Si estás estudiando el Bachillerato Internacional (IB), probablemente tarde o temprano tendrás que enfrentarte al Internal Assessment (IA). En las asignaturas de ciencias, como Física y Química, el IA es una oportunidad para desarrollar una investigación propia y demostrar que sabes aplicar los conceptos y herramientas de la asignatura a un problema concreto.
Sin embargo, hacer un buen IA no consiste simplemente en realizar un experimento y escribir un informe. La elección de la pregunta, el diseño experimental, el tratamiento de los datos y la evaluación de los resultados son partes fundamentales del proceso.
En esta guía vamos a ver cómo plantear un IA de ciencias del IB, cuáles son los errores más frecuentes y qué puedes hacer para que tu investigación tenga un análisis realmente sólido.
¿Qué es el Internal Assessment de Física o Química?
El Internal Assessment es una parte de la evaluación interna de determinadas asignaturas del IB. En Física y Química, consiste en desarrollar una investigación científica individual relacionada con los contenidos y métodos de la asignatura.
El objetivo no es demostrar simplemente que puedes seguir un procedimiento experimental. Lo importante es demostrar que eres capaz de:
- plantear una investigación adecuada;
- recoger y procesar datos;
- utilizar conceptos científicos para analizarlos;
- interpretar los resultados;
- evaluar las limitaciones de tu método;
- y extraer conclusiones justificadas por la evidencia obtenida.
Por eso, un IA de ciencias debe entenderse como una investigación científica, no como una simple práctica de laboratorio ampliada.
El primer paso: elegir una buena pregunta de investigación
Uno de los momentos más importantes del IA ocurre incluso antes de empezar a tomar datos.
Una buena investigación necesita una pregunta concreta y viable.
Una pregunta demasiado amplia hace que sea difícil realizar un análisis profundo. Por ejemplo:
¿Cómo afecta la temperatura a una reacción química?
es demasiado general.
Una pregunta más concreta podría ser:
¿Cómo afecta la temperatura a la velocidad de reacción entre el tiosulfato de sodio y el ácido clorhídrico?
La segunda pregunta permite identificar claramente qué variable se modifica, qué se mide y qué relación se quiere estudiar.
En Física ocurre exactamente lo mismo.
¿Cómo afecta la longitud de un péndulo a su periodo?
es una investigación mucho más manejable que una pregunta general sobre el funcionamiento de los péndulos.
Una buena pregunta debe ser viable
Antes de decidirte definitivamente por una pregunta, deberías preguntarte:
- ¿Puedo realizar esta investigación con el material disponible?
- ¿Puedo obtener suficientes datos?
- ¿Puedo controlar las variables relevantes?
- ¿Tengo suficiente conocimiento matemático y científico para analizar los resultados?
- ¿La relación entre las variables puede estudiarse cuantitativamente?
- ¿Puedo desarrollar una evaluación significativa?
Una pregunta puede ser muy interesante desde el punto de vista científico y, al mismo tiempo, ser una mala elección para un IA si no puede investigarse adecuadamente.
No elijas primero el experimento y después busques una pregunta
Este es un error bastante común.
Un alumno encuentra un experimento interesante y piensa:
“Voy a hacer esto y luego ya pensaré qué pregunta puedo investigar.”
El problema es que puedes acabar con un experimento que produce datos, pero que no permite realizar un análisis suficientemente profundo.
Es mejor empezar por la relación que quieres investigar y después diseñar un método que permita estudiarla.
Por ejemplo, si quieres estudiar cómo afecta una variable independiente a otra variable dependiente, debes pensar desde el principio:
- qué valores vas a utilizar;
- cuántas medidas necesitas;
- qué variables debes controlar;
- qué precisión tienen tus instrumentos;
- y qué análisis matemático vas a realizar posteriormente.
Diseñar el experimento correctamente
Una vez tienes una pregunta viable, llega el momento de diseñar la investigación.
En ciencias, un buen diseño experimental debe dejar claro:
Variable independiente
Es la variable que modificas deliberadamente.
Por ejemplo:
- temperatura;
- longitud;
- concentración;
- masa;
- voltaje;
- distancia.
Variable dependiente
Es la variable que mides.
Por ejemplo:
- tiempo;
- velocidad;
- periodo;
- absorbancia;
- temperatura;
- corriente eléctrica.
Variables controladas
Son las variables que podrían afectar al resultado y que intentas mantener constantes.
Esto es especialmente importante porque, si cambian varias variables simultáneamente, será difícil determinar qué está causando los cambios observados.
Recoger datos no es suficiente
Un IA de ciencias necesita datos que permitan realizar un análisis significativo.
Por eso, antes de comenzar el experimento, piensa en qué datos necesitarás para responder realmente a tu pregunta.
En general, es preferible disponer de varios valores de la variable independiente y realizar medidas repetidas cuando sea apropiado.
Por ejemplo, si investigas una relación entre dos variables, cinco puntos de datos pueden permitirte observar una tendencia, pero una investigación con un rango más amplio y suficientes medidas puede ofrecer muchas más posibilidades para analizar el comportamiento de la relación.
Además, repetir medidas puede ayudarte a identificar:
- variabilidad experimental;
- valores anómalos;
- dispersión de los datos;
- incertidumbres;
- y la consistencia de los resultados.
Las incertidumbres son una parte importante del análisis
Uno de los aspectos que diferencia un análisis científico sólido de uno superficial es el tratamiento de las incertidumbres.
No basta con escribir los valores medidos.
Debes considerar la precisión de los instrumentos y cómo las incertidumbres afectan a tus resultados.
Dependiendo de la investigación, esto puede implicar:
- incertidumbres absolutas;
- incertidumbres relativas o porcentuales;
- propagación de incertidumbres;
- barras de error;
- y comparación de incertidumbres entre resultados.
Por ejemplo, si dos resultados parecen diferentes pero sus incertidumbres se solapan considerablemente, no necesariamente puedes afirmar que existe una diferencia significativa.
La incertidumbre debe utilizarse para interpretar los datos, no simplemente aparecer como un número añadido a las tablas.
El gráfico no es simplemente una decoración
Otro error frecuente es incluir un gráfico porque “hay que poner un gráfico”.
El gráfico debe ayudarte a analizar la relación entre las variables.
Dependiendo del experimento, puede ser interesante estudiar:
- la pendiente;
- la intersección;
- la linealidad;
- la correlación;
- la forma de la curva;
- posibles desviaciones;
- o la compatibilidad con un modelo teórico.
En algunos casos, una transformación matemática de los datos puede permitir comprobar si una relación determinada es compatible con un modelo lineal.
Por ejemplo, una relación que inicialmente parece curva puede transformarse para comprobar si existe una relación lineal entre otras variables.
Esto puede llevar el análisis mucho más allá de simplemente decir:
“El gráfico muestra una relación positiva.”
Compara tus resultados con un modelo científico
Una investigación de Física o Química no debería limitarse a describir los datos.
Cuando sea posible, debes relacionar tus resultados con la teoría científica que estás estudiando.
Puedes preguntarte:
- ¿Los resultados son compatibles con la teoría?
- ¿La relación observada tiene la forma esperada?
- ¿La pendiente obtenida tiene significado físico o químico?
- ¿El valor experimental es compatible con el valor teórico?
- ¿Las diferencias pueden explicarse mediante las incertidumbres?
- ¿Existe algún comportamiento inesperado?
Esta conexión entre los datos experimentales y el modelo teórico suele ser mucho más interesante que limitarse a presentar los resultados.
Una buena evaluación no es una lista de errores
La evaluación es otra de las partes en las que muchos alumnos pierden oportunidades.
Una evaluación débil suele decir cosas como:
“Podría utilizar un instrumento más preciso.”
El problema es que esto no explica por qué esa limitación importa.
Una evaluación más útil debería explicar:
- cuál es la limitación;
- cómo afecta a los resultados;
- qué evidencia permite identificarla;
- y cómo podría mejorarse el método.
Por ejemplo, si el tiempo de reacción de una persona afecta a una medida experimental, no basta con decir que “el tiempo de reacción introduce error”.
Hay que explicar cómo ese error puede afectar a los datos y qué procedimiento permitiría reducirlo.
No todas las fuentes de error tienen la misma importancia
Otro error habitual es hacer una lista enorme de posibles fuentes de error.
No necesitas demostrar que el experimento es imperfecto. Todos los experimentos reales tienen limitaciones.
Lo importante es identificar cuáles son las limitaciones que realmente pueden afectar a tu conclusión.
Por eso, en lugar de escribir diez errores genéricos, suele ser más útil analizar en profundidad dos o tres limitaciones relevantes.
¿Cuánto debería durar un IA?
No existe una relación directa entre la calidad de un IA y su número de páginas. El límite de 3000 palabras obliga a ser escueto y directo, e intentar acoplarse a los criterios que se evalúan. Lo importante es que cada sección contribuya a responder la pregunta de investigación.
En cuanto al tiempo necesario para realizar un buen trabajo, se estima que un alumno debe dedicar unas 40 horas a la elaboración del IA, teniendo en cuenta la preparación y realización del experimento, el análisis de los datos y su redacción.
Los errores más frecuentes en un IA de ciencias
Antes de entregar tu investigación, comprueba especialmente estos puntos:
1. La pregunta es demasiado amplia
Si no puedes explicar exactamente qué variables estás estudiando, probablemente necesitas concretarla.
2. El experimento no responde realmente a la pregunta
A veces los alumnos recopilan muchos datos, pero esos datos no permiten responder directamente a la investigación planteada.
3. Hay demasiados datos y poco análisis
Una tabla enorme no sustituye a una interpretación científica.
4. Las incertidumbres aparecen, pero no se utilizan
Calcular una incertidumbre no sirve de mucho si después no se considera al interpretar los resultados.
5. El gráfico no se interpreta
No basta con incluir una línea de tendencia y mencionar el valor de . Hay que explicar qué significa y qué información aporta sobre la investigación.
6. La evaluación es genérica
Decir que “utilizar material más preciso mejoraría el experimento” no es suficiente. Explica qué error se reduciría y cómo afectaría a los resultados.
7. Se intenta llenar páginas
El objetivo no es producir el informe más largo posible. El objetivo es construir una investigación clara, coherente y científicamente justificada.
¿Cuándo deberías empezar tu IA?
No esperes a las últimas semanas del curso. Idealmente deberías avanzar tus IAs antes de empezar el segundo año.
El mejor momento para empezar a pensar en el IA es cuando todavía tienes tiempo para cambiar de pregunta, repetir un experimento o mejorar el diseño experimental.
Un buen proceso podría ser:
Idea → pregunta de investigación → diseño experimental → recogida de datos → procesamiento → análisis → evaluación → conclusión
Si descubres un problema durante una de las primeras etapas, todavía tendrás tiempo para solucionarlo.
Si lo descubres cuando faltan pocos días para entregar el trabajo, tus opciones serán mucho más limitadas.
En resumen
Un buen IA de Física o Química no consiste en realizar un experimento complicado ni en escribir muchas páginas.
Consiste en construir una investigación en la que exista una conexión clara entre:
Pregunta → método → datos → análisis → conclusión → evaluación
Antes de empezar, asegúrate de que la pregunta es suficientemente concreta y de que realmente puedes investigarla con los recursos disponibles.
Durante el experimento, piensa en la calidad de los datos y en las incertidumbres.
Y durante el análisis, intenta ir más allá de describir lo que ocurre: utiliza los datos para explicar qué relación existe entre las variables y hasta qué punto tus resultados son compatibles con el modelo científico.
Si estás preparando un IA de Física o Química del IB y tienes dudas sobre tu pregunta de investigación, el diseño experimental o el análisis de tus datos, puedo ayudarte a revisar el planteamiento y detectar posibles problemas antes de que avances demasiado en el trabajo.
