Niveles de evidencia científica: cómo distinguir una intervención con respaldo real de una que solo lo aparenta

¿Qué son los niveles de evidencia científica?

La idea de fondo es sencilla: no todos los diseños de investigación dan la misma garantía de que un resultado sea real y no producto del azar, el sesgo o la casualidad. Por eso se ordenan en una jerarquía, representada habitualmente como una pirámide. En la base están la opinión de expertos, las series de casos y los estudios descriptivos; un peldaño más arriba, los estudios observacionales (cohortes, casos y controles); por encima, los ensayos controlados aleatorizados, que al repartir al azar quién recibe la intervención y quién no permiten aislar mejor su efecto; y en la cúspide, las revisiones sistemáticas y los metaanálisis, que combinan varios ensayos para dar una estimación más estable que la de cualquier estudio aislado (Manterola, Asenjo-Lobos & Otzen, 2014).

A ese ordenamiento por diseño se suele sumar un sistema de calificación de la calidad global de la evidencia disponible sobre una pregunta concreta. El más usado internacionalmente es GRADE, que clasifica la calidad en cuatro categorías: alta, moderada, baja y muy baja. Los ensayos aleatorizados parten de calidad alta y los estudios observacionales de calidad baja, pero esa calificación de partida se mueve: las limitaciones de diseño o la inconsistencia entre resultados la bajan, y un efecto de gran magnitud la sube (Atención Primaria Almirall, 2020). El matiz importa: el nivel de evidencia no depende solo de qué tipo de estudio se hizo, sino también de cómo se hizo y de qué tan bien se repite el hallazgo.

Por qué esto no es solo cosa de medicina: la práctica basada en la evidencia en psicología

Es fácil pensar que esta jerarquía es un asunto exclusivo de ensayos clínicos con fármacos, pero la propia American Psychological Association la trasladó de forma explícita a la práctica psicológica hace ya dos décadas. Su definición de referencia describe la práctica basada en la evidencia como la integración de tres elementos, no de uno solo: la mejor evidencia de investigación disponible, la experiencia clínica del profesional, y las características, cultura y preferencias de la persona atendida (APA Presidential Task Force on Evidence-Based Practice, 2006).

Esa definición de tres patas es la parte que más se pierde cuando alguien usa la expresión "basado en la evidencia" como sello de aprobación automático. La investigación es una pata, no las tres: una intervención con buenos ensayos detrás puede no ser la adecuada para un caso concreto si no encaja con el contexto de esa familia o ese centro, y el criterio profesional —el que da la experiencia de haber visto decenas de casos similares— sigue teniendo un papel que ningún metaanálisis sustituye. Los niveles de evidencia científica no están para anular el criterio, están para que ese criterio se apoye en algo verificable cuando toca justificarlo, por ejemplo en un informe psicopedagógico.

¿Cómo se traduce todo esto a la educación?

En el ámbito educativo, dos referencias anglosajonas han hecho un trabajo parecido al de GRADE, adaptado a intervenciones de aula en vez de a fármacos. El What Works Clearinghouse, dependiente del Departamento de Educación de Estados Unidos, califica cada estudio individual como "cumple los estándares sin reservas", "cumple los estándares con reservas" o "no cumple los estándares", según la solidez del diseño; y cuando sintetiza varios estudios sobre una misma intervención en una guía práctica, resume el conjunto como evidencia fuerte, moderada o mínima (Institute of Education Sciences, What Works Clearinghouse, 2021).

El Teaching and Learning Toolkit de la Education Endowment Foundation, en el Reino Unido, usa un sistema más visual pero con la misma lógica: junto a la estimación de meses de progreso adicional que aporta cada estrategia, muestra una escala de hasta cinco "candados" que indica qué tan segura es la evidencia que la respalda (Education Endowment Foundation, 2017). Las dos cifras hay que leerlas juntas. Fijarse solo en los meses de progreso es un error frecuente: una cifra llamativa con pocos candados es, sobre todo, una estimación todavía poco fiable.

¿Por qué algo muy extendido en el aula puede tener evidencia débil o nula?

Aquí está la pregunta que de verdad importa en el día a día: que una práctica esté muy extendida, se enseñe en cursos de formación o "tenga sentido intuitivo" no la coloca automáticamente en lo alto de la pirámide. El ejemplo más citado en la literatura reciente sobre neuromitos educativos es la idea de los estilos de aprendizaje (visual, auditivo, kinestésico): como recoge un análisis reciente sobre neuromitos en educación, la idea de que cada alumno aprende mejor si se le enseña según su supuesto estilo no está respaldada por evidencia científica, y aun así gran parte del profesorado del Reino Unido había participado en programas formativos basados en ella (Grasselli de Lima, 2024).

Esto no significa que haya mala fe detrás de cada técnica sin evidencia fuerte — muchas veces es simplemente que nadie se ha molestado en preguntar en qué nivel de la pirámide está lo que se está aplicando. Y es exactamente esa pregunta la que conviene normalizar hacer, tanto si te la plantea una familia sobre un método que ha visto en redes como si te la plantea un equipo directivo sobre un programa que acaba de comprar el centro. Pasa lo mismo con la conducta disruptiva: hay intervenciones muy populares y otras con mucho mejor respaldo, y no siempre coinciden.

Apartado práctico: cómo valorar en cinco minutos si una intervención tiene respaldo real

No hace falta ser metodólogo para hacer una primera criba razonable. Antes de dar por buena —o de recomendar— una intervención, conviene preguntarse:

• ¿Hay más de un estudio, o solo testimonios y casos aislados? Un caso de éxito bien contado convence, pero está en la base de la pirámide, no en la cúspide.
• ¿Alguno de esos estudios es una revisión sistemática o un metaanálisis, o son solo estudios sueltos que todavía no se han puesto en común? Varios estudios pequeños y dispersos no equivalen a una síntesis bien hecha.
• ¿Quién hizo la evaluación? La propia EEF advierte, por ejemplo en su ficha sobre enseñanza individualizada, de que las evaluaciones realizadas por organizaciones vinculadas al programa suelen mostrar efectos mayores que las independientes (Education Endowment Foundation, s.f.) — merece la pena mirar quién firma el estudio, no solo qué dice.
• Si existe una clasificación por niveles (GRADE, WWC, candados de la EEF), ¿qué nivel concreto tiene, y quién lo asigna — un organismo independiente o el propio programa que se vende?
• ¿El efecto se ha replicado en un contexto parecido al tuyo, o solo existe en la muestra original del estudio? Un hallazgo que no se repite en poblaciones distintas pesa menos que uno que sí.

Ninguna de estas preguntas exige acceso a bases de datos especializadas ni formación en metodología de investigación — exige, sobre todo, el hábito de no quedarse en la frase "está basado en la evidencia" y pedir un nivel más de detalle.

Para llevarlo a la práctica

La próxima vez que una intervención, un test o un programa se presente ante ti con la etiqueta de "evidencia científica", vale la pena hacer la pregunta al revés: ¿en qué nivel de evidencia científica está exactamente, y quién lo ha evaluado? No se trata de exigir un ensayo aleatorizado para cada decisión del día a día —eso sería tan poco realista como ignorar la jerarquía por completo—, sino de calibrar la confianza que depositas en una herramienta según el peldaño real en el que se sostiene, y de dejarlo dicho con claridad cuando ese nivel es bajo. Un informe que reconoce la solidez —o la fragilidad— de lo que cita tiene más criterio que uno que simplemente da por sentado que "evidencia" significa siempre lo mismo.