No estaba seguro de incluir un texto sobre indicadores de ciencia y tecnología en una reflexión global sobre la evaluación como la que he llevado a cabo en estas tres entregas. Decidí mantenerlo porque para evaluar instituciones y mejor aún para definir políticas y evaluar sus resultados los indicadores son el instrumento más adecuados, ya que proporcionan representaciones cuantitativas de los procesos y parámetros que definen el estado y las dinámicas de los sistemas de ciencia y tecnología. Los indicadores constituyen un elemento de diagnóstico funcional al tipo de evaluación que se pretenda realizar. Por eso, la construcción de indicadores de ciencia y tecnología conlleva, en forma inherente, una reflexión acerca de los procesos sociales por los que son generadas aquellas actividades de las que éstos dan cuenta. En otras palabras, la cuestión de los indicadores remite al desempeño de actores concretos, en determinados contextos, desde la perspectiva de formular diagnósticos orientados a la toma de decisiones, la gestión y la evaluación a nivel nacional e internacional.
Niveles de Indicadores
Siguiendo una propuesta de Christopher Freeman (1982), uno de los expertos que orientó los primeros pasos de la OCDE en materia de indicadores de ciencia y tecnología, es posible distinguir entre ellos cuatro niveles que difieren unos de otros por su grado de generalidad y por sus propósitos. Es preciso, por lo tanto, tomar en cuenta estos niveles y sus rasgos característicos en la recolección, procesamiento y utilización de la información estadística. Dos rasgos son esenciales en la construcción de indicadores: la comparabilidad y la historicidad, además de las definiciones operativas que orientan la selección de las variables que los componen. La comparabilidad demanda normalización y la historicidad requiere que los procedimientos sucesivos sean similares.
a) El primer nivel está vinculado con la gestión de instituciones y remite a la producción de una variedad de indicadores parciales, elaborados generalmente para propósitos locales de monitoreo interno, presupuesto y planificación. En este caso, no es imprescindible que los indicadores estén normalizados, aunque sí es importante que se los mida de forma similar a lo largo del tiempo, en series históricas.
b) El segundo nivel se refiere a estudios valorativos sobre la situación de un área problemática o disciplinaria abarcando la totalidad del sistema científico de un ámbito determinado, como un país o una región. En este caso suelen no requerirse series históricas, ya que en general se trabaja con cortes temporales, pero sí resulta esencial la normalización a efectos de poder realizar estudios comparativos.
c) El tercer nivel es el de la incorporación oficial de un cierto set de indicadores que permitan evaluar el desarrollo del sistema científico y tecnológico a nivel de un país. Relevar estos indicadores en series históricas nacionales es propio de la actividad regular de un gobierno, para lo cual se debe contar con definiciones y conceptos normalizados.
d) El cuarto nivel corresponde a la comparación entre países, en cuyo caso los indicadores no solamente deben estar estandarizados, sino que en la práctica son armonizados por organizaciones internacionales o regionales que establecen las técnicas y metodologías estadísticas adecuadas. Como se verá, es el caso de la UNESCO, la OCDE y la RICYT en Iberoamérica.
Un esquema como el propuesto por Freeman permite contar con un sistema interactivo de indicadores dotado de muchos flujos de información y retroalimentación que permiten evaluar a nivel micro la gestión de una institución y a nivel macro tanto el desempeño de los sistemas como el resultado de las políticas en ámbitos nacionales o internacionales. En realidad, un requisito fundamental para que los indicadores construidos a nivel nacional tengan una máxima utilidad es la posibilidad de compararlos con los de otros países y para ello la armonización de metodologías y clasificaciones es indispensable. Sólo de esta manera se puede asegurar que todos estén hablando “en un mismo idioma” al publicar sus indicadores, ya que han sido calculados utilizando categorías y procedimientos equivalentes.
Ya desde los años cincuenta, la National Science Foundation (NSF) de Estados Unidos comenzó a elaborar indicadores a escala nacional, con un alto nivel de detalle. La actividad de la NSF tuvo una gran repercusión en otras naciones industrializadas como el Reino Unido, Canadá, Holanda y Francia, que comenzaron a realizar sus propias mediciones. Sin embargo, las diferencias iniciales en los métodos y conceptos hicieron muy difíciles las comparaciones, lo que puso en evidencia la necesidad de normalización en este campo como ya se había hecho con las estadísticas económicas.
Sobre la base de tal comprobación, la Organización para la Cooperación y Desarrollo Económico (OCDE) impulsó una estandarización que se tradujo en la elaboración del "Manual de Frascati" para la medición de la I+D, cuya primera versión fue elaborada durante 1961 y 1962, publicada un año más tarde y revisada posteriormente varias veces, la última en 2015. Más tarde se abordaron otros aspectos de la medición de las actividades científicas y tecnológicas, orientada a resultados o impactos económicos, como puede verse en los manuales de Patentes, de Oslo para la medición de indicadores de innovación, de Canberra para la medición de los recursos humanos para la ciencia y la tecnología, así como el manual para la medición de la Balanza de Pagos Tecnológica, entre otros.
La UNESCO dispone desde 1965 de un sistema de obtención y análisis de datos de ciencia y tecnología, y publica desde 1969 su Statistical Yearbook. Posee una base de datos que comprende los recursos humanos y financieros en I+D de aproximadamente ochenta países. El desarrollo metodológico alcanzado por la UNESCO se plasmó en varias "guías": la "Guía provisional para el establecimiento de estadísticas de la ciencia" (1968), la "Guía para el inventario del potencial científico y tecnológico nacional" (1969) y la "Guía para la recogida de datos estadísticos sobre Ciencia y Tecnología" (1977). En 1978 la UNESCO adoptó su "Recomendación referente a la normalización internacional de las estadísticas sobre Ciencia y Tecnología", documento que tuvo en cuenta la experiencia aportada por otras organizaciones, como la OEA y la OCDE. Con este documento se alcanzó una “reconciliación" entre ambas metodologías.
También surgieron iniciativas tendientes a obtener indicadores comparativos focalizados sobre ámbitos regionales. Un caso paradigmático es el del trabajo realizado por la Comisión Europea con su servicio de estadísticas Eurostat. En Iberoamérica, la organización encargada de la tarea de recopilar y normalizar la información estadística regional es la Red Iberoamericana de Indicadores de Ciencia y Tecnología (RICYT), creada en 1995 por el Programa CYTED, que ha recibido también el apoyo de la Organización de Estados Americanos (OEA) y actualmente está sostenida por la Organización de Estados Iberoamericanos para la Educación, la Ciencia y la Cultura (OEI).
Tipos de Indicadores
Los indicadores se distinguen por el tipo de actividad científica y tecnológica de que dan cuenta y por las variables específicas con las que se define operacionalmente cada proceso. Evolucionan en el tiempo en la misma medida en que lo hace la comprensión de los procesos de producción, difusión y aplicación del conocimiento. Dicho de otro modo, expresan las distintas visiones que en cada momento predominan acerca de la relación entre la ciencia, la tecnología y la sociedad en distintos contextos.
Los primeros indicadores desarrollados sistemáticamente con fines comparativos fueron, a propuesta de la UNESCO, los de actividades científicas y tecnológicas (ACT) que apuntan a un enfoque más amplio que la I+D[i], ya que incluyen aspectos como la formación de recursos humanos en ciencia y tecnología y otras actividades centrales en el proceso de difusión del conocimiento. Posteriormente, a través del Manual de Frascati la OCDE canalizó un importante esfuerzo de normalización de indicadores centrados en la I+D con un enfoque en el que predomina la relación costo-beneficio, ya que en realidad se trata de una matriz de insumos y productos.
Cuadro comparativo de conceptos
|
|
ActividadesCientíficas y Tecnológicas (ACT) |
Investigación y Desarrollo (I+D) |
|
|
Alcance |
|
Universal. Abarca todo el espectro de la ciencia, y servicios y educación técnica. |
Restringido. Es el núcleo creativo generador de
conocimiento original dentro de las ACT. |
|
Criterio Clave |
|
Flujo, aplicación, enseñanza o difusión del conocimiento
existente. |
Novedad y originalidad. Debe buscar un resultado que no se
conocía previamente. |
|
Componentes |
|
Incluye Enseñanza (ECT), Servicios (SCT) e Investigación
(I+D). |
Incluye Investigación Básica, Aplicada y Desarrollo
Experimental. |
Las teorías del “capital humano” dieron lugar a la necesidad de disponer de indicadores de recursos humanos que permitieran diseñar políticas eficaces tendientes a la consolidación de la capacidad científica de cada país. Otros aspectos de la gestión del conocimiento han dado lugar a diferentes tipos de indicadores, tales como los de balanza de pagos tecnológicos y comercio internacional de bienes con alto contenido tecnológico. Cada uno de estos tipos de indicadores ha dado lugar a una norma internacional en la medida que se iban alcanzando acuerdos relativos a las formas comparables de medirlos. La otra dimensión que permite diferenciar los tipos de indicadores se refiere a los aspectos del proceso que iluminan. En este sentido, los indicadores de I+D distinguen los de insumo y los de producto, cada uno con su detalle. Algunos de estos indicadores detallados han alcanzado un gran nivel de desarrollo y sofisticación, como es el caso de los indicadores bibliométricos.
Los indicadores de I+D más comúnmente desarrollados en casi todas las metodologías adoptadas internacionalmente tienen que ver con el concepto de "producción" y, en el fondo, reflejan la matriz insumo-producto. Este es el enfoque que sustenta el Manual Frascati. De esta manera, la producción de conocimiento es vista como un sistema secuencial en el cual las actividades de ciencia y tecnología reciben insumos y generan productos. Sin embargo, existen limitaciones en la información que aportan los indicadores basados en este esquema marcadamente simplificado. Las críticas más fuertes apuntan a que el sistema científico y tecnológico aparece como una caja negra, en dónde el proceso principal de producción del conocimiento no puede medirse y solo se pueden observar los extremos visibles del proceso.
Los indicadores de insumo o “input” permiten evaluar los
recursos que ingresan al sistema científico y tecnológico. Con fines
estadísticos se miden dos inputs: los gastos realizados y el personal empleado
en esas actividades. Estos insumos se miden habitualmente con una base anual
(monto gastado en I+D durante un año y cantidad de personas empleadas en I+D en
un año). Los indicadores de insumo generalmente construidos internacionalmente
pueden agruparse en dos familias principales:
a)
Recursos financieros (la comparación
internacional de estos datos se ve dificultada por las diferencias de los
niveles de precios entre países y a lo largo del tiempo, que las tasas de
cambio no pueden reflejar completamente).
b) Recursos humanos (generalmente se miden de dos maneras diferentes: personas físicas y equivalencia a jornada completa (EJC).
Los indicadores de output o resultado son más problemáticos.
El nivel de la polémica sobre si ellos realmente dan cuenta de los resultados
de las actividades científicas y tecnológicas es tal que en la publicación de
"Los Principales Indicadores en Ciencia y Tecnología" de la OCDE
(OCDE, 2026) se reconoce que "no existen medidas directas de resultados de
la ciencia y la tecnología, sino solo indicadores aproximativos sobre datos
recogidos para otros propósitos”.
Los indicadores de resultado generalmente construidos internacionalmente pueden agruparse en cuatro familias principales:
a) actividad innovadora (incluyendo innovación y estadísticas de patentes)
b) impacto de la ciencia y la tecnología en la economía (incluyendo comercio internacional y tecnología, balanza de pagos tecnológica y relación entre tecnología y productividad)
c) indicadores de la producción científica (incluyendo análisis bibliométricos e índices de citaciones)
d) diversos indicadores relativos al estado interno de la tecnología.
Ambas series de estadísticas presentan ventajas e inconvenientes, por lo que es necesario recurrir a las dos para obtener una representación correcta de los esfuerzos realizados en I+D. Resulta interesante observar como la relación entre recursos humanos y financieros varía fuertemente, incluso dentro de una misma región, señalando claramente los “estilos” de política científica sostenidos por cada uno de ellos. Más allá de estas limitaciones, este modelo es el más difundido a nivel internacional y a él responden todos los indicadores internacionalmente comparables que se construyen, tanto en los países desarrollados como en los que están en vías de desarrollo.
Indicadores para países en desarrollo
Desde algunas perspectivas se señala que los indicadores creados en los países desarrollados no se adaptarían a la realidad de los países en desarrollo, no tanto porque las fuentes de información sean menos confiables, sino por cuanto el esfuerzo en ciencia y tecnología de estos países no debe ser evaluado comparativamente con el desempeño de los industrializados. En cambio, deben ser contrastados con el grado de cumplimiento de los fines y objetivos que establezca su propia política de desarrollo. Se sugiere, en su reemplazo, la exploración de indicadores más relacionados con la adopción de tecnologías apropiadas.
También Christopher Freeman (1982) cuestionaba la utilidad de indicadores tipo OCDE para los países en desarrollo, pero su argumento estaba más relacionado con el tipo de industrialización que en ellos se llevó a cabo. En su opinión, para estos países no son tan interesantes los indicadores de I+D, por cuanto ésta tiene poca relevancia para el desarrollo. Más bien –afirmaba- deberían interesarles los indicadores relativos a los “servicios científicos y tecnológicos”. Extremando el argumento, Freeman afirmaba que la elaboración del “Manual de Frascati” fue en cierta medida una oportunidad perdida, porque se habría limitado el esfuerzo a la I+D, y no se habría tomado en cuenta suficientemente a las otras ACT. La perspectiva adoptada reflejó exclusivamente el interés de los países industrializados, porque los países en vías de desarrollo no tenían sistemas desarrollados de I+D.
Si se extrapola el pensamiento de Jean Jacques Salomon (1994) sería posible hacer una advertencia obvia: si bien no todos los países en desarrollo son iguales, en principio lo más interesante para todos ellos debería ser la utilización de indicadores relativos al desarrollo de la educación superior, como expresión de la madurez que alcance su “sistema técnico”, entendido como la capacidad social de incorporar el cambio tecnológico. La UNCTAD (1991) coincide, en líneas generales, con las posiciones anteriores. Los recursos destinados a producir conocimiento (I+D) constituyen la “parte” de las ACT que se registran como “insumos”. Por lo tanto, “en el caso de los países en desarrollo resulta útil adoptar una definición amplia de los elementos de insumo, que incluya, además de las actividades en investigación y desarrollo, la tecnología transferida y el esfuerzo interno en términos de formación de recursos humanos o inversiones en maquinaria y equipo”. En aparente coincidencia con las posiciones presentadas por Salomon, define la tecnología no solamente en función del equipo físico y del soporte lógico, sino también del desarrollo de las aptitudes físicas para dominarla.
No parece razonable que los países en desarrollo prescindan de realizar un esfuerzo de reflexión similar al que han llevado a cabo los industrializados. Por el contrario, es conveniente que traten de establecer los indicadores más apropiados para la evaluación de sus políticas, así como para estimar los desafíos y posibilidades que realmente le corresponden. En una primera etapa, una de las metas de la RICYT ha sido la adopción de metodologías homogéneas por parte de países de la región, basadas en las características propias de los países en desarrollo y no en la copia mimética de las metodologías creadas para los países industrializados. La magnitud de este desafío aumentó debido a la heterogeneidad de los sistemas estadísticos de los distintos países de la región y la discontinuidad de los trabajos realizados hasta el momento en la materia. Con el tiempo, la creciente globalización de algunas actividades relacionadas no solamente con la ciencia y la tecnología, sino sobre todo con la economía, han impulsado una creciente homogeneización de los indicadores. Es así como la mayoría de los países en desarrollo -y la propia RICYT- tratan de adoptar las metodologías de la OCDE o directamente adherirse a esta institución. Esto acarrea las ventajas de la comparabilidad, pero también las desventajas de perder de vista rasgos idiosincráticos, como puede observarse claramente en la mayoría de los rankings de educación superior, además de fomentar tendencias imitativas que no necesariamente favorecen el desarrollo de los países.
Inteligencia artificial (IA) y evaluación
No es posible concluir este recorrido por la problemática de la evaluación en ciencia y tecnología sin hacer referencia a la creciente utilización de herramientas de inteligencia artificial (IA). Aunque su difusión masiva es reciente, la IA no constituye estrictamente un fenómeno nuevo. El término fue formalizado en 1956, cuando John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon, entre otros investigadores, impulsaron un programa de investigación orientado a lograr que las máquinas realizaran tareas habitualmente asociadas con la inteligencia humana. Desde entonces, la evolución de la capacidad de procesamiento, el almacenamiento masivo de datos y las técnicas de aprendizaje automático han ampliado considerablemente sus posibilidades.
Una de las transformaciones más visibles se produjo a partir de la difusión de la IA generativa y, particularmente, de los grandes modelos de lenguaje. Estos sistemas identifican patrones en enormes volúmenes de información y, a partir de ellos, generan textos, imágenes y otros contenidos. La aparición de ChatGPT, desarrollado por OpenAI y presentado públicamente en noviembre de 2022, contribuyó decisivamente a popularizar estas tecnologías.
Sin embargo, la capacidad de producir respuestas plausibles no implica que tales respuestas sean necesariamente verdaderas, originales o imparciales. Los modelos pueden cometer errores, reproducir sesgos presentes en los datos con los que fueron entrenados y presentar como segura información que carece de suficiente fundamento.
La IA ofrece distintas posibilidades para la evaluación de la ciencia y la tecnología. Su capacidad para procesar grandes volúmenes de datos permite ampliar el análisis bibliométrico, identificar redes de colaboración, reconocer áreas emergentes de investigación y examinar la evolución de determinados campos científicos. También puede facilitar la clasificación inicial de proyectos y publicaciones, la detección de posibles conflictos de intereses y la sistematización de antecedentes. En este sentido, las grandes bases de datos y las herramientas de IA hacen posible lo que podría denominarse una “evaluación bibliométrica ampliada”.
Estas tecnologías también pueden ser utilizadas por los pares evaluadores para organizar información, comparar documentos, resumir antecedentes o detectar aspectos que requieren un examen más detenido. Se podría hablar, por lo tanto, de una “evaluación por pares asistida por IA”. Su incorporación puede reducir el tiempo dedicado a tareas rutinarias y facilitar el tratamiento de una cantidad de información que sería difícil procesar exclusivamente mediante el trabajo humano. Esto no significa, sin embargo, que la IA deba sustituir el juicio de los expertos. La valoración de la calidad, la originalidad, la pertinencia y la relevancia social de una investigación exige capacidades interpretativas y conocimiento contextual que no pueden ser reducidos a la aplicación automática de un algoritmo.
La utilización de IA en los procesos de evaluación plantea, además, problemas específicos. Entre ellos se encuentran la falta de transparencia de algunos modelos, los sesgos que pueden incorporar, la protección de la información confidencial, la posibilidad de producir evaluaciones aparentemente rigurosas pero basadas en datos incorrectos y la dificultad para determinar responsabilidades cuando una recomendación algorítmica resulta equivocada. Existe también el riesgo de que estas herramientas refuercen los criterios dominantes y paradójicamente penalicen investigaciones innovadoras, interdisciplinarias o alejadas de los patrones más frecuentes en las bases de datos.
Por estas razones, la incorporación de la IA debe estar acompañada por reglas explícitas acerca de sus usos, mecanismos de supervisión humana y procedimientos que permitan revisar sus resultados. Los evaluadores deberían informar cuándo y para qué han utilizado estas herramientas, especialmente si han intervenido en la elaboración de dictámenes o en el análisis de información confidencial. La responsabilidad final de la evaluación debe continuar recayendo en personas e instituciones identificables.
La IA puede ser considerada, en definitiva, como un nuevo dispositivo que reorganiza el proceso de evaluación sin eliminar la centralidad del juicio experto. Su incorporación no constituye necesariamente una ruptura con las metodologías anteriores, sino una ampliación de los instrumentos disponibles. Como ocurrió con la bibliometría y las grandes bases de datos, su valor dependerá de los criterios con los que sea utilizada y del marco institucional en el que se inserte. El desafío consiste en aprovechar sus capacidades sin delegar en sistemas técnicos decisiones que involucran valores, prioridades y responsabilidades sociales.
A modo de epílogo
El recorrido hecho en este texto pone en evidencia la importancia que tiene la evaluación en la toma de decisiones en el marco de un campo heterogéneo en el que confluyen distintas lógicas: la de los propios científicos con su idea de “calidad” y “excelencia”, la de otros actores sociales que representan distintos intereses y la utilización creciente de nuevas tecnologías como las grandes bases de datos y la inteligencia artificial que se constituyen en cierta forma como un nuevo actor no humano pero dotado algún grado de autonomía. En este sentido, de un modo análogo a la distinción entre “apocalípticos” e “integrados” propuesta por Umberto Eco (1964), en la que los primeros son pesimistas y desconfían de los medios de comunicación de masas, mientras que los segundos tienen una visión optimista y celebran la tecnología, ante la IA se reconocen dos posturas extremas: la de quienes la valoran como una herramienta extremadamente útil y la de quienes temen tanto sus aplicaciones con fines bélicos, como su aporte a la deshumanización y la difusión de noticias falsas.
En definitiva, hay que pensar cómo se utiliza una herramienta nueva -la IA- en procesos más generales con una lógica bien establecida, de un modo similar a como en su momento se encajaron en el rompecabezas de los indicadores y la evaluación las bases de datos bibliométricas accesibles por Internet, o la posibilidad de procesar a medida microdatos de censos de población para los indicadores Canberra, o las técnicas de procesamiento de lenguaje natural para los grandes repositorios de textos científicos. Lo importante es lograr un buen diseño del sistema y del papel de cada herramienta. Eso es algo que sólo puede hacer un experto con experiencia y tomando decisiones metodológicas (y también políticas). Se puede apoyar en la IA, pero no delegarlo por completo.
El valor creciente de la evaluación como orientadora de políticas y como instrumento de gestión está ligado a la capacidad social de instalar una cultura adecuada a su práctica. Esta cultura es necesariamente plural, ya que requiere la convivencia y articulación de lógicas, sistemas de intereses y recursos tecnológicos muy diversos, entre los que prevalecen las personas con su capacidad de pensar y tomar decisiones. En ello radica, al mismo tiempo, su complejidad y su riqueza.
Bibliografía
BARRE, Rémi (1997), 'La producción de indicadores para la política de investigación e innovación: organización y contexto institucional', en: El Universo de la Medición. La perspectiva de la ciencia y la tecnología, RICYT – COLCIENCIAS - Tercer Mundo, Bogotá.
ECO, Umberto (1965) Apocalípticos e integrados. Lumen, Barcelona.
FLAMENT, Michel (1993), 'Evaluación multicriterio de proyectos en ciencia y tecnología', en: Estrategias, Planificación y Gestión de Ciencia y Tecnología, Nueva Sociedad, Caracas.
FREEMAN, Christopher (1982); The Economics of Industrial Innovation. 2nd Edition, Francis Pinter, London.
LÓPEZ, Andrés y LUGONES, Gustavo (1997), 'El proceso de innovación tecnológica en América Latina en los años noventa. Criterios para la definición de indicadores', en: Redes N° 9, Editorial de la UNQ, Buenos Aires, p. 13.
NATIONAL ACADEMY of SCIENCES, NATIONAL ACADEMY of ENGINEERING, and INSTITUTE of MEDICINE (1999). Evaluating Federal Research Programs. Washington, DC: National Academy Press.
OECD (1980). Preliminary Report of the Results of the Conference on Science and Technology Indicators. Paris: Committee for Scientific and Technological Policy.
OCDE (2015), La medición de las actividades científicas y técnicas / Manual de Frascati, OCDE, París. La Fundación Española para la Ciencia y la Tecnología (FECYT) publicó una traducción oficial al español en 2017.
OCDE (1980), Conferencia sobre Indicadores de Ciencia y Tecnología.
OCDE (2018), Manual de Oslo, OCDE, Paris.
OCDE (2026), Principales Indicadores de Ciencia y Tecnología (MSTI). Tradicionalmente, este conjunto de datos se actualiza dos veces al año (en los meses de marzo y septiembre) para mantener al día las estadísticas internacionales sobre investigación y desarrollo (I+D).
SALOMON, Jean Jacques (1994), 'Tecnología, diseño de políticas, desarrollo', en: Redes N° 1, Editorial de la UNQ, Buenos Aires, p. 9.
UNCTAD (1991), Los indicadores tecnológicos y los países en desarrollo, UNCTAD/ITP/TEC/19, GINEBRA.
VELHO, Lea, 'Indicadores Científicos: Aspectos Teóricos y Metodológicos', en: Eduardo Martínez (compilador), Interrelaciones entre la Ciencia, la Tecnología y el Desarrollo: Teorías y Metodologías, UNESCO – Nueva Sociedad, Caracas, 1993.
[i]
Para el análisis de la I+D el Manual de Frascati
adopta la distinción entre investigación básica, aplicada y desarrollo
experimental adoptada originalmente por la UNESCO. La definición de tales
categorías en el manual de la OCDE es la siguiente:
a) La investigación
básica consiste en trabajos experimentales o teóricos que se emprenden
principalmente para obtener nuevos conocimientos acerca de los fundamentos de
los fenómenos y hechos observables, sin pensar en darles ninguna aplicación o
utilización determinada.
b) La investigación
aplicada consiste también en trabajos originales realizados para adquirir
nuevos conocimientos; sin embargo, está dirigida fundamentalmente hacia un
objetivo práctico específico.
c) El desarrollo
experimental consiste en trabajos sistemáticos que aprovechan los
conocimientos existentes obtenidos de la investigación y/o la experiencia
práctica, y está dirigido a la producción de nuevos materiales, productos o
dispositivos; a la puesta en marcha de nuevos procesos, sistemas y servicios, o
a la mejora sustancial de los ya existentes.
[ii] La distinción entre la
medición en personas físicas y EJC es de central importancia en la medición de
los recursos humanos en I+D, ya que ésta puede ser la función principal de
algunas personas (por ejemplo, los trabajadores de un laboratorio de I+D) o puede
constituir una función secundaria o de tiempo parcial, como en el caso de los
profesores universitarios o los estudiantes de postgrado.
No hay comentarios:
Publicar un comentario
Comentarios