Guía · Escritura científica

Cómo escribir el abstract de un artículo científico

A partir del episodio 278 del podcast.

El abstract es la parte más leída de tu artículo y la que peor se escribe. El editor en jefe, el primer guardián de la puerta, decide en gran parte por él si tu trabajo sigue adelante. Y el 95% se escriben igual: a última hora, entrando directos al problema técnico, con mucha metodología y poca relevancia. Solo los expertos del subcampo los entienden, y a veces ni ellos.

Después de publicar más de 200 artículos y de revisar muchos más, te cuento el método que uso y enseño en mentoría. No es del todo mío: parte de un trabajo en el que unos autores deconstruyeron decenas de abstracts exitosos de revistas como Nature y extrajeron sus reglas. Le he dado mi interpretación y un par de añadidos.

Esto es lo esencial, el marco que uso, no un tratado. Lo justo para empezar bien y no perder el tiempo. El detalle de tu caso concreto lo vemos en mentoría.

La idea de fondo: el microscopio

Un buen abstract va de lo más general a lo más concreto, y luego vuelve a lo general. Como un microscopio: empiezas con pocos aumentos (cualquiera lo entiende), subes al máximo detalle (tu resultado), y vuelves a bajar para mostrar por qué importa. Lo contrario del abstract aburrido típico, que entra directo al detalle técnico y nunca sale de ahí.

El método de las 6 partes

Todo esto va en un solo bloque de texto compacto. Las «partes» son mentales, no visuales.

1. Introducción muy general del campo. Una o dos frases que entendería cualquiera de la calle.
2. Introducción para tu área. Subes un punto: hablas para quien trabaja en tu disciplina. Más concreto, aún sin entrar en el problema.
3. El problema, en una sola frase. La pregunta abierta del campo, dicha para que la entienda incluso alguien de fuera. Mantienes el suspense.
4. Tu resultado principal, en una frase, de forma impactante. Qué has encontrado, lo más claro y general posible.
5. La comparación: por qué lo tuyo es diferente e importante. Frente a lo que ya se sabía, qué cambia. Aquí das la justificación.
6. El contexto general: las implicaciones. Cierras volviendo a lo amplio: a qué abre la puerta tu trabajo.

El trabajo original sugiere una séptima parte de «contexto aún más amplio». Yo la quito: en mi experiencia confunde más que ayuda.

Por qué funciona

• Impacta al editor en jefe, que casi nunca es de tu subcampo exacto: entiende tu aportación sin ser especialista.
• Sube tus probabilidades de pasar el primer filtro.
• Es reutilizable: el mismo texto, adaptado, sirve para la solicitud de financiación, la charla o el hilo en redes.

Ejemplo aplicado

El ejemplo va en inglés, como se escribe en la realidad. Primero, cómo se vería este abstract escrito mal, al estilo del 95%, y después el que de verdad publiqué.

Antes (versión floja, entra directa al método y nunca sale de ahí):

In this work, artificial neural networks (ANN), logistic regression (LR) and support vector machines (SVM) were trained on several medical datasets and evaluated through cross-validation. Hyperparameters were tuned via grid search and performance was measured using accuracy, F1-score and AUC. Convolutional neural networks (CNN) were additionally implemented on GPU and HPC infrastructure for image data. The models achieved competitive accuracy across the tested datasets, and feature-importance values were computed for some of them. Future work will explore further architectures and datasets.

Solo lo entienden cuatro especialistas, no dice qué problema resuelve, no lo compara con nada y no explica por qué le importaría a un médico. Ahora el real, mi survey Towards the Interpretability of Machine Learning Predictions for Medical Applications Targeting Personalised Therapies: A Cancer Case Survey (Int. J. Mol. Sci., 2021):

Después (el publicado, con las 6 partes señaladas):

Artificial Intelligence is providing astonishing results, with medicine being one of its favourite playgrounds (1). Machine Learning and, in particular, Deep Neural Networks are behind this revolution. Among the most challenging targets of interest in medicine are cancer diagnosis and therapies, but to start this revolution, software tools need to be adapted to cover the new requirements (2). In this sense, learning tools are becoming a commodity but, to be able to assist doctors on a daily basis, it is essential to fully understand how models can be interpreted (3). In this survey, we analyse current machine learning models and other in-silico tools as applied to medicine, specifically, to cancer research, and we discuss their interpretability, performance and the input data they are fed with (4). Artificial neural networks, logistic regression and support vector machines have been observed to be the preferred models; convolutional neural networks, supported by GPUs and HPC, are gaining importance for image processing (5). However, the interpretability of machine learning predictions, so that doctors can understand them, trust them and gain useful insights for clinical practice, is still rarely considered, a factor that needs improving to enhance doctors’ predictive capacity and achieve individualised therapies in the near future (6).

Fíjate: abre con una frase que entiende cualquiera (1), baja al detalle del área (2,3), dice qué hace (4), da los hallazgos (5) y cierra volviendo a lo amplio, terapias personalizadas, (6). El microscopio entero: general → particular → general.

Los errores que veo una y otra vez

• Escribir el abstract el último día, de cualquier manera.
• Empezar por el problema técnico que solo entienden cuatro personas.
• Tres frases de metodología y ninguna de relevancia.
• No comparar tu resultado con lo anterior.
• Terminar sin decir por qué importa.

Y el título

El mismo principio vale para el título: impacto antes que exhaustividad. El de ese survey, «Towards the Interpretability of Machine Learning Predictions for Medical Applications Targeting Personalised Therapies: A Cancer Case Survey», dice exactamente qué vas a encontrar: interpretabilidad, medicina, terapias personalizadas, cáncer. Comunica el qué y el para qué, no la maquinaria. Un título que solo dijera «A Review of ML Algorithms and Architectures» se quedaría en la metodología y perdería al lector.

Esta guía nace del episodio 278 del podcast Investigando la investigación. → Escúchalo aquí