17 Procedencia y calidad de los datos
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. Para cada número, conjunto de datos y fuente en que se apoya tu proyecto, decide si es lo bastante sólido como para construir encima. Tomas esa decisión dos veces: una sobre de dónde salió el valor y por qué manos pasó, su procedencia, y otra sobre si se produjo lo bastante bien, bajo la definición correcta, para el uso específico que tienes en mente, su calidad.
17.1 Por qué importa esta decisión
La decisión sobre la mesa: si un número que no produjiste tú es lo bastante sólido como para cargar el peso de tu proyecto.
Imagina a quien dirige tu proyecto, la persona investigadora que al final le dará el visto bueno, leyendo el primer borrador de tu sección de antecedentes:
“Escribiste que la participación electoral en este condado fue del 72 por ciento. ¿De dónde salió eso? No de qué sitio web lo copiaste. ¿Quién contó las boletas, y 72 por ciento de qué? ¿De las personas registradas, de las personas adultas, de las personas adultas realmente habilitadas para votar? Tráeme la oficina que certificó el conteo, o quita el número.”
Un valor sin origen rastreable es un rumor con punto decimal. Precisión no es lo mismo que confianza. Este capítulo te entrena a dejar de tratar un número o una cita como verdaderos porque llegaron con aspecto ordenado, y a hacerle dos preguntas a todo lo que tomes prestado: de dónde vino, y si sirve para lo que lo necesito.
17.2 El concepto
La procedencia de los datos es el origen documentado de un valor y cada mano por la que pasó antes de llegar a ti. Ejemplo: una cifra de participación electoral en una nota de prensa, rastreada hacia atrás por una tabla resumen estatal hasta la oficina electoral del condado que certificó el conteo.
Esa cadena tiene dos tipos de eslabones. Una fuente primaria es el registro original donde un valor se produjo por primera vez. Ejemplo: el escrutinio certificado del condado, el documento oficial que reporta los totales finales de votos. Una fuente secundaria vuelve a reportar un valor que no produjo. Ejemplo: la tabla de un periódico, una entrada de enciclopedia o un agregador de datos que copia el número del condado. Un valor es tan confiable como la fuente primaria que está al final de su cadena.
La calidad de los datos es si un valor sirve para tu uso específico: si es real, si lo produjo un método que puedes nombrar y si está definido como tu pregunta lo necesita. Ejemplo: una tasa de participación calculada sobre las personas registradas es de alta calidad para una pregunta sobre si quienes se registraron acudieron a votar, y es el número equivocado para una pregunta sobre qué parte de la población adulta participa. Un valor mal caracterizado es un número real pegado a la definición o al método equivocados. Ejemplo: la participación autorreportada de una encuesta presentada como un conteo oficial, o una tasa sobre personas registradas citada como si cubriera a todas las personas habilitadas.
Los conjuntos de datos completos cargan las mismas dos preguntas, columna por columna. ¿Quién produjo esta variable, quién la limpió, qué dejó fuera, y la definición detrás de la columna coincide con la de tu pregunta? Un archivo que aterriza en tu carpeta sin respuestas a esas preguntas todavía no es un dato. Es un rumor en una hoja de cálculo.
Todo eso lo zanjas con un solo hábito, el ciclo de recuperación y verificación: Pide a una herramienta que saque a la luz un valor y su fuente, Recupera la fuente primaria por tu cuenta, Verifica que existe y que reporta ese valor bajo esa definición, y Documenta dónde lo encontraste. Una cita que no has abierto es una pista, no una fuente, por muy segura que estuviera la herramienta que te la entregó.
17.3 Un ejemplo resuelto
Supón que estudias si una reforma electoral local cambió la participación, y necesitas un número para anclar tu sección de antecedentes: la participación de cierto condado en una elección presidencial reciente. Le preguntas a una asistente de IA y tienes respuesta en un segundo. Setenta y dos por ciento, con una fuente que se ve completamente real.
En vez de copiar el número, corres el ciclo. Primero, la procedencia. Buscas el título exacto de la fuente. Si no resuelve en ninguna parte, el valor quedó huérfano y lo descartas. Si la página es real, preguntas si ella produjo ese número o solo lo republicó. Esa pregunta suele mandarte un enlace más atrás, al resumen oficial de resultados del estado, y detrás de eso al escrutinio certificado de la oficina electoral del condado, que es donde los totales se fijaron de verdad.
Luego, la calidad. Abres el escrutinio y lees de qué es el porcentaje. ¿El denominador son las personas registradas, todas las personas adultas, o las personas adultas habilitadas para votar, lo que excluye a quienes no tienen la ciudadanía y, en algunos estados, a personas con ciertas condenas? Esos tres denominadores producen tres números de participación distintos para la misma elección, y las diferencias entre ellos no son pequeñas. También preguntas si la cifra se contó o se estimó. Las boletas emitidas se cuentan. Los denominadores de población habilitada se estiman a partir de datos censales. La participación de encuesta es autorreportada, y la gente sobredeclara de manera confiable si votó, así que es un tercer tipo de número.
Contrastas con una fuente independiente que documente sus propios métodos. Dos que vale la pena conocer: el United States Elections Project, que publica estimaciones de participación sobre la población habilitada para votar y explica exactamente cómo construye el denominador, y el Current Population Survey Voting and Registration Supplement de la Oficina del Censo de Estados Unidos, que reporta participación autorreportada a partir de una encuesta nacional grande. Cuando el escrutinio certificado y una referencia independiente coinciden en el conteo y en la definición, el número se ganó un lugar en tu proyecto. Cuando no coinciden, el desacuerdo es el hallazgo. Reportas ambos, nombras la definición detrás de cada uno y dices cuál necesita tu pregunta y por qué.
17.4 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 nb03 — Research builds on research: verified evidence + real gaps (la investigación se construye sobre la investigación: evidencia verificada y vacíos reales) (abrir en Colab), parte del curso de acompañamiento presentado en el apéndice Para docentes. En el laboratorio corres el ciclo de recuperación y verificación sobre una afirmación de tu propio proyecto, ves cómo un montón ordenado de citas sugeridas por IA se reduce a las pocas que sobreviven a la recuperación, y sigues cadenas de citas hacia atrás y hacia adelante hasta armar un mapa de evidencia cuyo único casillero vacío es un vacío que puedes defender, porque cada fuente a su alrededor es una que abriste tú.
17.5 Prompts de IA recomendados
Cada prompt es de compromiso primero: escribe el valor o la fuente que ya crees, y solo después deja que la herramienta contradiga algo tuyo. Trata cada uno como el inicio de un bucle de IA, el ciclo prompt → respuesta → interrogación → refinamiento → nueva ejecución, y no como un pedido único. La primera respuesta te da pistas; tu segundo mensaje nombra la pista que no sobrevivió a la recuperación y vuelve a preguntar. Las herramientas que corren el bucle de búsqueda por su cuenta te entregarán una lista de fuentes más larga y más ordenada. Más larga y más ordenada no significa abierta, y abrirlas sigue siendo tu trabajo.
Localiza la fuente primaria (delegable).
Act as a research-data assistant. I have this figure: [paste the value, the place,
the year, and how it is expressed]. Name the primary source that FIRST reported it,
with the issuing body, the exact document title, the year, and the definition used,
including what the denominator is. Only list sources you are confident exist, mark
anything uncertain, and say for each whether it is the original record or a
re-report.Después de ejecutarlo, verifica (contrarresta la fabricación confiada): abre cada fuente por tu cuenta antes de confiar en ella; una fuente que no puedes recuperar está inventada hasta que se abra.
Convierte números prestados en una tabla de procedencia (delegable).
Here are five numbers my project borrows: [paste them]. For each, return a row with
the value, its exact definition (which population, which time window, which
denominator), the primary source, and whether the value was counted, estimated, or
self-reported. Return it as a table so I can audit each row on its own.Después de ejecutarlo, verifica (contrarresta el cambio silencioso de alcance): lee la definición de cada fila contra la definición que tu pregunta necesita de verdad; un número construido sobre otra población te puede llegar como si fuera el tuyo.
Haz red team al número que te gusta (delegable).
I plan to build on this figure: [paste value and source]. Act as a hostile reviewer
and argue it is unreliable for a claim about [your population and time window]:
wrong denominator, self-reported rather than counted, or copied through a chain of
summaries. Do not reassure me.Después de ejecutarlo, verifica (contrarresta el acuerdo complaciente): si la revisión solo elogia tu número, insiste, y luego lleva su objeción más fuerte a la fuente primaria o a alguien que conozca los datos mejor que tú, en vez de confiar en una aprobación fácil.
Tres decisiones siguen siendo tuyas. Si un valor cuenta como verificado lo zanja una fuente que abriste tú, no la seguridad de la herramienta. Si su definición encaja con tu uso es un juicio sobre tu pregunta específica, y ninguna búsqueda lo hace por ti. Y cuánta incertidumbre reportas cuando tus fuentes no coinciden es tuyo de enunciar y defender, porque tu nombre va en la afirmación que ese número sostiene.
17.6 Un caso de falla de la IA
Pides la participación de un condado y la herramienta devuelve “72 por ciento”, con una cita a una página electoral estatal real. Siete detalles se ven bien, así que tienta pegarlo directo. En vez de eso abres la página, y el encabezado de la tabla dice porcentaje de personas registradas, no porcentaje de todas las personas habilitadas. El número es real. El denominador es el equivocado para tu pregunta, y la herramienta lo cambió en silencio. Lo detectas de dos maneras. Habías escrito primero tu propia expectativa, así que una cifra bastante por encima de lo que sabías sobre la participación en ese condado ya se veía sospechosa. Luego lees el encabezado real de la columna en vez del resumen que hizo la herramienta, y el desajuste queda a la vista. El valor entra en tus notas como una tasa sobre personas registradas, y tu pregunta original sigue abierta.
17.7 Ahora te toca a ti
Tu diseño está resuelto y tus mediciones vienen después. Antes de que se pueda confiar en cualquiera de los dos, este paso fija de dónde salieron de verdad tus datos.
- Enumera cada conjunto de datos, tabla y número prestado que usa tu proyecto. Incluye los que te pasó alguien del equipo y los que descargaste hace meses y dejaste de pensar.
- Para cada uno, escribe cuatro cosas: quién lo produjo, cuándo, a partir de qué registro original y por qué manos pasó en el camino hacia ti. Donde falte un eslabón de esa cadena, escribe “desconocido” en vez de adivinar. Desconocido es un hallazgo.
- Abre la fuente primaria detrás de la entrada en la que más se apoya tu afirmación principal. Lee la línea que reporta el valor y la línea que lo define, no un resumen de ninguna de las dos.
- Junto a cada entrada, escribe su definición con tus propias palabras y marca si coincide con la definición que tu pregunta necesita. Todo lo marcado con “no” se descarta o se reporta con el desajuste dicho en voz alta.
- Guarda el registro como un archivo que viaje con tu proyecto, y anota la fecha en que recuperaste cada fuente. Las fuentes se revisan, y la fecha de recuperación es lo que le permite a quien te lea saber si está mirando tu versión.
- Registra el paso en tu AI Research Ledger (registro de investigación con IA) y verifica al menos una entrada con un método nombrado de la Guía de Verificación. La lectura de la fuente primaria es el método sobre el que está construido este capítulo, y cualquier número prestado que llegue a tu reporte final merece un segundo: una comparación con una referencia independiente. Una IA revisora puede hacer la comprobación contigo; la decisión de aceptar o rechazar es tuya.