La paradoja de la encuesta digital y la maduración de un método

Este trabajo se origina en una preocupación concreta surgida en el ámbito académico boliviano. Durante el acompañamiento a estudiantes de pregrado y posgrado en la elaboración de sus tesis, trabajos dirigidos y proyectos de grado, se ha observado una serie de interrogantes y dudas sobre el uso de encuestas por Internet como herramienta de recolección de datos. Sin embargo, esta aplicación práctica no se ha visto acompañada de una reflexión metodológica rigurosa. Se constata una notable ausencia en el contexto boliviano de una discusión académica que aborde críticamente las ventajas y desventajas del uso de las encuestas por Internet, sus limitaciones y su factibilidad conceptual.

La constatación palmaria de esta carencia empujó a emprender una revisión bibliográfica con el objetivo de sistematizar el estado del arte sobre esta temática. Para ello, se optimizó la búsqueda utilizando la plataforma Scholar Google y su extensión ExCITATION Journal Ranking, lo que permitió una selección conveniente de bibliografía basada en la calidad de las revistas indexadas en Scopus y Web of Sciences, así como lo publicado como capítulos de libros sobre el tema.

Los resultados de esta revisión bibliográfica son reveladores. En primer lugar, se evidencia un predominio de la literatura en inglés, gran parte de la cual se encuentra en revistas de acceso restringido a través de las plataformas de indexación ya mencionadas, algunas de estas revistas catalogadas en los cuartiles Q2 y Q3. A diferencia de esta situación, los textos en castellano, si bien menos numerosos, se encuentran mayoritariamente en plataformas de ciencia abierta como la de Open Journal System (OJS). De hecho, se encontró que son muy escasos los artículos en castellano dedicados a discutir la factibilidad o no de las encuestas por Internet desde una perspectiva conceptual. La abrumadora mayoría de los trabajos identificados son aplicaciones prácticas de esta herramienta en diversas investigaciones. En dichos artículos, las reflexiones sobre las ventajas y desventajas de las encuestas por Internet se limitan a breves apartados, sin profundizar en el debate teórico, que resulta fundamental para una aplicación informada y crítica de la metodología.

La investigación social y de mercados contemporánea se encuentra definida por una paradoja fundamental: la ubicuidad y dependencia de las encuestas por Internet coexiste con un persistente escepticismo sobre su validez metodológica. Su popularidad es innegable y se sustenta en ventajas operativas contundentes: son económicas, rápidas de implementar y capaces de alcanzar audiencias geográficamente dispersas con una eficiencia sin precedentes. Sin embargo, esta realidad práctica choca frontalmente con los pilares de la teoría estadística clásica. Tradicionalmente, la inferencia estadística -la capacidad de generalizar los hallazgos de una muestra a toda una población- se ha basado en el muestreo probabilístico, un método que garantiza que cada miembro de la población tenga una probabilidad conocida y no nula de ser seleccionado. Las encuestas en línea, en su mayoría, se basan en el muestreo no probabilístico por autoselección, donde los individuos participan voluntariamente, a contracorriente de este principio fundamental.

Este escenario ha generado un intenso debate en la comunidad científica, marcado por una tensión constante entre la eficiencia operativa y la integridad científica. La crítica seminal de Jelke ^{Bethlehem (2010)} sentó las bases de este escepticismo al identificar el sesgo de autoselección como una “amenaza persistente” para la fiabilidad de los resultados, un diagnóstico que sigue resonando en la actualidad. No obstante, el campo ha transitado de una fase inicial de desmedidas licencias, caracterizada por un uso a menudo acrítico y metodológicamente laxo, a una era de creciente sofisticación. El debate ya no se centra en si estas encuestas deben usarse, sino en cómo pueden emplearse de manera rigurosa, transparente y adecuada a los objetivos de la investigación. Más aún, la dicotomía tradicional entre muestreo probabilístico y no probabilístico se ha vuelto cada vez más difusa. Las encuestas probabilísticas clásicas (telefónicas, cara a cara) se enfrentan a tasas de no respuesta en alarmante declive, que en algunos casos superan el 90%. Cuando una abrumadora mayoría de la muestra aleatoria original no participa, la muestra final de encuestados introduce un sesgo de autoselección que se asemeja peligrosamente al de las encuestas voluntarias. Este fenómeno obliga a toda la industria a adoptar las mismas herramientas de modelado y ajuste estadístico que se desarrollaron para corregir los sesgos de las encuestas en línea. Esto sugiere que la evolución de la metodología de las encuestas por Internet no es un tema de nicho; es un presagio del futuro de toda la investigación por encuestas. El campo converge hacia un desafío central y universal: cómo realizar inferencias válidas a partir de datos imperfectos y sesgados, independientemente del diseño de muestreo inicial.

Este trabajo tiene como objetivo principal ofrecer una reflexión metodológica y una síntesis exhaustiva sobre la evolución de las encuestas en línea que emplean muestreo por autoselección. A través de una revisión del estado del arte basada en la literatura reciente, se analizará cómo ha progresado el entendimiento de sus desafíos, los esfuerzos por mitigar sus limitaciones y la redefinición de su rol en el ecosistema de la investigación, trazando una narrativa desde la desconfianza inicial hasta su actual legitimación estratégica.

1.1. El sesgo de autoselección como pecado original

El problema fundamental y persistente de las encuestas voluntarias en línea es el sesgo de autoselección, también conocido como sesgo de voluntariado. Este sesgo ocurre porque los individuos que eligen participar en una encuesta no son, por lo general, una versión en miniatura de la población general. Por el contrario, tienden a diferir sistemáticamente de los no participantes en características que a menudo están relacionadas con el objeto de estudio. ^{Bethlehem (2010)} lo califica como el sesgo más “peligroso” y una “amenaza persistente” porque, a diferencia de otros problemas técnicos, es inherente a la motivación humana y no se resuelve simplemente con el avance tecnológico.

La investigación ha demostrado que los voluntarios suelen tener un mayor interés en el tema de la encuesta, opiniones más polarizadas (muy positivas o muy negativas), mayor nivel educativo, más tiempo libre o un mayor compromiso cívico. ^{Räsänen et al. (2023)} ofrecen una distinción útil, diferenciando entre un sesgo por autoselección temática (impulsado por el interés en el asunto) y un sesgo por autoselección económica (motivado por incentivos). En cualquier caso, el resultado es una distorsión en la distribución de las respuestas que conduce a estimaciones sesgadas y a hallazgos que no pueden generalizarse con confianza.

1.2. El problema de la cobertura y la brecha digital (under-coverage)

El segundo gran desafío es el sesgo de cobertura (under-coverage), que se produce cuando ciertos segmentos de la población objetivo no tienen ninguna posibilidad de ser incluidos en la muestra. En el contexto de las encuestas por Internet, esto se debe principalmente a la brecha digital. Las personas sin acceso a Internet o con bajas habilidades digitales quedan sistemáticamente excluidas, generando marcos muestrales incompletos y no representativos.

Como señalan autores como ^{Bethlehem (2010),Daniel (2012)yBryman (2012)}, esta exclusión no es aleatoria; afecta desproporcionadamente a grupos demográficos específicos como personas mayores, individuos con menor nivel educativo, hogares de bajos ingresos y residentes de zonas rurales. Aunque la penetración de Internet ha aumentado a nivel global, mitigando parcialmente este problema, la brecha persiste y su impacto varía según el país y la población de estudio. Es crucial distinguir entre el sesgo de cobertura y el de autoselección: el primero es un problema estructural, tecnológico y de infraestructura que puede abordarse con diseños de encuesta innovadores, mientras que el segundo es un desafío psicológico y de comportamiento que requiere soluciones estadísticas.

1.3. La paradoja del big data: cuando más es peor

Un error común es creer que un tamaño de muestra muy grande puede compensar los sesgos de selección y cobertura. Sin embargo, la investigación demuestra lo contrario, un fenómeno que ^{Boyd et al. (2023)} denominan la “paradoja del big data”. Una muestra no probabilística masiva no es necesariamente mejor que una muestra probabilística pequeña; de hecho, puede ser peor. El gran número de respuestas puede generar intervalos de confianza muy estrechos, creando una falsa sensación de precisión en torno a una estimación que es fundamentalmente incorrecta. El resultado es una medición “precisamente incorrecta”. Un caso citado repetidamente en la literatura es el de una encuesta con más de 2 millones de respuestas cuyo sesgo de selección era tan significativo que su poder estadístico real equivalía al de una muestra aleatoria de solo 400 personas.

Este fenómeno se puede cuantificar mediante el concepto de tamaño efectivo de la muestra (ESS -Effective Sample Size- por sus siglas en inglés). El ESS se define como el tamaño que tendría una muestra aleatoria simple para alcanzar el mismo nivel de precisión que la muestra no probabilística observada, una vez aplicados los ajustes de ponderación. Cuando una muestra está muy sesgada, requiere ponderaciones extremas para ajustarla a la población, lo que aumenta la varianza del estimador y, en consecuencia, reduce drásticamente el ESS.

Estos tres pilares de la crítica están interconectados en un ciclo que agrava la invalidez de los datos. El sesgo de cobertura crea un universo inicial de participantes potenciales que ya no es representativo de la población general (por ejemplo, es más joven, urbano y con mayor nivel educativo). Dentro de este grupo ya sesgado, opera el sesgo de autoselección, donde solo aquellos con las motivaciones más fuertes deciden participar, distorsionando aún más la muestra. Si un investigador intenta corregir estadísticamente esta doble capa de sesgo, necesitará aplicar ponderaciones muy dispares y extremas. Estas ponderaciones, a su vez, inflan la varianza de las estimaciones, lo que se traduce en una caída drástica del tamaño efectivo de la muestra (ESS). Al final, una encuesta con un número masivo de participantes puede terminar con un poder informativo tan bajo que su gran tamaño inicial se vuelve casi irrelevante, demostrando que un proceso de recolección de datos fundamentalmente defectuoso no puede ser completamente “reparado” a posteriori.

La tabla 1, sintetizada a partir del análisis de la literatura, resume la evolución de estas dificultades, clasificándolas en iniciales, aquellas que han sido en gran medida superadas o mitigadas, y las que persisten como desafíos centrales en la actualidad.

2.1. Fase I (2010-2012): diagnóstico, escepticismo y pragmatismo inicial

El debate metodológico moderno fue inaugurado a principios de la década de 2010, una era definida por el diagnóstico formal de los problemas centrales. Trabajos influyentes como los de ^{Bethlehem (2010)} y ^{Daniel (2012)} establecieron los sesgos de cobertura (under-coverage) y autoselección como los obstáculos estructurales que comprometían la generalización y la calidad de estas encuestas. En esta etapa, la metodología se percibía en gran medida como estancada y metodológicamente inferior frente al rigor de los métodos probabilísticos tradicionales.

Sin embargo, este escepticismo teórico fue matizado por la realidad operativa de la investigación. Autores como ^{H. O. Ayhan (2011)} reconocieron que, aunque estos métodos “infringen los ideales estadísticos”, a menudo eran una solución práctica y de bajo costo ante las dificultades del mundo real. Ayhan fue pionero en proponer el uso de ajustes por ponderación como un intento de mitigar el sesgo, marcando un primer paso hacia las soluciones compensatorias. Cerrando este período, ^{Ronald D. Fricker Jr. (2012)} introdujo un cambio de perspectiva crucial, desplazando parte del foco del “problema del método” al “problema del investigador”. Argumentó que muchas encuestas fracasaban no por la tecnología, sino por la falta de diseño riguroso y documentación transparente. Propuso que, para fines adecuados como estudios exploratorios o el estudio de poblaciones digitalmente nativas, estas encuestas podían ser herramientas útiles, siempre que se reconocieran explícitamente sus límites de inferencia.

2.2. Fase II (2019-2022): profesionalización, controles de calidad y la prueba de fuego de la pandemia

Conforme las encuestas por Internet se volvieron más comunes, la discusión avanzó hacia la necesidad de un mayor rigor técnico y ético, una fase de profesionalización. ^{Wald et al. (2019)} enfatizaron que la investigación web exige igual o mayor rigor que la tradicional, proponiendo soluciones prácticas para mejorar la calidad de los datos. Estas incluían medidas como la validación de identidad, la prevención de respuestas múltiples o automatizadas (mediante CAPTCHA, bloqueo de cookies o detección de IP) y la ciberseguridad de los datos (encriptación, servidores seguros). Este movimiento reflejó una comprensión más madura acerca de que la calidad de los datos depende de un diseño proactivo y no solo de ajustes estadísticos posteriores.

La pandemia de COVID-19 actuó como un “laboratorio involuntario” y un catalizador metodológico, forzando la adopción masiva de encuestas en línea por necesidad. Estudios como los de ^{Nadareishvili et al. (2022)} sobre salud mental estudiantil, ^{Nath et al. (2022)} sobre dificultades emocionales en niños, y ^{Kaku et al. (2021)} sobre el autismo durante el confinamiento, demostraron su innegable utilidad pragmática para recolectar datos rápidamente en contextos de crisis. Sin embargo, estos mismos estudios evidenciaron las limitaciones persistentes: sesgos de selección, exclusión de grupos vulnerables sin acceso tecnológico, y la imposibilidad de establecer causalidad. Esta prueba demostró que, si bien las encuestas por Internet pueden ser herramientas vitales, sus debilidades metodológicas fundamentales no desaparecen y requieren una atención constante.

2.3. Fase III (2023-presente): redefinición estratégica y sofisticación estadística

Los años más recientes han visto una maduración en la discusión, marcando un cambio de paradigma. En lugar de ver las encuestas no probabilísticas como una “alternativa menor”, autores como ^{Räsänen et al. (2023)} las redefinen como herramientas habilitadoras para nuevas prácticas de investigación. Argumentan que son ideales para la exploración rápida de fenómenos emergentes (como el trabajo en plataformas o el uso aplicaciones para el servicio de delivery), el estudio de subpoblaciones difíciles de alcanzar para las cuales un muestreo probabilístico sería inviable, y el diseño de experimentos por Internet donde el objetivo es detectar relaciones causales más que estimar parámetros poblacionales. Esta visión reconoce su valor intrínseco y estratégico para contextos específicos.

3.1. Estrategias preventivas (antes y durante la recolección): fortaleciendo el diseño, la calidad y la ética

Las primeras líneas de defensa contra los datos de baja calidad son aquellas que se implementan antes y durante la recolección. Estas estrategias preventivas se centran en el diseño del cuestionario, la experiencia del usuario y la validación de las respuestas en tiempo real.

Para facilitar la selección de herramientas, la tabla 2 comparativa, sintetizada a partir de la literatura, destaca las funcionalidades clave de diversas plataformas de software para encuestas por Internet.

3.2. Estrategias correctivas (después de la recolección): el arsenal estadístico para la calibración de datos

Incluso con el mejor diseño preventivo, una muestra por autoselección seguirá estando sesgada. Por ello, la fase más crítica para la validación de las encuestas en línea ocurre después de la recolección de datos, a través de un sofisticado arsenal de ajustes estadísticos. Estos métodos intentan “reparar” la muestra, ponderando a los participantes para que el conjunto se asemeje más a las características conocidas de la población objetivo.

Existe un continuo de técnicas, de menor a mayor complejidad:

Es crucial entender que estas técnicas avanzadas no eliminan la necesidad de datos probabilísticos. Al contrario, crean una relación simbiótica: las encuestas no probabilísticas, rápidas y baratas, “toman prestada” la validez y representatividad de las costosas encuestas probabilísticas y los datos censales para su calibración. Esto revela que las encuestas por Internet no pueden reemplazar completamente a los métodos tradicionales; más bien, dependen de ellos para su propia legitimación. Desfinanciar las encuestas censales o probabilísticas de alta calidad debilitaría la capacidad de toda la industria para validar y utilizar datos no probabilísticos de manera efectiva.

3.3. Estrategias híbridas: superando las limitaciones con enfoques multimodales

Una estrategia complementaria para combatir el sesgo, específicamente el de cobertura, es la hibridación de modos de encuesta. El enfoque “web-push”, popularizado por ^{Dillman et al. (2017)}, es un excelente ejemplo. En lugar de depender únicamente de un reclutamiento en línea, este método utiliza un canal offline, como el correo postal, para enviar una invitación a una muestra probabilística de direcciones. La carta invita al destinatario a completar la encuesta en un sitio web. Si no hay respuesta, se pueden ofrecer modos alternativos, como un cuestionario en papel. Esta estrategia asegura que incluso los hogares sin una fuerte presencia digital tengan la oportunidad de ser contactados, mejorando drásticamente la cobertura de la muestra antes de cualquier ajuste estadístico.

Esta idea se expande en la visión de ^{Räsänen et al. (2023)} sobre un futuro multimodal, donde la combinación de paneles por Internet, muestras probabilísticas y datos de trazas digitales puede superar las limitaciones de cada fuente por separado, ofreciendo una visión más completa y robusta de los fenómenos sociales. La tabla 3 resume las recomendaciones clave para mejorar el rigor de las encuestas por Internet, organizándolas en estrategias aplicables antes y después de la recolección de datos.

Asimismo, algo que es necesario señalar pese a que nuestra revisión bibliográfica no lo ha encontrado es que, más allá de la combinación de modos de encuesta y fuentes de datos cuantitativos, una frontera aún más robusta en la búsqueda de la validez reside en la triangulación metodológica con enfoques cualitativos. La integración estratégica de entrevistas en profundidad, grupos focales o incluso la observación participante o sistemática-estructurada no solo funciona como un mecanismo de validación cruzada para los hallazgos de la encuesta, sino que potencialmente añade una dimensión hermenéutica indispensable. Permite explorar el “porqué” detrás de los patrones numéricos, dar sentido a respuestas inesperadas y capturar la complejidad del fenómeno estudiado que una escala Likert o una pregunta cerrada jamás podrían abarcar. Esta sinergia entre la amplitud del dato cuantitativo y la profundidad del dato cualitativo podría representar la cúspide de un diseño de investigación mixto o híbrido, transformando la encuesta por Internet de una mera herramienta de medición a una pieza clave dentro de un mosaico comprensivo que fortalece sustancialmente su confiabilidad y validez final.

4.1. Eficiencia económica y logística

El argumento más contundente a favor de las encuestas por Internet es su eficiencia. La literatura coincide en señalar la drástica reducción de costos como su principal motor, al eliminar la necesidad de contratar y desplegar entrevistadores, junto con los gastos de impresión, franqueo o llamadas telefónicas ^{(Díaz de Rada, 2012)}. La automatización de la grabación de respuestas minimiza los errores de transcripción y acelera el proceso. Esta celeridad permite a los investigadores responder a fenómenos sociales emergentes con una agilidad antes impensable, recogiendo miles de respuestas en días en lugar de meses. Adicionalmente, la disponibilidad de plataformas de software accesibles, como SurveyMonkey o Limesurvey, ha democratizado el acceso a esta técnica, poniéndola al alcance de investigadores individuales y pequeñas instituciones ^{(Díaz de Rada, 2012)}. En el contexto boliviano, lo más usado es el GoogleForms porque, aparte de ser gratuito, es muy accesible y de muy fácil manejo, además que proporciona facilidades de procesamiento y sistematización de datos casi instantáneas, en tiempo real (véase tabla 2).

4.2. Ampliación del horizonte investigador

Más allá de la eficiencia, las encuestas por Internet han abierto nuevas fronteras para la investigación social. Su capacidad para superar barreras geográficas permite estudiar poblaciones masivas y dispersas a un costo marginal casi nulo ^{(Díaz de Rada, 2012)}. Sin embargo, su contribución más significativa es el acceso a poblaciones ocultas o de difícil acceso. Estos métodos se han convertido en una herramienta invaluable para colectivos que carecen de un marco muestral definido o que son reacios a la identificación. Un claro ejemplo es el estudio de familias adoptivas en España, una población dispersa y sin registro público, que pudo ser caracterizada gracias a una encuesta web ^{(Rodríguez Jaume & González Río, 2014)}.

De forma más sofisticada, la metodología Respondent-Driven Sampling (RDS), adaptada al entorno por Internet, ha permitido estudiar poblaciones como las minorías étnicas en Ecuador ^{(Mullo Guaminga, 2021)}. Esto demuestra que la encuesta por Internet no es solo una alternativa más barata, sino una tecnología habilitadora para la investigación en justicia social, proporcionando una voz cuantitativa a grupos que antes eran en gran medida “invisibles” para los métodos estadísticos tradicionales.

5.1. El principio de adecuación al propósito (fitness for purpose) como guía

La validez de un método de muestreo no es una propiedad absoluta, sino relativa a los objetivos de la investigación. Las encuestas por autoselección son herramientas invaluables, eficientes y perfectamente adecuadas para estudios exploratorios, para generar hipótesis, para investigar poblaciones de nicho o de difícil acceso (como usuarios de plataformas específicas o pacientes con enfermedades raras), o para obtener retroalimentación rápida en contextos de marketing. En estos escenarios, su valor es incuestionable. Sin embargo, su uso para generar estimaciones puntuales de alta precisión para la población general (como en encuestas electorales o de salud pública) debe realizarse con extrema cautela y solo mediante la aplicación de los métodos de ajuste más rigurosos, como el PSA o el MRP, y siempre acompañado de una declaración transparente de sus limitaciones.

5.2. La transparencia metodológica como imperativo ético y científico

La transparencia es una obligación ética y científica no negociable. Los investigadores deben declarar explícitamente el uso de muestras no probabilísticas y detallar con precisión los métodos de reclutamiento, los controles de calidad implementados y, fundamentalmente, las técnicas de ajuste estadístico empleadas para que la comunidad científica y el público puedan evaluar la credibilidad de los hallazgos. Omitir esta información es metodológicamente inaceptable y socava la confianza en la investigación. La honestidad sobre las limitaciones de la muestra es crucial para la credibilidad de los resultados.

5.3. El futuro de la investigación por encuestas y el perfil del investigador como modelador

La evolución descrita sugiere un cambio fundamental en el futuro de la investigación por encuestas. La línea divisoria entre los métodos probabilísticos y no probabilísticos se desdibuja a medida que ambos enfrentan desafíos de sesgo de selección (por autoselección en un caso, por no respuesta en el otro). La solución en ambos mundos converge en el mismo punto: la necesidad de modelos estadísticos robustos para ajustar los datos crudos.

Esta convergencia exige un perfil de investigador mixto y altamente cualificado. Ya no basta con ser un experto en el tema de estudio; se requiere una combinación de habilidades técnicas para manejar plataformas, una sólida base metodológica para diseñar controles de calidad, una profunda sensibilidad ética y, cada vez más, una competencia avanzada en estadística y modelado de datos. El investigador del futuro no será solo un experto en muestreo, sino, fundamentalmente, un experto en modelado. La calidad de una encuesta dependerá progresivamente más de la calidad, la transparencia y la validez de su modelo de ajuste, y no únicamente de su diseño de muestreo inicial.

Finalmente, y pese a que la discusión tratada a lo largo de la trayectoria evolutiva del método se enfrasca en dotar de validez, confiabilidad y robustez a las encuestas por Internet bajo sofisticados métodos estadísticos, tampoco debe descartarse la triangulación metodológica. Tal como se ha sugerido escuetamente en este artículo, la integración con datos cualitativos representa una estrategia complementaria de incalculable valor, pues permite contextualizar, validar y profundizar los hallazgos numéricos.