Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Hay demasiados artículos, y hasta libros que hablan de “cómo hacer una investigación”, y todos
los que conozco son muy malos, por las siguientes razones:
Así que mantendré esto de manera práctica y concisa sin considerar lo políticamente
correcto.
1
1. Leer siempre el texto completo es ineficiente
‘Afortunadamente’, la ciencia del ejercicio y la nutrición son disciplinas científicas muy pequeñas. Es
posible, si eres eficiente, consumir la amplia mayoría de la información disponible. Aun así, cientos de
documentos son publicados cada mes. La necesidad de eficiencia es particularmente alta porque la
calidad de estos documentos es muy baja en comparación con las disciplinas científicas más populares.
Yo diría que cada mes aparecen aproximadamente 100 artículos interesantes. Cuando digo
interesantes, significa que el título me interesó. Si el título es interesante o veo que el estudio
aparece en mis redes sociales / bandeja de correo más de una vez, leo el resumen. Usualmente
el resumen no me dice nada que no supiera ya. Sin embargo, a veces el resumen evoca
preguntas, posibilidades, o me hace querer ver los métodos o la información con más detalle.
Incluso entonces, rara vez leo el documento entero y sólo veo lo que me interesa, a menos que
esto de nuevo capte mi interés. Esto asegura que consumo una cantidad extremadamente
grande de información mientras sólo tengo que leer a lo sumo un puñado de documentos de
texto al día.
¡Sugiero que hagas lo mismo!
2
2. Estar al día está sobrevaluado
De acuerdo con lo anterior, la nueva investigación constituye una fracción insignificante de la
literatura existente. El énfasis en la nueva investigación no es más que una glorificación de la
necesidad incesante de la gente por tener nuevos estímulos para permanecer interesados. La
ciencia no es noticia. Estar en lo “innovador” y “estar siempre al día” son términos de
mercadotecnia. Todos los documentos científicos que lees son correcciones de
investigaciones hechas hace meses o hasta hace años. La nueva investigación no reemplaza esas
publicaciones, si no que se apoya en ellas.
Cada mes la gente se confunde y cambia de parecer cuando oye del nuevo estudio X. Leer
nuevas investigaciones cuando no has leído todavía la literatura existente es como saltarte al
último capítulo de un libro y luego quejarte por no entender el final.
Todavía peor es la gente que tiene tal apego emocional a cualquier cosa nueva que piensa que
las nuevas investigaciones son por definición mejores que las investigaciones anteriores. “La
investigación anterior sugería X, pero la nueva investigación muestra Y”.
Hay varias situaciones en las que las nuevas investigaciones son de hecho demostrablemente
mejores que las investigaciones anteriores. La relevancia de ciertos hallazgos, tales como las
3
encuestas, caducan. A veces son desarrolladas nuevas técnicas de medición que son más
precisas que las técnicas más antiguas. Pero en lo que concierne a la fisiología humana y los
hallazgos experimentales, la evidencia no tiene fecha de caducidad.
De hecho, las teorías científicas más establecidas no tienen ninguna investigación reciente,
precisamente porque ya no hay más controversia.
En lo personal, ni siquiera recuerdo la última vez que leí una nueva investigación que haya
cambiado mi parecer completamente en un tema. Piensa en, “cambios de creencia graduales”,
no “revelaciones revolucionarias”. Así que no te dejes llevar por un estudio sólo porque es
nuevo.
¡Siempre evalúa la literatura como un todo!
4
3. Las 3 mejores herramientas de búsqueda para encontrar
investigaciones
1. Google Scholar
2. PubMed
3. SciELO
Hay algunas otras cuantas herramientas de búsqueda académica, pero no recuerdo la última vez
que encontré un artículo con cualquiera de ellas que no pudiera encontrar con alguna de las 3
mencionadas anteriormente.
Cuando busques, piensa en las palabras clave que aluden al artículo que estás buscando, no en
el título del documento. Las herramientas de búsqueda académica se basan en un sistema de
palabras clave. Con frecuencia, opta por añadir “entrenamiento de resistencia” en tu búsqueda
para evitar toneladas de investigaciones de gente que ni siquiera levanta pesas.
5
4. No te limites al idioma inglés (angloparlantes*)
La ciencia es una empresa en idioma inglés, y generalmente se puede afirmar que no todas las
publicaciones en otros idiomas y no todos los investigadores no angloparlantes provienen de
la élite científica. Pero ocasionalmente se publican investigaciones muy interesantes en otro
idioma, frecuentemente en ruso, portugués o español. En esas instancias, Google Translate es
tu amigo. Puede traducirte documentos completos.
1. Ve a Google Translate
3. Da click en “translate”
6
5. Domina los Operadores de búsqueda de Google
Ejemplos comunes:
7
6. Cómo obtener textos completos sin suscribirte a
toneladas de boletines
Descargo de responsabilidad: revisa tus leyes antes de tomar en cuenta cualquier información
presentada aquí.
8
7. Filtra tu información
Recibo toneladas de preguntas del tipo de “la persona tal X dice Y, ¿es verdad?” Evítate el problema. Si
alguien no hace referencias en su trabajo (aunque no sea necesariamente científico), generalmente puedes
ignorar los hechos que esté declarando. Aún mejor, ni siquiera los leas. No aprenderás nada nuevo, y te
quedarás con una pregunta, nunca con una respuesta.
Peor aún, es muy probable que recuerdes una declaración o argumento sin recordar su fuente, y olvides que
no era una propuesta válida. Los psicólogos llaman a esto amnesia de fuente, y es una razón significativa para
la falta de fiabilidad de los testimonios oculares.
Filtrar tus fuentes de información minimizará enormemente la parálisis por análisis que es tan común en la
industria del acondicionamiento físico.
Aquí hay varios autores de fitness basados en la evidencia que Menno avala después de haberlos conocido
personalmente y haber trabajado con ellos. Ten en cuenta que no siempre estamos de acuerdo en todo y
nuestros puntos de vista pueden ser coloreados por todos nosotros siendo amigos.
• Alan Aragon
• Borge Fagerli
• Brad Schoenfeld
• Bret Contreras
• Eric Helms
• Greg Nuckols
8. Cuidado con las galimatías de la ciencia
‘Las palabras grandes” y la jerga técnica pueden dar la impresión de validez. No caigas por las
teorías y la plausibilidad: busca la probabilidad y la evidencia empírica de cada teoría. La Brociencia
frecuentemente se apoya en la teoría sin evidencia:
Que pasa “Bro”. Hoy les voy a mostrar cómo hacer Brosciencia. Vamos a tener que ser
concisos con esto, porque sé que los Bros quieren esto en menos de 500 palabras.
Si buscas en Yahoo! y realmente no lo encuentras, hay otras opciones, pero maldición, Bro,
ahora te va a costar. La opción más barata es hacer la investigación por ti mismo, debido a que
no es necesario hacer ninguna investigación real. Aun así, es posible que desee contratar a
alguien para hacerlo parecer legítimo. Sin embargo, en estos días, Bro, las personas ya se dan
cuanta de esas patrañas, así que deberías tomar mi consejo: yo iría hasta el fin e invertiría. Págale
a algunos científicos de una universidad para hacer un estudio real.
/discusión
Eso es todo, Bro. Los 3 pasos para hacer Brosciencia de forma adecuada que harían papilla
incluso a Einstein.
9. Las mejores revistas de publicación científica para
suscribirse
Teniendo en cuenta la advertencia del 2o consejo, suscribirse a las publicaciones con el Factor
de Impacto más alto (una medida de éxito académico) en ciencia del ejercicio, ciencias del
deporte y nutrición es una manera fácil de obtener una visión general de nuevos estudios en tu
bandeja de entrada para que no tengas que buscarlas.
Nota que “suscribirse” en las publicaciones con frecuencia significa pagar por ellas. Busca el
administrador de alertas o el eTOC (tabla electrónica de contenidos por sus siglas en inglés).
Desafortunadamente, a menudo es mucha molestia suscribirse y cuando obtienes vistas
generales de estudios nuevos en tu bandeja de entrada, todavía tienes que filtrar una gran
cantidad de estudios no interesantes para poder encontrar investigaciones relevantes.
10. Cómo leer una investigación
Leer el texto completo no solo es un enorme desperdicio de tiempo (ver consejo 1), si
encuentras un estudio que te haga cuestionar tus creencias anteriores, no leas el documento
en orden cronológico.
Al leer primero la introducción, tu visión siempre será influenciada por la perspectiva de los
investigadores. Quienes, por cierto, con frecuencia escriben la introducción después de haber
analizado los resultados, a pesar de lo que pudiste haber aprendido en Metodología de la
Investigación 1.
11. Entiende las estadísticas básicas
Pregunta de prueba: “Suponiendo que un nuevo estudio fue apenas publicado en el Journal of
Strength and Conditioning Research. Los investigadores compararon dos grupos de
entrenamiento de resistencia que eran idénticos, con la excepción de que uno usaba
mancuernas y el otro usaba pesas rusas (kettlebells).
Desafortunadamente, los investigadores tenían pocos fondos, así que cada grupo era de solo
5 personas. Al final del estudio, el equipo de entrenamiento de las pesas rusas había obtenido
significativamente más masa muscular que el grupo de las mancuernas. ¿Esto apoya que las
pesas rusas son más efectivas que las mancuernas para propósitos de fisicoculturismo?”
Si respondiste ‘no, esta es evidencia débil porque el grupo de muestra fue pequeño, piensa de
nuevo.’
conferencia
Estadísticas 101
Estadísticas Poderosas
El poder estadístico es un concepto muy importante para cualquier persona que quiera interpretar la
investigación científica, porque las pruebas estadísticas forman la base de todos los resultados científicos. Si
no tienes conocimiento de las estadísticas, no puedes interpretar correctamente la investigación. De
acuerdo con muchos grandes científicos, el analfabetismo estadístico es en el siglo 21el equivalente a la
incapacidad de leer y escribir.
Antes de continuar, he aquí una pequeña prueba para ti: Supón que un nuevo estudio acaba de publicarse
en The Journal of Strength and Conditioning Research. Los investigadores compararon dos grupos de
entrenamiento de resistencia que eran idénticos a la excepción de que uno usaba pesas y el otro usaba
kettlebells. Desafortunadamente, los investigadores tenían poca financiación, por lo que cada grupo tenía sólo 5
personas en ella. Al final del estudio, el grupo de entrenamiento de kettlebell había ganado significativamente más
masa muscular que el grupo con pesas. ¿Esto apoya que las kettlebells son más eficaces que las pesas para los
fines de fisicoculturismo? Te daré la respuesta después de explicar qué es el poder estadístico.
He aquí un ejemplo en términos simples. Estás realizando un estudio sobre la eficacia del suplemento X.
Hay dos aspectos para saber si el suplemento X es eficaz. En primer lugar, hay la realidad física de su
eficacia, desconocida para ti, y en segundo lugar, no es el resultado de tu prueba estadística. Supongamos
que el suplemento X es el santo grial de los suplementos para la construcción muscular y te transforma
en el increíble Hulk en semanas. Si eso es también lo que tu prueba muestra, todo el mundo está feliz. Sin
embargo, si el suplemento X realmente funciona, pero tu prueba dice que no, no has podido detectar un
efecto, aunque realmente había uno. Eso es un error de tipo II y es causado por una falta de poder
estadístico. Una prueba más sensible habría encontrado un efecto. (La falta de) poder estadístico es una
razón importante por la cual diferentes estudios pueden mostrar cosas diferentes.
¿Qué determina el poder estadístico de una prueba? Un análisis de potencia completa tiene en cuenta
muchas cosas, incluyendo el diseño del experimento, pero hay 3 factores principales. Primero, está el
criterio de significación estadística, alfa, pero básicamente te puedes olvidar de esto, porque la convención
de usar un nivel de significancia de 0.05 se ha hecho tan profundamente arraigada en la literatura científica
que bien pudo haber sido impuesta por la ley. En segundo lugar, el poder estadístico está determinado
positivamente por el tamaño de la muestra. Cuanto mayor sea el tamaño de la muestra de un estudio,
más fácil será detectar efectos. En nuestro ejemplo, si el grupo que recibe el suplemento X y el grupo
placebo constaban de miles de personas, lo más probable es que cualquier diferencia entre los grupos al
final del estudio que fuera causada por el suplemento X, ya que el tamaño de la muestra es grande cancela
todos los efectos aleatorios y asegura que los valores observados son muy cercanos a los medios reales
de la población (siempre que el muestreo fuera aleatorio y el estudio estuviera bien controlado). Un
tamaño de muestra de sólo unos pocos participantes tiene mucho menos potencia estadística, porque el
efecto del suplemento X está oscurecido por la variación aleatoria o el ruido. En una muestra tan pequeña,
sólo un individuo con, digamos, una condición cardíaca que lo hace insensible a los efectos del suplemento
X puede ser suficiente para engañar a la prueba y hacernos pensar que el suplemento X no funciona. En
tercer lugar, tenemos el tamaño del efecto, que es, como su nombre indica, la magnitud del efecto que se
está buscando. En nuestro ejemplo, el tamaño del efecto del suplemento X es extremadamente alto,
porque dije que te convierte en el increíble Hulk. En ese caso, sólo necesitas un tamaño de muestra de 1
o 2 para saber que el suplemento X es la bomba. Si el suplemento X sólo fuera ligeramente eficaz,
necesitarías una muestra mucho mayor para detectar sus efectos.
Aplicaciones
Volvamos a la pregunta que hice al principio. ¿Los resultados de ese estudio apoyan que las kettlebells son
más eficaces que las pesas para los propósitos del fisicoculturismo? Muchas personas están inclinadas a
decir que no, porque el estudio tenía un pequeño tamaño de la muestra. Sin embargo, si el tamaño de la
muestra era pequeño, esto redujo la potencia estadística del estudio. Sin embargo, se encontró un
efecto. Esto sugiere que el estudio obtuvo su poder estadístico de otro factor. Suponiendo que no había
otros factores relevantes, esto significa que el tamaño del efecto (o la diferencia entre el tamaño del efecto
de las pesas y las kettlebells) debe haber sido grande. Por lo tanto, este estudio proporcionaría realmente
un apoyo muy fuerte para el uso de kettlebells. Encontraste una diferencia significativa a pesar del pequeño
tamaño de la muestra.
Aquí hay otro ejemplo. Mitchell et al. publicaron recientemente un estudio titulado "La carga empleada en
el ejercicio de resistencia no determina las ganancias hipertróficas mediadas por el entrenamiento en
hombres jóvenes" (1). Compararon 3 grupos de entrenamiento de resistencia: un grupo realizó 3 series
con el 30% del 1 RM, un grupo realizó 1 serie con el 80% del 1 RM y un grupo realizó 3 series con el 80%
del 1 RM. Al final del estudio, no hubo diferencias significativas en la masa muscular o en los aumentos de
la fuerza isométrica entre los grupos. Los aumentos de la fuerza isométrica y la señalización celular
anabólica fueron mayores en los grupos que utilizaron el 80% del 1 RM en comparación con el del 30%
del 1RM, pero no difirió entre los protocolos de 1 y 3 series. Los medios de comunicación populares
como ScienceDaily declararon: "Levantar menos peso más veces es tan eficaz en la construcción de
músculo como el entrenamiento con pesos pesados, un descubrimiento de los investigadores de
McMaster que cambia la sabiduría convencional que está en tu cabeza" y este estudio ha sido viral diciendo
que ni el volumen ni la intensidad son relevantes para la hipertrofia. Supuestamente, todo lo que importa
es trabajar hasta el punto de fatiga.
Esto es lo que se obtiene cuando las personas sin antecedentes en las estadísticas, que no se han
familiarizado con la literatura y (que sólo puedo imaginar) que en realidad no levantan pesas empiezan a
dar consejos a la gente en el fisicoculturismo. Este estudio evidentemente tenía demasiado poco poder
estadístico para hacer afirmaciones tan audaces. ¿Cómo puedo saber? En primer lugar, el estudio no
encontró correlación entre la fosforilación de cualquier proteína de señalización y la hipertrofia, sin
embargo, la p70S6 quinasa y mTOR se han conocido para regular la síntesis de proteínas, el crecimiento
celular y el tamaño de las células desde la década de 1990. Conociendo esto, el hallazgo de este estudio
de que la fosforilación de la p70S6 quinasa sólo aumentó en los grupos que utilizaron un 80% del 1RM y
no en el grupo que utilizó un 30% sugiere que la mayor intensidad de hecho resultó en más crecimiento
muscular.
Pero eso no es lo que encontraron. No hubo diferencias significativas en la cantidad de hipertrofia entre
los grupos. Sin embargo, el porcentaje de aumento en el volumen muscular difirió en más del factor 2
entre los grupos (por ejemplo, 3.2% para 80% x 1 comparado a 7.2% para 80% x 3). Si un estudio no
puede detectar un aumento de dos veces en la hipertrofia, es seguro decir que carecía de suficiente poder
para su pregunta de investigación. Del mismo modo, la falta de una diferencia significativa entre los grupos
1 y 3 establece que el protocolo indica que el estudio fue insuficiente. Un anterior meta-análisis de la
investigación ha demostrado que múltiples series de hecho, resultan en una mayor hipertrofia que una
sola serie (4).
Todas estas discrepancias con los hallazgos en la literatura se pueden entender en términos de poder
estadístico. Los meta-análisis tienen más poder estadístico que los estudios individuales debido al tamaño
de la muestra más grande. La actividad de la proteína de señalización es más determinista y, por lo tanto,
más fácil de detectar que el aumento del tamaño muscular. Para este estudio en particular, varios otros
factores también influyeron en su poder estadístico, como la duración del estudio. Cuanto más larga sea
la duración, más pronunciadas se pueden esperar las diferencias, aumentando el poder estadístico del
diseño. Más importante aún, el diseño en sí estaba lejos de ser óptimo. Los investigadores pusieron a cada
participante en 2 grupos: uno para cada pierna, presumiblemente para compensar el tamaño de la muestra
mediocre de 18. Dado que el entrenamiento unilateral induce un efecto de entrenamiento cruzado en la
otra extremidad (5), esto introduce ruido en el estudio al hacer imposible distinguir qué efectos se deben
al entrenamiento cruzado y qué efectos se deben al propio entrenamiento de la pierna. El ruido disminuye
el poder estadístico de un estudio. Por último, el uso de la resonancia magnética para medir el volumen
muscular es propenso a error y "se requiere un cambio de volumen medido de al menos 6-17% para
demostrar una diferencia significativa" (6), dependiendo del tamaño inicial del músculo, que no fue a apenas
el caso en este estudio.
En conjunto, este estudio fue considerablemente insuficiente para responder a sus preguntas de
investigación y por lo tanto sus resultados deben ser interpretados con precaución, en todo caso,
especialmente en los casos en que se desvían de los hallazgos más sólidos en la literatura.
Conclusiones
El poder estadístico, o sensibilidad, es la capacidad de detectar el efecto que se está buscando, si realmente
existe; aumenta con el tamaño de la muestra y el tamaño del efecto. Para interpretar correctamente los
hallazgos de un estudio, es necesario tener en cuenta si el estudio tiene suficiente poder para responder
a sus preguntas de investigación. La falta de poder estadístico puede potenciar o destruir la significación
de un estudio y esto no siempre es intuitivo. Cualquier broscientist alfabetizado puede leer un estudio,
pero sólo un científico estadísticamente alfabetizado puede interpretar uno correctamente. Después de
leer este artículo, ahora perteneces a esta última categoría. Como una ventaja adicional, ahora puedes
molestar a Bret con preguntas sobre el poder estadístico de los estudios en su revisión de la investigación.
Referencias
1 Resistance exercise load does not determine training-mediated hypertrophic gains in young men. Mitchell CJ,
Churchward-Venne TA, West DD, Burd NA, Breen L, Baker SK, Phillips SM. J Appl Physiol. 2012 Apr 19.
2 p70 S6 kinase and actin dynamics: A perspective. Ip CK, Wong AS. Spermatogenesis. 2012 Jan 1;2(1):44-52.
3 Invited review: intracellular signaling in contracting skeletal muscle. Sakamoto K, Goodyear LJ. J Appl Physiol. 2002
Jul;93(1):369-83.
4 Single vs. multiple sets of resistance exercise for muscle hypertrophy: a meta-analysis. Krieger JW. J Strength Cond
Res. 2010 Apr;24(4):1150-9.
5 Cross education: possible mechanisms for the contralateral effects of unilateral resistance training. Lee M, Carroll
TJ. Sports Med. 2007;37(1):1-14.
6 Radiologic measurement of extraocular muscle volumes in patients with Graves’ orbitopathy: a review and
guideline. Bijlsma WR, Mourits MP. Orbit. 2006 Jun;25(2):83-91.
a. Relevancia estadística vs. tamaño del efecto
Hay muchas falsas ideas sobre lo que significa “relevancia estadística” y a menudo se
confunde con el tamaño del efecto.
Relevancia estadística: podemos decir con un 95% de seguridad que el efecto se relaciona
con la(s) variable(s) independiente(s). En un contexto experimental con buena validez
interna, esto es, un experimento bien diseñado, podemos decir que el efecto es causado por
la variable independiente. En otras palabras, la posibilidad de que el resultado sea debido a la
casualidad es de menos de un 5%. (Asumiendo que alfa = 5%, un convenio de las disciplinas
científicas que nos interesan.) En pocas palabras, la relevancia estadística significa que un
efecto es muy probable.
Tamaño del efecto: la fuerza del efecto está en forma estandarizada. Matemáticamente, la
definición tradicional (Cohen) es que el tamaño del efecto es igual a la diferencia entre dos
medias divididas entre la desviación estándar. No tienes que hacer las cuentas. Sólo tienes
que entender la intuición de que el tamaño del efecto es una medida que determina qué
tan fuerte es el efecto.
Como tal, en sentido estricto ni siquiera podemos hablar del tamaño del efecto, ya que
no podemos decir con certeza que este hallazgo no es solo un error de medición. Sin
embargo, dependiendo de la base teórica y la demás literatura, este tipo de hallazgos
pueden indicar una tendencia. Así que el hecho de que no se alcanzó la relevancia
estadística no significa que el hallazgo no sea interesante.
b. Ruido vs. predisposición
Esta es una diferencia que mucha gente pasa por alto. Muchas evaluaciones de estudios
tratan de analizar la veracidad de los hallazgos de un estudio listando sus fortalezas y
debilidades en vez de, como un Bayesiano, deducir la probabilidad desde los principios
estadísticos. No solo puedes listar las limitaciones de un estudio y luego concluir en
“mandarlo a volar”.
Ejemplo: Un estudio dice que una mayor frecuencia alimenticia resulta en un equilibrio más
elevado de nitrógeno en individuos entrenados más no en los no entrenados. Si el grupo
entrenado tenía una ingesta mayor de proteína que el grupo no entrenado, eso sería
predisposición. Por lo tanto, el equilibrio de nitrógeno más elevado en el grupo entrenado
podría ser el resultado de la ingesta incrementada de proteína y no por la frecuencia
alimenticia.
Eso es predisposición: una falla sistemática en la validez interna del estudio que
predispone a los resultados del estudio hacia una dirección específica.
Para más información sobre el método Bayesiano, mira las introducciones en esta entrevista.
Este artículo también tiene una buena explicación de cómo el razonamiento Bayesiano
puede proveer la respuesta correcta a preguntas estadísticas en medicina que casi nadie
podrá acertar intuitivamente, aunque después por alguna razón el artículo se dirige a ser
altamente despectivo hacia el razonamiento Bayesiano.
Ejemplo: Eres un atleta patrocinado y recibes una muestra de un booster (potenciador) nuevo.
En vez de encontrar muchas investigaciones que establezcan la confiabilidad del suplemento,
los únicos 2 estudios al respecto son aquellos del consejo 9. Una perspectiva científica solo
podría responder si es que funciona, no si lo deberías de tomar. La respuesta a si funciona en
términos científicos será no, porque tenemos 1 estudio a favor y 1 estudio que no muestra
ningún efecto. Un Bayesiano pensará del modo siguiente. La probabilidad de que el
suplemento funcione es sustancial*, aunque el beneficio sea pequeño. El costo de tomar el
suplemento es virtualmente nulo. Así que el beneficio multiplicado por la probabilidad de que
funcione excede el costo de tomar el suplemento y un Bayesiano tomaría el suplemento. Es
virtualmente una decisión sin costo y de bajo beneficio.
*: Sobre el 95% de acuerdo con 1 estudio. Digamos que el otro tenía p = 0.5 y que
descartamos cualquier diferencia metodológica, y las muestras eran igual de grandes, así que
no tenemos que sopesar el promedio. De acuerdo con estos 2 estudios la probabilidad de
que el suplemento funcione es de 47.5%.
13. No hay comprobación, solo probabilidad
La comprobación es el estándar más elevado de evidencia. Normalmente es reservada para
las afirmaciones lógicas, como las matemáticas. Las ciencias empíricas – las ciencias de los
hechos observables – por definición no pueden proveer más evidencia que la probabilidad. La
ciencia no comprueba que el suplemento X funciona. Dice que es probable (95% probable,
para ser específicos). Cuando no hay evidencia empírica para una afirmación, como es a
menudo el caso para las afirmaciones brocientíficas, ésta puede ser meramente plausible.
La jerarquía en los estándares de comprobación puede ser fácilmente recordada con las 3
Ps. Cualquier teoría puede sonar plausible, pero para que un Bayesiano tome algo en cuenta
necesita ser probable y tenemos que aceptar que la mayoría de las cosas jamás serán
probadas.
14. ¡Es un solo estudio!
Imagina que hay un nuevo suplemento en el Mercado llamado STX. Quieres saber si vale
la pena comprarlo, así que lo Googleas. Encuentras un foro de discusión donde alguien ya
lo probó y dice que incrementa considerablemente el crecimiento muscular. 5 más
notaron lo mismo.
Ejemplos más comunes son las personas que tratan de añadir humildemente “en mi
opinión” a un enunciado de hechos. De igual manera, es común ver gente que añade “y eso
es un hecho” o algo parecido para dar fuerza a su postura. Cualquiera es redundante en el
mejor de los casos y a menudo descaradamente falso.
Muchas preguntas son subjetivas o peor, hipotéticas (que no se refieren a ningún hecho), y
por ende no tienen una respuesta Bayesiana. Ejemplo: “Si solo pudieras hacer un ejercicio,
¿cuál sería? Te harán estas preguntas, así que tendrás que ayudar a quien te está haciendo la
pregunta para que la formule en términos objetivos. En este caso, la persona está
probablemente interesada en optimizar su selección de ejercicios dada una restricción de
tiempo. Así que tendrás que hurgar en las verdaderas intenciones de la persona y no solo
dar por hecho la pregunta.
Sin conocer los objetivos de alguien, lo cual es el caso en las redes sociales y en los foros de
internet, lo mejor que puede hacer a menudo un Bayesiano es dar un enunciado de hechos.
Por ejemplo, “usar suplementos de BCAA sobre una ingesta alimenticia con suficiente
proteína no incrementará el desarrollo de fuerza, la hipertrofia muscular o la pérdida de
grasa.” Cuando sabes que el objetivo de tu cliente es uno de los mencionados y la ingesta
dietética de proteína de tu cliente ya es suficiente, entonces podrás aconsejarle no tomar los
BCAA.
Estos son algunos consejos concretos y realistas para dar más consejos Bayesianos:
Sin embargo, aceptar que las creencias previas estaban equivocadas requiere que tu auto-
imagen reciba un golpe. Otro hallazgo fundamental en psicología es que los humanos harán
todo lo posible para mantener una auto-imagen positiva, ya que una auto-imagen positiva y la
felicidad están estrechamente relacionadas. Como tal, la mente a menudo encuentra más fácil
dar explicaciones a los nuevos hallazgos que aceptar que las creencias anteriores estaban
equivocadas.
32