Fabricación y Falsificación de Datos en la Tesis 2026: Qué Son y Cómo Evitarlas

La fabricación y falsificación de datos son las formas más graves de deshonestidad académica que puede cometer un tesista. A diferencia del plagio —que implica apropiarse del trabajo ajeno sin acreditarlo—, fabricar datos significa inventarlos de la nada, y falsificarlos significa alterar los que sí existían para que “cuadren” con los resultados esperados. Ambas conductas comprometen la validez de toda la investigación y pueden destruir la carrera académica de quien las comete.

En Argentina, las universidades están adoptando protocolos de integridad científica cada vez más exigentes. El contexto de la inteligencia artificial complejiza el panorama: algunos modelos de IA pueden generar tablas de datos o estadísticas de aspecto creíble que simplemente no existen. Entender qué son la fabricación y la falsificación —y qué herramientas concretas te ayudan a prevenirlas— es parte esencial de hacer investigación honesta en 2026.

¿Qué es la fabricación de datos?

La fabricación de datos es el acto de inventar resultados, mediciones, respuestas de encuestados o cualquier dato empírico que nunca se obtuvo en la realidad, y luego reportarlo como si fuera real. En la literatura anglosajona sobre integridad científica se la suele llamar coloquialmente drylabbing (hacer el “laboratorio en seco”).

En el contexto de una tesis, la fabricación puede tomar formas muy concretas:

• Inventar respuestas de encuestados que nunca completaron el cuestionario.
• Registrar mediciones de un experimento que jamás se llevó a cabo.
• Crear una tabla de datos con cifras plausibles pero ficticias.
• Copiar datos de otra investigación y presentarlos como si fueran resultados propios.
• Completar espacios vacíos en la base de datos con valores estimados “a ojo” sin declararlo.

La Oficina de Integridad en la Investigación de Estados Unidos (ORI) define la mala conducta científica como la “fabricación, falsificación o plagio al proponer, realizar o revisar una investigación, o al informar sobre sus resultados”. Esta triada —conocida como FFP— es el estándar internacional de referencia adoptado por la mayoría de las instituciones académicas y organismos de financiamiento.

¿Qué es la falsificación de datos?

La falsificación de datos ocurre cuando los datos realmente existen, pero se los manipula para que los resultados sean diferentes a los obtenidos. A diferencia de la fabricación pura, acá hay una investigación real detrás: el problema está en que parte de la evidencia se altera, omite o retoca.

Ejemplos típicos en tesis y trabajos de investigación:

• Eliminar valores atípicos sin justificación metodológica: descartar outliers únicamente porque “molestan” el resultado esperado, sin incluirlo en el reporte.
• Manipular imágenes científicas: recortar, ajustar el contraste o combinar bandas de un gel de electroforesis, una histología o una fotografía microscópica para que parezca diferente de lo que realmente se obtuvo.
• Selección sesgada de corridas: reportar solo los ensayos del experimento en los que el resultado fue el esperado y silenciar los demás.
• P-hacking: probar múltiples análisis estadísticos hasta encontrar uno con p < 0,05 y reportarlo como si hubiera sido el análisis planificado desde el inicio.
• HARKing (Hypothesizing After Results are Known): formular la hipótesis después de ver los datos y presentarla como si hubiera sido anterior a la recolección.

Fabricación, falsificación y plagio: diferencias clave

Es fundamental no confundir estas conductas, porque tienen naturaleza y consecuencias distintas. El plagio académico implica apropiarse de ideas o texto ajeno sin dar crédito; no necesariamente implica alterar ni inventar datos propios. La fabricación y la falsificación, en cambio, atacan directamente la veracidad de los resultados empíricos.

Para saber más sobre cómo citar correctamente y evitar el plagio en tu trabajo, la guía completa sobre cómo evitar el plagio en la tesis cubre todos los escenarios que enfrentás al redactar.

¿Por qué son la mala conducta científica más grave?

El plagio, aunque serio, afecta principalmente al autor original al que no se le da crédito. La fabricación y la falsificación, en cambio, contaminan el cuerpo del conocimiento científico en su conjunto. Otros investigadores pueden construir nuevas teorías, tratamientos médicos o políticas públicas sobre datos que son falsos. Cuando esos errores se descubren —a veces años o décadas después— los daños ya están hechos y son difíciles de revertir.

El caso de Diederik Stapel, psicólogo social holandés cuyo fraude masivo de fabricación de datos fue descubierto en 2011, es uno de los ejemplos más documentados. Stapel publicó durante años datos inventados en revistas de referencia internacional; cuando el fraude salió a la luz, se retractaron decenas de artículos y múltiples estudiantes tuvieron que rehacer tesis doctorales basadas en datos que nunca existieron.

A nivel institucional, las consecuencias para el tesista incluyen la anulación del título, expedientes disciplinarios y expulsión. En el contexto de investigación profesional financiada con fondos públicos —como los proyectos del CONICET o del FONCyT—, pueden derivar en inhabilitaciones para recibir subsidios y, en casos graves, en procesos legales.

Señales de alerta que debés reconocer

Tanto para cuidar tu propio trabajo como para evaluar la calidad de las fuentes que usás, es útil conocer los indicios que los comités de integridad científica consideran sospechosos:

• Resultados demasiado “prolijos”: datos sin varianza natural, distribuciones estadísticamente perfectas o réplicas exactas entre condiciones distintas suelen levantar sospechas entre revisores con experiencia.
• Imposibilidad de reproducir el procedimiento: si describís un protocolo pero no conservás los registros originales, no podés responder ante una auditoría de integridad.
• Inconsistencias internas: tablas que no suman correctamente, porcentajes que no llegan al 100% o medias incompatibles con las desviaciones estándar reportadas son señales de alerta estadística.
• Eliminación de datos sin explicar: cualquier omisión debe estar justificada metodológicamente y explicitada en la sección de análisis.
• Cambios entre versiones del borrador: si los valores numéricos cambian de versión a versión sin una razón documentada, eso puede levantar dudas fundadas en el director de tesis.

Cómo prevenirlas: herramientas y hábitos concretos

Trazabilidad de datos y cuadernos de registro

La trazabilidad es la capacidad de reconstruir, paso a paso, cómo se obtuvieron los datos, desde la recolección hasta el análisis final. En la práctica, significa mantener registros sistemáticos en un cuaderno de laboratorio o diario de campo —físico o digital— donde quede asentado:

• Fecha y condiciones de cada sesión de recolección.
• Instrumento o protocolo utilizado, incluyendo versión y calibración si corresponde.
• Incidentes, valores atípicos y decisiones tomadas en tiempo real.
• Nombre de quien recopiló o procesó los datos en cada etapa.

Plataformas como Open Science Framework (OSF) permiten versionar archivos de datos automáticamente y dejar una auditoría transparente con marcas de tiempo. Esto no solo protege tu integridad: también facilita el trabajo colaborativo y la eventual publicación del estudio.

Datos crudos y scripting reproducible

Guardá siempre los datos crudos (raw data) en un archivo separado e intocable. Cualquier limpieza, transformación o filtrado debe realizarse sobre una copia, con cada decisión documentada en un script (R, Python, SPSS, Stata). Si usás R, el R Markdown o los archivos Quarto te permiten entretejer el análisis con los resultados en un único documento reproducible.

Si el director de tesis o un evaluador solicita los datos originales, debés poder entregarlos. Este hábito te protege: si alguien cuestiona un resultado, podés mostrar el rastro completo desde el dato crudo hasta el estadístico reportado en la tesis.

Preregistro de la investigación

El preregistro consiste en dejar registrados —antes de recopilar los datos— la hipótesis, el diseño del estudio y el plan de análisis en un repositorio público e independiente. Una vez registrado, el plan queda sellado con fecha y hora, lo que hace imposible sostener a posteriori que se planificó algo diferente a lo que se hizo.

OSF ofrece plantillas gratuitas adaptadas a distintos tipos de investigación, incluyendo tesis. En ciencias de la salud, PROSPERO es el registro estándar para revisiones sistemáticas y metaanálisis. Usar el preregistro no es burocracia adicional: es una declaración pública de honestidad científica que cada vez más directores y comités valoran de forma explícita.

IA en la tesis: cómo usarla sin inventar resultados

Los modelos de lenguaje como ChatGPT, Gemini o Claude tienen una limitación crítica para la investigación empírica: pueden generar tablas de datos, estadísticas descriptivas y hasta referencias bibliográficas que son completamente inventadas pero de aspecto convincente. Usar esas salidas como datos reales en tu tesis es exactamente equivalente a fabricar datos, aunque el origen sea la IA y no vos directamente.

Principios para usar IA con integridad en tu investigación:

• Nunca uses la IA para “generar” datos empíricos: los datos siempre deben provenir de tu trabajo de campo, experimento, encuesta o fuente documental verificable.
• Verificá cada estadística que la IA mencione: si una herramienta de IA cita un porcentaje o un estudio, buscá la fuente original antes de incluirlo en tu tesis. Las alucinaciones estadísticas son frecuentes.
• Declará cuando la uses: de acuerdo con las buenas prácticas para declarar el uso de IA en la tesis, debés indicar en tu nota metodológica qué herramienta usaste y para qué tarea concreta (revisión de redacción, búsqueda bibliográfica, etc.).

Si te preguntás en qué casos concretos el uso de IA puede considerarse plagio o fraude académico, esta guía sobre si es plagio usar IA para la tesis cubre los escenarios más frecuentes y las posiciones de distintas universidades hispanohablantes.

Herramientas como Tesify están diseñadas para asistir en la redacción y organización de la tesis de manera transparente, sin inventar ni alterar datos. Su función es apoyar la escritura académica honesta —estructura, redacción, coherencia argumentativa—, nunca sustituir la investigación empírica.

La presión por publicar y cómo resistirla

Buena parte del contexto que facilita la fabricación y la falsificación es la presión que sienten muchos investigadores —incluyendo tesistas de posgrado— por obtener resultados significativos o positivos. La lógica de “publicar o perecer” (publish or perish) empuja a algunas personas a ajustar los datos para cumplir con las expectativas del director, las exigencias de una beca o los plazos de entrega institucionales.

Nombrar esta presión es importante porque es real y no desaparece ignorándola. Algunas estrategias concretas para gestionarla éticamente:

• Redefinir el éxito: un resultado negativo o nulo bien documentado es un aporte científico válido. No encontrar diferencias significativas es información valiosa si el método fue riguroso. La ciencia necesita saber qué no funciona tanto como qué sí funciona.
• Hablar con el director antes de tomar decisiones sobre los datos: si los resultados no confirman la hipótesis, la conversación honesta con el director es la salida correcta, no la alteración de los datos. Los directores con experiencia saben que los resultados negativos existen y pueden ayudarte a re-enmarcar el aporte de la tesis.
• Documentar el proceso completo: la declaración de originalidad que firmás al entregar tu tesis incluye la afirmación de que los datos reportados son verídicos. Tenerlo presente ayuda a mantener el compromiso ético a lo largo de todo el proceso.

Preguntas frecuentes