiguos de Epidemiología.
Ya hace años que sabemos de la influencia de la raza en el riesgo de desarrollar ciertas enfermedades. De hecho, muchos estudios sobre agentes que predisponen a padecer una enfermedad, ante la falta de información fiable sobre el peso de la raza, consideran esta como una variable más a analizar.
Los sesgos de mezcla de efectos aparecen como consecuencia de lo que llamamos una variable de confusión. Es un factor que no tiene mucho peso y, a veces, no se incluye entre los que se valoran en una tesis.
Si esta variable ignorada llega a marcar una diferencia significativa en los resultados, por estar trabajando en un rango de valores donde no es tan despreciable su acción, no la tendrás en cuenta y llegarás a conclusiones, de nuevo, inexactas.
Las revisiones sistémicas, con criterios de inclusión y exclusión muy rigurosos, buscan detectar los sesgos de este grupo en investigaciones anteriores.
Otros sesgos que no debes olvidar
- Sesgo económico o de asignación de recursos: ante la misma investigación, es evidente que quien disponga de más medios económicos o instrumentales en su universidad va a poder profundizar más y considerar esas variables que, a veces, ignoramos por poco relevantes. Se trata de un error sistémico ajeno al propio investigador.
- Sesgo de confirmación: no permitas que el lógico deseo de obtener resultados que confirmen tus hipótesis nuble tu criterio a la hora de obtener conclusiones. Los sesgos de confirmación pueden deberse a cualquier tipo de sesgo cognitivo o falacia. Consulta con el tutor de tu tesis, aunque no pierdas de vista que también podría tener sus propios sesgos.
Los sesgos de investigación comprometen la exactitud y fiabilidad de los resultados obtenidos. Solemos agruparlos para prestar atención a las posibles causas y, así, minimizar el riesgo. Dependiendo de cómo sea tu tesis o proyecto, habrá unos tipos de sesgos en investigación más peligrosos para tu estudio que otros. Siempre debes prestarles atención, porque afectan tanto a variables cualitativas como cuantitativas, aunque hemos mostrado algunos ejemplos del primer grupo porque suelen ser más obvios una vez se han detectado.
Las revisiones sistémicas suelen ser la solución para detectar algunos de estos errores involuntarios y poner un ejemplo de sesgo a evitar en futuras investigaciones del mismo tema. También existen sesgos ajenos al propio investigador, como pueden ser los medios disponibles para el estudio.