Introducción
Si en la lección anterior aprendimos a ser cartógrafos de la realidad educativa, trazando mapas precisos de sus fenómenos a través de los métodos descriptivos, ahora nos corresponde asumir el rol de geólogos. Ya no nos basta con saber dónde está la montaña o cómo es el río; nuestra misión es comprender las fuerzas tectónicas que la elevaron y la topografía que causa que el agua fluya en una dirección determinada. Los métodos explicativos nos invitan a excavar bajo la superficie de lo observable para inquirir sobre el «porqué» de los fenómenos. Este es el salto cualitativo que define a la investigación avanzada: pasar de la descripción a la explicación, de la documentación de patrones a la postulación y prueba de las relaciones que los originan.
Esta transición, sin embargo, nos confronta con uno de los mayores desafíos intelectuales de la ciencia: la distinción entre correlación y causalidad. Observamos que los estudiantes con mayor autoeficacia tienden a obtener mejores calificaciones. Pero, ¿la autoeficacia causa un mejor rendimiento, o es el buen rendimiento lo que construye la autoeficacia? ¿O quizás una tercera variable no observada, como el apoyo familiar o la calidad de la instrucción previa, es la verdadera causa de ambas? La aparente simplicidad de estas preguntas esconde una profunda complejidad metodológica que exige del investigador no solo pericia técnica, sino una actitud de humildad intelectual y escepticismo riguroso.
En esta lección, nos adentraremos en el conjunto de diseños de investigación que nos permiten construir y poner a prueba modelos explicativos. Iniciaremos con la riqueza contextual del estudio de caso para explorar el «cómo» y el «porqué» en profundidad. Posteriormente, navegaremos por la lógica de los estudios correlacionales, comparativos causales y longitudinales para identificar y analizar la fuerza de las relaciones entre variables en entornos naturales. El objetivo es equiparte con el criterio para diseñar investigaciones que no solo describan el mundo educativo, sino que ofrezcan explicaciones coherentes, defendibles y teóricamente fecundas, sentando las bases para construir el argumento central de una tesis doctoral.
Desarrollo del tema
La investigación explicativa busca responder a preguntas sobre el porqué de los eventos, usualmente investigando la relación entre dos o más variables. Su meta es trascender la descripción para construir modelos teóricos que expliquen los mecanismos subyacentes a un fenómeno. Pensemos en el investigador explicativo como un detective que llega a la escena de un crimen. La fase descriptiva le ha proporcionado las pistas: la posición de los objetos, las huellas, los testimonios iniciales. La fase explicativa, sin embargo, es el proceso de conectar esas pistas para construir una narrativa coherente sobre qué condujo a qué, descartando hipótesis alternativas y sopesando la evidencia para proponer la explicación más plausible.
La exploración profunda del «porqué»: el estudio de caso explicativo
Aunque a menudo se asocia con la investigación descriptiva, el estudio de caso es una herramienta extraordinariamente potente para la explicación, particularmente para responder a preguntas de «cómo» y «por qué» (Yin, 2018). Un estudio de caso explicativo no se limita a describir una entidad (un «caso», que puede ser un estudiante, un aula, una escuela o una reforma educativa), sino que lo utiliza como un escenario para examinar en profundidad la operación de una teoría. Su fortaleza no radica en la generalización estadística a una población, sino en la generalización analítica a una teoría.
Caso de estudio – desentrañando el éxito inesperado
Imaginemos una escuela pública en un contexto de alta vulnerabilidad socioeconómica que, contra todo pronóstico, obtiene resultados académicos sobresalientes, muy por encima de escuelas con características demográficas similares. Un estudio descriptivo detallaría sus programas, el perfil de sus docentes y sus tasas de egreso. Un estudio de caso explicativo, en cambio, partiría de una teoría preexistente (por ejemplo, la teoría del liderazgo transformacional o la del capital social) y buscaría evidencia dentro del caso para confirmar, refutar o refinar dicha teoría. Se realizarían entrevistas en profundidad con directivos, docentes y padres, se observarían las prácticas de aula y las reuniones de consejo técnico, y se analizarían documentos de gestión para construir una cadena de evidencia que explique cómo y por qué las acciones específicas de liderazgo fomentaron una cultura de altas expectativas que, a su vez, se tradujo en mejores aprendizajes. La conclusión no sería «todas las escuelas deberían hacer esto», sino «en este caso, observamos que este mecanismo teórico operó de esta manera, lo cual tiene estas implicaciones para la teoría y la práctica».
El mapa de las relaciones: diseños correlacionales y comparativos causales
Cuando el interés se desplaza de la profundidad de un caso a la amplitud de las relaciones en una población, los diseños no experimentales como los correlacionales y los comparativos causales se vuelven centrales. Un estudio correlacional tiene como objetivo cuantificar la dirección y la fuerza de la relación estadística entre dos o más variables tal como ocurren naturalmente. No se manipula ninguna variable. El resultado principal es un coeficiente de correlación (por ejemplo, el r de Pearson), que indica si las variables tienden a moverse juntas (correlación positiva), en direcciones opuestas (correlación negativa) o si no guardan relación entre sí.
Analogía – el barómetro y la tormenta: es fundamental internalizar el mantra: «correlación no implica causalidad». Un barómetro que desciende se correlaciona fuertemente con la llegada de una tormenta. Sin embargo, la caída del barómetro no causa la tormenta. Ambos fenómenos son causados por un tercer factor: una caída en la presión atmosférica. En educación, podríamos encontrar una fuerte correlación positiva entre el número de horas que los estudiantes dedican a las redes sociales y sus niveles de ansiedad. Sería un error concluir que el uso de redes sociales causa ansiedad. Podría ser que la ansiedad lleve a los estudiantes a buscar más refugio en las redes sociales (causalidad inversa), o que una tercera variable (como la falta de habilidades sociales o problemas en el entorno familiar) cause tanto el uso excesivo de redes como la ansiedad.
Los estudios comparativos causales (o ex post facto) intentan dar un paso más hacia la inferencia causal. En lugar de solo medir una relación, comparan a grupos que ya son diferentes en cuanto a una variable de interés (la presunta «causa») para ver si también difieren en un «efecto». La característica definitoria es que el investigador no puede asignar a los participantes a los grupos; estos ya existen. Por ejemplo, para estudiar el efecto de la educación bilingüe, un investigador podría comparar las habilidades de pensamiento crítico de estudiantes que se graduaron de un programa bilingüe con las de aquellos que se graduaron de un programa monolingüe.
El gran desafío de este diseño es la falta de aleatorización, que introduce la amenaza de sesgos de selección. Los grupos podrían diferir en otras variables importantes (nivel socioeconómico, motivación de los padres, recursos escolares) que podrían explicar las diferencias en el resultado. A pesar de esta limitación, son diseños valiosos cuando la manipulación experimental es imposible o no es ética.
El estudio longitudinal, que sigue a los mismos individuos a lo largo del tiempo, puede fortalecer las inferencias de estos diseños. Al establecer la precedencia temporal (que la presunta causa ocurrió antes del presunto efecto), ofrecen una evidencia más sólida que los estudios transversales (que miden todo en un solo momento). Un estudio que mide la motivación de los estudiantes al inicio del año escolar y sus calificaciones al final, proporciona un argumento más fuerte que si mide ambas variables simultáneamente.
La Tabla 1 resume las características de estos diseños.
Tabla 1
Comparación de Diseños de Investigación Explicativa no Experimental
| Criterio | Estudio de caso explicativo | Estudio correlacional | Estudio comparativo causal | Estudio longitudinal |
|---|---|---|---|---|
| Objetivo principal | Explicar cómo y por qué un fenómeno ocurre en un contexto real. | Cuantificar la fuerza y dirección de la asociación entre variables. | Explorar posibles causas de diferencias preexistentes entre grupos. | Describir el cambio en el tiempo y examinar la precedencia temporal. |
| Pregunta típica | ¿Cómo influyó el liderazgo directivo en la cultura de esta escuela? | ¿Qué relación existe entre las horas de estudio y el rendimiento académico? | ¿Difieren en su autoeficacia los estudiantes que participaron en tutorías de los que no? | ¿Cómo evoluciona la motivación de los estudiantes a lo largo de la secundaria? |
| Inferencia causal | Débil a moderada (depende de la robustez teórica). | Muy débil (no puede establecer causalidad). | Débil a moderada (vulnerable a sesgos de selección). | Moderada (puede establecer precedencia temporal). |
| Principal fortaleza | Profundidad contextual y riqueza de datos. | Eficiencia para estudiar múltiples variables y poblaciones grandes. | Permite estudiar variables que no se pueden manipular. | Captura de procesos de desarrollo y cambio. |
| Principal limitación | Baja generalizabilidad externa (estadística). | Incapacidad para controlar variables extrañas. | Falta de aleatorización; amenaza de sesgos de selección. | Costoso, requiere mucho tiempo, posible deserción de participantes. |
Nota. Esta tabla compara cuatro diseños explicativos comunes, destacando su lógica interna y su capacidad para soportar inferencias causales. El nivel de inferencia siempre es tentativo y depende del control de posibles explicaciones alternativas. Adaptado de Johnson y Christensen (2019) y Shadish, Cook y Campbell (2002).
Para visualizar cómo estos diseños se relacionan en términos de su poder para inferir causalidad, podemos imaginar un continuo, como se describe en la Figura 1.
Figura 1
El continuo de la inferencia causal
Nota. El esquema visualiza los diseños de investigación como una progresión de rigor causal. El continuo avanza desde los estudios Descriptivos (qué) y Correlacionales (qué va con qué) hacia los Comparativos y Experimentales, que poseen una mayor capacidad para establecer el porqué.
La selección de un diseño sobre otro no es una cuestión de superioridad absoluta, sino de adecuación a la pregunta de investigación, al estado del conocimiento en el campo y a las restricciones éticas y prácticas. Una actitud doctoral implica reconocer y justificar explícitamente estas decisiones.
Conclusión
En esta lección, hemos transitado del «qué» al «porqué», explorando el arsenal metodológico que nos permite proponer y examinar explicaciones sobre los fenómenos educativos. Hemos visto que cada diseño (desde la inmersión profunda del estudio de caso hasta la visión panorámica del estudio correlacional y la lógica comparativa de los estudios ex post facto) ofrece una ventana única para entender las relaciones entre variables, cada una con su propio poder explicativo y sus inherentes limitaciones.
Construir una explicación es una de las tareas más elevadas de la investigación. Es el acto de tejer datos empíricos, conceptos teóricos y lógica argumentativa en una narrativa coherente que dote de sentido al mundo. El dominio de estos métodos es, por tanto, esencial para el desarrollo de una tesis doctoral que aspire a hacer una contribución original al conocimiento. Te proporcionan las herramientas no solo para encontrar patrones, sino para proponer mecanismos y procesos que los expliquen.
Al cerrar esta exploración, te dejo con una reflexión crucial para tu identidad como investigador: toda explicación científica es, por naturaleza, provisional. Nuestro trabajo no es encontrar «la causa» definitiva, sino construir el argumento más riguroso y plausible con la evidencia disponible, reconociendo siempre las explicaciones alternativas. ¿Cómo podemos, entonces, comunicar la fuerza de nuestras conclusiones explicativas con confianza, pero sin arrogancia, reconociendo la incertidumbre inherente a la investigación en el complejo mundo de la educación?
Podcast de síntesis: la lección en audio
Como complemento, este recurso auditivo recapitula los conceptos fundamentales de la lección.
Bibliografía de referencia
- Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). Sage Publications.
- Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2019). How to design and evaluate research in education (10th ed.). McGraw-Hill Education.
- Johnson, R. B., & Christensen, L. (2019). Educational research: Quantitative, qualitative, and mixed approaches (7th ed.). Sage Publications.
- Mertens, D. M. (2019). Research and evaluation in education and psychology: Integrating diversity with quantitative, qualitative, and mixed methods (5th ed.). Sage Publications.
- Miles, M. B., Huberman, A. M., & Saldaña, J. (2020). Qualitative data analysis: A methods sourcebook (4th ed.). Sage Publications.
- Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.
- Stake, R. E. (1995). The art of case study research. Sage Publications.Yin, R. K. (2018). Case study research and applications: Design and methods (6th ed.). Sage Publications.