Ciencia abierta
La investigación reproducible puede pensarse como parte de un marco más amplio: la ciencia abierta.
Esto puede pensarse en todas las etapas del proceso de producción de conocimiento:
- Diseño de investigación
- Producción de datos
- Análisis de datos
- Publicación
Basado en la perspectiva de ciencia abierta elaborada por:
![]()
Diseño transparente
Refiere a contar con estándares transparencia en la realización de estudios que permitan una mejor evaluación de pares.
Esto es fundamental para evitar mala prácticas como el p-hacking o la construcción de hipótesis ad-hoc. La principal herramienta son los pre-registros.
Este refiere a publicar (previo a la realización del estudio) 1) las principales hipótesis, 2) procedimientos de recolección de datos y 3) el plan de análisis.
No siempre es posible diseñar a priori o prever todos los elementos de nuestro análisis: lo importante del pre-registro es que permite distinguir lo que corresponde al plan original y transparentar aquello que emergió posteriormente.
Datos abiertos
Los datos a partir de los cuales produzcamos nuestros resultados, ya sea que consten de resultados de encuesta, datos administrativos o indicadores. No basta con publicar los datos, necesitamos información que permita su correcta utilización.
Para esto necesitamos dejar públicamente disponible cuatro elementos:
- Base de datos
- Cuestionario
- Libro de códigos
- Ficha técnica
Análisis reproducibles
Se trata de organizar nuestro análisis de tal manera que sea posible para otros/as investigadores/as reproducir los análisis que realizamos, llegando a los resultados publicados. Esto permite conocer todas las decisiones tomadas, y nos obliga a mantener un flujo de trabajo más sistemático.
Los pasos a seguir, o elementos a considerar, (en los que profundizaremos luego) son:
- La estructura del proyecto
- Prácticas de código
- Documentos dinámicos
- Control de versiones
Regla de oro de la reproducibilidad
TODO DEBE DESARROLLARSE EN EL SCRIPT
Publicaciones libres
Se trata de eliminar las barreras (Especialmente económicas) al conocimiento.
Problema de las editoriales académicas.
Es posible encontrar revistas que cuentan con acceso abierto. Para saber el nivel de apertura de una revista puede encontrase en https://v2.sherpa.ac.uk/romeo/.
En general, es importante considerar que esto no depende solo de la iniciativa individual, sino también de las instituciones científicas existentes.
¿Porqué es importante esto más allá de la academia?
En primer lugar resulta importante para asegurar la transparencia de la producción científica, haciendo más posible el control público de las decisiones que se toman basadas en el conocimiento producido.
Para nuestra labor como sociólogos, el trabajo con estándares de reproducibilidad nos permite mantener mayor control de lo que hacemos, mejora su comunicabilidad y en entornos institucionales (e individualmente) permite mantener mejores registros en el tiempo.
En términos simples, nos permite evitar el caos en nuestro trabajo.
Herramientas para la reproducibilidad
Programación literada
Una herramienta central para hacer reportes reproducibles es la programación literada. Esta consiste en documentos que nos permiten integrar lenguaje humano (texto plano) con lenguaje computacional (código).
Existen múltiples herramientas tales como Latex, Jupyter Notebooks y Markdown. Nos centraremos en esta última.
Markdown es una herramienta de conversión de texto a HTML para desarrollo web. Markdown permite escribir usando texto plano fácil de leer y de escribir, y convertirlo en código estructuralmente válido de HTML.
Esta integrada en Rstudio mediante Rmarkdown y Quarto.
Rmarkdown y Quarto
![]()
- Para hacer un salto de línea deben ponerse dos espacios.
Buenas prácticas de código
![]()
Configuración de chunks
echo - Incluir o no el código en el documentos de salida (por defecto TRUE)
include – Incluir o no el código y sus resultado luego de ejecutarlo (por defecto TRUE)
warning – imprimir las advertencias del código (por defecto TRUE)
Egine – Lenguaje de programación usado en el código (por defecto “R”)
cache – guardar resultados en chaché para futuros knit (por defecto FALSE)
cache.path – directorio para guardar el cache (por defecto “cache/”
Protocolos de reproducibilidad
Para hacer nuestro proyecto de investigación reproducible no solo importa el código, también requerimos que el proyecto este estructurado de manera reproducible, para lo cual existen protocolos. En este caso revisaremos el protocolo IPO (Input-Procesamiento - Output). Esto puede realizarse con R-projects.
“La implementación de la reproducibilidad en este tipo de protocolos se basa en generar un conjunto de archivos auto-contenidos organizado en una estructura de proyecto que cualquier persona pueda compartir y ejecutar. En otras palabras, debe tener todo lo que necesita para ejecutar y volver a ejecutar el análisis.”
El Protocolo IPO para Proyectos Reproducibles
- IPO (Input-Procesamiento-Output): Un modelo mental simple para organizar el flujo de trabajo de investigación.
- Basado en TIER: Inspirado en el protocolo TIER (Integridad de Enseñanza en Investigación Empírica) para la transparencia.
- Memorizable y Práctico: Fácil de recordar y aplicar en la práctica diaria del análisis de datos.
- Auto-Contenido: Busca crear proyectos que contengan todo lo necesario para ser ejecutados y reproducidos por otros.
Estructura de Carpetas IPO
├── input/ # Información externa
│ ├── data/
│ │ ├── original/ # Datos originales (sin modificar)
│ │ └── proc/ # Datos procesados (limpios, transformados)
│ ├── imagenes/ # Imágenes externas para el proyecto
│ ├── bib/ # Archivos de bibliografía (.bib)
│ └── prereg/ # Pre-registros del estudio (si existen)
├── procesamiento/ # Scripts de análisis y preparación
│ ├── preparacion.Rmd # Script de preparación de datos
│ └── analisis.Rmd # Script de análisis principal
├── output/ # Resultados del procesamiento
│ ├── graphs/ # Gráficos generados
│ └── tables/ # Tablas generadas
├── readme.md # Descripción general del proyecto
└── paper.Rmd # Documento principal (paper, reporte)
Carpetas IPO en Detalle: Procesamiento y Output
procesamiento/: El “corazón” del análisis.
preparacion.Rmd: Script (R Markdown) para la limpieza, transformación y preparación de los datos crudos (input/data/original/) para el análisis. Genera los datos procesados en input/data/proc/.analisis.Rmd: Script (R Markdown) con el análisis principal. Utiliza los datos procesados (input/data/proc/) y genera resultados en output/.
output/: Los “productos” del análisis.
graphs/: Gráficos generados por los scripts de análisis.tables/: Tablas de resultados, resúmenes, etc., generadas por los scripts.- ¡Todo en
output/ debe ser regenerable ejecutando los scripts en procesamiento/!
Archivos Clave en la Raíz del Proyecto IPO
readme.md: La “carta de presentación” del proyecto.
- Explica qué es el proyecto, cómo está organizado (estructura IPO), cómo reproducirlo, dependencias, etc.
- Primer archivo que alguien debería leer al abrir el proyecto.
paper.Rmd (o .qmd, .html, .pdf): El documento principal.
- Puede ser un paper, un reporte, una presentación…
- Integra el código de análisis, los resultados (de
output/) y la narrativa en un documento dinámico y reproducible.
- Idealmente, utiliza Quarto para la máxima flexibilidad.
Flujo de Trabajo IPO: Principios Clave
- Orden ante todo: Diseña el proyecto pensando en que alguien (¡o tu “yo” del futuro!) pueda entenderlo y reproducirlo fácilmente.
- Comentar el código: Explica las decisiones importantes en el código. ¿Por qué haces esto? ¿Qué significa esta transformación?
- Preparación primero: El script
preparacion.Rmd debe:
- Cargar datos originales (
input/data/original/).
- Realizar limpieza y transformaciones.
- Guardar datos procesados en
input/data/proc/.
- Análisis después: El script
analisis.Rmd debe:
- Cargar datos procesados (
input/data/proc/).
- Realizar el análisis estadístico.
- Guardar tablas y gráficos en
output/graphs/ y output/tables/.
RProject y Rutas Relativas: Claves de la Portabilidad
- RProject (.Rproj): Convierte la carpeta del proyecto en un proyecto de RStudio.
- Directorio de trabajo automático: La raíz del proyecto es siempre el directorio de trabajo. ¡No uses
setwd()!
- Facilita rutas relativas: Permite usar rutas relativas a la raíz del proyecto, haciendo el proyecto portable.
- Rutas Relativas: Describen la ubicación de un archivo en relación con la ubicación actual (la raíz del proyecto en RProject).
../: “Un nivel arriba” en la jerarquía de carpetas.input/data/original/data.csv: Desde la raíz, entra en input/, luego data/, luego original/, y encuentra data.csv.- Ejemplo en
preparacion.Rmd (dentro de procesamiento/) para cargar datos originales: read.csv(here::here("input", "data", "original", "data.csv")) (usando el paquete here).
Control de versiones/Git-hub
Él control de versiones consiste en tener un sistema que nos permita mantener registro de los cambios realizados a los archivos del un proyecto (qué, quién y cuándo).
Git es una herramienta de código abierto que nos permite realizar control de versiones.
GitHub es una plataforma de desarrollo colaborativo que nos permite usar repositorios locales y remotos.
Checklist de la investigación reproducible
- Empezar con buena ciencia
- NO hacer cosas a mano
- NO hacer cosas con clicks
- Enseña al computador
- Usar control de versiones
- Mantener registro del ambiente de software
- NO guardes los outuput (guarda los datos y el código)
- Estableces un semilla
- Piensa en el proceso completo (daos brutos – datos procesados – análisis – reporte)
- Para hacer un salto de línea deben ponerse dos espacios.
