Científicos racionalmente limitados (pero bien intencionados)

Por Levent Neyse.

Ser investigador no es fácil. Seguir siéndolo es todavía más difícil. Desde una perspectiva puramente económica, elegir una carrera académica debe de ser un acto de racionalidad profundamente limitada. Al fin y al cabo, significa soportar muchos años de formación, altos costes de oportunidad, pocas plazas académicas, contratos de corta duración, salarios modestos y la necesidad constante de compaginar tareas muy diversas. Los fines de semana, la Navidad o la Semana Santa rara vez traen verdaderos descansos.

¿Por qué no optar simplemente por un trabajo no académico, ganar más y desconectar cuando se apaga el ordenador? Porque elegir una carrera académica no es una decisión financiera, sino una elección de estilo de vida. Significa valorar monedas académicas como los impact factors, las citas, la influencia intelectual y la satisfacción personal por encima de las monetarias. Significa dejarse llevar por la motivación intrínseca, la curiosidad y una auténtica pasión por la ciencia. Sin embargo, en medio de la lucha por sobrevivir dentro de sistemas académicos profundamente imperfectos, los investigadores a menudo olvidan la razón por la que eligieron este camino en primer lugar: hacer ciencia.

Hacer ciencia no consiste únicamente en publicar artículos, sino en generar conocimiento fiable y ponerlo a disposición de todos aquellos que puedan beneficiarse de él. Pero ¿qué significa hacer ciencia fiable? La llamada crisis de replicación (Open Science Collaboration, 2015) reveló que muchos artículos científicos publicados en las principales revistas no podían reproducirse al volver a realizar los experimentos. Esto fue preocupante, pero también una llamada de atención. Desde entonces, la conciencia sobre las buenas prácticas científicas ha crecido, y ahora se espera que los investigadores sean más transparentes en todas las etapas de la producción científica.

Quizás debido a esta mayor sensibilidad, los casos de prácticas cuestionables en la investigación, como el reciente caso Gino, pueden convertirse en escándalos a escala mundial, como explicaron Lorenz Goette y Guillem Riambau en Nada es Gratis (véase Datos Falsificados: El caso Gino). Véase también la Estrategia Nacional de Ciencia Abierta 2023–2027 del Ministerio de Ciencia, Innovación y Universidades, así como la entrada “¿Está envejeciendo mal la Economía del Comportamiento?” de Hugo Cuello y Pedro Rey Biel en Nada es Gratis.

Muchas revistas exigen ahora a los autores enviar un paquete de replicación que incluya documentación detallada, instrucciones, bases de datos (si no están restringidas) y el código de análisis una vez que el artículo ha sido aceptado. Esto permite a los editores comprobar si los resultados pueden reproducirse y ayuda a otros investigadores a replicar el estudio o aprender de su análisis. Sin embargo, la transparencia comienza mucho antes, incluso antes de recoger los datos.

Dado que los resultados estadísticamente significativos tienen más probabilidades de publicarse (sesgo de publicación), los investigadores pueden sentirse presionados a aprovechar los llamados “grados de libertad del investigador”. Esto puede implicar excluir valores atípicos, elegir pruebas estadísticas favorables o incluso ajustar las hipótesis después de ver los resultados (una práctica conocida como HARKing, por sus siglas en inglés). Los resultados nulos suelen acabar en el “cajón de archivo”.

Para abordar estas decisiones ex post, registrar los estudios antes de recoger los datos se ha convertido en la nueva norma en economía, especialmente en la investigación experimental. Un registro previo o plan de análisis previo actúa como una hoja de ruta del estudio. Especifica el diseño, las hipótesis, el tamaño de la muestra, los criterios de exclusión y los análisis planificados. Este documento se sube a un repositorio público con sello temporal, idealmente antes de que comience la recogida de datos.

A pesar de la amplia discusión sobre el tema, la evidencia empírica sobre el uso de registros previos en economía sigue siendo limitada. Para contribuir a este debate, realizamos un estudio en colaboración con la Economic Science Association (ESA), en el que participaron más de 500 economistas experimentales. Encontramos que las publicaciones basadas en planes de análisis previos no han aumentado en la mayoría de las revistas de economía de primer nivel, excepto en la AER. Sin embargo, en aquellas que publican habitualmente estudios experimentales, las tasas de registro previo han crecido de forma significativa.

La comunidad experimental se muestra en general favorable al registro previo: el 86 % de los encuestados declaró haber registrado al menos un estudio. Las motivaciones más comunes fueron demostrar credibilidad científica y cumplir con las expectativas de las revistas de alto nivel que exigen o recomiendan el registro previo.

Comprender los motivos en contra del registro previo es igualmente importante. Quienes decidieron no registrar algunos o todos sus estudios mencionaron con mayor frecuencia el carácter exploratorio de su investigación y la necesidad de aprender de los datos. Otros señalaron que el proceso de registro previo puede resultar laborioso (véase Imai et al., 2025).

Una crítica común al registro previo es que limita el análisis exploratorio. Esto no es del todo cierto. Se espera que los investigadores no se desvíen de sus planes registrados, pero si, por una buena razón, realizan pruebas estadísticas adicionales no registradas o desarrollan nuevas hipótesis exploratorias, pueden y deben hacerlo de manera transparente. Informar de estas desviaciones y añadidos de forma clara en los artículos refuerza, en lugar de debilitar, la credibilidad científica.

A medida que más revistas comienzan a aceptar registered reports, es decir, artículos que se revisan antes de la recogida de datos, contar con un buen plan de análisis previo resulta especialmente útil. Los registered reports son, en esencia, planes de análisis detallados que se envían para revisión antes de la recogida de datos. Si el informe es aceptado, los autores proceden a recoger los datos. Dado que esta vía de publicación garantiza la aceptación antes de la recogida, aborda directamente los sesgos asociados a los resultados “positivos” publicables.

En los últimos años también hemos visto un aumento de los estudios colaborativos a gran escala que fomentan la transparencia de otra manera. Estos proyectos, que a veces reúnen a cientos de investigadores, combinan el aprendizaje práctico con un sistema interno de rendición de cuentas, ya que los participantes pueden plantear preocupaciones si observan prácticas cuestionables. Ejemplos de ello son los proyectos de múltiples diseños (por ejemplo, Huber et al., 2023), los proyectos de múltiples analistas (como #ManyDaughters) y los estudios multilaboratorio, en los que la recogida de datos se realiza en varios centros.

Estos esfuerzos colectivos no solo refuerzan la fiabilidad, sino que también contribuyen a crear una cultura de apertura y responsabilidad compartida en la ciencia.

Para acceder a recursos sobre registered reports, planes de análisis previos y proyectos colaborativos a gran escala, puede consultarse la página web del laboratorio Lab² Metascience Lab.