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.

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.