Traducido del inglés al español - www.onlinedoctranslator.

com

Diez reglas simples para desarrollar el mejor diseño experimental

en biología

Estas 10 reglas simples fueron diseñadas para ayudar a los investigadores a desarrollar una estrategia efectiva.

diseño experimental en ecología que ayudará a producir resultados significativos. Estas reglas fueron

basado en cuatro artículos que presentaban puntos de vista distintivos sobre las expectativas de

diseño experimental junto con errores comunes que a menudo se pasan por alto. Estas reglas

actuará como una guía para que los investigadores determinen si diferentes factores fueron o no

considerados en la construcción de su diseño experimental. También ayudará a los editores y

Los lectores deducen si el diseño experimental utilizado en un experimento estuvo bien diseñado.

o no y cómo podría mejorarse.

Preimpresiones de PeerJ |https://doi.org/10.7287/peerj.preprints.2456v1 | CC BY 4.0 Acceso Abierto | rec: 18 de septiembre de 2016, publ: 18 de septiembre de 2016
 Diez reglas simples para desarrollar el mejor diseño experimental en biología

Por: Ángela José

1. Identificar claramente los objetivos de un experimento y las variables de respuesta.

Es importante identificar y enumerar objetivos bien definidos y variables de respuesta para

centrar la investigación en una dirección específica y evitar errores externos. Esto incluye desarrollar una

Hipótesis relevantes y comprobables que pueden aceptarse o rechazarse según

resultados recopilados.

2. Menos flexibilidad en el diseño, incluida la definición, los resultados y los modos analíticos.

Ioannidis afirmó en su artículo que si hubiera más flexibilidad en el diseño del experimento,

era menos probable que los hallazgos de la investigación fueran ciertos (Ioannidis, 2005). Los parámetros dentro

qué investigación se va a realizar debe estar dentro de límites distintos para evitar tener un estudio que sea

demasiado amplio, lo que podría dar lugar a inexactitudes (Ioannidis, 2005).

3. Disminución del sesgo hacia los resultados de la investigación.

Ioannidis explicó cómo el sesgo del investigador hacia los hallazgos podría afectar la forma en que se obtienen los resultados.

interpretado (Ioannidis, 2005). Para limitar esto, el documento sugiere obtener medidas

del sesgo neto para cuantificar cómo el sesgo del investigador podría alterar la síntesis de los resultados.

4. Identificar claramente el alcance de la inferencia

El alcance de la inferencia centra la investigación hacia una determinada región/área de estudio. Este

Permite a los investigadores centrar su investigación en un área específica y generalizarla en consecuencia.

5. Definir una unidad de muestra como independiente.

Hulbert explicó cómo se mezclaban muestras con unidades de muestra. Para aliviar esto,

definir una unidad de muestra como independiente evita mezclar muestras con unidades de muestra

(Hurlbert, 1984).

Preimpresiones de PeerJ |https://doi.org/10.7287/peerj.preprints.2456v1 | CC BY 4.0 Acceso Abierto | rec: 18 de septiembre de 2016, publ: 18 de septiembre de 2016
 6. Disponer de una cantidad adecuada de muestras y unidades de muestra

Hulbert explicó cómo algunos investigadores no estaban tomando suficientes muestras y unidades de muestra.

de lo que estaban estudiando. Debido a esto, los resultados fueron sesgados ya que no había suficiente

cantidad de muestras para comparación (Hurlbert, 1984). una cantidad adecuada de muestras y

Las unidades de muestra permiten minimizar los errores externos y representan mejor a la población.

siendo estudiado.

7. Evite la pseudorreplicación en el experimento.

Hulbert afirmó que los investigadores no estaban realizando la pseudorreplicación correctamente ya que

identificar incorrectamente la muestra más baja posible (Hurlbert, 1984). Sugirió que

por lo tanto, debe evitarse.

8. Los investigadores no deben limitarse a analizar únicamente el valor p.

El artículo indicaba cómo los científicos "perseguían" el valor p para determinar si los resultados

fueron significativos o se debieron al azar (Sterne y Smith, 2001). Aunque medir el valor p es

Es importante destacar que no cuantifica las interacciones que ocurren y que afectan los resultados.

Por lo tanto, es importante identificar las interacciones biológicas y ecológicas y se puede hacer

mediante el cálculo del número ecológico significativo (Sterne&Smith, 2001).

9. Disponibilidad de recursos

Muchos investigadores consideran que la falta de recursos es una limitación importante a la hora de desarrollar un estudio. En orden

Para crear un diseño experimental bien desarrollado, la disponibilidad de recursos y las limitaciones deben

también ser considerado.

10. Busque investigaciones previas realizadas sobre el tema de estudio y si hay científicos

Explorando en busca de las mismas respuestas a las mismas preguntas que tienes.

Preimpresiones de PeerJ |https://doi.org/10.7287/peerj.preprints.2456v1 | CC BY 4.0 Acceso Abierto | rec: 18 de septiembre de 2016, publ: 18 de septiembre de 2016
 Observar investigaciones anteriores realizadas sobre temas similares puede ayudar a sentar las bases para

crear un diseño de investigación bien desarrollado. Si no hay restricciones, los investigadores pueden incluso

colaborar entre sí y trabajar juntos para responder las preguntas que ambos puedan tener.

Preimpresiones de PeerJ |https://doi.org/10.7287/peerj.preprints.2456v1 | CC BY 4.0 Acceso Abierto | rec: 18 de septiembre de 2016, publ: 18 de septiembre de 2016
Referencias

Cottingham KL, Lennon JT, Brown BL. 2005. Saber cuándo trazar la línea: diseñar más

experimentos ecológicos informativos. Frente Ecológico Entorno. 3(3): 145-152.

Hurlbert SH. 1984. Pseudorreplicación y diseño de experimentos de campo ecológicos. Monogr. Ecológico.

54(2): 187-211.

Ioannidis JPA. 2005. Por qué la mayoría de los resultados de las investigaciones publicadas son falsos. PLoS Med. 2(8): e124.

doi:10.1371/journal.pmed.0020124.

Sterne JAC, Smith GD. 2001. Examinando la evidencia: ¿qué hay de malo en las pruebas de significancia? BMJ.

322(7280): 226-231.

Preimpresiones de PeerJ |https://doi.org/10.7287/peerj.preprints.2456v1 | CC BY 4.0 Acceso Abierto | rec: 18 de septiembre de 2016, publ: 18 de septiembre de 2016