Metodología en las ciencias sociales

Tema desarrollado para preparar el primer ejercicio de conocimientos de la Escala Ejecutiva (Inspector/a) de la Policía Nacional. La información es orientativa y está verificada a la fecha de actualización; el contenido evaluable lo fija el temario del anexo II de tu convocatoria (Resolución de 31 de julio de 2025, BOE-A-2025-16611). Es un tema con presencia acreditada en convocatorias oficiales: el método test-retest, las características del test, el efecto Hawthorne y la definición del método correlacional han caído literalmente.

Índice

• 1. La especificidad metodológica de las ciencias sociales
  • 1.1. Qué las hace distintas
  • 1.2. Explicar y comprender
  • 1.3. Neutralidad valorativa y reflexividad
• 2. Cuantitativo, cualitativo y mixto
  • 2.1. Los dos enfoques
  • 2.2. Los criterios de calidad de lo cualitativo
  • 2.3. La triangulación y los diseños mixtos
• 3. El proceso de investigación y la operacionalización
• 4. La encuesta
  • 4.0. Las fases de la encuesta
  • 4.1. Modos de administración
  • 4.2. El cuestionario y sus preguntas
  • 4.3. Reglas de redacción y orden
  • 4.4. La muestra, el error y el nivel de confianza
  • 4.5. Los sesgos de la encuesta
  • 4.6. El diseño de la muestra en la práctica
• 5. El test
  • 5.1. Concepto y características
  • 5.2. Clases de test
  • 5.3. Baremos y puntuaciones
  • 5.4. El test en la selección de personal
• 6. La observación
  • 6.1. Modalidades
  • 6.2. Categorías, registro y acuerdo entre jueces
  • 6.3. La reactividad y el efecto Hawthorne
• 7. Las escalas de actitud
  • 7.1. Thurstone, Likert y Guttman
  • 7.2. El diferencial semántico y Bogardus
  • 7.3. Cómo se construye una escala
• 8. Otras técnicas
• 9. Las características de los instrumentos
  • 9.1. Validez
  • 9.2. Fiabilidad
  • 9.3. Sensibilidad y especificidad
  • 9.4. Objetividad, tipificación y utilidad
  • 9.5. La medida a lo largo del tiempo
• 10. Ética, secreto estadístico y protección de datos
• 11. Aplicación al trabajo policial
• Ideas fuerza

1. La especificidad metodológica de las ciencias sociales

1.1. Qué las hace distintas

Las ciencias sociales comparten con las naturales el método —observación, hipótesis, contrastación, revisión— pero lo aplican en condiciones mucho más difíciles. Sus rasgos propios, que se preguntan enumerados, son estos:

• El objeto es consciente y reactivo: las personas saben que se las estudia y modifican su conducta por saberlo. Un átomo no lee el informe que se escribe sobre él; un ciudadano encuestado, sí.
• Multicausalidad: ningún fenómeno social tiene una causa única, y las variables que actúan son innumerables y están entrelazadas.
• Dificultad —y a veces imposibilidad— de experimentar: no se puede asignar al azar a alguien su clase social, su nivel educativo o el hecho de ser víctima de un delito, y muchas manipulaciones serían éticamente inadmisibles.
• Variabilidad histórica y cultural: lo que vale en una sociedad y en un momento puede no valer en otros, lo que limita el alcance de las generalizaciones.
• El investigador forma parte de lo que estudia: pertenece a la sociedad que analiza y arrastra sus valores, su lengua y sus categorías.
• Los conceptos son en gran medida constructos no observables —anomia, prejuicio, clase, integración—, que hay que definir operativamente antes de poder medirlos.
• Las predicciones son probabilísticas y de tendencia, no leyes deterministas: se anticipa lo que hará la mayoría, no lo que hará una persona.

De ahí que la precisión alcanzable sea menor y que el control se sustituya con frecuencia por el control estadístico: en lugar de eliminar físicamente el efecto de una variable, se mide y se descuenta en el análisis.

1.2. Explicar y comprender

El debate de fondo de la metodología social arranca en el siglo XIX y enfrenta dos tradiciones que conviene tener bien separadas.

La positivista, de Comte y sobre todo de Durkheim, sostiene que los hechos sociales deben tratarse como cosas: son exteriores al individuo, ejercen coerción sobre él y se explican por sus causas, buscando regularidades y leyes. Su método es el cuantitativo, y su modelo, el de las ciencias naturales. El estudio de Durkheim sobre el suicidio es su demostración clásica: un acto aparentemente individualísimo muestra tasas estables y ligadas al grado de integración social.

La comprensiva o interpretativa, de Dilthey y Max Weber, replica que la acción humana tiene sentido para quien la realiza y que no basta con explicarla desde fuera: hay que comprenderla —el verstehen— reconstruyendo los motivos del actor. Weber propuso una síntesis: la sociología es una ciencia que pretende la comprensión interpretativa de la acción social y su explicación causal, y para ello se sirve de tipos ideales, construcciones conceptuales que no describen ningún caso real pero permiten medir cuánto se aparta cada caso de ellas.

De esa raíz salen dos discusiones que también se preguntan. La primera enfrenta el holismo metodológico —los hechos sociales se explican por propiedades del conjunto— al individualismo metodológico, que sostiene que toda explicación debe acabar en las acciones de individuos. La segunda es la doble hermenéutica descrita por Giddens: el científico social interpreta un mundo que ya está interpretado por sus protagonistas, y además sus conceptos vuelven a la sociedad y la cambian. Palabras como «estrés», «clase media» o «inseguridad ciudadana» nacieron en la investigación y hoy forman parte de cómo la gente se piensa a sí misma.

1.3. Neutralidad valorativa y reflexividad

Weber distinguió con nitidez entre elegir el tema —donde los valores del investigador operan legítimamente— y tratarlo, donde debe regir la neutralidad valorativa: la ciencia puede decir qué medios conducen a un fin y qué costes tienen, pero no decidir qué fines merecen perseguirse. Es una exigencia de honestidad, no la pretensión ingenua de que el investigador carezca de opiniones.

A ella se añade la reflexividad: hacer explícita la propia posición —formación, institución, financiación, valores— porque condiciona lo que se pregunta y cómo se interpreta. Y un fenómeno que no tiene equivalente en las ciencias naturales, la profecía autocumplida descrita por Merton: una definición falsa de la situación que suscita conductas que la acaban haciendo verdadera. Publicar una previsión sobre un banco, sobre un barrio o sobre unas elecciones puede alterar precisamente aquello que se pretendía medir.

2. Cuantitativo, cualitativo y mixto

2.1. Los dos enfoques

	Cuantitativo	Cualitativo
Pregunta	Cuánto, con qué frecuencia, qué relación hay	Cómo y por qué; qué significa para el actor
Lógica	Deductiva: de la teoría a los datos	Inductiva: de los datos a la teoría
Diseño	Cerrado y fijado de antemano	Abierto y emergente, se ajusta sobre la marcha
Muestra	Amplia y representativa, con muestreo probabilístico	Pequeña e intencional, hasta la saturación
Datos	Números; encuesta, test, registros	Textos, discursos e imágenes; entrevista, grupo, observación
Análisis	Estadístico	Interpretativo, por categorías y temas
Fortaleza	Generalización y comparación	Profundidad, contexto y sentido
Límite	Se queda en la superficie del fenómeno	No permite generalizar a la población

El concepto de saturación teórica merece retenerse: en lo cualitativo el tamaño de la muestra no se fija de antemano, sino que se deja de añadir casos cuando los nuevos ya no aportan información distinta. Es el criterio equivalente al cálculo del tamaño muestral en lo cuantitativo.

2.2. Los criterios de calidad de lo cualitativo

La validez y la fiabilidad clásicas están pensadas para la medida, así que la investigación cualitativa maneja criterios paralelos, formulados por Guba y Lincoln: la credibilidad —que los hallazgos sean reconocibles por los propios participantes—, la transferibilidad —que la descripción sea lo bastante densa para que otro juzgue si aplica a su contexto—, la dependibilidad —que el proceso sea trazable y auditable— y la confirmabilidad —que las conclusiones se apoyen en los datos y no en las preferencias del investigador—.

2.3. La triangulación y los diseños mixtos

La triangulación consiste en abordar el mismo objeto desde varios ángulos para que las debilidades de un procedimiento las compensen las fortalezas de otro. Se distinguen cuatro clases: de datos (distintas fuentes, momentos o lugares), de investigadores (varios analistas independientes), teórica (varios marcos interpretativos) y metodológica (varias técnicas). Cuando la convergencia se produce, la conclusión gana solidez; cuando no, la discrepancia es en sí misma un hallazgo.

Los diseños mixtos combinan ambos enfoques de forma deliberada: exploratorio secuencial —primero cualitativo, para descubrir las categorías con las que después se construye el cuestionario—, explicativo secuencial —primero la encuesta y después entrevistas que expliquen los resultados sorprendentes— o concurrente, aplicando los dos a la vez y contrastando. En criminología es el estándar: la estadística dice cuánto, y el trabajo de campo, por qué.

3. El proceso de investigación y la operacionalización

La investigación social recorre las fases generales del método —problema, marco teórico, hipótesis, diseño, trabajo de campo, análisis e informe— con un paso propio y decisivo entre la teoría y los datos: la operacionalización, sistematizada por Paul Lazarsfeld. Consiste en bajar del concepto abstracto a algo que se pueda registrar, en cuatro escalones:

1. Representación literaria del concepto: la definición teórica de qué se entiende por «integración social», «percepción de inseguridad» o «clima laboral».
2. Especificación de dimensiones: el concepto se descompone en aspectos. La percepción de inseguridad tiene una dimensión cognitiva —la estimación del riesgo—, otra afectiva —el miedo— y otra conductual —las conductas de evitación—.
3. Elección de indicadores: para cada dimensión, hechos observables que la señalan. Del miedo, «evitar salir de noche por su barrio»; de la evitación, «haber cambiado de itinerario».
4. Construcción de índices: los indicadores se combinan —sumándolos o ponderándolos— en una medida sintética con la que ya se puede trabajar.

Ahí es donde se juega la validez de todo el estudio: si los indicadores no representan bien el concepto, todo lo que venga después estará midiendo otra cosa con mucha precisión.

Del cuarto escalón, el de los índices, conviene conocer dos formas. El índice sumatorio agrega los indicadores, con o sin ponderación, en una sola cifra: es cómodo, pero pierde el detalle y puede juntar en una misma puntuación a personas muy distintas. La tipología, en cambio, cruza dos o más dimensiones y produce categorías cualitativas —el clásico cuadro de dos dimensiones dicotómicas que da cuatro tipos—; conserva la riqueza del perfil a cambio de multiplicar las casillas. Lazarsfeld describió además la reducción de esos espacios de atributos, es decir, el modo razonado de fundir casillas que en la práctica no se dan o no se diferencian.

Hay, por último, un error de razonamiento que atraviesa toda la investigación social y que tiene dos caras simétricas. La falacia ecológica consiste en atribuir a los individuos lo observado en los grupos: si los barrios con más paro registran más delitos, no se sigue que sean los parados quienes delinquen. Y la falacia individualista o atomista es la contraria: inferir propiedades del conjunto a partir de casos individuales, como concluir que un colectivo entero se comporta de cierto modo porque varios de sus miembros lo hacen. Las dos nacen de lo mismo, de saltar de un nivel de análisis a otro sin datos que autoricen el salto, y las dos tienen consecuencias prácticas inmediatas cuando de un mapa de concentración de delitos se pasa a mirar con sospecha a quien vive allí.

De ahí la regla que cierra este apartado: la unidad de análisis se declara antes de recoger el primer dato —el individuo, el hogar, el barrio, el municipio, el país— y las conclusiones no pueden salirse de ella.

4. La encuesta

La encuesta es la técnica que consiste en obtener información de una muestra representativa de una población mediante un cuestionario estandarizado, aplicado a todos los sujetos en las mismas condiciones. Es el instrumento más usado en ciencias sociales, y su valor está justamente en esa estandarización: al preguntar lo mismo y del mismo modo, las respuestas se pueden comparar y agregar.

Sus fases son la definición de los objetivos, el diseño de la muestra, la elaboración del cuestionario, la prueba piloto o pretest, el trabajo de campo, la depuración y grabación de los datos, el análisis y el informe. Se distinguen las encuestas descriptivas —fotografían una situación— de las explicativas, que buscan relaciones entre variables; y las transversales, de un solo momento, de las de panel, que preguntan repetidamente a los mismos sujetos y permiten ver el cambio individual, a costa del desgaste de la muestra.

4.0. Las fases de la encuesta

Antes de entrar en los detalles conviene tener el recorrido completo, porque el tribunal lo ha preguntado por la vía negativa —qué no es una fase de la encuesta—. Una investigación por encuesta atraviesa estas etapas:

1. Diseño y planificación: se fijan los objetivos, la población objeto de estudio, las variables a medir y el calendario y presupuesto.
2. Diseño del cuestionario: redacción de las preguntas, orden, pretest o prueba piloto y corrección.
3. Diseño muestral: marco, método de selección, tamaño, afijación y error asumido.
4. Recogida de datos o trabajo de campo: formación de los entrevistadores, administración del cuestionario y control del campo.
5. Preparación de los datos: depuración, codificación, grabación, detección de incoherencias e imputación de la falta de respuesta parcial.
6. Análisis de la calidad de la información: tasas de respuesta y de cobertura, errores ajenos al muestreo, medida del error de muestreo y valoración de la fiabilidad de los resultados.
7. Análisis, explotación y difusión de los resultados, con la documentación metodológica que permite reproducirlos.

🚨 Dato de examen: la respuesta a qué NO forma parte de las fases de la encuesta fue «elaboración de inteligencia». La preparación de datos y el análisis de la calidad de la información sí lo son. Elaborar inteligencia es un producto del ciclo de inteligencia, no una etapa del método de encuesta: comparten el paso por la información, pero su finalidad y su método son distintos.

4.1. Modos de administración

Modo	A favor	En contra
Presencial (cara a cara)	Cuestionarios largos y complejos; alta tasa de respuesta; el entrevistador aclara dudas y observa	Cara y lenta; mayor efecto entrevistador y deseabilidad social
Telefónica	Rápida y barata; control del trabajo de campo; permite marcación aleatoria	Cuestionarios cortos; cobertura desigual; alta tasa de rechazo
Postal o autoadministrada	Barata; sin efecto entrevistador; buena para temas delicados	Tasa de respuesta muy baja y sesgada; no se sabe quién responde de verdad
En línea	Muy barata, inmediata, admite estímulos visuales y filtra sola	Sesgo de cobertura: excede a quien no está conectado; los paneles de voluntarios no son probabilísticos

Una advertencia que vale para todos: la tasa de respuesta no es un detalle administrativo. Si quienes no responden se diferencian sistemáticamente de quienes responden —y suelen hacerlo—, la muestra deja de ser representativa por mucho que el diseño fuera impecable. Es el llamado sesgo de no respuesta.

4.2. El cuestionario y sus preguntas

Por la forma de respuesta, las preguntas son cerradas —con alternativas prefijadas, ya dicotómicas (sí/no) o politómicas, y de respuesta única o múltiple—, abiertas, que dejan responder con las propias palabras y aportan riqueza a cambio de un análisis costoso, y semiabiertas o mixtas, que cierran las alternativas más previsibles y añaden un «otros, ¿cuál?».

Por su función dentro del cuestionario se distinguen:

• De identificación: las sociodemográficas —sexo, edad, nivel de estudios, ocupación—, que sirven para segmentar los resultados.
• De hecho y de opinión: las primeras preguntan por conductas o datos objetivos; las segundas, por actitudes, valoraciones y creencias.
• Filtro: seleccionan a quién procede hacerle las preguntas siguientes («¿ha sido usted víctima de algún delito en el último año?»).
• De control: comprueban la coherencia y la sinceridad, repitiendo la misma cuestión con otra redacción o en otro lugar del cuestionario.
• De batería: bloques de preguntas sobre el mismo asunto con idéntico formato de respuesta.
• Amortiguadoras o «colchón»: suavizan el paso a un asunto delicado.

4.3. Reglas de redacción y orden

La redacción de las preguntas es la parte del oficio donde más se estropea una encuesta. Las reglas asentadas son: usar un lenguaje sencillo y común a toda la población; formular una sola idea por pregunta, evitando las preguntas dobles —«¿está satisfecho con la rapidez y el trato recibido?», que no se puede responder si uno le parece bien y el otro mal—; no emplear dobles negaciones; no formular preguntas tendenciosas que sugieran la respuesta o apelen a la autoridad; no dar por supuesto nada que no se haya comprobado con una pregunta filtro; ofrecer alternativas exhaustivas y mutuamente excluyentes; y evitar las que exigen un esfuerzo de memoria desmedido o un cálculo.

El orden también comunica. La regla clásica es la de embudo: empezar por preguntas generales, sencillas y poco comprometidas, que enganchen; situar en el centro las delicadas, cuando ya hay confianza; y dejar al final las de identificación, porque abrir preguntando la edad y los ingresos hace abandonar. Hay que vigilar además el efecto de contaminación entre preguntas contiguas: lo que se pregunta primero condiciona lo que se responde después.

Antes del trabajo de campo se hace una prueba piloto con un grupo reducido de la misma población, que sirve para detectar preguntas mal entendidas, alternativas que faltan y una duración excesiva. Saltarse el pretest es la causa más común de un cuestionario inservible.

4.4. La muestra, el error y el nivel de confianza

Toda encuesta por muestreo probabilístico lleva asociado un error muestral, que es la distancia esperable entre el dato de la muestra y el valor real de la población, y un nivel de confianza, que es la probabilidad de que el valor real caiga dentro de ese margen; lo habitual es trabajar con el 95 %. Los dos van siempre juntos: dar un margen de error sin decir con qué confianza no significa nada.

Tres consecuencias prácticas que se preguntan. La primera es que el error disminuye al aumentar el tamaño de la muestra, pero con rendimientos decrecientes: para reducirlo a la mitad hay que cuadruplicar la muestra. La segunda es que, salvo poblaciones muy pequeñas, lo que importa es el tamaño absoluto de la muestra y no la proporción que representa sobre la población; por eso una encuesta nacional y una municipal necesitan muestras parecidas. Y la tercera, ya vista, es que el error muestral solo cubre el azar del muestreo: no corrige el sesgo de una muestra mal elegida ni el de la no respuesta.

4.5. Los sesgos de la encuesta

• Deseabilidad social: se responde lo que queda bien. Infla el voto a partidos mayoritarios, el reciclaje o la lectura y hunde el consumo de alcohol y las actitudes hostiles hacia minorías.
• Aquiescencia: tendencia a mostrarse de acuerdo con lo que se afirme, sea lo que sea. Se combate invirtiendo la mitad de los ítems.
• Tendencia central: refugiarse en las opciones intermedias para no comprometerse.
• Efecto entrevistador: la edad, el sexo, el aspecto o el tono de quien pregunta alteran lo que se responde.
• Efecto del orden de las alternativas: en las listas leídas se recuerda mejor la última, y en las visuales, la primera. Se corrige rotando el orden entre cuestionarios.
• No respuesta y respuestas de compromiso: quien no tiene opinión formada se la inventa antes que declararlo, salvo que se le ofrezca expresamente la opción de no saber.

4.6. El diseño de la muestra en la práctica

Elegido el tipo de muestreo, quedan tres decisiones que condicionan el resultado. La primera es la afijación en el muestreo estratificado, es decir, cómo se reparte el total de la muestra entre los estratos: la simple asigna el mismo número a cada uno —lo que sobrerrepresenta a los pequeños, aunque permite compararlos entre sí—; la proporcional reparte según el peso real de cada estrato en la población; y la óptima tiene en cuenta además la variabilidad interna de cada estrato, dando más muestra a los más heterogéneos.

La segunda es el muestreo por cuotas, muy usado en los estudios de mercado y de opinión: se fija de antemano cuántas personas se deben entrevistar de cada sexo, edad y hábitat, y el entrevistador completa esas cuotas con quien encuentre. Reproduce la estructura de la población, pero no es probabilístico: la selección final la hace el entrevistador, que tenderá a acudir a quien resulte accesible y amable. Por eso, técnicamente, en un muestreo por cuotas no procede calcular un margen de error, aunque en la práctica se publique.

La tercera es la ponderación o post-estratificación: si la muestra obtenida se aparta de la estructura conocida de la población —por ejemplo, han respondido demasiadas mujeres mayores—, se corrige dando a cada caso un peso distinto en el análisis. Es una reparación legítima y habitual, pero conviene saber que no crea información: si de un grupo apenas han respondido veinte personas, multiplicar su peso solo multiplica el ruido. Un caso particular es la llamada cocina de las encuestas electorales, donde a la estimación directa se le aplican correcciones por recuerdo de voto y por probabilidad de participación.

En España la referencia institucional son los barómetros periódicos del Centro de Investigaciones Sociológicas y las operaciones del Instituto Nacional de Estadística, cuyos cuestionarios y microdatos se publican y permiten reanalizar los datos por cuenta propia. Saber leer una ficha técnica —universo, tamaño, tipo de muestreo, error, fechas de campo y quién financia— es la primera defensa frente a los titulares.

5. El test

5.1. Concepto y características

El test es una prueba tipificada que somete a los sujetos a una situación idéntica —las mismas tareas, las mismas instrucciones, el mismo tiempo— y transforma su ejecución en una puntuación que se interpreta comparándola con la de un grupo de referencia. Es uno de los métodos de medida más empleados en ciencias sociales precisamente por lo que permite: comparar.

Sus características definitorias son la objetividad —la puntuación no depende de quién corrija—, la tipificación o estandarización de la aplicación y de la corrección, la baremación, que da sentido a la puntuación bruta, y la comparabilidad entre sujetos y entre momentos. A ellas se suman las exigencias comunes a todo instrumento: validez, fiabilidad y utilidad práctica.

Dato de examen: preguntadas «algunas de sus características», la respuesta oficial es que el test es objetivo y susceptible de comparación. Las otras dos opciones que se ofrecieron —«válido y relativo» y «fidedigno y aproximado»— son falsas: un test aspira precisamente a no ser relativo ni aproximado.

5.2. Clases de test

La división mayor separa los test de rendimiento máximo —miden lo que el sujeto puede hacer y tienen respuestas correctas e incorrectas: inteligencia, aptitudes, conocimientos— de los de rendimiento típico, que miden lo que el sujeto suele hacer y no tienen respuesta correcta: personalidad, intereses, actitudes, valores.

Dentro de ellos se distinguen los de inteligencia general, los de aptitudes específicas —verbal, numérica, espacial, mecánica, atención y percepción—, los de conocimientos, los cuestionarios de personalidad de tipo objetivo y las técnicas proyectivas, que presentan un material ambiguo para que el sujeto proyecte en él su modo de ver las cosas y cuyo problema conocido es su baja fiabilidad y su dependencia del intérprete. Por su forma de aplicación se clasifican en individuales o colectivos, verbales o no verbales, y de velocidad —muchos ítems fáciles con tiempo escaso— o de potencia, con ítems de dificultad creciente y tiempo holgado.

5.3. Baremos y puntuaciones

Una puntuación directa —«ha acertado 34»— no significa nada por sí sola: hay que referirla a un baremo, la tabla obtenida al aplicar el test a una muestra normativa representativa. De ahí salen las puntuaciones transformadas: los centiles, que indican el porcentaje del grupo al que se supera; las típicas z, que expresan a cuántas desviaciones típicas de la media está el sujeto; y sus derivadas, como las T o el cociente intelectual, construidas para evitar decimales y negativos.

Dos cautelas que importan en selección de personal: un baremo caduca y debe actualizarse, porque la población de referencia cambia; y solo vale si la muestra normativa se parece a quien va a ser evaluado. Aplicar a aspirantes a una oposición un baremo construido con otra población produce comparaciones sin sentido.

5.4. El test en la selección de personal

La selección es el uso con más consecuencias del test, y allí lo determinante es la validez predictiva: en qué medida la puntuación anticipa el desempeño posterior. Se mide correlacionando la prueba con un criterio de rendimiento recogido meses o años después, y esa correlación nunca es perfecta, de modo que toda selección acepta un porcentaje de error conocido.

Cuando se combinan varias pruebas, lo que interesa no es la validez de cada una por separado sino la validez incremental: cuánto añade una prueba a lo que las anteriores ya predecían. Dos pruebas excelentes que midan lo mismo aportan poco juntas; el valor está en combinar instrumentos que capten aspectos distintos, y de ahí que los procesos serios encadenen pruebas de conocimientos, de aptitudes, físicas, de personalidad y entrevista.

Los cuestionarios de personalidad plantean además un problema propio: al no haber respuestas correctas, el aspirante puede falsear su perfil en la dirección que cree deseable. Por eso incorporan escalas de sinceridad o de deseabilidad social, ítems de control y, a veces, formatos de elección forzosa entre alternativas igual de atractivas. Conviene conocer también dos defectos técnicos que arruinan una prueba de cribado: el efecto techo —casi todos aciertan casi todo, y la prueba deja de discriminar— y el efecto suelo, su contrario.

Por último, un instrumento de selección debe estar libre de sesgo: no basta con que prediga bien en promedio, tiene que predecir igual de bien en los distintos grupos. Un ítem que resulta más difícil para un grupo por razones ajenas al constructo —por lengua, por origen social— introduce una discriminación que la apariencia de objetividad numérica esconde.

6. La observación

6.1. Modalidades

La observación como técnica científica es el registro sistemático, planificado y controlado de la conducta tal como se produce, con arreglo a un plan previo. La diferencia con mirar es justamente esa: hay categorías definidas, un procedimiento de registro y una comprobación de que dos observadores ven lo mismo. Sus modalidades se cruzan en varios ejes:

• Participante o no participante, según el observador se integre o no en el grupo. La participante da acceso al sentido que los propios actores dan a las cosas —es la técnica de la etnografía, desde Malinowski— y su riesgo característico es el going native: identificarse tanto con el grupo que se pierde la distancia analítica.
• Estructurada —con un sistema de categorías cerrado— o no estructurada, exploratoria y abierta.
• Directa, sobre la conducta, o indirecta, sobre sus huellas y productos: documentos, registros, desgaste de materiales.
• Abierta o encubierta, según los observados sepan que lo son. La encubierta elimina la reactividad, pero plantea un problema ético serio de consentimiento.
• En medio natural o en laboratorio.

6.2. Categorías, registro y acuerdo entre jueces

La observación sistemática exige un sistema de categorías definido de antemano, que ha de ser exhaustivo —toda conducta relevante cabe en alguna— y mutuamente excluyente —ninguna cabe en dos a la vez—, con las categorías descritas de forma que dos personas distintas las apliquen igual. Después hay que decidir qué se registra y cuándo: el muestreo de tiempo anota lo que ocurre en intervalos fijos; el muestreo de sucesos registra cada aparición de la conducta; y el registro puede ser de frecuencia, de duración, de latencia o de intensidad.

La comprobación decisiva es la fiabilidad entre observadores: dos codificadores independientes registran el mismo material y se mide su grado de acuerdo, habitualmente con el coeficiente kappa de Cohen, que descuenta el acuerdo esperable por azar. Sin esa comprobación no se sabe si se está midiendo la conducta o el criterio del observador.

6.3. La reactividad y el efecto Hawthorne

El problema propio de la observación es la reactividad: la conducta cambia por el hecho de ser observada. Su formulación clásica es el efecto Hawthorne, llamado así por los estudios realizados entre 1924 y 1932 en la planta de Hawthorne de la Western Electric, cerca de Chicago. Los investigadores modificaban las condiciones de trabajo —iluminación, pausas, horarios— y la productividad subía con cada cambio, e incluso al revertirlo; la interpretación que se impuso fue que lo que producía la mejora era la atención recibida y el saberse observados, no la medida concreta. Aquellos estudios, dirigidos en su fase principal por Elton Mayo, están además en el origen de la escuela de las relaciones humanas, que descubrió el peso del grupo informal en el rendimiento.

Dato de examen: preguntado qué es el efecto Hawthorne en una investigación sociológica, la respuesta oficial es los cambios en la conducta de un individuo cuando sabe que está siendo observado. No es «la desviación producida por una muestra sesgada» ni «un factor analizado por el método de la observación participante», que son los distractores con los que ha caído.

La reactividad se combate con el periodo de habituación —el observador permanece hasta que su presencia deja de ser una novedad—, con la observación indirecta o mediante registros ya existentes, con medidas no reactivas y, cuando es admisible, con el desconocimiento del propósito exacto del estudio.

7. Las escalas de actitud

Una actitud es una predisposición aprendida a responder de manera favorable o desfavorable ante un objeto, y tiene tres componentes: cognitivo (lo que se cree), afectivo (lo que se siente) y conductual (la disposición a actuar). Como no se observa, se mide indirectamente con escalas, que son conjuntos de ítems cuya combinación sitúa al sujeto en un continuo.

7.1. Thurstone, Likert y Guttman

Escala	Cómo funciona
Thurstone (intervalos aparentemente iguales)	Un grupo de jueces puntúa de antemano el grado de favorabilidad de cada enunciado; se conservan los ítems con acuerdo alto y la puntuación del sujeto es la mediana de los que acepta. Es laboriosa, y de ahí que se use poco.
Likert (sumatoria)	El sujeto expresa su grado de acuerdo con cada enunciado en una gradación, típicamente de cinco puntos —de «totalmente en desacuerdo» a «totalmente de acuerdo»—, y la puntuación es la suma de todos los ítems, previa inversión de los formulados en sentido negativo. Es con diferencia la más utilizada, por su sencillez y su buena fiabilidad.
Guttman (escalograma, acumulativa)	Los ítems se ordenan por dificultad creciente, de modo que aceptar uno implica aceptar todos los anteriores. Si la escala es perfecta, con saber cuántos ítems acepta el sujeto se sabe cuáles. Su calidad se mide con el coeficiente de reproductibilidad.

7.2. El diferencial semántico y Bogardus

El diferencial semántico de Osgood mide el significado afectivo de un concepto situándolo entre pares de adjetivos bipolares —bueno/malo, fuerte/débil, rápido/lento— en una gradación habitualmente de siete puntos. Sus análisis identificaron tres factores recurrentes: evaluación, potencia y actividad. Es muy útil para comparar la imagen de instituciones —por ejemplo, la que distintos grupos tienen de la policía—.

La escala de distancia social de Bogardus mide el prejuicio preguntando qué grado de proximidad se aceptaría con miembros de otro grupo, en una gradación acumulativa que va desde admitirlos en el propio país hasta admitirlos en la propia familia por matrimonio. Y el sociograma de Moreno, aunque no es una escala de actitud, representa gráficamente las elecciones y rechazos dentro de un grupo y permite identificar líderes, aislados y subgrupos.

7.3. Cómo se construye una escala

El procedimiento estándar de una escala tipo Likert es: definir el constructo y sus dimensiones; redactar un banco amplio de ítems, la mitad en sentido favorable y la mitad desfavorable; someterlos a jueces expertos para depurar la validez de contenido; aplicarlos a una muestra piloto; realizar el análisis de ítems, conservando los que discriminan entre puntuaciones altas y bajas y eliminando los que no correlacionan con el total; comprobar la consistencia interna con el alfa de Cronbach; y, por último, baremar. La regla de oro de la redacción de ítems es la misma que la de las preguntas: una sola idea, lenguaje llano y nada de dobles negaciones.

8. Otras técnicas

Junto a los cuatro instrumentos del epígrafe, la investigación social maneja habitualmente:

• La entrevista, que según su grado de estructuración es estructurada —guion cerrado, próxima a un cuestionario oral—, semiestructurada —guion de temas con libertad de orden y de profundización, la más usada— o no estructurada o en profundidad. Frente a la encuesta gana en riqueza y pierde en comparabilidad.
• El grupo de discusión o grupo focal: una conversación provocada entre un número reducido de personas —habitualmente entre seis y diez— conducida por un moderador. Lo que produce no es la suma de opiniones individuales sino el discurso del grupo, con sus consensos y sus silencios. Sirve para explorar categorías antes de una encuesta y para entender el porqué de sus resultados.
• El análisis de contenido: técnica que convierte textos, imágenes o discursos en datos analizables mediante un sistema de categorías, y que puede ser cuantitativa —frecuencia de aparición— o cualitativa. Se aplica a medios de comunicación, redes sociales, atestados o resoluciones judiciales.
• El análisis documental y de fuentes secundarias: trabajar con datos ya recogidos por otros —estadísticas oficiales, registros administrativos, archivos—, que ahorra un enorme coste a cambio de aceptar las categorías con las que otros los recogieron.
• La técnica Delphi: consulta repetida y anónima a un panel de expertos, en varias rondas, devolviendo en cada una el resultado agregado de la anterior para que reconsideren su posición. Persigue el consenso evitando la presión del grupo y el peso del más elocuente.
• La historia de vida y el estudio de caso, que reconstruyen en profundidad una trayectoria o un episodio.
• Los experimentos de campo y las medidas no reactivas, que evitan por completo la reactividad porque el sujeto no interviene.

De la entrevista conviene retener el oficio: se prepara un guion de temas, no de preguntas literales; se empieza por lo general y lo neutro; se usan preguntas abiertas y, sobre todo, se aprende a callar, porque el silencio es lo que hace hablar. Los errores típicos del entrevistador inexperto son inducir la respuesta, interrumpir, discutir, valorar lo que se oye y encadenar varias preguntas en una. Todo se registra —con permiso— y se transcribe, porque el análisis trabaja sobre el texto y no sobre el recuerdo.

El grupo de discusión tiene sus propias reglas: participantes homogéneos entre sí en lo relevante pero que no se conozcan previamente, para que hablen sin la carga de su relación; un moderador que abre, reconduce y cierra sin opinar; una duración de una a dos horas; y varios grupos, no uno, porque un solo grupo puede ser una anomalía. Su riesgo característico es el líder de opinión que arrastra al resto y la espiral del silencio de quien percibe que su postura es minoritaria; el moderador tiene que abrir hueco deliberadamente a las posiciones discrepantes.

El análisis de contenido exige decidir tres cosas antes de empezar: la unidad de registro —qué se codifica: la palabra, el tema, la noticia—, la unidad de contexto —cuánto texto alrededor hace falta leer para codificarla bien— y el sistema de categorías, con su comprobación de acuerdo entre codificadores. Aplicado al tratamiento periodístico de la delincuencia, permite mostrar con datos algo que se intuye: que la presencia de un delito en los medios no guarda relación con su frecuencia real.

Las fuentes secundarias merecen mención aparte porque son la materia prima más barata que existe. En España, el Instituto Nacional de Estadística, el Centro de Investigaciones Sociológicas y el portal estadístico de criminalidad del Ministerio del Interior publican series accesibles; en el ámbito europeo están Eurostat y el Eurobarómetro. Trabajar con ellas ahorra el trabajo de campo, pero obliga a aceptar las categorías con las que otro recogió los datos y a conocer sus rupturas de serie. En materia de delincuencia hay además una advertencia clásica: las comparaciones internacionales de tasas de delito son traicioneras, porque cada país define los tipos penales a su manera, registra de forma distinta y tiene tasas de denuncia muy diferentes; una tasa alta puede indicar más delito, o simplemente más confianza en la policía.

9. Las características de los instrumentos

Todo instrumento de medida se juzga por un conjunto de propiedades técnicas, y estas son literalmente lo que enuncia el epígrafe del tema.

9.1. Validez

La validez es el grado en que el instrumento mide lo que dice medir. Sus clases:

• De contenido: los ítems representan adecuadamente el dominio, sin dejar fuera partes importantes. Se apoya en el juicio de expertos.
• De criterio: el instrumento correlaciona con una medida externa aceptada. Es concurrente cuando ambas se toman a la vez y predictiva cuando el criterio es futuro —el caso de una prueba de selección que aspira a anticipar el desempeño—.
• De constructo: el instrumento se comporta como la teoría predice. Se demuestra con la validez convergente —correlaciona con medidas del mismo constructo— y con la discriminante, que exige que no correlacione con las de constructos distintos.
• Aparente o facial: parece medir lo que dice. No prueba nada, pero influye en la aceptación de la prueba.

9.2. Fiabilidad

La fiabilidad —o confiabilidad— es la consistencia de la medida: el grado en que su aplicación repetida al mismo sujeto produce los mismos resultados. No se declara, se calcula, y hay cuatro procedimientos:

Procedimiento	En qué consiste	Qué demuestra
Test-retest	El mismo instrumento a los mismos sujetos en dos momentos, correlacionando ambas medidas.	Estabilidad temporal. Riesgo: el recuerdo y la práctica.
Formas paralelas	Dos versiones equivalentes aplicadas a los mismos sujetos.	Equivalencia; esquiva el efecto del recuerdo.
Dos mitades	Se parte el instrumento en dos y se correlacionan, con corrección de Spearman-Brown.	Consistencia interna con una sola aplicación.
Alfa de Cronbach	Coeficiente sobre el conjunto de los ítems.	Que todos los ítems midan lo mismo.

Dato de examen: el método test-retest se utiliza para determinar la fiabilidad. Ha caído con «validez» y «sensibilidad» como distractores, que son justamente las otras dos propiedades del epígrafe.

La relación entre ambas propiedades es asimétrica y se pregunta a menudo: un instrumento puede ser fiable sin ser válido —la báscula descalibrada que siempre suma dos kilos—, pero no puede ser válido sin ser fiable, porque si sus resultados bailan no está midiendo nada estable. La fiabilidad es condición necesaria y no suficiente de la validez.

9.3. Sensibilidad y especificidad

Cuando el instrumento no mide un continuo sino que clasifica —detecta si alguien tiene o no una característica—, su calidad se juzga con otro par de propiedades. La sensibilidad es su capacidad para detectar los casos que sí lo son: la proporción de verdaderos positivos entre todos los que realmente tienen la característica. La especificidad es su capacidad para descartar los que no lo son: la proporción de verdaderos negativos entre todos los que realmente no la tienen.

	Lo tiene de verdad	No lo tiene
El instrumento dice que sí	Verdadero positivo	Falso positivo
El instrumento dice que no	Falso negativo	Verdadero negativo

De ahí se siguen tres ideas que conviene tener claras. La primera es que sensibilidad y especificidad están en tensión: bajar el umbral de detección hace que se escapen menos casos —más sensibilidad— a costa de señalar a más gente que no lo es —menos especificidad—, y subirlo produce el efecto contrario. La segunda es que la decisión sobre dónde poner el umbral no es técnica sino política: depende de qué error resulta más costoso, si dejar pasar un caso grave o molestar a un inocente. Y la tercera es el efecto de la prevalencia: cuando lo buscado es raro, incluso una prueba muy buena produce muchos falsos positivos en términos absolutos, porque los sanos son muchísimos más. Por eso se manejan además los valores predictivos: el positivo —qué proporción de los señalados lo son de verdad— y el negativo.

Una cuarta propiedad emparentada es la sensibilidad al cambio de un instrumento de medida continua: su capacidad para detectar variaciones pequeñas pero reales. Un instrumento poco sensible da la misma puntuación a situaciones que en realidad han cambiado.

9.4. Objetividad, tipificación y utilidad

Se exigen además: la objetividad, esto es, que el resultado no dependa de quién aplique o corrija —lo que se comprueba con el acuerdo entre evaluadores—; la tipificación o estandarización de las condiciones de aplicación, de corrección y de interpretación; la baremación, que permite interpretar la puntuación; y la utilidad práctica, que pondera la información que aporta frente al coste, el tiempo y la formación que exige. Un instrumento impecable que requiera dos horas por sujeto es inútil para cribar a mil aspirantes.

9.5. La medida a lo largo del tiempo

Cuando lo que interesa es el cambio, el diseño manda tanto como el instrumento. Los estudios transversales toman los datos en un único momento: son rápidos y baratos, y sirven para describir, pero al comparar edades confunden el efecto de la edad con el efecto de la generación —lo que se llama efecto de cohorte—: que los mayores declaren más miedo al delito puede deberse a la edad o a haber vivido otra época, y con un corte transversal no hay manera de saberlo.

Los estudios longitudinales siguen a los mismos sujetos a lo largo del tiempo y sí permiten ver trayectorias individuales y establecer el orden temporal de los hechos, que es condición de cualquier afirmación causal. Su versión en encuesta es el panel, y tiene dos problemas propios: la mortalidad o desgaste —los que abandonan no son un grupo al azar— y el condicionamiento del panel, esto es, que responder repetidamente a las mismas preguntas cambia al encuestado, que se vuelve más consciente y más experto que la población que representa. Entre ambos extremos están los estudios de cohortes, que siguen a grupos definidos por su año de nacimiento o de entrada, muy usados en criminología para estudiar las carreras delictivas.

10. Ética, secreto estadístico y protección de datos

La investigación social con personas está sujeta a los principios ya conocidos: consentimiento informado, voluntariedad y derecho a abandonar, ausencia de daño, confidencialidad y anonimato de los datos, y devolución de la información a los participantes. Cuando el diseño exige ocultar el propósito real, la compensación obligada es el debriefing posterior.

A ello se suma en España un marco legal específico. La Ley 12/1989, de 9 de mayo, de la Función Estadística Pública regula el secreto estadístico: son confidenciales —y quedan amparados por ese secreto— los datos que permiten identificar, directa o indirectamente, a las unidades estadísticas, sean personas o empresas, y no pueden usarse para fines distintos del estadístico —ni fiscales, ni sancionadores, ni policiales—, difundiéndose solo de forma agregada, de modo que no permita identificar a nadie. Es una garantía imprescindible: sin ella, nadie respondería con sinceridad. Y en paralelo rige la normativa de protección de datos personales, con sus exigencias de base legítima para el tratamiento, minimización, limitación de la finalidad y seguridad, que alcanza a cualquier investigación que maneje datos identificables.

11. Aplicación al trabajo policial

La utilidad de este tema para un Inspector es directa y se concreta en cuatro frentes.

El primero son las encuestas de victimización, que preguntan a la población si ha sufrido delitos con independencia de haberlos denunciado. Son el único instrumento capaz de estimar la cifra negra —la distancia entre los delitos cometidos y los conocidos por el sistema— y de medir el miedo al delito, que no coincide con el riesgo real: los grupos que menos victimización sufren suelen declarar más miedo. Sus límites son los propios de la encuesta: memoria selectiva, telescopaje —situar dentro del periodo un hecho anterior—, y la dificultad de captar los delitos cometidos en el ámbito familiar o los que la víctima no reconoce como tales.

El segundo son las encuestas de percepción de seguridad y de confianza en la policía, que evalúan un servicio público. Aquí conviene recordar todo lo dicho sobre la redacción de preguntas: una pregunta tendenciosa produce el resultado que el gestor quería oír, y eso es peor que no medir. Y recordar también que un aumento de denuncias puede significar más confianza en la institución en lugar de más delitos.

El tercero son los instrumentos de valoración del riesgo, donde sensibilidad y especificidad dejan de ser un concepto abstracto. Los formularios de valoración policial del riesgo integrados en el sistema VioGén —la VPR inicial y la VPER de evolución— clasifican cada caso en un nivel del que dependen medidas de protección graduadas. Un instrumento así se calibra deliberadamente hacia la sensibilidad, porque el coste de un falso negativo —no proteger a quien lo necesita— es incomparablemente mayor que el de un falso positivo; y esa decisión, asumida a conciencia, genera a cambio una carga de casos que hay que poder atender. Comprender ese equilibrio es exactamente lo que separa aplicar un formulario de entenderlo.

Y el cuarto es la evaluación de la propia actividad: medir si un dispositivo funciona exige definir indicadores antes de empezar, elegir un término de comparación y separar la evaluación del proceso de la del resultado. A ello se suma el uso de test tipificados en los procesos selectivos —donde la validez predictiva y la vigencia del baremo son la diferencia entre seleccionar bien y seleccionar con apariencia de rigor— y la lectura crítica de cualquier estadística que llegue a la mesa de un mando.

A todo ello se añade el análisis delictivo como aplicación cotidiana de este tema. Trabaja con datos que la propia organización genera, y por eso arrastra sus limitaciones: lo registrado depende de lo denunciado y de cómo se codifica, de modo que un cambio en el criterio de registro produce una «subida» o una «bajada» que no ha ocurrido en la calle. Sobre esa base se identifican concentraciones —los puntos calientes—, patrones temporales y series atribuibles a un mismo autor. Las cautelas son las ya vistas: no confundir correlación con causa, vigilar la regresión a la media después de un pico, y recordar que un mapa de calor dibuja dónde se denuncia, que no es exactamente dónde se delinque.

Ideas fuerza

• Lo propio de las ciencias sociales: objeto consciente y reactivo, multicausalidad, dificultad de experimentar, el investigador dentro de lo que estudia y conceptos que son constructos. Predicciones de tendencia, no leyes.
• Explicar (Durkheim: los hechos sociales, como cosas) frente a comprender (Dilthey y Weber: el verstehen y los tipos ideales). Weber: neutralidad valorativa. Giddens: doble hermenéutica. Merton: profecía autocumplida.
• Cualitativo: muestra intencional hasta la saturación, lógica inductiva, diseño abierto. Criterios de Guba y Lincoln: credibilidad, transferibilidad, dependibilidad y confirmabilidad. Triangulación: de datos, de investigadores, teórica y metodológica.
• Operacionalización (Lazarsfeld): concepto → dimensiones → indicadores → índices.
• Encuesta: preguntas cerradas (dicotómicas o politómicas), abiertas y semiabiertas; filtro, de control, de batería y de identificación. Orden en embudo, las de identificación al final. Prueba piloto siempre.
• Error muestral y nivel de confianza van juntos (habitual, 95 %). Para reducir el error a la mitad hay que cuadruplicar la muestra; manda el tamaño absoluto, no la proporción; y el error no corrige el sesgo de selección ni el de no respuesta.
• 🚨 El test es objetivo y susceptible de comparación. Ni «válido y relativo» ni «fidedigno y aproximado». Rendimiento máximo (lo que puede hacer) frente a rendimiento típico (lo que suele hacer). Puntuaciones: centiles y típicas z sobre un baremo que caduca.
• Observación: categorías exhaustivas y mutuamente excluyentes, muestreo de tiempo o de sucesos, y kappa de Cohen para el acuerdo entre jueces. Riesgo de la participante: going native.
• 🚨 Efecto Hawthorne = cambios en la conducta al saberse observado (Western Electric, con Elton Mayo; origen de la escuela de relaciones humanas). No es una muestra sesgada.
• Escalas: Thurstone (jueces, mediana), Likert (sumatoria, cinco puntos, la más usada), Guttman (acumulativa), Osgood (diferencial semántico, adjetivos bipolares, siete puntos, factores evaluación-potencia-actividad) y Bogardus (distancia social).
• Delphi: panel de expertos, anónimo y en varias rondas con devolución del resultado agregado.
• Validez: de contenido, de criterio (concurrente y predictiva), de constructo (convergente y discriminante) y aparente.
• 🚨 Test-retest → FIABILIDAD (estabilidad temporal). También: formas paralelas, dos mitades con Spearman-Brown y alfa de Cronbach. Fiable sin ser válido, sí; válido sin ser fiable, no.
• Sensibilidad = detectar a los que sí lo son (evita falsos negativos). Especificidad = descartar a los que no (evita falsos positivos). Están en tensión, y con baja prevalencia hasta una buena prueba produce muchos falsos positivos.
• Afijación del estratificado: simple, proporcional u óptima. El muestreo por cuotas no es probabilístico y por eso no le corresponde margen de error. La ponderación corrige la estructura, pero no crea información.
• Selección de personal: manda la validez predictiva, y al combinar pruebas, la validez incremental. Los cuestionarios de personalidad se falsean: por eso llevan escalas de sinceridad. Ojo al efecto techo.
• Transversal confunde edad con cohorte; el panel ve el cambio individual pero sufre mortalidad y condicionamiento del panel.
• Fuentes secundarias: INE, CIS, portal estadístico de criminalidad, Eurostat. Las comparaciones internacionales de delito son traicioneras: distinta definición, distinto registro y distinta tasa de denuncia.
• Ley 12/1989, de la Función Estadística Pública: secreto estadístico. Los datos recogidos con fin estadístico son confidenciales y no pueden usarse para otros fines.
• Victimización: mide la cifra negra y el miedo al delito, que no coincide con el riesgo real. Ojo al telescopaje. Y en VioGén, la VPR se calibra hacia la sensibilidad: el falso negativo cuesta muchísimo más.