Hace unos días publiqué una herramienta gratuita que simula la revisión de un Reviewer 2 antes de enviar tu manuscrito a una revista Q1: el Revisor Q1. En pocos días han pasado por ella cientos de manuscritos de psicología y ciencias de la salud, desde papers de dos mil palabras hasta tesis de diecisiete mil. Como me llega copia de cada informe, he podido leer un patrón que se repite con una constancia llamativa. No son errores exóticos. Son tres problemas concretos, previsibles, y que casi cualquier autor puede resolver antes de enviar si sabe dónde mirar.
Lo cuento aquí porque el valor no está en la anécdota, sino en que son exactamente las críticas que un revisor real escribe en la primera ronda, y las que más veces convierten un "major revisions" en un rechazo directo. Si reconoces alguno en tu manuscrito, tienes una tarde de trabajo por delante que te ahorra meses de revisión.
1. El tamaño muestral no está justificado a priori
Este es, con diferencia, el más frecuente. No hablo de "tener poca muestra": hablo de que el manuscrito no explica por qué esa muestra basta para detectar el efecto que se busca. El autor recoge sus datos, hace sus análisis, y en ningún sitio del método aparece un cálculo de potencia. Un revisor de una revista seria lo lee como una señal de que el estudio no se planificó, y le da munición para cuestionar cualquier resultado no significativo ("¿es que no hay efecto, o es que no tenías potencia para detectarlo?").
La solución es de las más baratas que existen en metodología: un análisis de potencia a priori con G*Power, una simulación, o una calculadora como nuestra calculadora de tamaño del efecto, y una frase en el método que diga "con un tamaño del efecto esperado de X, alfa de .05 y potencia de .80, se requerían N participantes". Diez minutos de trabajo que desactivan la crítica más previsible de todas. Si ya recogiste los datos y la muestra se quedó corta, es mejor reconocerlo tú en las limitaciones que dejar que lo haga el revisor.
2. Los resultados no reportan tamaños del efecto ni intervalos de confianza
El segundo patrón es reportar la significación (la p) y poco más. En una revista Q1 de psicología o ciencias de la salud, la p sola ya no basta desde hace años. Un resultado "significativo" (p < .05) puede corresponder a un efecto trivial si la muestra es grande, y un resultado "no significativo" puede esconder un efecto relevante si la muestra es pequeña. El tamaño del efecto (d de Cohen, eta cuadrado parcial, r, odds ratio, beta estandarizada) te dice cuánto, y el intervalo de confianza al 95% te dice con cuánta precisión lo has estimado.
La APA lleva ediciones pidiéndolo, y las guías de reporte de la mayoría de revistas lo exigen de forma explícita. Aun así, sigue faltando en una parte enorme de los manuscritos que reviso. Añadir tamaños del efecto e intervalos a cada contraste no cambia tus datos, pero cambia por completo cómo se lee tu sección de resultados: pasa de "encontré algo" a "encontré un efecto de esta magnitud, estimado con esta precisión". Si quieres repasar cómo se reporta cada uno en formato correcto, tienes la guía de cómo reportar resultados en APA 7.
3. Conclusiones causales con diseños que no son causales
El tercero es el más conceptual y el más difícil de ver desde dentro, porque suele estar en el lenguaje. El autor tiene un diseño correlacional o transversal, encuentra una asociación, y escribe la discusión con verbos de causa: "el uso de redes sociales aumenta la ansiedad", "la autoestima produce mejores resultados académicos". El problema es que con datos correlacionales la dirección podría ser la inversa, podría haber una tercera variable que explique ambas, o la relación podría ser bidireccional. Solo un diseño experimental con manipulación y aleatorización sostiene una afirmación causal.
La corrección no exige rehacer el estudio: exige ajustar el lenguaje. Cambiar "aumenta" por "se asocia con", "produce" por "se relaciona con", y reservar la interpretación causal para la sección de futuras líneas, planteándola como hipótesis a contrastar con un diseño adecuado. Es uno de los ajustes más rápidos de hacer y de los que más credibilidad da a tu discusión, porque demuestra que sabes exactamente qué permite y qué no permite concluir tu diseño. Sobre esto escribí más a fondo en los errores comunes al interpretar resultados.
Qué tienen en común los tres
Ninguno de los tres es un error de análisis sofisticado. Los tres se detectan leyendo el manuscrito con la mirada de quien lo va a revisar, y los tres se corrigen antes de enviar, cuando todavía puedes hacer algo. Ese es justamente el hueco que intenta cubrir el Revisor Q1: darte esa lectura crítica en un par de minutos, para que llegues al envío habiendo resuelto lo previsible y puedas concentrarte en lo que de verdad requiere criterio.
Dicho esto, una herramienta automática tiene un techo. Detecta patrones, pero no sustituye a mirar tu caso concreto con calma: si la crítica que te sale es un problema de diseño o de análisis que no sabes cómo resolver, o necesitas una carta de respuesta a revisores para un envío en curso, ahí ya hace falta criterio humano. Si quieres que le eche un vistazo a tu manuscrito, puedes contar con una revisión estadística completa o escribirme para una primera valoración sin coste.