Bayesian Reanalysis of Computationally Reproduced Psychology Learning and Teaching Results
Xiaoyi Xu; Maria do Carmo Júdice Mota; Peter Allen; Robbie Clark
- Año
- 2026
- DOI
- 10.31234/osf.io/t97nm_v3 (se abre en una pestaña nueva)
- Licencia
- CC BY
Resumen ADIPA
Elaborado con IA a partir del resumen de los autoresPreprint que reanaliza 47 hallazgos empíricos de estudios sobre enseñanza de la psicología publicados en revistas especializadas, utilizando el factor de Bayes como alternativa al valor p frecuentista. El estudio computacionalmente reproducible comparó las conclusiones basadas en significancia estadística clásica con la evidencia bayesiana, encontrando concordancia en 39 de 47 objetivos (83.0%), mientras que 8 casos (17.0%) resultaron inconcluyentes bayesianamente y ninguno fue discordante. Entre 38 hallazgos estadísticamente significativos, 33 aportaron evidencia bayesiana para la hipótesis alternativa y 5 permanecieron inconcluyentes; entre 9 no significativos, 6 apoyaron la hipótesis nula y 3 fueron inconcluyentes. Los autores concluyen que el factor de Bayes es una herramienta eficaz para evaluar la fuerza de la evidencia en análisis de resultados y permite reforzar conclusiones concordantes o identificar fuentes de evidencia inconcluyente para mejorar diseños de investigación.
Puntos clave
- El factor de Bayes proporciona una medida continua y bidireccional de la evidencia, superando las limitaciones del valor p dicotómico en la evaluación de resultados de investigación.
- La reaplicación bayesiana de 47 hallazgos reproducibles mostró concordancia del 83% con las clasificaciones frecuentistas originales, pero 17% de los casos resultaron inconcluyentes bayesianamente.
- Incluso en un corpus seleccionado optimistamente de estudios reproducibles computacionalmente, la significancia estadística no garantiza necesariamente una evidencia conclusiva según el análisis bayesiano.
- El factor de Bayes permite tanto reforzar retrospectivamente conclusiones concordantes como identificar fuentes de evidencia inconcluyente que pueden informar mejoras en el diseño de estudios futuros.
Para quién: Investigadores y docentes en psicología educativa que buscan aplicar métodos estadísticos alternativos para evaluar la solidez de la evidencia en estudios sobre enseñanza-aprendizaje de la psicología.
Resumen de los autores
Áreas y palabras clave
Cómo citar (APA 7)
Xu, X., Mota, M. D. C. J., Allen, P., & Clark, R. (2026). Bayesian Reanalysis of Computationally Reproduced Psychology Learning and Teaching Results. https://doi.org/10.31234/osf.io/t97nm_v3