22 Diagnósticos y pruebas negativas
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. Tú decides qué prueba negativa necesita de verdad tu diseño, una verificación apuntada a un lugar donde la respuesta tiene que ser cero, y decides qué te autoriza a decir una aprobación limpia y qué no. Elegir la prueba es la investigación. Correrla es la parte fácil.
22.1 Por qué importa esta decisión
La decisión sobre la mesa: qué verificación apuntada a un cero garantizado corres, y qué te ganas al aprobarla.
“Antes de decirme que el extracto funciona, muéstrame la placa sin extracto. Si el disco en blanco también despejó las bacterias, no descubriste un fármaco. Descubriste que tu solvente es tóxico.” — una asesora de laboratorio de microbiología, sobre la primera placa que pide ver
Un resultado llamativo es lo más fácil del mundo de producir por accidente. Tu procedimiento tiene muchas piezas móviles: cómo manejaste las muestras, cómo mediste, cómo codificaste los grupos. Cualquiera de ellas puede fabricar una señal que no tiene nada que ver con aquello que te propusiste estudiar. Una prueba negativa es como averiguas si tu resultado lo produjo el mundo o tu propio proceso. Sáltatela y puedes pasar meses defendiendo un artefacto.
22.2 El concepto
Una prueba negativa es una verificación que corre tu análisis exacto sobre una situación donde la respuesta verdadera tiene que ser cero, de modo que cualquier señal que devuelva viene de tu procedimiento y no del fenómeno. Ejemplo: medir tu “efecto” en un grupo que no recibió ningún tratamiento. Como ahí la respuesta honesta es cero, una lectura distinta de cero expone una falla en tu maquinaria. Tres miembros de esta familia aparecen en casi cualquier auditoría.
- Prueba de placebo: reemplazas la causa real por una falsa que no puede actuar, y confirmas que el efecto desaparece. Ejemplo: cambias las etiquetas reales de tratamiento y control por el resultado de una moneda al aire, y revisas que la estimación se desplome hacia cero.
- Prueba de falsación: revisas una consecuencia que tiene que ser falsa si tu explicación es correcta, y confirmas que es falsa. Ejemplo: tu compuesto solo puede actuar después de que lo agregas, así que una lectura tomada antes de agregarlo no debería mostrar nada.
- Control negativo: apuntas la misma maquinaria a un resultado que tu causa no podría tocar de ninguna manera. Ejemplo: un antibiótico no debería cambiar el diámetro de la placa de agar, así que una lectura de “placa encogida” significaría que quien habla es la medición, no el fármaco.
Un término se gana su propia línea. Un control de vehículo es el control negativo emparejado con la forma en que entregaste la causa: el portador con el ingrediente activo quitado. Ejemplo: si disolviste tu extracto en etanol, el control de vehículo es un disco empapado solo en etanol. Lo que todas estas pruebas cazan es un artefacto, una señal producida por tu procedimiento y no por aquello que estudias. Ejemplo: un anillo despejado causado por el solvente, no por el extracto.
Junto a ellas está el diagnóstico más barato de la investigación, la verificación dejando uno fuera: elimina cada caso por turno, recalcula y mira si una sola observación está cargando calladamente todo tu hallazgo. Responde una pregunta distinta de la de una prueba negativa. La prueba negativa pregunta si tu procedimiento inventa señal. Dejar uno fuera pregunta si tu resultado descansa sobre un solo punto.
Todas las pruebas negativas comparten un movimiento: apuntar la maquinaria a donde la respuesta tiene que ser cero, y asegurarse de que diga cero. Este es el límite que nunca debes difuminar. Una prueba negativa aprobada descarta un artefacto específico. No prueba que tu efecto sea real, y nunca convierte una correlación en una causa.
22.3 Un ejemplo resuelto
Estás probando si un extracto de una planta medicinal mata una bacteria común. Empapas un pequeño disco de papel en el extracto, lo colocas sobre un césped de bacterias creciendo en una placa de agar, lo incubas durante la noche y a la mañana siguiente mides la zona de inhibición, el anillo despejado donde las bacterias no lograron crecer alrededor del disco. Un anillo ancho parece un efecto antibacteriano real, y es tentador anotarlo.
Antes de hacerlo, corres la prueba negativa. Disolviste el extracto en etanol al 70%, así que tu control de vehículo es un disco empapado solo en etanol al 70%, colocado en una placa idéntica y tratado exactamente igual. Si ese disco deja un césped intacto y sin inhibir, la prueba pasó: el etanol por sí solo no hizo nada, así que el anillo alrededor del disco con extracto no es un artefacto del solvente, y tu efecto sobrevive a una preocupación específica. Si el disco de vehículo genera su propio anillo despejado, la prueba falló. El etanol está matando las bacterias, y ya no puedes distinguir cuánto del anillo del extracto es extracto y cuánto es solvente. El hallazgo es un artefacto hasta que lo rehagas a una concentración menor.
Fíjate en lo que una aprobación limpia todavía no te compra. No te dice que el extracto funcione dentro de un animal vivo, ni qué molécula es la responsable. Descartó un artefacto y nada más, y esa modestia es justamente el punto.
22.4 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 nb10 — Comparte la investigación y ataca el análisis (abrir en Colab), parte del curso de acompañamiento presentado en el apéndice Para docentes. Ahí corres una prueba de placebo sobre una estimación real de encuesta: tiras a la basura la agrupación verdadera, la reemplazas 500 veces por una etiqueta al azar de moneda al aire, y ves cómo las brechas falsas se agrupan muy apretadas en cero mientras el resultado real queda muy afuera de esa nube. Después una verificación dejando uno fuera te muestra si un solo dato está cargando calladamente todo el hallazgo.
22.5 Prompts de IA recomendados
Comprométete primero con tu propia expectativa, y luego delega un trabajo verificable. Espera trabajar en ciclos: proponer, interrogar, refinar, volver a preguntar. Sin embargo, hay un juicio que nunca mejora por volver a preguntar, y es si tu control es genuinamente nulo. Eso lo resuelves una sola vez, desde el mecanismo, y ninguna cantidad de vueltas lo resuelve por ti.
Ubica el control estándar.
Act as a lab-methods assistant. I ran an antibiotic disk-diffusion assay with a
plant extract dissolved in 70% ethanol. Before any advice, name the standard
negative (vehicle) control for this assay and cite a protocol or textbook where it
appears. Only name controls you are confident are standard practice.Después de ejecutarlo, verifica: abre el protocolo citado y confirma que el control es real y estándar antes de usarlo. Contrarresta la fabricación confiada (un control “estándar” inventado llega con la misma seguridad que uno real).
Lista candidatas a prueba negativa, y después verifica cada una.
Here is my analysis: [one-sentence design, your cause, your outcome]. Propose three
negative tests: a placebo label, a falsification outcome measured where the effect
cannot yet exist, and a negative-control outcome my cause could not plausibly affect.
Para cada una, nombra la cantidad que es verdaderamente cero, di qué lectura contaría
como ordinaria con mi tamaño de muestra y cuál sería lo bastante grande como para
preocupar, y di si la comprobación podría detectar un artefacto lo bastante grande
como para importar.Después de ejecutarlo, verifica: para cada prueba, confirma que tu causa genuinamente no puede tocar el control negativo. Un control que tu causa sí puede afectar no es nulo, y falla en silencio. Contrarresta el método plausible pero equivocado (un “control negativo” que en realidad no es cero).
Haz red team (revisión adversaria) a una aprobación limpia.
Here is a negative test I ran and its result: [describe the control and its
near-zero outcome]. Act as a hostile reviewer. Name every reason this test could
read as zero for the WRONG reason: too few samples to detect anything, a control too
weak to carry the artifact, a zero I would have gotten no matter what. Do not reassure me.Después de ejecutarlo, verifica: si solo elogia el resultado limpio, insiste y exige la única forma en que la prueba no informa nada. Contrarresta el acuerdo complaciente (elogios que revisan tu alivio, no tu evidencia).
Tú decides qué prueba negativa necesita de verdad tu diseño, si el control es genuinamente nulo (un lugar al que tu causa realmente no puede llegar) y qué te autoriza a afirmar una aprobación limpia. Una herramienta puede listar controles candidatos, pero solo tú conoces el mecanismo lo suficiente para certificar que tu causa no puede tocar el que elegiste. El juicio de que una prueba negativa aprobada descarta un artefacto sin probar que tu efecto es real sigue siendo tuyo.
22.6 Un caso de falla de la IA
Le pides a una IA que diseñe un control negativo para tu ensayo con base de etanol. Responde, con completa confianza: “usa un disco empapado en agua estéril”. Lo corres, el disco de agua vuelve perfectamente limpio, y la conclusión ordenada se escribe sola: control aprobado, efecto confirmado. Aquí está la trampa. El agua no es el vehículo que usaste. Entregaste el extracto en etanol, así que el artefacto que necesitabas descartar es la toxicidad del etanol, y un disco de agua nunca puede mostrarla. El resultado limpio no descartó absolutamente nada.
Lo detectas con una pregunta que la herramienta nunca se hizo: ¿qué artefacto descarta de verdad este control? Un control de vehículo válido coincide con la forma en que entregaste la causa, solvente por solvente. En el momento en que ves el desajuste cambias el agua por etanol al 70% y corres la prueba que sí puede fallar. Esto es un método plausible pero equivocado: el consejo sonaba a práctica de libro de texto y estaba mal para tu caso.
22.7 Ahora te toca a ti
Tu proyecto tiene una estimación principal con un rango alrededor. Este paso apunta dos verificaciones a lugares donde la respuesta tiene que ser cero, para que averigües si tu resultado lo produjo el mundo o tu propio proceso.
- Nombra el artefacto que más te asusta: la única forma en que tu procedimiento, y no tu objeto de estudio, podría haber fabricado tu resultado. Una oración, escrita antes de salir a buscar.
- Elige la prueba negativa que podría atraparlo, sea una etiqueta de placebo, un resultado de falsación medido donde el efecto todavía no puede existir, o un control negativo que tu causa no podría tocar de ninguna manera. Después confirma que el control es genuinamente nulo. Si tu causa puede alcanzarlo, no es una prueba negativa y va a fallar en silencio.
- Escribe el cero exacto que esperas antes de correr nada, y comprométete a reportar el resultado caiga como caiga.
- Corre un diagnóstico al lado. Dejar uno fuera es el más barato: elimina cada caso por turno, recalcula y averigua si una sola observación está cargando tu hallazgo.
- Registra qué obtuviste frente a qué predijiste, y si la estimación se movió, di cuánto. Después escribe tu límite en una línea: el artefacto que descarta esta aprobación, y la afirmación causal o general que aun así no establece.
- Registra ambas pruebas en tu AI Research Ledger (registro de investigación con IA), y verifica al menos una salida con un método nombrado de la Guía de Verificación. La simulación es la herramienta correcta para una prueba negativa: construye a mano un conjunto de datos donde no exista ningún efecto, corre sobre él la maquinaria de tu prueba y confirma que devuelve cero con datos de nulidad conocida antes de confiar en el cero que devolvió con los tuyos. Una IA revisora puede hacer la comprobación contigo; la decisión de aceptar o rechazar es tuya.