5 De la curiosidad a un problema de investigación
Este capítulo forma parte de un libro en desarrollo activo y todavía no ha pasado por la revisión del autor. El contenido puede cambiar a medida que avanza la revisión.
La decisión de investigación. De todo lo que tu curiosidad podría llegar a ser, te comprometes con un problema de investigación. Lo enuncias como una sola pregunta respondible que nombra sus unidades, su resultado y la población por la que habla, y lo defiendes como importante, viable y genuinamente nuevo.
5.1 Por qué importa esta decisión
La decisión sobre la mesa: cuál problema de investigación, de todo lo que tu curiosidad podría llegar a ser, se lleva meses de tu trabajo.
Imagina a alguien que te asesora leyendo tu propuesta de una línea antes de la primera reunión. No pregunta por tus datos ni por tu software. Pregunta una sola cosa: “¿Cuál es, exactamente, la pregunta?”. Su razón: “En un párrafo me doy cuenta de si alguien sabe qué está preguntando. Si no lo sabe, nada de lo que venga después salva el proyecto”.
Todo lo que hagas más adelante se apoya en esta decisión. Una pregunta vaga vuelve arbitraria cada elección posterior, porque cualquier dato y cualquier respuesta van a parecer encajar. Una pregunta afilada te dice qué evidencia necesitas y qué contaría como estar equivocada o equivocado. Elige bien el problema y el trabajo tendrá columna vertebral. Elígelo mal y ningún análisis lo va a enderezar.
5.2 El concepto
Convertir la curiosidad en un problema es un embudo con cuatro paradas. Cada parada bota la vaguedad que la parada anterior todavía permitía.
- Curiosidad: un interés sentido, todavía sin bordes. Ejemplo: “¿por qué algunos negocios pequeños salen adelante en una recesión y otros cierran?”. No puedes recolectar evidencia sobre eso, porque nunca dice a quién o a qué mirar.
- Tema: una curiosidad con bordes, un territorio dentro del cual alguien podría reunir evidencia. Ejemplo: “reservas de efectivo y supervivencia entre restaurantes independientes”.
- Problema de investigación: un desconocido específico dentro de ese territorio cuya ausencia importa. Ejemplo: “no sabemos si los restaurantes que entraron a la recesión de 2020 con más efectivo disponible tuvieron más probabilidad de seguir abiertos dos años después”.
- Pregunta respondible: la única oración que la evidencia puede responder, y sobre la cual puede equivocarse. Ejemplo: “entre los restaurantes independientes de una ciudad, ¿los que tenían al menos tres meses de efectivo operativo en enero de 2020 siguieron abiertos hasta 2022 en mayor proporción que los que tenían menos?”.
Una buena pregunta también carga tres cosas que debe nombrar, o no sabrás qué registrar.
- Unidades de análisis: el quién o el qué que representa cada fila de tu evidencia. Ejemplo: un restaurante. Si no puedes decir qué es una unidad, no puedes contar nada.
- Población objetivo: el grupo completo del que trata realmente la pregunta, más allá del puñado al que llegas. Ejemplo: todos los restaurantes independientes de esa ciudad, no solo los treinta cuyos dueños te respondieron.
- Resultado: la cosa observable que varía, la cantidad que efectivamente registras. Ejemplo: si el restaurante seguía abierto en 2022. Tiene que ser medible, aunque sea de forma imperfecta.
Por último, tres pruebas deciden si un problema candidato vale meses de tu trabajo. La importancia pregunta si a alguien más allá de ti le importaría la respuesta. La viabilidad pregunta si de verdad puedes conseguir la evidencia, con el acceso y el tiempo que tienes. La contribución pregunta si la respuesta agrega algo que no esté ya zanjado, porque una búsqueda de diez minutos que la encuentra ya conocida mata la contribución.
Una lente más afila las tres pruebas, y viene de la teoría de la información. Un ensayo de 2026 en Science, “Advancing science by designing for surprise” (Evans, Petroff y King 2026), parte de un hecho directo: una respuesta que confirma lo que todos ya creen enseña casi nada. La sorpresa es la distancia entre lo que la gente informada espera y lo que la evidencia muestra, y es lo que vuelve informativa una respuesta. Ejemplo: si todos los que aconsejan a estudiantes de primer año ya suponen que caminar más va con dormir mejor, confirmar la relación no cambia ningún consejo, mientras que no encontrar relación alguna los cambiaría de un día para otro. El ensayo señala grandes estudios de artículos publicados en los que los más sorprendentes tuvieron unas cinco veces más probabilidad de quedar entre los más citados. Eso es una asociación en datos de citas, no una ley de calidad de la investigación: las citas miden atención, los estudios declaran sus propios límites, y una respuesta sorprendente todavía puede estar equivocada. Y trae una advertencia que debes cargar contigo: cuanto más sorprendente la afirmación, más evidencia hace falta para sostenerla, así que la sorpresa es un lugar hacia donde apuntar tu pregunta, nunca una licencia para inflar tu respuesta.
El ensayo sugiere una disciplina que puedes adoptar hoy. Antes de mirar cualquier evidencia, escribe la respuesta que esperas y nombra a la persona para quien una respuesta distinta sería genuinamente sorprendente. Esa frase escrita es tu respuesta esperada: la predicción que tu evidencia después confirmará o, con más valor, derribará. Ejemplo: “espero que quienes caminan más duerman mejor, y a un asesor de residencias le sorprendería que no fuera así.” Cuando llegues a tus resultados, la distancia entre esa frase y lo que encontraste es la medida más honesta de lo que tu proyecto le enseñó a alguien.
Una vez que tengas una pregunta, también vas a clasificar qué tipo de respuesta quiere. Esa es la brújula de la indagación, y es el trabajo completo del próximo capítulo. Por ahora, el trabajo es el embudo.
5.3 Un ejemplo trabajado
Empieza con una curiosidad de salud: “¿moverse más de verdad ayuda a dormir?”. Es un sentir real, pero no puedes estudiarlo, porque no nombra a nadie y no mide nada. Dale bordes y se vuelve un tema: actividad física y calidad del sueño en estudiantes de pregrado. Empuja más y llegas a un problema de investigación: no sabemos si caminar más a diario va junto con dormir mejor, según la propia calificación, entre quienes cursan primer año y viven en residencias. Eso apunta a una pieza faltante, no a una materia entera.
Ahora afílalo hasta una pregunta respondible: “entre quienes cursan primer año y viven en residencias, ¿quienes promedian más de 8,000 pasos al día reportan mejor calidad de sueño que quienes promedian menos de 4,000?”. Los tres términos cargados caen en su lugar. La unidad es una persona de primer año. El resultado es una calificación de calidad del sueño, digamos un autorreporte de 1 a 10 que recoges por teléfono. La población son quienes cursan primer año y viven en residencias, no todo el campus.
Ahora corre las tres pruebas. Pasa la de importancia (a cualquiera que aconseje a estudiantes de primer año faltos de sueño le interesa la respuesta), la de viabilidad (el conteo de pasos y una calificación nocturna se pueden recolectar en unas semanas) y la de contribución (el vínculo entre actividad y sueño se estudia mucho en personas adultas, pero mucho menos en este grupo de primer año que vive en residencias). La curiosidad ya es un problema que podrías defender.
5.4 El laboratorio en Colab
Este capítulo tiene su propio cuaderno de acompañamiento: ábrelo en Colab con la insignia de arriba. El cuaderno reúne los prompts y el código del capítulo y termina con el espacio de trabajo Ahora te toca a ti, para que completes el paso del capítulo en tu proyecto sin salir de Colab. El laboratorio de aula completo detrás de este capítulo es el cuaderno del curso nb02 — From curiosity to a research problem: descriptive, predictive, causal (abrir en Colab), parte del curso de acompañamiento presentado en el apéndice Para docentes. Vas a ver una curiosidad afilarse en el instante en que toca columnas reales de una encuesta; después bajas por el embudo tu propia curiosidad desde tu mapa de nb01, redactas dos problemas candidatos y defiendes el que te quedas.
5.5 Prompts de IA recomendados
Comprométete primero con tu propia respuesta. Solo entonces abre la herramienta, para que su salida tenga algo tuyo con qué discrepar. Y cuenta con dar más de una vuelta. La primera lista de problemas candidatos casi nunca es la útil; estrechas, vuelves a preguntar y estrechas otra vez. Lo único que no puede irse a la deriva a lo largo de esos ciclos es de quién es la curiosidad que se está delimitando.
Localizar lo que ya se sabe (antes de afirmar que tu problema es nuevo):
Act as a research-scoping assistant. My topic is [your topic]. List what is
already reasonably well established about it and where a genuine open question
might remain. For every established fact, give one real, retrievable source I
can open myself. Mark anything you are unsure exists.Después de ejecutarlo, verifica: abre cada fuente antes de confiar en ella. Esto contrarresta la fabricación confiada, donde una respuesta fluida cita un estudio que suena real y no existe.
Ensanchar una curiosidad hacia candidatos que tú revisas:
Here is my curiosity: [one sentence]. Produce five candidate research problems
inside it. For each, name its units of analysis, its outcome, and its target
population, in a table. Do not add any topic I did not mention.Después de ejecutarlo, verifica: coteja cada fila con la curiosidad que realmente escribiste. Esto contrarresta el cambio silencioso de alcance, donde la herramienta responde en silencio una pregunta cercana y te la devuelve como tuya.
Hacerle red team (revisión adversaria) al problema que elegiste:
Act as a hostile grant reviewer. Here is the research problem I want to commit
months of work to: [paste it]. Argue the strongest case that it is not worth
doing. Attack it on importance, on feasibility, and on whether it adds anything
new.Después de ejecutarlo, verifica: quédate solo con las objeciones que sobrevivan a tu propio razonamiento. Esto contrarresta el acuerdo complaciente, donde una herramienta elogia tu idea porque tú la propusiste.
Tres llamadas son solo tuyas. Con qué problema te comprometes. Cómo redactas la pregunta, incluidas sus unidades, su resultado y su población. Y el juicio sobre si es importante y genuinamente nueva. Una herramienta puede ensanchar tus opciones y atacar tu elección. No puede hacer la elección, porque solo tú cargas las razones que vas a tener que dar cuando alguien pregunte por qué este problema y no otro.
5.6 Un caso de falla de la IA
Le pides a una herramienta que “convierta mi curiosidad sobre sueño y salud en una pregunta de investigación”. Responde, con total seguridad: “¿La exposición a luz azul antes de dormir reduce el sueño REM en estudiantes universitarios? Los estudios muestran que la luz azul suprime la melatonina”. Suena autorizado, y está mal para ti.
Falla de dos maneras. Primero, cambió tu alcance en silencio. Tú nunca elegiste luz azul ni sueño REM, y sin embargo la pregunta ahora depende de ambos. Eso es un cambio silencioso de alcance, y lo atrapas leyendo las unidades, el resultado y la población de la herramienta contra los que tú te comprometiste. Los tuyos eran pasos y una calificación de sueño, no pantallas y REM. Segundo, la línea de la melatonina se enuncia como hecho zanjado, sin fuente. Antes de repetirla, encuentras y abres tú un estudio real, y si no puedes, la tratas como fabricación confiada y la descartas.
5.7 Ahora te toca a ti
Tus tres curiosidades siguen siendo solo curiosidades. Este paso convierte una de ellas en algo que la evidencia puede responder de verdad.
- Toma la más fuerte de las tres y bájala por el embudo por escrito: curiosidad, tema, problema de investigación, pregunta respondible. Una línea por parada, para que puedas ver dónde se va la vaguedad.
- Debajo de la pregunta, nombra en voz alta sus tres términos cargados: qué es una unidad, qué exactamente registrarías como resultado, y la población por la que se supone que habla la respuesta.
- Puntúala en importancia, viabilidad y contribución, con una oración honesta para cada una. Viabilidad significa el acceso, los datos y el tiempo que de verdad tienes, no los que quisieras tener.
- Escribe un segundo problema candidato a partir de la misma curiosidad y delimítalo de la misma manera. Después elige entre los dos, y escribe una oración sobre por qué perdió el otro.
- Debajo de la pregunta que quedó, escribe tu respuesta esperada en una oración y nombra a una persona o rol real para quien una respuesta distinta sería genuinamente sorprendente. Guarda esa oración; más adelante en el libro pondrás tu evidencia frente a ella.
- Pídele a una IA que ataque tu problema elegido en las tres pruebas, y quédate solo con las objeciones que sobrevivan a tu propio razonamiento.
- Regístralo en tu AI Research Ledger (tu registro de investigación con IA) y verifica tu pregunta con un método con nombre de la Guía de Verificación. El método que encaja aquí es el razonamiento con pares: entrégale la oración única a alguien que no sepa nada de tu proyecto y pídele que te diga, solo a partir de esa oración, qué es una unidad, qué registrarías y de quién trata la respuesta. Si se traba, el término que falta es tu próxima revisión. Una IA revisora puede correr la revisión contigo; la decisión de aceptar o rechazar sigue siendo tuya.