La Construcción de un Espectro: Un Análisis Clínico, Histórico y Filosófico de la Evolución del Diagnóstico del Autismo (Gemini 2.5 pro)

Introducción: El Paisaje Cambiante de la Nosología del Autismo

La transición del marco categórico de los Trastornos Generalizados del Desarrollo (TGD) en el Manual Diagnóstico y Estadístico de los Trastornos Mentales, Cuarta Edición (DSM-IV) al diagnóstico unificado y dimensional de Trastorno del Espectro Autista (TEA) en el DSM-5 representa un cambio paradigmático en la psiquiatría moderna. Esta reclasificación, aunque presentada como un avance científico basado en datos, no puede ser comprendida en su totalidad sin un análisis multicapa que integre cuatro dominios distintos: (1) la arquitectura formal de los criterios diagnósticos y su contraste con sistemas nosológicos que han optado por la estabilidad categorial; (2) la base de evidencia clínica y neurobiológica; (3) los profundos contextos sociohistóricos y políticos que moldearon el discurso; y (4) una deconstrucción filosófica crítica del propio constructo diagnóstico.

Este informe argumenta que la historia de la evolución del TEA sirve como un poderoso caso de estudio para los desafíos más amplios de la nosología psiquiátrica, revelándola como un campo dinámico y disputado donde el descubrimiento científico, el pragmatismo clínico, el legado histórico y los valores sociales están inextricablemente entrelazados.

Integración de Modelos de Lenguaje Avanzados (Gemini) como Herramienta en la Enseñanza del Análisis de Datos en Psicología

1. Introducción: El Reto del Análisis de Datos en la Formación Psicológica

La Psicología contemporánea se fundamenta en gran medida en la evidencia empírica, lo que convierte al análisis de datos en una competencia esencial para cualquier estudiante o profesional del área (Field, 2018). La capacidad de diseñar investigaciones, recolectar datos, seleccionar y aplicar pruebas estadísticas adecuadas, interpretar los resultados y comunicar las conclusiones de manera efectiva es crucial para el avance del conocimiento psicológico y para la práctica basada en la evidencia.

Sin embargo, la asignatura de Análisis de Datos es frecuentemente percibida por los estudiantes como una de las más arduas y generadoras de ansiedad (Onwuegbuzie & Wilson, 2003). Las dificultades radican en múltiples frentes: la abstracción de los conceptos estadísticos, la complejidad matemática subyacente, la curva de aprendizaje asociada al software estadístico (como SPSS, R o Python) y la habilidad para conectar la teoría estadística con preguntas de investigación psicológica concretas (Zieffler et al., 2018). Estos desafíos pueden obstaculizar no solo el rendimiento académico sino también la confianza de los futuros psicólogos en su capacidad para realizar e interpretar investigaciones cuantitativas.

En este contexto, la emergencia de herramientas de Inteligencia Artificial (IA) generativa, y en particular los modelos lingüísticos avanzados (LLMs) como Gemini, abre nuevas vías para repensar y enriquecer el proceso de enseñanza-aprendizaje en esta área crítica (Baidoo-Anu & Owusu Ansah, 2023).

Razonamiento lógico en TFG (notas breves)

En un Trabajo de Fin de Grado (TFG) de psicología, el razonamiento lógico es fundamental para construir argumentos válidos, analizar hipótesis y sostener conclusiones. Los razonamientos de tipo modus ponens, modus tollens y la afirmación del consecuente son inferencias clásicas de la lógica proposicional que pueden emplearse para estructurar argumentos lógicos en la interpretación de datos o hipótesis. A continuación, se explican cada uno de ellos y cómo podrían utilizarse en un TFG de psicología.

1. Modus Ponens

El modus ponens (o "modo de afirmar") es una forma de razonamiento deductivo que sigue la estructura:

• Premisa 1: Si $P$, entonces $Q$ (Implica que si una condición se cumple, habrá un resultado o efecto).
• Premisa 2: $P$ (se cumple la condición).
• Conclusión: Por lo tanto, $Q$ (se infiere que se da el resultado).

Introducción al metaanálisis en JAMOVI: uso en correlaciones de Pearson

El metaanálisis, como parte de la revisión sistemática, suele definirse como el análisis estadístico que combina los resultados de múltiples estudios científicos, que tienen como objeto de resolver el mismo tipo de problema (Glass, McGaw, & Smith, 1981), verificando la consistencia de las soluciones alcanzadas por los distintos autores, y por tanto facilitando la acumulación del conocimiento (Marín, Sánchez y López, 2009).  Es decir, integra los resultados cuantitativos de estudios separados pero similares en sus objetivos/técnicas proporcionando una estimación numérica del efecto general de interés (Petrie, Bulman & Osborn ,2003). Incluso es posible extenderse a otros metaanálisis previos, con lo cual nos encontraríamos en situaciones de meta-metaanálisis (Mingebach, Kamp-Becker, Christiansen & Weber, 2018)

Opcionalmente, es posible asignar diferentes pesos a los diferentes estudios para calcular el estadístico final. Esta ponderación se relaciona con la inversa del error estándar (indirectamente con el tamaño de la muestra) informado en los distintos estudios contemplados. Es decir, los trabajos con un error estándar más pequeño y un tamaño de muestra más grande tienen más peso en el cálculo del tamaño del efecto agrupado.

Bondad de ajuste Chi-cuadrado en SPSS y JASP

El test de bondad de ajuste Chi-cuadrado es muy útil en situaciones donde usamos una variable categórica (escala de medida nominal u ordinal), y queremos comprobar si las proporciones observadas (frecuencias relativas) de cada categoría se ajustan o no a un conjunto de hipótesis- proporciones basada en investigaciones anteriores, teoría o ideas previas del investigador (Cohen, 1988; Lomax y Hahs-Vaughn, 2012). 

Vamos a introducir brevemente la pruebas de bondad de ajuste de Chi-cuadrado en SPSS (IBM Corp., 2019) y JASP (JASP Team, 2020), usando los datos correspondientes a una base de datos de funcionarios de prisiones obtenidos en una investigación del Grupo de Investigación Psicosocial (GIP) de la Universidad de Oviedo en 2020.

Introducción a la regresión cuantílica para comparar medianas en SPSS 26

El modelado basado en la regresión cuantílica, caracterizado por describir un cuantil dada una serie de variables exógenas, donde la mediana es un caso particular del algoritmo  general, tiene cada vez mas aplicaciones en el campo de la Metodología de las Ciencias del Comportamiento. En esta breve entrada vamos a ver como puede ser usado de  forma complementaria a algunas de las técnicas no paramétricas clásicas.

Por ejemplo, a la hora de comparar dos grupos que tienen un tamaño muestral muy reducido o no se ajustan al modelo de una distribución normal, una prueba no parámetrica clásica para compararlas es el test de Mann–Whitney, contrastando que los valores estadísticos centrales (medianas) son iguales o muy parecidos. 

El problema con esta prueba, es que es útil a la hora de contrastar promedios, asumiendo que la forma de dispersión son semejantes, lo cual no siempre es así.

SPSS 25: Introducción a la Inferencia Bayesiana con la prueba T-test

En esta breve exposición realizaremos una sucinta introducción de cómo realizar e interpretar una prueba T-test bayesiana para grupos independientes en SPSS. En el ejemplo vamos a comparar la edad de la comisión del primer delito reconocido por los presos de una muestra extraída del centro de Villabona, perteneciente al Principado de Asturias, teniendo en cuenta el sexo de los sujetos evaluados (1 = Varón, 1 = Mujer), utilizando la prueba T de muestras independientes.

Lectura de matrices en AMOS

Si se desea introducir como datos de partida en AMOS una matriz de correlaciones, deberemos tener en cuenta que el archivo SPSS de datos debe tener la siguiente estructura:

-La primera variable, tipo cadena con nombre ROWTYPE_ (anchura 8 caracteres) deberá contener como información n, corr sttdev y mean.

-La segunda VARNAME_ (ancho 8) que contendrá los nombres de las variables en cada fila correspondiente. 

-A continuación se encuentran las columnas con las variables analizadas.

Un ejemplo podría ser el siguiente caso (matriz policórica generada por el programa Factor (Ferrando  y Lorenzo-Seva, 2017 ) y exportada al SPSS):

Tamaño del efecto en Kruskal-Wallis y pruebas post-hoc

El tamaño del efecto, aconsejado como básico en los análisis de datos modernos, no solo complementa el grado de significación (valor p) indicando si existe o no un efecto y su intensidad, también nos ayuda a reducir la posibilidad de los falsos positivos (error tipo I o tipo II), y además facilita la comparación de las investigaciones.

Una alternativa no paramétrica clásica al ANOVA, es la conocida como prueba de Kruskal-Wallis, la cual evalúa si las medianas de la población en una variable dependiente son semejantes en todos los niveles de un factor. Si rechazamos la Ho (semejanza de medianas) es posible realizar pruebas post-hoc mediante el procedimiento incrustado dentro del SPSS, pudiendo calcular a continuación los tamaños de los efectos a partir de las pruebas test de Dunn o la U de Mann-Whitney para los pares significativos.

Por otra parte el tamaño del efecto global puede ser derivado a partir de la expresión general:

....donde:

* E= estadístico epsilón (ε²) que fluctúa entre 0 a 1.

* H= estadístico de Kruskal-Wallis (aprox. a chi-2)

* n = número total de casos en el estudio

SPSS: Un algoritmo alternativo a la prueba t-test para medidas repetidas

La prueba clásica de diferencias de medidas repetidas (t-test) frecuentemente no es sensible a ligeras diferencias que se pueden observar descriptivamente en los niveles contrastados. 

Dentro de las alternativas que podemos usar, veremos brevemente un procedimiento en SPSS descrito por  Hedberg & Stephanie (2015) basado en las puntuaciones diferenciales y el modelo de regresión. Y también la alternativa no paramétrica correspondiente. 

El objetivo de esta breve artículo es describir el uso de un modelo de regresión como una alternativa válida a la prueba clásica de diferencias de medias para observaciones repetidas, intentando aumentar la potencia estadística de la cual carece la herramienta estadística usada preferentemente por los investigadores.

SPSS OMS: Visualización de la valoración y contraste de los grados de significación (p) en escalas Likert

Los grados de significación han sido una parte esencial durante años del trabajo de investigación. Y ahora se encuentra en fase de revisión, tanto su uso (Wasserstein & Lazar, 2016) como su forma de interpretarlo (Benjamin et al.,2017).

Encontrándonos en esta fase dialéctica, es interesante poder visualizar rápidamente nuestros resultados clásicos con objeto de contrastarlos con los nuevos. Y de todas las técnicas posibles vamos a ver de forma breve una de las posibilidades que aparecen en Análisis de Datos, usando para ello el paquete estadístico IBM SPSS.

SPSS 25: Introducción a la correlación bayesiana

La correlación bayesiana no deja de ser una distribución, y con objeto de ilustrarlo hemos creado esta breve referencia en este blog, usando como base de datos un antiguo estudio de nuestro grupo de investigación en Psicología Criminal y Forense. Para ello hemos utilizado el SPSS 25  tanto para explorar los datos de forma gráfica como para realizar las correspondientes estadísticas bayesianas. 

Introducción a la simulación en IBM SPSS modeler

El paquete estadístico SPSS, comercializado por SPSS Inc. (adquirido por IBM en 2009), es una de las herramientas más frecuentes en el campo de investigación en las Ciencias Sociales. (Annapurna, 2017). Y entre los procedimientos más útiles se encuentra la simulación de datos ().

En la herramienta IBM SPSS modeler, nos encontramos con el nodo "Generar simulación" que nos permite, generar datos simulados, ya sea bien a partir de distribuciones estadísticas especificadas por el investigador o de datos reales. Siendo útil en este caso cuando se desea evaluar el resultado de un modelo predictivo en presencia de incertidumbre en las entradas de modelo. 

Análisis factorial: Fiabilidad compuesta y varianza extraída

En el proceso de observación de los comportamientos humanos, uno de los aspectos esenciales es el proceso de cuantificación. Entendiendo este proceso de medición como las reglas que nos permiten asignar números a los procesos observados, de tal forma que representen de manera adecuada la cantidad del atributo que poseen” (Nunally & Berstein, 1994). Si bien estas reglas son evidentes en situaciones como la altura, peso o edad, esto ya no es tan claro (no son intuitivas) en propiedades como la personalidad o la inteligencia.

Para medir este tipo variables (constructos) es necesario crear (usar si ya existen) escalas de medida formadas por un conjunto de preguntas o frases (ítems) que permiten medir el nivel que alcanza una atributo determinado (extroversión, psicoticismo, capacidad verbal, capacidad espacial, etc.) que no es directamente observable en el sujeto sometido a observación (un alumno, una institución, un animal, etc.).
En la literatura clásica psicométrica, el alfa de Cronbach, nos indica la fiabilidad de un conjunto de indicadores para medir un constructo evaluado. En caso  de obtener mas de un constructo, en el análisis factorial desarrollado, este índice no es adecuado, ya que no tiene en cuenta la influencia que los otros constructos pueden tener sobre el medido. Es un estadístico sesgado (Dunn, Baguley & Brunsden, 2014).

Tamaño del efecto en tablas de contingencia mediante el SPSS

Siguiendo las recomendaciones de la APA (2009), vamos a ver brevemente como se obtiene el tamaño del efecto (a posteriori) en las tablas de contingencia, usando para ello el SPSS.

En primer lugar recordar que en las tablas de frecuencias (contingencia) la fuerza de asociación (tamaño del efecto), estamos contrastando si las variables están relacionadas (asociadas), y se suele hablar en la literatura de fuerza de asociación en lugar de tamaño del efecto.

Para medir el tamaño del efecto (fuerza de asociación) vamos a usar en SPSS las tres medidas de asociación más frecuentes, que recordemos son:

El coeficiente phi: cuando tenemos una tabla 2×2 varía entre 0 y 1 y tiene una interpretación similar a la r de Pearson (más correlación cuanto más cercano a 1). En tablas mayores es más difícil de interpretar, y no debe ser usado.

El coeficiente de contingencia: siempre varía entre 0 y 1 y se interpreta como la phi. El problema es que pocas veces alcanza el valor 1.

La V de Cramer: para tablas 2×2 coincide con la phi. Siempre varía entre 0 y 1, y en tablas mayores de 2×2 no tiene las restricciones del coeficiente de contingencia, puede alcanzar su valor máximo 1.

Tamaño del efecto en la prueba U de Mann-Whitney

Una alternativa clásica a la prueba de la t de Student, es la prueba no paramétrica conocida como U de Mann-Whitney (Mann-Whitney-Wilcoxon, prueba de suma de rangos Wilcoxon, o prueba de Wilcoxon-Mann-Whitney), y aplicada a dos muestras independientes, con datos a nivel de escala ordinal o intervalo/razón pero donde no se puede asumir normalidad. 

Es un procedimiento que es fácil de programar en sistemas como el SPSS, como podemos comprobar en el siguiente caso:

Métodos de Observación: Introducción al programa Animal Behaviour Pro

Entre las herramientas disponible en dispositivos IOS (Iphone & Ipad) para el registro observacional vamos a ver de forma breve la conocida como Animal Behaviour Pro. Creada como un registrador de datos flexible, durante la codificación en vivo de los comportamientos bajo condiciones de campo, de acuerdo a la linea de Altmann (1974). 

El elemento central del programa consiste en un esquema de codificación, formado por una lista de temas (donde todos los individuos que se pueden observar son actores o receptores de comportamiento). En este apartado aparecerán todos los comportamientos que se deseen grabar (etograma), y una lista de 'modificadores'  (calificadores de los patrones de comportamiento individuales). Se requiere además, en todos los comportamientos, especificar un objetivo cuando se crea (auto: el actor, otro: otro individuo, ó ninguno: sin objetivo). 

Recordar que cuando se codifican las conductas, debe ser un proceso mutuamente excluyente y exhaustivo. No obstante, la aplicación es compatible con el uso de los códigos que no se excluyen mutuamente, para aquellas situaciones particulares que se requiera. 

Odds ratio y Q de Yule en el SPSS

En el campo de la observación, es frecuente tener que cuantificar la asociación entre dos evaluadores, como medio de probar el grado de concordancia de sus registros, o bien el análisis secuencial de dos comportamientos.

Frecuentemente la recogida de información se simplifica mediante clasificaciones dicotómicas, de acuerdo al esquema general de la siguiente tabla, para evaluar la concordancia de investigadores:

Frecuencias para datos binarios de observación en dos investigadores

Observador 1	Observador 2
	+	-
+	a	b	a + b
-	c	d	c + d
	a + c	b + d	Total

Mientras en el caso de un análisis secuencial, el formato sería:

Frecuencias para datos binarios de  dos comportamientos secuenciales

Comportamiento 1	Comportamiento 2
	+	-
+	a	b	a + b
-	c	d	c + d
	a + c	b + d	Total

Detección de series temporales anómalas en R: anomalous-acm

En las organizaciones, como puede ser una universidad pública, sus redes informáticas recopilan grandes cantidades de datos todos los días, y frecuentemente es necesario detectar en esas series de tiempo los comportamientos anómalos. Por ejemplo, en la monitorización de los servidores de páginas webs, del correo electrónico, de las aulas informáticas o de los profesores, una tarea común es identificar aquellas máquinas que se comportan de forma inusual. 

Estimar Odds Ratio y los factores de confusión a través del SPSS

La asociación entre un comportamiento considerado problemático, y la exposición a un factor, es un análisis clásico (Herrero, 2015), y frecuentemente susceptible de confusión (relación espuria).

Supongamos el caso siguiente (estudio en el centro de Villabona dirigido por el doctor F.J.Rodríguez de la Universidad de Oviedo), donde se relaciona la reincidencia (comportamiento objetivo) con la exposición a niveles de ingresos bajos en la familia. Usando el SPSS obtenemos la siguiente tabla de frecuencias y su Odds Ratio (OR):

Como el OR es de 2,5 (Ingresos bajos/Ingresos medios altos), con un intervalo de confianza (IC) entre 1,28 y 4,99 (no contiene el 1), podemos asumir relación entre las dos variables estudiadas. Es decir, los ingresos familiares bajos son un factor de riesgo, a la hora de determinar un comportamiento de recidiva (reincidencia) en los sujetos internados en el centro de Villabona.