Consejos de investigación··16 min read
5 errores comunes en figuras científicas
Evita estos 5 errores comunes en figuras científicas que conducen al rechazo por revisores y al retrabajo doloroso.
Los editores de revistas te dirán, si se lo preguntas directamente, que los problemas con las figuras se encuentran entre las razones más frecuentes por las que un manuscrito es devuelto antes incluso de iniciar la revisión por pares. No la ciencia, sino las figuras científicas. Los recursos visuales mal preparados cuestan a los investigadores semanas de revisiones, retrasan la publicación y, en algunos casos, contribuyen al rechazo directo. Lo frustrante es que la mayoría de estos problemas son completamente evitables. Siguen patrones predecibles, aparecen en laboratorios de cualquier nivel de carrera y derivan del mismo puñado de malentendidos sobre lo que las revistas exigen realmente a las figuras enviadas.
Aquí están los cinco errores que aparecen con mayor frecuencia, y cómo las herramientas de figuras asistidas por IA los están eliminando antes de que el manuscrito salga siquiera de tu escritorio.
Error n°1 — La trampa de la resolución
El problema: terminas una figura científica en PowerPoint, la exportas como PNG o JPEG y se ve perfectamente nítida en tu monitor. La envías a la revista y la oficina editorial te responde por correo en menos de 48 horas: «Las figuras no cumplen los requisitos mínimos de resolución.» Tu exportación de pantalla a 72 DPI es rechazada. La revista exige al menos 300 DPI, y para arte lineal, paneles de microscopía electrónica o figuras con detalle fino, el estándar real es 600 DPI.
Por qué ocurre: las pantallas de ordenador se visualizan a 72-96 DPI. Todo el software que utilizas para construir figuras está calibrado por defecto para visualización en pantalla, no para impresión. Cuando exportas con la configuración «por defecto», estás exportando para un monitor. La reproducción impresa al tamaño físico que las revistas exigen es una demanda de resolución completamente distinta. Una figura científica de 4 pulgadas de ancho necesita al menos 1.200 píxeles de ancho para alcanzar calidad de impresión a 300 DPI. La mayoría de las exportaciones de pantalla por defecto producen una fracción de eso.
El problema de la compresión JPEG agrava todo esto. JPEG es un formato con pérdida: introduce artefactos visibles en los bordes, especialmente alrededor de las etiquetas de texto y las líneas finas. Las revistas que aceptan JPEG suelen exigirlo con la calidad máxima. Muchas prefieren TIFF o PNG para figuras con texto.
| Tipo de figura | Resolución mínima |
|---|---|
| Arte lineal | 1000-1200 DPI |
| Escala de grises | 300-600 DPI |
| Fotos en color | 300 DPI |
Cómo lo previene SciFig: SciFig y otras plataformas de generación de figuras con IA producen por defecto salida con calidad vectorial. Como la figura subyacente se define matemáticamente en lugar de como una cuadrícula fija de píxeles, puede renderizarse a cualquier DPI sin pérdida de calidad. Cuando exportas una figura científica a 600 DPI para una revista de Nature frente a 300 DPI para una publicación de sociedad, el mismo archivo fuente produce calidad óptima en ambos casos. No hay trampa de resolución porque no hay un número fijo de píxeles que pueda quedarse corto. Para un flujo de trabajo completo que alcance consistentemente los estándares de figuras de nivel Nature con presupuesto ajustado, consulta nuestra guía.
Error n°2 — Paletas hostiles a los daltónicos
El problema: el rojo y el verde son los colores de contraste por defecto en prácticamente todas las herramientas de gráficos, todo software de diagramas y casi todas las plantillas de diseño construidas en los últimos 30 años. Se ven visualmente distintos en pantalla. Tienen sentido intuitivo: positivo y negativo, presencia y ausencia, tratado y no tratado. Pero también son completamente indistinguibles para aproximadamente el 8% de los lectores hombres y el 0,5% de las lectoras mujeres con deficiencia de visión cromática rojo-verde (la deuteranopia y la protanopia son las formas más comunes).
Esto no es un caso límite menor. En un campo como la biología celular o la genética, donde las figuras cuantitativas son centrales para el argumento del artículo, una figura científica que una fracción significativa de revisores y lectores no pueda interpretar correctamente es un fallo de comunicación científica. Algunas revistas ahora exigen explícitamente paletas accesibles para daltónicos en sus directrices de figuras.
Por qué ocurre: la oposición cromática rojo-verde está profundamente integrada en la configuración por defecto de MATLAB, R base, Excel y la mayoría del software de visualización científica. A menos que sobrescribas activamente esos valores, estás heredando una paleta diseñada para diseño gráfico general, no para comunicación científica inclusiva. La mayoría de los investigadores no piensa en la accesibilidad para daltónicos hasta que se les indica que tienen un problema.
Cómo lo previene la IA: las herramientas modernas de figuras con IA están entrenadas con buenas prácticas de comunicación científica, que incluyen convenciones de paletas seguras para daltónicos. En vez de recurrir por defecto a la oposición rojo-verde, utilizan paletas como viridis, cividis e inferno: escalas de color perceptualmente uniformes que permanecen distinguibles bajo todas las formas comunes de deficiencia de visión cromática y que también imprimen bien en escala de grises. La accesibilidad está incorporada en la salida en lugar de requerir corrección posterior.
Error n°3 — Caos tipográfico
El problema: abre cualquier figura multipanel ensamblada a lo largo de varias semanas o meses —paneles de distintos miembros del laboratorio, paneles exportados desde diferentes programas, paneles añadidos durante la revisión— y casi con seguridad verás fuentes inconsistentes, tamaños de etiqueta dispares, tipografías mezcladas y tratamientos de peso variables en lo que se supone que es una figura unificada. Arial en el panel A, Times New Roman en el panel B, la fuente por defecto de MATLAB en el panel C. Etiquetas de 10 pt en algunos paneles, de 8 pt en otros. Etiquetas de eje en negrita junto a etiquetas de panel en peso regular.
Por qué ocurre: las figuras multipanel casi nunca se construyen de una sola vez. Se ensamblan a partir de componentes producidos en momentos diferentes, en distintos programas y por diferentes personas. Cada herramienta de software tiene su propia configuración de fuente por defecto. Cuando esos componentes se reúnen y disponen juntos, la inconsistencia tipográfica que era invisible cuando cada panel se construía aisladamente se vuelve inmediatamente evidente. La tipografía inconsistente delata una figura científica que fue ensamblada en lugar de diseñada, y los revisores y editores lo notan.
La versión más sutil de este problema es la inconsistencia de escala: etiquetas que técnicamente tienen el mismo tamaño de fuente pero aparecen visualmente con tamaños distintos porque los paneles a los que pertenecen se exportaron con dimensiones de píxel diferentes y luego se redimensionaron para encajar en una composición.
Cómo lo previene SciFig: cuando una figura completa —múltiples paneles, etiquetas, leyendas y anotaciones— se genera a partir de una única descripción en lenguaje natural en SciFig, el sistema tipográfico es coherente por definición. La misma fuente, la misma jerarquía de pesos y las mismas reglas de tamaño de etiqueta se aplican a todos los elementos porque todos provienen del mismo proceso de generación. No hay un paso de ensamblaje en el que puedan colarse inconsistencias.
Vea la generación de figuras científicas con IA en acción
Observe cómo los investigadores crean figuras científicas listas para publicar a partir de descripciones de texto.
Explorar la herramientaError n°4 — Anarquía de flechas y etiquetas
El problema: las anotaciones —flechas, llaves, etiquetas explicativas, barras de escala— son el vocabulario visual que los investigadores usan para dirigir la atención dentro de una figura. Bien empleadas, crean una jerarquía clara que guía al lector a través del argumento visual. Mal empleadas, generan cajas de texto superpuestas, flechas que apuntan a objetivos ambiguos, etiquetas que chocan con elementos de datos y estilos de anotación que cambian de panel a panel sin razón.
Por qué ocurre: la anotación suele ser el último paso de la preparación de figuras, hecho bajo la presión de la fecha límite cuando el trabajo de datos e ilustración subyacente ya está terminado. Se trata como un paso de acabado en lugar de una decisión de diseño. Las etiquetas se colocan donde haya espacio en blanco, no donde creen el camino de lectura más claro. Las flechas se colocan apuntando a regiones en lugar de a características específicas. Cuando los paneles se revisan —se actualizan datos, se cambia la escala, se reposicionan elementos— las anotaciones colocadas manualmente a menudo terminan apuntando al lugar equivocado o superponiéndose a elementos recolocados.
El problema más profundo es que la anotación requiere decisiones activas de diseño visual: qué merece etiquetarse, con cuánto énfasis, con qué contraste frente al fondo y en qué relación espacial con lo que identifica. La mayoría de los investigadores no están formados en estas decisiones y se conforman con lo que parece aproximadamente correcto al zoom normal de pantalla, no a escala de impresión ni durante la revisión editorial.
Cómo lo previene la IA: la generación de figuras con IA integra la anotación como parte del proceso de diseño, no como un añadido posterior. Las etiquetas, flechas y notas se posicionan en relación con los elementos de la figura científica que identifican, con detección de colisiones y jerarquía visual incorporadas en la lógica de generación. El resultado es una figura anotada en la que cada etiqueta es legible, cada flecha apunta a su objetivo de forma inequívoca y la densidad global de anotaciones está calibrada según la complejidad de la figura científica, no según el espacio en blanco que quedaba.
Error n°5 — El vacío vectorial
El problema: envías tus figuras como archivos PNG o TIFF. El artículo es aceptado —enhorabuena— y el equipo de producción de la revista te envía por correo una solicitud de revisión. Necesitan recolorear un panel para ajustarse al estilo de la casa. O traducir una etiqueta para la edición internacional. O el corrector cambió un término en el texto y ahora la leyenda de la figura no concuerda. Con una exportación rasterizada, ninguno de estos cambios puede hacerse sin reconstruir la figura científica desde cero. Si ya no tienes el archivo fuente, estarás reconstruyendo a partir de una imagen aplanada.
Por qué ocurre: la mayoría de los investigadores exportan figuras como imágenes rasterizadas porque ese es el formato de exportación por defecto del software que usan y porque el portal de envío acepta archivos rasterizados. La distinción entre raster (basado en píxeles, resolución fija) y vectorial (definido matemáticamente, infinitamente escalable) no forma parte de la formación estándar en investigación. Los formatos vectoriales —SVG, EPS, PDF, AI— se perciben con frecuencia como «formatos de diseñador» más complicados de lo necesario. Hasta que llega una solicitud de revisión que exige editar un archivo aplanado.
Este problema escala con la antigüedad. Cuanto más publiques, más probable será que enfrentes una revisión de producción sobre una figura de un artículo enviado hace dos años cuyos archivos fuente están en un disco duro al que ya no tienes acceso.
Cómo lo previene la IA: las figuras generadas por IA producen de forma nativa salida vectorial editable y por capas. Cada elemento —rutas, etiquetas de texto, rellenos de color, flechas— existe como un objeto separado y editable en el archivo de salida. Abre el resultado en el lienzo vectorial de SciFig (o en cualquier editor compatible con SVG), cambia el color de relleno en la capa correspondiente y exporta un nuevo TIFF en tres minutos. Cuando hay que cambiar una etiqueta, editas el objeto de texto. No hay paso de aplanado, ni cuadrícula de píxeles, ni exportación destructiva que elimine tu capacidad de hacer cambios futuros.
Refine figuras en el Vector Canvas
Abra cualquier figura generada por IA en el lienzo editable — SVG en capas, PNG 8K o PPTX editable.
Probar gratisLista de verificación antes del envío
Antes de incluir cualquier figura en el envío de un manuscrito, repasa esta lista de validación. Cada elemento de esta lista corresponde a una razón real de rechazo editorial.
Resolución y formato
- Todas las figuras rasterizadas exportadas a un mínimo de 300 DPI (600 DPI para figuras con detalle fino o texto pequeño)
- Sin artefactos visibles de compresión JPEG al 100% de zoom
- Archivos fuente vectoriales guardados por separado de las exportaciones de envío
Accesibilidad cromática
- Sin distinciones cromáticas únicamente rojo-verde en figuras que codifican datos categóricos o comparativos
- Elecciones de color verificadas con una herramienta de simulación de daltonismo (p. ej., Coblis o Color Oracle)
- Las figuras siguen siendo interpretables al convertirse a escala de grises
Tipografía
- Fuente coherente en todos los paneles de cada figura
- Tamaños de etiqueta consistentes: físicamente del mismo tamaño en puntos a las dimensiones de impresión
- Familia tipográfica acorde a los requisitos de la revista (muchas exigen únicamente sans-serif)
Anotación
- Todas las flechas apuntan a objetivos específicos e inequívocos
- Ningún texto de etiqueta se superpone con elementos de datos o con otras etiquetas
- Barras de escala presentes y etiquetadas en todas las micrografías
- Letras de panel (A, B, C) posicionadas de forma coherente, normalmente arriba a la izquierda
Requisitos de formato
- El formato de archivo coincide con la especificación de la revista (no simplemente «cualquier formato de imagen»)
- El ancho de la figura coincide con las especificaciones de ancho de columna de la revista
- Las leyendas de las figuras están completas y se corresponden con el contenido
Advertencia
Cada revista tiene sus propios requisitos específicos de figuras, y difieren en aspectos relevantes. Las revistas de Nature, las de Cell Press, las de PLOS y las publicaciones de sociedad tienen especificaciones distintas para el formato de archivo, el DPI mínimo, el tamaño máximo de archivo, el modo de color (RGB vs CMYK) y los requisitos tipográficos. Descarga y lee siempre las directrices para autores de la revista de destino antes de preparar las figuras para el envío. Las buenas prácticas genéricas son un punto de partida, no un sustituto de los requisitos específicos de cada revista. Si la figura científica está generada por IA, consulta nuestra guía 2026 de políticas de IA-figuras en revistas con plantillas de divulgación para los principales editores.
El verdadero coste de los errores en las figuras
El tiempo es el recurso del que los investigadores andan más consistentemente escasos. Considera lo que los problemas de figuras cuestan realmente en la práctica.
Una sola ronda de revisión desencadenada por problemas de calidad en las figuras —rechazo editorial antes de la revisión, un comentario de revisor pidiendo exportaciones de mayor resolución, una solicitud de producción de un archivo editable— suele costar de dos a cinco días. Localizar archivos fuente, reconstruir elementos, reexportar con las especificaciones correctas, volver a subir al portal de envío y esperar la confirmación editorial consume tiempo que no estaba presupuestado.
Multiplica eso por el número de figuras de un artículo típico (de cuatro a ocho para un artículo de investigación estándar, más para trabajos pesados en métodos) y un problema de figura que parece un asunto técnico menor se convierte en un retraso material en el calendario de publicación. Para investigadores presionados a publicar antes de la renovación de una beca, una temporada del mercado laboral o una situación de prioridad de descubrimiento, un retraso evitable de dos semanas tiene consecuencias reales.
El efecto compuesto es peor. Un artículo que vuelve para revisión de figuras reingresa a la cola en la posición que la oficina editorial le asigne. Si la revisión tarda más que la ventana permitida, puede ser necesario reemitir la decisión editorial. Lo que comenzó como un problema de DPI puede convertirse en un retraso de dos meses.
Acertar con las figuras antes del envío no es perfeccionismo: es el camino más eficiente. El tiempo invertido en producir figuras correctas es consistentemente menor que el tiempo perdido gestionando ciclos de revisión evitables.
