6 Conceptos Clave del Diseño Experimental

El diseño de investigación experimental es una habilidad crucial para los nuevos estudiantes comprender y, eventualmente, dominar. Un buen diseño experimental es absolutamente necesario para llegar a conclusiones objetivas a partir de un estudio. Aquí cubrimos los conceptos principales que cada estudiante debería tener en cuenta.

1. Define Claramente Tus Variables Experimentales

Las variables deben ser claramente definidas desde el principio. La mayoría de los estudios querrán examinar la relación entre un(a):

• Variable independiente: El estímulo, la condición o la intervención que estás manipulando y controlando.
• Variable dependiente: El efecto subsiguiente del cambio en la variable independiente.

Considera la pregunta de investigación, “¿Observar una emoción afecta la percepción del participante sobre el lenguaje escrito?” Podrías formular esta pregunta si estás estudiando la percepción e interesado en el efecto de activar una emoción en cómo se interpreta el lenguaje escrito.

Por ejemplo, imagina que el participante percibe a una persona feliz seguida de leer varios mensajes de texto como “No hables con extraños,” seguido de que el participante tiene que informar cómo percibe el mensaje de texto.

En este ejemplo, tus variables independientes y dependientes podrían ser cualquier número de cosas y es tu deber como investigador operacionalizarlas y definirlas.

• Para la variable independiente: imágenes de diferentes emociones o audio de voces expresando diferentes emociones
• Para la variable dependiente: una escala de Likert que evalúe diferentes dimensiones del mensaje de texto o incluso una pregunta que mida la probabilidad “¿Qué tan probable es que la persona que percibiste diga este comando?”

Las variables independientes y dependientes están en el corazón de toda investigación, pero un buen diseño experimental también considera otras variables, tales como:

• Variables de control
• Variables de confusión
• Variables extrañas

Si conceptualizas y tomas en cuenta rigurosamente todas tus variables en la etapa de planificación, diseñar experimentos basados en la web y configurar variables en el editor de Labvanced se convierte simplemente en cuestión de aprender unos pocos clics.

También puedes cargar varios estímulos, desde visuales hasta de audio, y probar los comportamientos de los participantes a través de características como el seguimiento ocular. ¡Consulta esta lista de reproducción sobre cómo se crean varios estímulos en Labvanced y se tratan como objetos para construir experimentos!

2. Comprende los Elementos Básicos del Diseño Experimental

Para ser bueno en diseño experimental y establecer un diseño que respalde tu pregunta de investigación y aísle tus variables, debes conocer los elementos básicos del diseño experimental como la palma de tu mano.

Namely, these are:

• Ensayos: instancias únicas de una tarea particular o respuesta señalizada a una presentación de estímulos, como completar un recorrido de laberinto o ver una secuencia de letras.
• Bloques de ensayos: Un bloque se compone de múltiples ensayos, generalmente un experimento tendrá múltiples bloques.
• Sesiones: Relacionadas con el diseño longitudinal, las sesiones experimentales pueden extenderse a lo largo de múltiples días (incluso años) donde los participantes realizan nuevamente los ensayos en diferentes momentos.

Ensayos

Ensayos son las unidades básicas de un experimento que, cuando se agrupan, forman bloques que constituyen sesiones. Los ensayos son típicamente instancias únicas de un estímulo.

Mira este video que explica cómo construir múltiples ensayos mostrando imágenes de mascotas (perros y gatos) y flores, pidiendo al participante que elija la mascota en cada ensayo, usando Labvanced:

Bloques

Una colección de ensayos forma un bloque. Los investigadores utilizan estos bloques por muchas razones, incluida la aleatorización de su estudio. Otro enfoque común para bloques es darles un tema que esté relacionado con la pregunta de investigación o relacionarlos con las diferentes etapas de aprendizaje que implica un experimento.

Ejemplos de bloques en la investigación:

• Pregunta temática: Los bloques de ensayos pueden tener un cierto tema de investigación que siguen. Por ejemplo, los bloques pueden seguir un cierto tema cognitivo como aspectos de la memoria de trabajo o incluso la forma del actor donde los movimientos presentados se agrupan por características de dirección y velocidad (Cook, Pan, & Bianchi-Berthouze, 2013).
• Elemento temporal: Bloques que tienen que ver desde 'práctica' hasta 'entrenamiento' hasta 'experimental', típicamente visto en un diseño de estudio por grupos dentro de sujetos. Por ejemplo, un estudio que utiliza Labvanced que evalúa el rendimiento de los niños en la tarea de tiempo de reacción serial en un experimento de lenguaje, utilizó bloques y midió diferencias entre el rendimiento de los participantes en el primer bloque de entrenamiento frente al bloque final (Marimon et al., 20221).

Sesiones

Las sesiones se refieren a diferentes momentos en que los participantes proporcionan respuestas a un estudio.

Considera este estudio de Polonen, Lappi, & Tervamieni (2019) en las Fronteras de la Psicología donde el objetivo fue evaluar el impacto del movimiento en el estado afectivo y el flujo en practicantes de Qigong donde la primera sesión es una mezcla entre reflexión y bloques de ejercicio.

Las sesiones posteriores suelen ser en diferentes días (incluso meses) y pueden ser los mismos ensayos y bloques utilizados anteriormente, diferentes o una mezcla entre bloques nuevos y antiguos.

En un estudio reciente de Chládková et al., los investigadores reclutaron participantes para la Sesión 1 en la que se probaron 161 participantes y para la Sesión 2 donde 202 participantes diferentes. El objetivo era estudiar el efecto que tiene un mandato de uso de mascarilla de un mes en la percepción del habla. Para hacer esto, los investigadores realizaron la Sesión 1 antes del mandato y la Sesión 2 después del mandato de un mes. Para ambas sesiones, los estímulos eran exactamente los mismos, a saber, una colección de 48 ensayos que tomaron aproximadamente 10 minutos para completarse, evaluando la fuerza del Efecto McGurk.

3. Diseño Entre Sujetos y Dentro de Sujetos

En el ejemplo anterior, al discutir el experimento sobre el Efecto McGurk por Chládková et al., se empleó un diseño entre sujetos (sesión 1 vs. sesión 2) ¡y luego se le agregó un diseño dentro de sujetos!

A veces hay diferentes condiciones o tratamientos que los investigadores desean estudiar. En este caso, se debe seleccionar un diseño entre sujetos o dentro de sujetos.

Diseño Entre Sujetos

También conocido como ANOVA o diseño de medidas independientes, en el diseño entre sujetos los participantes solo pueden estar en una condición o tratamiento de los muchos que se están estudiando en el experimento.

Típicamente, este es el diseño experimental clásico donde los participantes son asignados a estar en el grupo de control (a veces donde se observa un Efecto Placebo) o en el grupo experimental.

En un nivel superficial, los casos de uso que típicamente utilizan diseño entre sujetos son estudios en:

• Psicología Social
• Psicología de la Personalidad
• Estudios de Toma de Decisiones

Algunas ventajas del diseño de medidas repetidas/entre sujetos incluyen:

• Sesiones más cortas: Debido a que no se espera que un participante pase por múltiples condiciones o tratamientos (como en el caso del diseño dentro de sujetos), las sesiones son más cortas.
• Reduce los efectos de arrastre: Dado que no se espera que un único participante complete múltiples condiciones o tratamientos, hay menos efecto de estar en una condición seguida de otra. Por lo tanto, los investigadores no tienen que preocuparse por cuestiones como efectos de aprendizaje o efectos de fatiga como es el caso en el diseño dentro de sujetos.

Diseño Dentro de Sujetos

También conocido como diseño de medidas repetidas, en el diseño dentro de sujetos los participantes participan en una condición o tratamiento y luego en otra condición o tratamiento. Todos los estudios longitudinales que rastrean a los participantes a lo largo del tiempo siguen un diseño dentro de sujetos porque están observando a los mismos participantes una y otra vez.

Este diseño es popular para estudiar efectos acumulativos, algo que se espera emerger con el tiempo. Por lo tanto, al medir al mismo participante una y otra vez, el resultado deseado puede registrarse a lo largo del tiempo a medida que surge.

El contrabalanceo es utilizado por los investigadores para garantizar que el orden en que se recibe el tratamiento no afecta los resultados observables. Por ejemplo, en un estudio de medidas repetidas contrabalanceado, Sally experimenta la Condición A antes de la Condición B, pero Laura pasa por la Condición B antes de la Condición A.

Algunas ventajas del diseño de medidas repetidas/dentro de sujetos incluyen:

• Menos participantes necesarios: Debido a que más datos provienen de un solo participante, es posible detectar correlaciones o incluso relaciones causales utilizando muestras pequeñas.
• Minimizar el ruido: Dado que los datos provienen del mismo participante, las diferencias individuales (es decir, ruido) se minimizan ya que factores como la memoria o la inteligencia no cambian de condición a condición.

En un nivel superficial, los casos de uso que típicamente utilizan diseño dentro de sujetos son estudios en/centrándose en (Keren & Lewis, 2014):

• Psicología Cognitiva y Neuropsicología
• Percepción
• Memoria
• Aprendizaje
• Psicoarquitectura
• Tiempo de reacción

4. Aleatorización y Balanceo

La aleatorización es la asignación aleatoria de participantes a diferentes condiciones experimentales y es fundamental en el diseño experimental porque ayuda a eliminar sesgos y el efecto de variables desconocidas que podrían explicar estadísticamente cualquier resultado significativo. (Suresh, 2011).

El balanceo, por otro lado, es una forma de garantizar que los diferentes grupos experimentales tengan un número igual (o lo más similar posible) de participantes asignados a ellos. Por ejemplo, considera que tu 'grupo de control' tiene 5 participantes y tu 'grupo experimental' tiene 95 participantes. ¿Suena desastroso, verdad? Un diseño más equilibrado sería tener alrededor de 50 sujetos en el 'grupo de control' y 50 en el 'grupo experimental.'

Si bien todas las áreas de la psicología se benefician de la aleatorización, los psicólogos clínicos y de la salud prestan especial atención a esto porque a menudo están tratando con intervenciones y tratamientos.

Usando Labvanced, tu experimento puede tener ensayos aleatorizados, tareas, bloques y grupos, dependiendo de la naturaleza de tu estudio. Es posible aleatorizar cualquier cosa que desees y puedes asegurar el balanceo entre grupos, garantizando que haya un número igual de sujetos entre los grupos.

Aquí hay algunas maneras de balancear y aleatorizar tu estudio utilizando Labvanced:

• Factores aleatorios: lograr equilibrio simple, anidado, o entre sujetos de estímulos
• Secuencia aleatoria de ensayos: cargar una secuencia de ensayos predefinida para cada sujeto o crear una secuencia de ensayos adaptativa / dinámica usando eventos
• Lógica de eventos: crear mecanismos de balanceo altamente individualizados, p.ej. asignar archivos dinámicamente a objetos

Tener un estudio equilibrado y aleatorizado es un deber porque ayuda a garantizar la integridad de tu análisis estadístico y resultados.

5. Replicación

La replicación es uno de los problemas más antiguos en el campo de la psicología, que data de las observaciones de psicólogos líderes en el siglo XIX y principios del XX (Laws, 2016).

Hasta el día de hoy, la replicación, que se refiere a cuán repetible puede ser un estudio (típicamente para determinar si los hallazgos de un estudio original pueden observarse en otras situaciones y participantes), sigue siendo un problema en la investigación experimental.

La replicación es importante porque para que otros investigadores confirmen o prueben los hallazgos de un estudio, deben poder replicar el estudio. Esto es difícil en psicología porque el comportamiento, como regla general, es muy complejo y difícil de predecir.

Una de las ventajas de tener tu estudio en línea es que puedes compartir la plantilla del estudio con otros investigadores y ellos pueden usar el experimento o las tareas dentro para probar otras poblaciones e intentar replicar tus resultados.

6. El Poder de la Evidencia

Cuanto más rigurosamente definido y configurado esté un estudio, más fuerte será la evidencia detrás de cualquier conclusión subsecuente. Así, si deseas establecer algo con tu estudio, necesitarás la evidencia para respaldarlo.

Existen muchos sistemas diferentes que clasifican la evidencia (que incluso pueden variar según el país y la organización). Como regla general, puedes considerar la evidencia en un espectro desde ‘no muy estricta o convincente’ hasta ‘probada y testeada’.

Imagina que la tía de alguien te cuenta su opinión sobre el efecto del cuidado en la percepción infantil basado en su experiencia criando a sus tres hijos. Si bien esta puede ser una conversación divertida y agradable de tener, estos conocimientos no son fiables como las conclusiones derivadas de un estudio aleatorizado con miles de cuidadores que fueron asignados a estilos de crianza específicos y su respuesta infantil fue medida (todo ello controlando variables de confusión)!

Al comprender el poder de la evidencia, puedes diseñar un experimento donde las conclusiones subsecuentes sean sólidas, fiables y no estén manchadas por confusiones y/o sesgos.

Observaciones Conclusivas

No hay nada más emocionante que diseñar tus primeros experimentos como un investigador en ciernes. Con estos conceptos clave en mente, puedes empezar con fuerza y desarrollar la base para comprender conceptos avanzados más complejos como interacciones. Y, construir experimentos en línea con Labvanced puede ayudarte a seguir creciendo como investigador mientras recopilas datos rápidamente, diseñas experimentos válidos y aumentas tu producción de publicaciones.

Y, recuerda, cómo abordas y manejas los 6 componentes descritos en este artículo determina la fuerza de tu conclusión e incluso los resultados de tus hallazgos. Además, ten en cuenta que al realizar experimentos en línea, el control experimental juega un papel importante sobre cómo se maneja el experimento en un entorno en línea. Aprende más sobre cómo Labvanced asegura control experimental aquí.

Referencias

Chládková, K., Podlipský, V. J., Nudga, N., & Šimáčková, Š. (2021). The McGurk effect in the time of pandemic: age-dependent adaptation to an environmental loss of visual speech cues Psychonomic Bulletin & Review, 28(3), 992-1002.

Cook, J., Swapp, D., Pan, X., Bianchi-Berthouze, N., & Blakemore, S. J. (2014). Atypical interference effect of action observation in autism spectrum conditions. Psychological medicine, 44(4), 731-740.

Keren, G., & Lewis, C. (2014). A Handbook for Data Analysis in the Behaviorial Sciences: Volume 1: Methodological Issues Volume 2: Statistical Issues. Psychology Press.

Laws, K. R. (2016). Psychology, replication & beyond. BMC psychology, 4(1), 1-8.

Marimon, M., Hofmann, A., Veríssimo, J., Männel, C., Friederici, A. D., Höhle, B., & Wartenburger, I. (2021). Children’s Learning of Non-adjacent Dependencies Using a Web-Based Computer Game Setting. Frontiers in psychology, 12.

Pölönen, P., Lappi, O., & Tervaniemi, M. (2019). Effect of meditative movement on affect and flow in Qigong practitioners. Frontiers in psychology, 2375.

Suresh, K. P. (2011). An overview of randomization techniques: an unbiased assessment of outcome in clinical research. Journal of human reproductive sciences, 4(1), 8.