La investigación científica es el proceso sistemático, empírico y crítico mediante el cual se generan nuevos conocimientos o se validan los existentes. A diferencia de la observación casual, este método sigue una estructura rigurosa para minimizar errores y sesgos, permitiendo que la comunidad académica verifique los hallazgos.
Este proceso es la columna vertebral del avance tecnológico y social. Desde el descubrimiento de la penicilina hasta el desarrollo de algoritmos de inteligencia artificial, la investigación científica transforma preguntas inciertas en datos medibles y teorías robustas.
Definición y concepto
La investigación científica no es simplemente mirar; es un proceso estructurado para reducir la incertidumbre. A diferencia de la observación casual, que puede ser subjetiva y fragmentada, la investigación científica implica un sistema de recolección, análisis y validación de datos bajo condiciones controladas. Este enfoque permite distinguir entre una correlación accidental y una relación causal, transformando la experiencia en conocimiento verificable. La clave no está solo en ver, sino en saber qué se está mirando y por qué.
Sistematización frente a la observación
La mera observación registra fenómenos, pero la investigación científica los contextualiza dentro de un marco teórico. Este proceso requiere hipótesis preliminares que guíen la recolección de datos, evitando que la información sea infinita pero inútil. La sistematización implica definir variables, establecer controles y aplicar criterios de reproducibilidad. Sin estos elementos, un hallazgo sigue siendo una anécdota. La ciencia exige que otro investigador, siguiendo los mismos pasos, pueda obtener resultados similares. Esta reproducibilidad es el filtro que separa el dato científico del ruido informativo.
Investigación básica y aplicada
El conocimiento científico se divide funcionalmente en dos grandes ramas, aunque a menudo se solapan. La investigación básica busca comprender los mecanismos fundamentales de la realidad, a veces con poca utilidad inmediata. Su motor es la curiosidad y la necesidad de explicar el "porqué". Un ejemplo clásico es el descubrimiento del electrón; durante décadas fue un hallazgo teórico que no transformó la vida diaria hasta que se integró en tecnologías posteriores.
La investigación aplicada, por su parte, toma esos hallazgos y los dirige hacia la resolución de problemas concretos. Su objetivo es la utilidad práctica: crear una vacuna, optimizar un motor o mejorar un cultivo. Ambas son esenciales. Sin la básica, la aplicada se estanca en soluciones empíricas; sin la aplicada, la básica corre el riesgo de volverse una torre de marfil desconectada de la sociedad. La integración de ambas permite que el conocimiento fluya desde el laboratorio hasta la mesa del paciente o la fábrica.
Dato curioso: El láser fue considerado durante años como "una solución en busca de un problema". Fue un hallazgo de investigación básica (la emisión estimulada) que tardó décadas en convertirse en una herramienta aplicada fundamental en medicina y telecomunicaciones.
Integración en el método científico
La investigación se integra en el método científico como un ciclo iterativo, no como una línea recta. Comienza con la observación, pero rápidamente avanza hacia la formulación de hipótesis cuantificables. Aquí es donde la precisión matemática se vuelve crucial. Las hipótesis deben ser falsables, es decir, deben poder demostrarse como verdaderas o falsas mediante la evidencia. Esto evita que el conocimiento se estancue en la opinión.
La validación de estas hipótesis a menudo depende de la estadística para distinguir la señal del ruido. Por ejemplo, al evaluar si un nuevo fármaco es efectivo, no basta con que funcione en algunos pacientes; se necesita determinar si la probabilidad de que el resultado sea debido al azar es baja. Esto se expresa mediante el valor p, donde una probabilidad menor a 0.05 sugiere que el resultado es estadísticamente significativo. La fórmula para calcular la probabilidad en un evento simple es:
Historia
El método científico no siempre fue el estándar. Durante siglos, la explicación del mundo dependió de la lógica deductiva y la autoridad de los textos. Aristóteles estableció que el conocimiento provenía de la observación sensible organizada por la razón. Este enfoque funcionó bien para la biología y la física cualitativa, pero carecía de un mecanismo robusto para corregir errores sistemáticos. La verdad se medía por su coherencia lógica, no necesariamente por su repetibilidad experimental.
La ruptura llegó con la Revolución Científica. Nicolás Copérnico desafió la geocentrismo, pero fue la sistematización del método lo que consolidó el cambio. Francisco Bacon promovió el empirismo, donde la experiencia sensorial y la experimentación controlada validan las hipótesis. Isaac Newton unificó estas ideas al combinar la matemática con la observación. La ley de gravitación universal demostró que las fuerzas invisibles podían cuantificarse con precisión. Esto transformó la ciencia de una filosofía natural a una herramienta predictiva potente.
La institucionalización fue clave para sostener este nuevo modelo. En el siglo XVII, surgieron las primeras academias para dar legitimidad social al saber. La Royal Society de Londres y la Academia de Ciencias de París crearon redes de correspondencia y revistas especializadas. Los científicos dejaron de ser eruditos aislados para convertirse en pares evaluados por otros expertos. La palabra "experimento" ganó peso sobre la "demonstración".
Dato curioso: La palabra "hipótesis" proviene del griego y significaba literalmente "colocar debajo". En la ciencia antigua, era una base temporal, a menudo desechable, sobre la que se construía la teoría. Hoy es el corazón del método científico moderno.
El siglo XX trajo una escala sin precedentes: la "Gran Ciencia". La investigación dejó de ser un oficio de individuos para convertirse en una empresa colectiva. El proyecto Manhattan para desarrollar la bomba atómica requirió la convergencia de físicos, ingenieros y químicos en laboratorios inmensos. La financiación estatal y la tecnología costosa definieron esta etapa. El modelo cambió de la curiosidad individual a la necesidad estratégica y tecnológica.
Esta evolución muestra un tránsito claro. Pasamos de la intuición filosófica a la validación empírica, y de ahí a la colaboración masiva. Cada etapa resolvió limitaciones de la anterior, pero introdujo nuevas complejades. La ciencia moderna depende tanto de la estructura institucional como de la calidad de los datos. La historia del método es la historia de cómo los humanos aprendieron a dudar de su propia certeza.
¿Cómo se estructura el ciclo de vida de un proyecto de investigación?
La investigación científica no sigue una línea recta ininterrumpida, sino que se organiza en un ciclo de fases interconectadas. Este proceso estructurado permite transformar una incógnita inicial en un conocimiento validado. Cada etapa requiere planificación rigurosa y gestión del tiempo, ya que un retraso en el diseño metodológico suele afectar directamente la calidad de los datos recolectados. La consecuencia es directa: sin estructura, el proyecto pierde coherencia.
Definición del problema y revisión previa
Todo proyecto comienza con la delimitación clara de la pregunta de investigación. No basta con observar un fenómeno; es necesario formular hipótesis comprobables. Antes de lanzarse al campo o al laboratorio, se realiza una revisión de la literatura. Este paso evita la redundancia y sitúa el estudio dentro del contexto académico actual. Los estudiantes suelen subestimar esta fase, dedicándole apenas una semana cuando debería ser la base de todo el trabajo.
Dato curioso: En las ciencias sociales, la revisión sistemática puede consumir hasta el 30% del tiempo total del proyecto, más que la propia recolección de datos.
Diseño metodológico y recolección de datos
Una vez definida la hipótesis, se diseña la metodología. Aquí se decide si el enfoque será cuantitativo, cualitativo o mixto. La elección de la muestra es crítica. En estudios estadísticos, el tamaño de la muestra n debe calcularse para asegurar la potencia estadística. Una fórmula básica para estimar el tamaño de muestra en proporciones, cuando se asume una distribución normal, involucra el nivel de confianza y el error estándar:
Donde Z representa el valor crítico de la distribución normal, p es la proporción esperada y e es el margen de error. Calcular esto antes de recolectar datos ahorra recursos y evita el sesgo de selección. La recolección de datos debe seguir un protocolo estricto para garantizar la reproducibilidad.
Análisis, difusión y gestión del tiempo
El análisis de datos transforma la información cruda en evidencia. Se utilizan herramientas estadísticas o técnicas de codificación para probar las hipótesis iniciales. Finalmente, la difusión permite que el conocimiento salga del laboratorio. Esto incluye artículos en revistas, tesis o presentaciones en congresos. La gestión del tiempo es vital en todas estas etapas. Un error común es dejar la redacción para el final, cuando la mente está más cansada. La planificación anticipada permite ajustar plazos y responder a imprevistos sin colapsar el cronograma general.
¿Cuáles son los principales tipos de diseño de investigación?
Clasificación por propósito
La naturaleza de la pregunta de investigación determina el diseño más adecuado. Los diseños exploratorios se utilizan cuando el fenómeno es poco conocido, buscando familiarizarse con él mediante revisiones bibliográficas o estudios piloto. No pretenden medir con precisión, sino generar hipótesis.
Los diseños descriptivos van un paso más allá, detallando las características de una población o fenómeno sin alterar sus condiciones. El censo poblacional es un ejemplo clásico: registra datos sin interferir. Los diseños correlacionales analizan la relación entre dos o más variables, preguntándose si cambian juntas. Sin embargo, la correlación no implica necesariamente causalidad directa.
Los diseños explicativos buscan establecer relaciones causa-efecto. Aquí, el investigador intenta determinar por qué ocurren los hechos, a menudo manipulando variables para observar los resultados. Este nivel de profundidad requiere un control riguroso del entorno y de los sujetos estudiados.
Control de variables y experimentalidad
La distinción entre diseños experimentales y no experimentales radica en el grado de control que ejerce el investigador sobre las variables independientes. En los diseños experimentales, hay una manipulación activa de la variable independiente y un control estricto de las variables extrañas. El ejemplo canónico es el ensayo clínico aleatorizado.
Dato curioso: El diseño experimental moderno debe mucho a Ronald Fisher, quien introdujo la aleatorización en la agricultura a principios del siglo XX para separar el efecto del abono de la fertilidad natural del suelo.
Los diseños cuasi-experimentales comparten la manipulación de la variable independiente, pero carecen de la aleatorización perfecta de los sujetos. Son comunes en ciencias sociales donde dividir grupos al azar resulta difícil. Los diseños no experimentales, por su parte, observan el fenómeno tal como ocurre en su contexto natural, sin intervención directa del investigador.
Comparativa de ventajas y desventajas
La elección del diseño implica siempre un compromiso entre el control interno y la validez externa. Ningún diseño es perfecto; cada uno sacrifica algo para ganar en otro aspecto.
| Tipo de Diseño | Ventajas Principales | Desventajas Principales |
|---|---|---|
| Experimental | Alto control de variables; fuerte validez interna; capacidad de inferir causalidad. | Puede ser artificial; la aleatorización a veces es costosa o difícil de lograr. |
| Cuasi-experimental | Más flexible que el experimental; útil cuando la aleatorización perfecta es difícil. | Menor control sobre variables extrañas; la validez interna puede ser menor. |
| No Experimental | Alta validez externa (naturalidad); útil para fenómenos difíciles de manipular. | Bajo control de variables; la inferencia de causalidad es más débil. |
La consecuencia es directa: si buscas probar una hipótesis causal estricta, el diseño experimental suele ser el rey. Si buscas entender un fenómeno en su contexto real, los diseños no experimentales ofrecen riqueza de detalle que los laboratorios a veces pierden. La clave está en alinear el diseño con la pregunta específica que se intenta responder.
Gestión de datos y reproducibilidad
La crisis de reproducibilidad
La ciencia moderna enfrenta un desafío estructural conocido como la crisis de reproducibilidad. Diversos estudios han revelado que una proporción significativa de hallazgos publicados, especialmente en psicología y biomedicina, resulta difícil de replicar exactamente por otros equipos de investigación. Este fenómeno no invalida todo el conocimiento acumulado, pero sí señala fallos sistemáticos en cómo se recogen, analizan y reportan los datos. La consecuencia es directa: si un resultado no puede ser verificado, su valor como hecho científico disminuye drásticamente.
Debate actual: ¿Es la crisis de reproducibilidad un problema de metodología estadística, de incentivos académicos o de transparencia de datos? La respuesta varía según la disciplina, pero el consenso apunta a una combinación de los tres factores.
Un factor crítico es la selección de muestras pequeñas y el uso excesivo del valor p (probabilidad de obtener un resultado tan extremo como el observado, asumiendo que la hipótesis nula es cierta). Cuando los investigadores buscan significancia estadística sin ajustar adecuadamente las variables, aumentan el riesgo de falsos positivos. Esto lleva a publicar descubrimientos que, al ser sometidos a una prueba más rigurosa, desaparecen o se reducen en magnitud.
Principios FAIR y gestión de datos
Para mitigar estos problemas, la comunidad científica ha adoptado los principios FAIR (Findable, Accessible, Interoperable, Reusable; en español: Encontrables, Accesibles, Interoperables y Reutilizables). Estos criterios no exigen necesariamente que todos los datos sean "abiertos" al público general, sino que estén organizados de manera que cualquier investigador pueda localizarlos y utilizarlos eficientemente.
La implementación de estos principios implica asignar identificadores únicos a los conjuntos de datos, como los DOI (Digital Object Identifier). Esto permite citar los datos con la misma precisión que un artículo de revista. Además, los metadatos deben ser ricos y estandarizados para que las máquinas y los humanos puedan interpretar el contexto sin ambigüedades. Un dato sin contexto es a menudo inútil; saber qué instrumento se usó, en qué fecha y bajo qué condiciones es tan importante como el número en sí.
Repositorios y flujos de trabajo
Los repositorios digitales han surgido como la columna vertebral de esta nueva transparencia. Plataformas especializadas permiten almacenar desde secuencias genómicas hasta encuestas sociales, garantizando su conservación a largo plazo. Sin embargo, el almacenamiento por sí solo no garantiza la reproducibilidad. Es crucial documentar el flujo de trabajo completo, es decir, las etapas desde la recolección de la materia prima hasta el resultado final.
La documentación del flujo de trabajo incluye el código de análisis, los parámetros de los instrumentos y las decisiones tomadas durante el proceso. Herramientas de control de versiones, como Git, ayudan a rastrear cada cambio realizado en los archivos. Cuando otro investigador intenta replicar el estudio, debe poder seguir estos pasos y obtener un resultado similar. Si el código no es legible o los datos están dispersos en correos electrónicos, la transparencia se rompe.
La adopción de estas prácticas requiere esfuerzo inicial, pero reduce la incertidumbre a largo plazo. La ciencia deja de ser una colección de resultados aislados para convertirse en un proceso verificable y acumulativo. La transparencia no es solo una virtud ética, sino una herramienta práctica para avanzar con mayor seguridad en el conocimiento.
Ética y gobernanza en la investigación
La integridad de los hallazgos científicos depende tanto de la metodología como de la conducta de quienes la ejecutan. La ética en la investigación no es un adorno administrativo, sino el mecanismo que garantiza que el beneficio del conocimiento supere el costo para el sujeto estudiado. Sin controles rigurosos, la autoridad del investigador puede convertirse en una fuerza abismal frente a la vulnerabilidad del participante.
Los pilares del consentimiento y la relación investigador-sujeto
El consentimiento informado es la piedra angular de la relación entre el investigador y el sujeto. No basta con firmar un papel; el sujeto debe comprender los riesgos, los beneficios y el derecho a retirarse sin penalización. Este principio surgió como respuesta directa a abusos históricos donde la autonomía del paciente era secundaria a la necesidad de datos.
Dato histórico: El caso de Henrietta Lacks, cuyas células (las célebres líneas celulares HeLa) fueron extraídas en 1951 sin su conocimiento directo, reveló las grietas del anonimato. Su familia vivió décadas en la sombra mientras la industria farmacéutica generaba millones. Este caso transformó la noción de propiedad biológica.
El anonimato y la confidencialidad protegen la privacidad, pero en la era de los grandes datos, el "anonimato puro" se vuelve un reto técnico. Los investigadores deben asegurar que los metadatos no permitan la reidentificación del sujeto. La relación debe ser de confianza recíproca, no de dominación jerárquica.
Comités de revisión y normativa actual
Los Comités de Revisión Ética (o Comités de Ética de la Investigación) actúan como filtros independientes. Evalúan si la carga del sujeto es proporcional al beneficio esperado. Su función es crucial para evitar sesgos institucionales que prioricen la velocidad sobre la calidad humana.
En 2026, la normativa sobre autoría y conflictos de intereses es más estricta que nunca. Se exige transparencia total sobre el financiamiento. Si una farmacéutica financia un ensayo clínico, ese dato debe ser visible antes de leer la conclusión. La autoría ya no se concede solo por "quien más trabajó", sino por contribución intelectual verificable, combatiendo así la autoría de regalo o la autoría de agradecimiento excesivo.
La consecuencia de ignorar estos estándares es la retracción masiva de artículos y la pérdida de credibilidad pública. La ciencia se explica a sí misma mediante la transparencia. Un hallazgo oculta sus sombras si no se iluminan los conflictos de interés desde el inicio del estudio.
Ejercicios resueltos
Diseño experimental: Eficacia de un fertilizante
El método experimental requiere aislar variables para establecer causalidad. Supongamos que deseamos probar si el fertilizante "VerdeX" aumenta el crecimiento de plantas de tomate en comparación con el cultivo tradicional.
La variable independiente es la que manipulamos: la aplicación de VerdeX. La variable dependiente es el resultado medido: la altura de la planta en centímetros tras 30 días. Las variables de control son factores mantenidos constantes, como la cantidad de agua, la exposición solar y el tipo de suelo.
Debate actual: En la práctica, controlar todas las variables es difícil. Los investigadores suelen usar la aleatorización para minimizar el efecto de factores ocultos, como la genética individual de cada planta.
Para el diseño, dividimos 60 plantas en dos grupos de 30. El grupo experimental recibe 5g de VerdeX semanalmente; el grupo de control recibe 5g de un fertilizante estándar. Tras un mes, medimos la altura media de cada grupo.
Si el grupo experimental mide en promedio 45 cm y el de control 40 cm, calculamos la diferencia absoluta. La fórmula para el porcentaje de aumento relativo es:
Sustituyendo los valores hipotéticos:
Este cálculo muestra un incremento del 12.5%. Sin embargo, la significancia estadística dependería de la desviación estándar de cada grupo, no solo de la media. Un diseño riguroso evita sesgos al usar un doble ciego, donde quien mide no sabe qué planta recibió el tratamiento.
Investigación cualitativa: Hábitos de lectura
Los estudios cualitativos exploran el "porqué" detrás de los datos. Planificaremos una investigación sobre cómo los adolescentes eligen sus lecturas en la era digital. El objetivo no es cuantificar, sino comprender las motivaciones.
La muestra debe ser intencional. Seleccionamos 15 estudiantes de secundaria de tres niveles socioeconómicos distintos. Este tamaño permite la saturación teórica, punto en el que nuevas entrevistas no aportan conceptos nuevos.
El instrumento principal será la entrevista semiestructurada. Esto combina preguntas fijas, como "¿Qué libro leíste el último mes?", con preguntas abiertas, como "¿Qué te impulsó a elegir esa portada?". Esta flexibilidad permite al entrevistado profundizar en detalles inesperados.
El método de análisis será la codificación temática. Primero, transcribimos las entrevistas. Luego, leemos los textos para identificar etiquetas iniciales (códigos). Por ejemplo, frases como "lo vi en TikTok" o "me recomendó mi amigo" podrían agruparse bajo el código "Influencia social".
Posteriormente, agrupamos los códigos en temas mayores. Podríamos encontrar un tema central llamado "La lectura como estatus social". Este proceso es iterativo; el investigador vuelve a los datos para verificar si las categorías explican bien la realidad observada.
La validez en este enfoque depende de la triangulación. Cruzamos los datos de las entrevistas con la observación directa en la biblioteca escolar. Si los adolescentes dicen leer mucho ficción, pero en la biblioteca pasan más tiempo en la sección de cómics, hay una discrepancia que merece análisis.
La conclusión no es una cifra, sino una narrativa explicativa. Por ejemplo, podríamos determinar que la elección de lectura está menos ligada al contenido literario que a la identidad de grupo entre pares. Este matiz es difícil de capturar solo con encuestas cerradas.
Estos ejercicios ilustran que la ciencia no es un solo camino. El experimento busca control y generalización; la cualitativa busca profundidad y contexto. Ambos son válidos según la pregunta de investigación.
Aplicaciones y ejemplos prácticos
La investigación científica trasciende el laboratorio para convertirse en el motor de la innovación aplicada. Su impacto se mide por la capacidad de traducir hallazgos teóricos en soluciones tangentes a problemas humanos complejos. Este proceso requiere una integración fluida entre disciplinas que, históricamente, parecían independientes.
Avances médicos: el caso de las vacunas de ARNm
El desarrollo de las vacunas basadas en el ARN mensajero (ARNm) ilustra la velocidad con que puede evolucionar la ciencia cuando convergen la biología molecular y la ingeniería. A diferencia de las vacunas tradicionales que introducen toda la proteína del virus, estas utilizan una instrucción genética específica. El cuerpo lee esta instrucción y produce la proteína antigénica, activando así el sistema inmunológico. Este enfoque permitió una adaptación rápida ante nuevas variantes virales, demostrando la flexibilidad de la plataforma tecnológica.
Dato curioso: Aunque el ARNm fue descubierto en los años 50, su aplicación práctica en vacunas se debió en gran parte a décadas de investigación sobre la estabilidad del ácido ribonúcleico, específicamente el uso de lípidos nanoencapsulados para protegerlo de la degradación celular.
Optimización logística con datos masivos
En el sector empresarial, la investigación en ciencia de datos ha transformado la gestión de cadenas de suministro. Los algoritmos analizan flujos de información en tiempo real para predecir demandas y ajustar inventarios. Esta optimización reduce el desperdicio y mejora la eficiencia energética del transporte. La modelización matemática permite simular escenarios complejos antes de implementar cambios físicos costosos.
La función de costo en estos modelos a menudo busca minimizar la suma de los costos fijos y variables en función del tiempo y la cantidad. Una representación simplificada de la optimización de inventario puede verse como:
Donde es el costo total, la demanda anual, la cantidad por lote, el costo de pedido y el costo de almacenamiento. Esta ecuación, conocida como el modelo de cantidad económica de pedido, es fundamental para la logística moderna.
Políticas públicas basadas en evidencia
La toma de decisiones gubernamentales ha incorporado cada vez más el método científico para evaluar la eficacia de las intervenciones sociales. En lugar de depender únicamente de la intuición política, los gestores utilizan ensayos controlados aleatorios y análisis estadísticos para medir el impacto real de una ley o programa. Esto permite ajustar recursos hacia las estrategias con mayor retorno social. La transparencia en los datos abiertos facilita la revisión por pares de las políticas implementadas, reduciendo la subjetividad en la administración pública.
La necesidad de la interdisciplinariedad
Los desafíos actuales, como el cambio climático o la salud global, rara vez pertenecen a una sola disciplina. Resolverlos exige la colaboración entre biólogos, economistas, ingenieros y científicos sociales. Esta sinergia permite abordar problemas desde múltiples ángulos, integrando variables que de otro modo quedarían ocultas. La investigación interdisciplinaria genera soluciones más robustas y adaptables a la complejidad del mundo real.
Preguntas frecuentes
¿Cuál es la diferencia entre hipótesis y teoría?
Una hipótesis es una explicación provisional y específica que se pone a prueba (por ejemplo, "esta planta crece más rápido con luz azul"). Una teoría es una explicación amplia y ampliamente aceptada respaldada por múltiples líneas de evidencia (como la teoría de la evolución por selección natural).
¿Es necesaria la estadística en toda investigación?
No siempre, pero en la mayoría de los estudios cuantitativos sí. La estadística permite distinguir entre el "ruido" (datos aleatorios) y la "señal" (tendencias reales). En estudios cualitativos profundos, a veces basta con el análisis temático, aunque la estadística ayuda a generalizar resultados.
¿Qué significa que un estudio sea "reproducible"?
Significa que otro investigador, siguiendo exactamente los mismos pasos y usando los mismos datos, obtendría resultados similares. La reproducibilidad es la principal herramienta para detectar errores y fraudes en la ciencia moderna.
¿Puede un solo experimento probar una hipótesis?
Rara vez. Un solo experimento puede apoyar una hipótesis, pero para que se considere sólida, debe ser replicada por diferentes equipos en distintos contextos. La ciencia avanza mediante la acumulación de evidencias, no mediante el golpe de gracia único.
¿Qué es el método científico?
Es un conjunto de pasos lógicos: observación, pregunta, hipótesis, experimentación, análisis de datos y conclusión. No es una receta fija, sino un ciclo iterativo donde cada conclusión genera nuevas preguntas.
Resumen
La investigación científica es un método estructurado para reducir la incertidumbre mediante la recolección y análisis de evidencia. Su fuerza radica en la transparencia, la revisión por pares y la capacidad de autocorrección a lo largo del tiempo.
Comprender sus etapas, desde el diseño experimental hasta la ética y la gestión de datos, es fundamental para evaluar la calidad de la información que consumimos en la vida diaria y en la academia.
Referencias
- «la investigación científica» en Wikipedia en español
- The Scientific Method — Stanford Encyclopedia of Philosophy
- What is Science? — National Science Foundation
- The Structure of Scientific Revolutions — University of Chicago Press
- La investigación científica — Real Academia de Ciencias Exactas, Físicas y Naturales