rOpenSci - herramientas abiertas para una ciencia abierta

De datos censales a análisis demográficos con ARcenso: un flujo de trabajo reproducible en R

rOpenSci — Mon, 10 Aug 2026 00:00:00 +0000

Los censos de población son una fuente clave para comprender la composición y los cambios de la población en cada región de un país. Aportan evidencia fundamental para la investigación, el diseño y la evaluación de políticas públicas, así como para la toma de decisiones informadas.

Trabajar con estos datos suele implicar varios pasos previos: identificar qué información está disponible, descargar los datos, organizarlos y dejarlos listos para el análisis. Cuando esa información se encuentra dispersa y en formatos heterogéneos, el proceso puede volverse complejo.

Portada blog ARcenso

ARcenso es un paquete desarrollado en el marco del programa de campeones de rOpenSci que surge para facilitar el acceso a datos censales de Argentina y simplificar su análisis.

En este artículo, quienes desarrollamos ARcenso mostramos cómo trabajar de forma simple y reproducible con los datos censales históricos disponibles en el paquete.

El objetivo es realizar un análisis demográfico con los datos nacionales oficiales de los censos de 1970 y 1980 que combina visualizaciones y tablas para explorar la estructura de la población. Es decir, cómo se distribuye según edad y sexo. Este tipo de análisis permite caracterizar cambios poblacionales entre períodos, información clave para la investigación y el diseño de políticas públicas.

¿Cómo empezar?

Para poder copiar y ejecutar el código de este artículo en tu computadora necesitás tener instalados los siguientes paquetes:

# Si no tenés pak
install.packages("pak")

# Instalar ARcenso desde GitHub
pak::pkg_install("soyandrea/arcenso")

# Instalar paquetes necesarios desde CRAN
install.packages(c("dplyr", "tidyr", "ggplot2", "gt"))

Luego, cargamos los paquetes necesarios para trabajar con los datos censales y construir indicadores para el análisis:

library(arcenso) # obtención de datos censales
library(dplyr) # procesamiento de datos
library(tidyr) # orden y transformación de datos
library(ggplot2) # diseño de gráficos
library(gt) # diseño de tablas

Acceso a datos censales

Ahora que ya tenemos los paquetes instalados, utilizamos ARcenso para acceder a los datos censales de los años 1970 y 1980. El paquete permite seleccionar información según el año, el tema y la geografía de interés a partir de los códigos geográficos oficiales definidos por el Instituto Nacional de Estadística y Censos (INDEC) de Argentina.

La función check_repository() ayuda a identificar los datos incluidos en el paquete. El argumento topic especifíca la temática a consultar (por ejemplo, la estructura de la población), mientras que geo_code identifica el dominio geográfico de interés.

Si no conocés los valores disponibles para estos argumentos, podés explorarlos directamente en los metadatos del paquete: el objeto geo_metadata contiene todas las geografías y sus códigos, mientras que census_metadata contiene información sobre los temas y los cuadros disponibles en el paquete.

En este ejemplo, trabajamos con datos de estructura de la población (topic = "estructura") para el total del país (geo_code = "00"). Como primer paso, verificamos qué información está disponible en el repositorio con check_repository().

check_repository(topic = "estructura", geo_code = "00")

# A tibble: 4 × 3
id_cuadro anio titulo
<chr> <dbl> <chr>
1 1970_00_estructura_01 1970 Cuadro 1. Total del país. Población total, por gr…
2 1980_00_estructura_01 1980 Cuadro G3. Centros urbanos según tamaño y poblaci…
3 1980_00_estructura_02 1980 Cuadro G1. Total del país. Población total según …
4 1980_00_estructura_03 1980 Cuadro G2. Total del país. Población según sexo y…

El resultado de check_repository() muestra los años disponibles para esa combinación de tema y geografía, junto con los identificadores de los cuadros (IDs) y su título. A partir de esta consulta, seleccionamos los identificadores 1970_00_estructura_01 y 1980_00_estructura_03, correspondientes a tabulados sobre la población total del país según sexo y grupo de edad, que utilizaremos en el análisis.

Bonustrack: Como alternativa, también es posible explorar los datos de forma interactiva con arcenso_app(), desde donde se puede copiar el identificador del cuadro necesario para luego utilizarlo en el análisis.

Explorador interactivo de datos censales con arcenso_app()

Preparación de los datos

Una vez identificados los cuadros de interés, utilizamos get_census() para incorporarlos directamente al entorno de trabajo a partir de su identificador.

Dado que las estructuras de ambas tablas no son idénticas, realizamos algunas transformaciones para armonizar las variables y construir una base comparable entre censos. En particular, recodificamos las categorías etarias en grupos quinquenales para que tengan una estructura común y agregamos una columna que identifica el año censal.

Censo 1970

En el caso del censo de 1970, la información ya se encuentra agrupada en grupos quinquenales (intervalos de 5 años) de edad, por lo que solo es necesario ajustar el formato de algunas etiquetas y conservar las variables relevantes para el análisis.

# Total del país
poblacion_1970 <- get_census(id = "1970_00_estructura_01")

pob_1970 <- poblacion_1970 |>
 filter(sexo != "Total") |>
 mutate(
 censo = 1970,
 grupo_de_edad = case_when(
 grupo_de_edad == "0-4" ~ "00-04",
 grupo_de_edad == "5-9" ~ "05-09",
 TRUE ~ grupo_de_edad
 )
 ) |>
 rename(grupo_edad = grupo_de_edad) |>
 select(censo, sexo, grupo_edad, poblacion)

Censo 1980

El cuadro de 1980, en cambio, presenta la edad en valores simples y añade información adicional que no es relevante para este análisis, por lo que es necesario seleccionar las categorías de interés y construir los grupos quinquenales de edad para hacerlos comparables con los de 1970.

poblacion_1980 <- get_census(id = "1980_00_estructura_03")

pob_1980 <- poblacion_1980 |>
 filter(urbano_rural == "Total", sexo != "Total", edad != "Total") |>
 mutate(
 censo = 1980,
 edad_num = ifelse(edad == "85 y más", 85, as.numeric(edad)),
 grupo_edad = case_when(
 edad_num %in% c(0:4) ~ "00-04",
 edad_num %in% c(5:9) ~ "05-09",
 edad_num %in% c(10:14) ~ "10-14",
 edad_num %in% c(15:19) ~ "15-19",
 edad_num %in% c(20:24) ~ "20-24",
 edad_num %in% c(25:29) ~ "25-29",
 edad_num %in% c(30:34) ~ "30-34",
 edad_num %in% c(35:39) ~ "35-39",
 edad_num %in% c(40:44) ~ "40-44",
 edad_num %in% c(45:49) ~ "45-49",
 edad_num %in% c(50:54) ~ "50-54",
 edad_num %in% c(55:59) ~ "55-59",
 edad_num %in% c(60:64) ~ "60-64",
 edad_num %in% c(65:69) ~ "65-69",
 edad_num %in% c(70:74) ~ "70-74",
 edad_num %in% c(75:79) ~ "75-79",
 edad_num %in% c(80:84) ~ "80-84",
 TRUE ~ "85 y más"
 )
 ) |>
 select(censo, sexo, grupo_edad, poblacion)

Construcción de la base integrada

Una vez procesados ambos cuadros, unimos la información en una sola tabla y definimos el formato final de las variables, dejándolas listas para construir visualizaciones y explorar indicadores demográficos.

# Unimos ambas geografías y dejamos variables listas para trabajar
poblacion <-
 bind_rows(
 pob_1970,
 pob_1980
 ) |>
 mutate(
 poblacion = as.numeric(poblacion),
 sexo = factor(sexo, levels = c("Varones", "Mujeres")),
 grupo_edad = factor(
 grupo_edad,
 levels = c(
 "00-04",
 "05-09",
 "10-14",
 "15-19",
 "20-24",
 "25-29",
 "30-34",
 "35-39",
 "40-44",
 "45-49",
 "50-54",
 "55-59",
 "60-64",
 "65-69",
 "70-74",
 "75-79",
 "80-84",
 "85 y más"
 )
 )
 )

Estructura de la población

Ahora que contamos con un conjunto de datos que combina ambos censos y organiza los absolutos poblacionales por año censal, sexo y grupo de edad, podemos comparar de manera consistente la composición de la población entre los dos años de los censos.

head(poblacion)


 # A tibble: 6 × 4
 censo sexo grupo_edad poblacion
 <dbl> <fct> <fct> <dbl>
 1 1970 Varones 00-04 1196950
 2 1970 Mujeres 00-04 1158350
 3 1970 Varones 05-09 1163050
 4 1970 Mujeres 05-09 1133950
 5 1970 Varones 10-14 1114300
 6 1970 Mujeres 10-14 1086850

La organización de la población por sexo y grupos quinquenales de edad permite analizar su estructura mediante distintas visualizaciones. En este caso, utilizamos una pirámide poblacional, que facilita la lectura conjunta de ambas dimensiones.

Pirámide poblacional

Este tipo de gráfico permite representar la distribución de la población por edad y sexo de manera simultánea, ubicando habitualmente a los varones hacia la izquierda y a las mujeres hacia la derecha. A partir de la proporción de personas en cada grupo de edad quinquenal, la pirámide resume la composición de la población en un formato visual fácil de interpretar.

En este caso, calculamos la distribución relativa de la población dentro de cada censo, lo que permite comparar la estructura poblacional entre 1970 y 1980 independientemente del tamaño total. Además, la forma de la pirámide permite identificar características generales, como una mayor concentración en edades jóvenes o un perfil relativamente más envejecido.

A continuación, calculamos la distribución relativa de la población en cada censo y construimos una pirámide poblacional para comparar ambos años.

# Base para la pirámide poblacional
piramide <- poblacion |>
 group_by(censo, sexo) |>
 mutate(
 poblacion_rel = if_else(
 sexo == "Varones",
 -poblacion / sum(poblacion),
 poblacion / sum(poblacion)
 )
 ) |>
 ungroup()

# Pirámide comparativa
piramide |>
 ggplot(aes(x = poblacion_rel, y = grupo_edad, fill = sexo)) +
 geom_col() +
 facet_wrap(~censo, ncol = 2) +
 scale_fill_manual(values = c("#00f59b", "#7014f2")) +
 scale_x_continuous(
 labels = function(x) paste0(abs(round(x * 100, 1)), "%"),
 limits = c(-0.15, 0.15),
 breaks = seq(-0.15, 0.15, by = 0.05)
 ) +
 labs(
 title = "Gráfico 1. Estructura de la población por sexo y grupo quinquenal de edad.",
 subtitle = "Argentina. Años 1970 y 1980",
 x = "Porcentaje",
 y = "Grupo quinquenal de edad",
 caption = "Fuente: INDEC, Censo Nacional de Población 1970 y 1980. Procesado con ARcenso.",
 fill = "Sexo"
 ) +
 theme_bw() +
 theme(
 legend.position = "bottom",
 strip.text = element_text(face = "bold", size = 12)
 )

En ambos censos se observa una estructura poblacional joven, con una alta concentración en los primeros grupos de edad. No obstante, hacia 1980 comienza a evidenciarse un ligero desplazamiento hacia edades adultas, indicando un incipiente proceso de envejecimiento de la población.

Construcción de indicadores demográficos

Si bien la pirámide poblacional permite una lectura general de la estructura de la población, los indicadores demográficos ofrecen medidas sintéticas que permiten cuantificar y comparar estos patrones de manera más precisa. A continuación, calculamos dos indicadores para profundizar el análisis.

Índice de envejecimiento

Compara la cantidad de personas mayores (65 años y más) con la población más joven (0 a 14 años). Permite ver de forma simple si la población tiene más peso en las edades jóvenes o en las edades más avanzadas.

envejecimiento <- poblacion |>
 group_by(censo) |>
 summarise(
 poblacion_0a14 = sum(poblacion[
 grupo_edad %in% c("00-04", "05-09", "10-14")
 ]),
 poblacion_65ymas = sum(poblacion[
 grupo_edad %in% c("65-69", "70-74", "75-79", "80-84", "85 y más")
 ]),
 indice = round(poblacion_65ymas / poblacion_0a14 * 100, 0)
 )


gt(envejecimiento) |>
 tab_header(
 title = "Comparación del índice de envejecimiento",
 subtitle = "Argentina. Años 1970 y 1980"
 ) |>
 tab_spanner(
 label = "Población",
 columns = c(poblacion_0a14, poblacion_65ymas)
 ) |>
 fmt_number(
 columns = c(poblacion_0a14, poblacion_65ymas),
 decimals = 0,
 sep_mark = "."
 ) |>
 cols_label(
 poblacion_0a14 = "0 a 14 años",
 poblacion_65ymas = "65 años y más",
 indice = "Indice"
 ) |>
 tab_source_note(
 source_note = md(
 "**Fuente:** elaboración propia en base a datos de INDEC (Censos Nacionales de Población 1970 y 1980)."
 )
 )

censo	Población		Indice
Comparación del índice de envejecimiento
Argentina. Años 1970 y 1980
censo	0 a 14 años	65 años y más	Indice
1970	6.853.450	1.631.400	24
1980	8.480.768	2.290.564	27
Fuente: elaboración propia en base a datos de INDEC (Censos Nacionales de Población 1970 y 1980).

El aumento del índice de envejecimiento refleja un cambio en la estructura etaria entre 1970 y 1980, lo que indica un mayor peso relativo de la población de 65 años y más en relación con la población joven, es decir, una población relativamente más envejecida.

Índice de feminidad

Este indicador muestra cuántas mujeres hay por cada 100 varones en un grupo especifico de población. En este caso, lo analizamos en edades mayores a 60 años, donde suelen aparecer diferencias más marcadas entre hombres y mujeres.

feminidad <- poblacion |>
 filter(
 grupo_edad %in% c("60-64", "65-69", "70-74", "75-79", "80-84", "85 y más")
 ) |>
 group_by(censo, grupo_edad, sexo) |>
 summarise(poblacion = sum(poblacion), .groups = "drop") |>
 pivot_wider(names_from = sexo, values_from = poblacion) |>
 mutate(
 indice_feminidad = round(Mujeres / Varones * 100, 0)
 ) |>
 select(-Varones, -Mujeres)


feminidad_plot <- feminidad |>
 pivot_wider(
 names_from = censo,
 values_from = indice_feminidad,
 names_prefix = "censo_"
 ) |>
 ggplot(aes(y = grupo_edad)) +
 geom_segment(
 aes(x = censo_1970, xend = censo_1980, yend = grupo_edad),
 color = "grey85",
 linewidth = 1
 ) +
 geom_point(
 aes(x = censo_1970),
 color = "#ff0f7b",
 size = 3
 ) +
 geom_point(
 aes(x = censo_1980),
 color = "#f89b29",
 size = 3
 ) +
 geom_text(
 aes(x = censo_1970, label = censo_1970),
 hjust = 1.4,
 size = 3
 ) +
 geom_text(
 aes(x = censo_1980, label = censo_1980),
 hjust = -0.4,
 size = 3
 ) +
 labs(
 x = "Mujeres por cada 100 varones",
 y = "Grupo de edad",
 title = "Cambio en el índice de feminidad de la población de 60 años y más",
 subtitle = "Argentina, Años 1970 y 1980",
 caption = "Fuente: INDEC, Censo Nacional de Población 1970 y 1980. Procesado con ARcenso."
 ) +
 theme_minimal()

feminidad_plot

El índice de feminidad muestra una mayor presencia de mujeres en las edades más avanzadas, diferencia que se acentúa entre 1970 y 1980 en todos los grupos de edad analizados, lo que refleja patrones de mayor supervivencia femenina.

¿Qué nos deja este análisis?

Al trabajar con datos en análisis demográfico, la parte más laboriosa no suele estar en la construcción de indicadores o visualizaciones, sino en todo lo que ocurre antes: identificar qué información existe para cada censo, comprender cómo está organizada y construir una base coherente que permita comparar distintos momentos en el tiempo.

En este ejemplo, ese proceso implicó localizar los cuadros relevantes, entender las diferencias de estructura entre los censos de 1970 y 1980 y reconstruir variables a partir de la información disponible para crear un conjunto de datos comparable. Es justamente este proceso el que ARcenso busca simplificar: con check_repository() es posible identificar qué tablas están disponibles, con get_census() acceder a los datos de forma estructurada, y con arcenso_app() explorar el repositorio de manera interactiva.

Este ejemplo muestra que, una vez resuelta la organización de los datos, el análisis se vuelve más accesible y reproducible, permitiendo ampliar y adaptar los resultados a nuevas preguntas.

Sabemos que este es un proceso en construcción: aún hay trabajo por delante para incorporar más censos y seguir ampliando las posibilidades de análisis. El paquete se creó para facilitar la búsqueda, el acceso y el análisis de los datos de los censos argentinos, al tiempo que aprovecha el trabajo colaborativo de la comunidad de código abierto que impulsa este tipo de iniciativas.

Si te interesa seguir explorando, en las vignettes del paquete vas a encontrar más ejemplos para trabajar con estos datos.

Once voces latinoamericanas para la ciencia abierta: la nueva cohorte de Campeon(a|e)s rOpenSci 2026

rOpenSci — Tue, 09 Jun 2026 00:00:00 +0000

Read it in: English.

Nos alegra muchísimo presentar a las nuevas personas que se suman como Campeones y Campeonas de rOpenSci. Este grupo experimentará el programa y trabajará en español, lo que nos permite seguir fortaleciendo la comunidad de ciencia abierta y desarrollo de software de investigación en este idioma. Nos llenan de entusiasmo los proyectos que van a desarrollar, que abordan desafíos reales desde distintas disciplinas y territorios de América Latina.

Te invitamos a conocer a cada una de estas personas y los proyectos en los que trabajaran a lo largo del programa.

Bastián Olea Herrera

Bastián Olea Herrera
Subsecretaría de Desarrollo Regional y Administrativo
Gobierno de Chile

Mi nombre es Bastián, vivo en Chile, soy sociólogx de formación y poseo un magíster en sociología. Me gusta crear contenido y tutoriales sobre R, y recientemente estamos organizando una comunidad de usuari@s de R en Santiago, mi ciudad. Me dedico al análisis de datos en el sector público, donde trabajo principalmente con datos sociales a distintos niveles territoriales. Este tipo de datos necesita siempre los mismos tipos de limpieza y correcciones, pero a su vez suelen variar mucho en pequeños detalles entre cada fuente. Por eso me presenté al programa para desarrollar un paquete que facilite trabajar con datos de nivel comunal y regional de Chile. Espero poder conocer a otrxs usuarixs de R y aprender en conjunto, así como recibir apoyo de personas con mayor experiencia y conocimiento, para que creemos herramientas útiles para muchas personas!

Denisse Fierro Arcos

Denisse Fierro Arcos
Institute for Marine and Antarctic Studies
University of Tasmania

Mi nombre es Denisse Fierro Arcos, soy científica marina originalmente de Ecuador pero vivo en Australia. Al momento estoy cerca de terminar mi programa de doctorado que en términos sencillos se enfoca en desarrollar buenas prácticas para el uso de modelos oceanográficos en estudios sobre ecosistemas marinos. Actualmente también estoy trabajando como investigadora en la Universidad de Tasmania donde estoy desarrollando un modelo de ecosistemas marinos que nos permita proyectar los posibles impactos del cambio climático en especies marinas y pesquerías. Es justamente este modelo con el que trabajo el enfoque de mi proyecto con el Champions Program. Queremos publicar un paquete en R que permita a otros investigadores marinos correr nuestro modelo con facilidad.

Durga Valentina Linares Herrera

Durga Valentina Linares Herrera
Centro de Investigación de la Universidad del Pacífico (CIUP)

¡Hola! Mi nombre es Durga Valentina Linares Herrera y resido en Lima, Perú. Soy científica social, graduada en Ciencia Política por la Universidad Antonio Ruiz de Montoya y diplomada en Ciencia de Datos para las Ciencias Sociales y la Gestión Pública por la Pontificia Universidad Católica del Perú. Trabajo como asistente de investigación en el Centro de Investigación de la Universidad del Pacífico, donde exploro la intersección entre tecnología y trabajo desde una perspectiva sociológica y con metodologías mixtas. Mis proyectos actuales giran en torno al mercado laboral peruano y su exposición a la inteligencia artificial, y a la evolución de la huelga como fenómeno social en el Perú de las últimas tres décadas.

Para el programa presenté como proyecto {epen}, un paquete de R para descargar, procesar y analizar los microdatos de la Encuesta Permanente de Empleo Nacional y su predecesora, la EPE de Lima. La idea nació de mi experiencia trabajando directamente con estas bases, donde pude ver lo difícil que puede ser acceder a datos públicos laborales de forma rápida, clara y reproducible, especialmente para quienes venimos de las ciencias sociales y no siempre llegamos a estas herramientas con una base técnica previa —como fue también mi caso—. Con este paquete, busco facilitarle ese camino a investigadorxs, estudiantes y analistas del sector público que necesitan construir indicadores laborales confiables sin tener que empezar de cero cada vez, algo que encuentro especialmente relevante en esta época de tantos cambios.

En los últimos años, con la intención de desarrollar nuevas habilidades en un contexto donde la tecnología avanza tan de prisa, fui acercándome a un enfoque más cuantitativo y aprendí a programar de manera autodidacta con recursos libres en internet. Ese proceso ha sido muy importante para mi desarrollo profesional, pero también me hizo querer convertir ese aprendizaje en algo útil para otras personas: una herramienta que ayude a reducir las barreras de entrada que yo misma encontré al comenzar. Así surgió la motivación detrás de este paquete, y este programa apareció justo en el momento indicado. Me entusiasma participar en una iniciativa como esta y formar parte de una red como rOpenSci, cuya apuesta por una ciencia abierta más diversa e inclusiva me parece muy valiosa. Espero que esta experiencia me permita consolidar en comunidad un camino que una vez comencé por mi cuenta y abrir paso a futuros paquetes orientados a mejorar el acceso a datos públicos peruanos en R.

Evelia Lorena Coss Navarrete

Evelia Lorena Coss Navarrete
LIIGH-UNAM

Soy investigadora posdoctoral especializada en transcriptómica y análisis de datos de célula única. Mi investigación se centra en el estudio de perfiles transcriptómicos de pacientes mexicanas con lupus, con el objetivo de comprender mejor los mecanismos biológicos de la enfermedad y aportar herramientas bioinformáticas reproducibles que fortalezcan tanto la investigación biomédica como la formación académica en México y Latinoamérica.

Soy Ingeniera en Biotecnología por la Universidad Politécnica de Sinaloa (UPSIN), originaria de Mazatlán, y realicé la Maestría y el Doctorado en Biotecnología de Plantas en Cinvestav, donde estudié la conservación de lncRNAs en plantas.

Mi participación en el Champions Program de rOpenSci busca fortalecer comunidades como VieRnes de Bioinformática, R-Ladies Morelia y RSG-México, promoviendo la creación de paquetes en R con estándares internacionales, documentación reproducible y revisión abierta. Mi visión es tender un puente entre la comunidad global de rOpenSci y las iniciativas locales en Latinoamérica, impulsando una ciencia más abierta, inclusiva y sostenible.

Gladys Choque Ulloa

Gladys Choque Ulloa
Universidad de São Paulo
Fundadora de Women in DataLab

¡Hola! Mi nombre es Gladys Choque Ulloa, soy originaria de Perú y actualmente resido en Brasil. Soy Licenciada en Estadística, Magíster en Estadística y actualmente curso mi doctorado en Ciencias de la Computación en el ICMC-USP de la Universidad de São Paulo, Brasil, donde desarrollo investigación en neurociencia computacional enfocada en el diagnóstico automático de trastornos mentales, empleando modelos de Machine Learning, Redes Neuronales, LLMs, Inferencia Causal y Series Temporales. Además de mi faceta académica, soy fundadora de la organización Women in DataLab, desde donde trabajo para reducir la brecha de género en tecnología y ciencia de datos.

Me postulé al rOpenSci Champions Program porque creo firmemente en el poder de la ciencia abierta y el software reproducible para democratizar el conocimiento. Durante el programa, mi objetivo es perfeccionar mis capacidades en el desarrollo de herramientas en R y software científico bajo estándares globales. Con esta experiencia quiero fortalecer mi perfil técnico y actuar como un puente para que más investigadores en América Latina adopten prácticas colaborativas y abiertas, potenciando el impacto de nuestra comunidad científica a nivel internacional.

José Daniel Conejeros Pavez

José Daniel Conejeros Pavez
Lagrange Fellow, ISI Foundation
Early Career Researcher, SENTINET - UC

Soy José Daniel Conejeros, MSc en Estadística por la Pontificia Universidad Católica de Chile. Soy originario de Chile y actualmente desarrollo mi trabajo entre Chile e Italia, donde me desempeño como Lagrange Fellow en la ISI Foundation y como investigador joven en el Centro SENTINET (Vigilancia, epidemiología y nuevas tecnologías para amenazas infecciosas emergentes), trabajando en temas de ciencia de datos, sistemas complejos y salud pública.

Mi trabajo se sitúa en la intersección entre estadística, epidemiología y ciencias sociales computacionales para comprender la dinámica de enfermedades infecciosas y resultados en salud para distintas poblaciones. En la actualidad, estoy desarrollando spatmask, un paquete en R orientado al enmascaramiento y anonimización de datos espaciales (geomasking), con el objetivo de permitir análisis reproducibles sin comprometer la privacidad de las personas. Este proyecto busca ser un aporte en la brecha existente entre el uso de datos sensibles para la investigación y las restricciones éticas y regulatorias que limitan su acceso y uso.

Decidí postular al Champions Program porque muchos de los desafíos que enfrento no son solo técnicos, sino también organizacionales y culturales. Entender cómo desarrollar software científico de manera colaborativa, cómo documentarlo correctamente y cómo fomentar prácticas reproducibles en contextos donde la ciencia abierta aún no está plenamente instalada. Me interesa aprender a construir herramientas que no solo funcionen, sino que sean comprensibles, auditables y útiles para equipos de investigación y tomadores de decisiones en Políticas Públicas.

A través de este programa, espero fortalecer mis capacidades en desarrollo de software científico, revisión abierta y trabajo colaborativo. Mi objetivo es que este aprendizaje se traduzca en transferencia concreta: formación, colaboración y construcción de comunidad en torno a la ciencia abierta en la región.

Linda Cabrera Orellana

Linda Cabrera Orellana
R-Ladies Ecuador

Hola! Mi nombre es Linda, soy ecuatoriana y actualmente resido en Granada, España. Trabajo como Senior Data Analyst en una agencia de marketing digital y comparto mi experiencia como docente en escuelas de negocio, donde imparto clases sobre IA aplicada a la analítica y la visualización de datos.

Mi proyecto consiste en desarrollar un paquete de R con enfoque educativo para detectar, explicar y ayudar a corregir errores estructurales comunes en datasets creados manualmente, especialmente pensado para personas sin formación técnica en datos. Me presento al programa porque quiero convertir mi experiencia práctica y docente en una contribución real al ecosistema de software científico abierto, y fortalecer mis habilidades en diseño, documentación y mantenimiento de paquetes de R.

Espero también que el proyecto sirva como recurso educativo en universidades de Ecuador y en la comunidad de R-Ladies, y que tienda un puente entre quienes recolectan datos y quienes los analizan, promoviendo la alfabetización en datos en español.

María Florencia Tames

María Florencia Tames
Universidad Nacional de Córdoba
Argentina

Mi nombre es María Florencia Tames, soy docente en la Universidad Nacional de Córdoba (Argentina) y trabajo en investigación en el área de calidad del aire, la exposición a contaminantes atmosféricos y las desigualdades ambientales en contextos urbanos de América Latina.

Desarrollé junto a un equipo el paquete AirExposure, una herramienta en R orientada a estimar la exposición diaria a contaminantes del aire integrando información sobre concentraciones ambientales, movilidad y rutinas diarias. A través del Programa de Campeon(a|e)s de rOpenSci, mi objetivo es mejorar y consolidar este paquete como una herramienta abierta, reproducible y accesible para la comunidad.

Me interesa especialmente fortalecer mis habilidades en el desarrollo de software abierto, incorporar buenas prácticas como documentación, testing y revisión por pares, y aprender a construir herramientas que puedan ser utilizadas más allá de su contexto original de investigación.

También me motiva el enfoque del programa en la comunidad y en el trabajo en español, ya que muchas veces el acceso a recursos y formación en programación está limitado por el idioma. Espero poder compartir lo aprendido a través de actividades de formación y contribuir al desarrollo de una comunidad de software científico abierto en América Latina.

Marina Cecilia Cock

Marina Cecilia Cock
INCITAP (CONICET-UNLPam)
Universidad Nacional de La Pampa

Soy de Santa Rosa, La Pampa, Argentina. Soy Ingeniera en Recursos Naturales y Medio Ambiente de la Universidad Nacional de La Pampa (UNLPam) y Dra. en Ciencias Agrarias con orientación en Ecología de la Universidad de Buenos Aires (UBA).

Actualmente me desempeño como profesional asistente de investigación en el Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) y como auxiliar docente en Biogeografía y Estadística en la Universidad Nacional de La Pampa.

Me presenté al programa para aprender sobre el proceso de revisión de paquetes de R. Me interesa participar porque considero especialmente valioso integrarme a una comunidad donde el aprendizaje sea compartido y colaborativo. Busco fortalecer mi conocimiento en R y luego poder transmitirlo tanto en mi rol docente como dentro de la comunidad de R.

Patricia Andrea Loto

Patricia Andrea Loto
FACENA, Universidad Nacional del Nordeste (UNNE)

Soy Licenciada en Sistemas de Información y Diplomada en Ciencia de Datos, Aprendizaje Automático y sus Aplicaciones. Actualmente curso una Maestría en Tecnologías de la Información en la Universidad Nacional del Nordeste. Vivo y trabajo en Argentina.

Me desempeño como desarrolladora de software y analista de datos en el sector público, y como docente universitaria en el área de sistemas y programación. Soy co-fundadora de RSE Argentina, miembro del comité organizador de LatinR y co-organizadora de R-Ladies Resistencia-Corrientes. Desde estos espacios trabajo para promover la ciencia abierta, el software de investigación reproducible y la inclusión en tecnología en Latinoamérica.

En la cohorte 2026 participo como mentee, con la guía de Guadalupe Pascal. Mi proyecto es un paquete de R para sistematizar la creación de Planes de Gestión de Software y Datos mediante plantillas estandarizadas desarrolladas con Quarto, que faciliten la documentación, preservación y reutilización de datos y código científico bajo estándares internacionales de ciencia abierta.

Postulé al programa de campeones porque lo veo como un puente: entre donde estoy técnicamente y donde quiero estar. Espero aprender sobre el proceso de revisión por pares de rOpenSci, profundizar en testing, documentación técnica y todo lo que hace que un paquete sea realmente útil para otros. También busco conectarme con una red de desarrolladores e investigadores que compartan valores de ciencia abierta. Finalmente, quiero que el software de investigación desarrollado desde el Sur Global tenga mayor visibilidad y que nuestras contribuciones sean reconocidas, creo que rOpenSci es la plataforma ideal para eso.

Estefania Torrejón

Estefania Torrejón
NOVA Medical School. Lisboa, Portugal

Soy peruana y bióloga egresada de la Universidad Nacional Mayor de San Marcos (UNMSM), con una maestría en Ciencias Biomédicas por el Instituto de Higiene y Medicina Tropical (IHMT) de Lisboa, Portugal. Actualmente resido en Portugal, donde me desempeño como investigadora predoctoral en bioinformática en el Metabolic Diseases Research Lab de NOVA Medical School. Asimismo, soy directora del Departamento de Relaciones Internacionales de la Sociedad Peruana de Bioinformática y Biología Computacional.

El proyecto que desarrollo en el marco del programa de campeones de rOpenSci consiste en la preparación y envío de mi paquete de R, EV-Net, al repositorio CRAN. EV-Net es una herramienta bioinformática que permite identificar y priorizar moléculas presentes en la carga de vesículas extracelulares (EVs) con alto potencial regulador sobre un tejido receptor de interés. Las EVs son estructuras rodeadas por una bicapa lipídica que transportan una gran diversidad de moléculas activas. Estas vesículas pueden desplazarse a través del organismo y alcanzar tejidos específicos, por lo que han sido reconocidas como mediadoras clave de la comunicación célula a célula (CCC). Sin embargo, la mayoría de las herramientas bioinformáticas disponibles para estudiar la CCC no consideran la comunicación mediada por EVs. Para abordar esta limitación, desarrollamos EV-Net junto con mis colaboradores y supervisores.

Ser Campeona de rOpenSci representa para mí una oportunidad invaluable para recibir la capacitación, el acompañamiento y la mentoría necesarios para que EV-Net cumpla con los estándares de calidad exigidos y pueda ser incorporado exitosamente en CRAN.

Siguientes pasos

Con la presentación de este nuevo grupo de Campeon(e|a)s, damos inicio a la cuarta edición del programa, la segunda en español. Este grupo ya inició la etapa de capacitación y conocieron a sus mentores y mentoras. Estarán trabajando durante 12 meses en desarrollar nuevos paquetes, preparar paquetes existentes para enviar al proceso de revision por pares y revisando paquetes de otras personas.

Si quieres seguir el desarrollo de sus proyectos y donde y cuando ocurrirán sus actividades de divulgación y comunicación, no te pierdas nuestros artículos en el blog, las novedades en nuestro newsletter y redes sociales.

Nuevo equipo de mentor(a|e)s con experiencia y nuevas voces

rOpenSci — Tue, 26 May 2026 00:00:00 +0000

Read it in: English.

¡Nos alegra presentar al nuevo equipo de mentor(a|e)s del programa de Campeon(e|a)s de rOpenSci 2026! Este año contamos con once personas comprometidas con la ciencia abierta, que suman una rica diversidad de trayectorias y perspectivas. El equipo está integrado por personas que se unen al programa por primera vez, por ex campeon(a|e)s que regresan ahora en el rol de mentoras y mentores, y por mentores con experiencia en ediciones anteriores que vuelven para seguir fortaleciendo esta comunidad.

Estas personas provienen de distintas disciplinas y países y son voces activas en la comunidad de R en América Latina y más allá. Con su acompañamiento, el nuevo grupo de Campeon(e|a)s no solo desarrollará sus proyectos, sino que también crecerá como líderes en ciencia abierta y desarrollo de software de investigación.

Nuevos mentores

Alber Hamersson Sánchez Ipia

Alber Hamersson Sánchez Ipia
Instituto Nacional de Investigación Espacial del Brasil
rOpenSci

¡Hola! Soy Alber y voy a ser mentor de rOpenSci de este año.

Nací en Colombia, en el departamento del Cauca, en una de las regiones más montañosas del país, llamada Tierradentro. Soy ingeniero Catastral y Geodesta de la Universidad Distrital Francisco José de Caldas en Colombia, en donde hice una maestría en Ciencias de la Información y las Comunicaciones; adicionalmente, hice otra maestría en GeoInformática en la Universidad de Münster, en Alemania, y después hice un doctorado en Ciencia del Sistema Terrestre, en el Instituto Nacional de Investigación Espacial del Brasil (INPE). Actualmente, vivo y trabajo en Brasil y me desempeño como asistente de investigación en el mismo INPE.

Parte de mi trabajo diario consiste en escribir código en R para procesar datos espaciales y asegurar la reproducibilidad de los resultados de experimentos científicos, por lo que estoy familiarizado con el desarrollo de paquetes de R. Adicionalmente, soy coautor del paquete segmetric, el cual se encuentra actualmente disponible en CRAN, y hago mantenimiento de una de las lecciones de Data Carpentry, específicamente la de introducción a R para datos geoespaciales.

Me interesa compartir el conocimiento y la experiencia que he acumulado hasta ahora con quien vaya a escribir software científico o estadístico, particularmente en español. Por este motivo me uno al rOpenSci, donde espero ser parte y ayudar a formar una comunidad de desarrolladores científicos.

Pablo Paccioretti

Pablo Paccioretti
Universidad Nacional de Córdoba (UNC) & CONICET, Argentina
rOpenSci

¡Hola! soy Pablo, Ingeniero Agrónomo y Doctor por la Universidad Nacional de Córdoba (Argentina), donde me desempeño como investigador y docente. Desde mis años de estudiante me interesó la Estadística, lo que orientó mi trabajo hacia el análisis de datos. En particular, aplico y desarrollo metodologías y herramientas de software para analizar datos georreferenciados provenientes de ensayos a campo y plataformas de monitoreo agrícola.

Me interesa el desarrollo de herramientas abiertas para el procesamiento y análisis de datos. He desarrollado software científico, incluyendo paquetes de R orientados al análisis de datos georreferenciados.

Mi participación en el Programa de Campeones surge del interés por fortalecer los vínculos entre el análisis de datos aplicado y la programación, promoviendo buenas prácticas en ambas áreas. A través de este programa espero contribuir a la comunidad compartiendo experiencias y recursos, y al mismo tiempo aprender de otros profesionales que trabajan en distintos contextos y disciplinas.

De campeon(a|e)s a mentor(a|e)s

Erick Navarro Delgado

Erick Navarro Delgado
The University of British Columbia
rOpenSci

¡Hola! Mi nombre es Erick Navarro, y soy licenciado en biología por la Universidad Nacional Autónoma de México, y candidato a Doctor en Bioinformática en The University of British Columbia. Nací y crecí en la Ciudad de México, pero actualmente vivo en Vancouver, Canadá. Mi línea de investigación está enfocada en desarrollar herramientas computacionales para entender cómo los factores genéticos y exposiciones ambientales/experiencias vividas actúan de forma conjunta o separada para moldear nuestro panorama molecular.

Me entusiasma participar en el programa de rOpenSci porque creo que la ciencia abierta y accesible es esencial para conducir investigación relevante cuyos resultados beneficien a todas los personas en nuestra sociedad. En este programa espero conectar con nuevos miembros de la comunidad de ciencia abierta, compartir mis conocimientos de programación, e impulsar el desarrollo de software en Latinoamérica.

Guadalupe Pascal

Guadalupe Pascal
UNLZ-UCA-UGR
rOpenSci

¡Hola! Mi nombre es Guadalupe.

Soy investigadora y coordinadora de proyectos en optimización y ciencia de datos para la toma de decisiones en sistemas sociales, con una perspectiva transfeminista, de ciencia abierta y con mirada regional. También soy profesora asociada de optimización y métodos cuantitativos (UNLZ-UCA) y profesora en cursos de ciencia de datos e inteligencia artificial (UGR). Soy máster en Ingeniería en Sistemas de Decisión por la URJC (España) e ingeniera industrial por la UNLZ (Argentina), estudiante de doctorado en Tecnologías de la Información e Ingeniería (URJC-UNLZ), diplomada en Géneros y Sociedad (UNLZ), diplomada en Neurociencia Cognitiva (Neurotransmitiendo) y diplomada en Educación en la Era de la Inteligencia Artificial (UMET). Formo parte de la Cátedra Abierta Latinoamericana Matilda y las mujeres en ingeniería, como miembro fundadora y referente de la Red de Género de las Facultades de Ingeniería de Argentina.

Actualmente también formo parte de la comunidad de rOpenSci como campeona de la cohorte 2025-2026, y me entusiasma mucho ser mentora del presente programa por diversos motivos. Por un lado, debido a la profunda gratificación que me brinda estar comprometida con la cohorte actual. Desde una mirada sencilla, la calidad y la rigurosidad con que se implementa el programa en todas sus instancias tienen impactos directos en la calidad y la rigurosidad de mi propio trabajo. Y desde una mirada integral, eso constituye una evidencia sumamente valiosa y contundente para recordar la sinergia de las comunidades de práctica en el desarrollo de habilidades y en la producción de conocimientos situados: el programa de campeones de rOpenSci es un ejemplo concreto y real de que en las comunidades se comparten saberes y, fundamentalmente, valores, perspectivas y aprendizajes encarnados. Por otro lado, me ilusiona el desafío que supone para mí ser mentora en este programa, porque, si bien es un rol que ya he desempeñado en otros entornos, nunca lo he hecho en el desarrollo de un paquete en R de otra persona. Por último, me gustaría trabajar en este rol para compartir en comunidad las experiencias que he tenido como mentora y mentee. Creo que acompañarnos en un proceso formativo y transformador es una de las dimensiones más humanas de este ecosistema en el que trabajamos.

Andrea Gomez Vargas

Andrea Gomez Vargas
INDEC
R-Ladies, rOpenSci

Soy colombiana de origen y argentina por elección, donde hoy vivo, desarrollo mi carrera y participo activamente en la comunidad de R. Soy socióloga y trabajo en la oficina nacional de estadística de Argentina, en el área de estadísticas sociales, donde analizo información sobre la población para comprender desigualdades y condiciones de vida.

La comunidad de R es mi espacio favorito para compartir conocimiento y construir colectivamente. Actualmente soy co-organizadora de R en Buenos Aires y RSE Argentina, y además participo en iniciativas como R-Ladies, LatinR y rOpenSci, contribuyendo al fortalecimiento de redes a nivel local, regional y global, promoviendo el aprendizaje y uso de herramientas abiertas en ciencia de datos.

Fui Campeona en la cohorte 2023–2024, donde desarrollé {ARcenso}, un paquete que facilita el acceso a datos censales históricos de Argentina. Me motiva continuar en el programa como mentora para seguir impulsando el conocimiento abierto y acompañar a otras personas en el desarrollo de proyectos con impacto en sus comunidades.

Monika Ávila Márquez

Monika Ávila Márquez
Universidad de Ginebra
R-Ladies, rOpenSci

Hola, soy Monika, investigadora postdoctoral en estadística en la Universidad de Ginebra, donde trabajo en métodos de inferencia causal y aprendizaje automático para datos de panel. Tengo un doctorado en econometría y mi investigación se enfoca en el desarrollo de estimadores semiparamétricos que combinan técnicas de machine learning con fundamentos econométricos para la estimación de modelos de datos de panel. También trabajo en la selección de modelos de efectos mixtos y en inferencia causal con interferencia.

Soy co-organizadora del capítulo de R-Ladies Ginebra, donde me esfuerzo por construir una comunidad de práctica inclusiva para personas que usan R en la investigación.

Participo como mentora en este programa porque quiero retribuir todo lo que rOpenSci me ha dado. Esta comunidad me ha acompañado en mi desarrollo profesional —como fuente de recursos, como espacio de aprendizaje y como ejemplo de lo que significa hacer ciencia abierta con rigor y generosidad. Hoy tengo la oportunidad de ofrecer ese mismo acompañamiento a otras personas, y eso me entusiasma profundamente.

Mentor(a|e)s que regresan

Luis D. Verde Arregoitia

Luis D. Verde Arregoitia
Instituto de Ecología AC - INECOL
LatinR, rOpenSci, The Carpentries

Hola, soy Luis D. Verde Arregoitia, mexicano viviendo en Xalapa, México. Biólogo y Doctor en Ciencias Biológicas. Soy especialista en mamíferos con experiencia en programación R para el análisis de datos, visualización y modelado estadístico. También soy instructor certificado y autor de varios paquetes.

Fui mentor en dos cohortes anteriores del programa donde ha apoyado a desarrolladores de software en de América Latina y regreso con mucho entusiasmo a esta nueva cohorte.

Pao Corrales

Pao Corrales
Australian National University & 21st century weather CoE
R-Ladies, LatinR, rOpenSci, The Carpentries, RForwards

Tengo un doctorado en Ciencias Atmosféricas por la Universidad de Buenos Aires (Argentina) y actualmente trabajo en Australia para el 21st Century Weather Centre como ingeniera de software de investigación.

Participo activamente en R-Ladies, R Forwards, The Carpentries, LatinR y rOpenSci, aprendiendo y compartiendo conocimientos sobre R en la comunidad. En 2023 participé en el Programa de Campeones como Campeona, presentando el paquete agroclimatico al proceso de revisión por pares de rOpenSci. Aprendí mucho y conecté con gente de todo el mundo. ¡Fue una experiencia excelente!

Me apasiona enseñar y ayudar a otras personas a crecer en lo que hacen, a acceder a nuevas oportunidades y a desarrollarse profesionalmente y como personas. Estoy muy contenta de participar de nuevo este año como mentora en el Programa de Campeones de América Latina.

Francisco Cardozo

Francisco Cardozo
[Afiliacion universidad]
rOpenSci - The Carpentries

Me llamo Francisco Cardozo. Soy originario de Colombia y vine a Estados Unidos para cursar mis estudios de doctorado. Actualmente trabajo en la Universidad de Miami como investigador posdoctoral en el centro de investigación IMPAC, una institución dedicada a ampliar nuestros conocimientos sobre el desarrollo de los adolescentes. He participado en el Programa de Campeon(a|e)s de rOpenSci en varias ocasiones. Gran parte de mi labor profesional se ha centrado en el diseño de investigaciones y la aplicación de métodos estadísticos, especialmente mediante el uso del entorno de software R.

Milagros Mendoza

Milagros Mendoza
Universidade Federal Rural de Pernambuco
R-Ladies Natal, rOpenSci

Hola mi nombre es Milagros, soy ecóloga y estadística, motivada por comprender los sistemas complejos que entrelazan la naturaleza, la sociedad y los datos. A lo largo de mi trayectoria, he trabajado con información interdisciplinar en el campo de clima, demografia y ecologia, buscando siempre traducirla en conocimiento que dialogue con la realidad y aporte a decisiones más conscientes. Actualmente realizo un posdoctorado en el Instituto Tecnológico Vale, en Brasil, donde formo parte del grupo de investigación en territorios y recursos naturales.

Decidí desempeñarme como mentora en Ropensciene porque me siento motivada en contribuir a que más personas desarrollen confianza en el uso de herramientas científicas, consoliden su pensamiento crítico y se posicionen activamente dentro de la comunidad académica. En este sentido, concibo la mentoría como un espacio formativo orientado al diálogo y al crecimiento mútuo.

Elio Campitelli

Elio Campitelli
Monash University - rOpenSci

Soy de Argentina pero hace dos años me mudé a Australia porque es el único otro país que empieza con A y usa el mismo tipo de enchufe.

Estoy haciendo un postdoc en la Universidad de Monash investigando interacciones entre el hielo marino de la Antártida y la atmósfera.

Ya fui mentore en ediciones anteriores del programa. Fue una experiencia genial que quiero repetir una vez más.

Lo que viene

Estamos felices de contar con este equipo diverso y talentoso de mentores y mentoras, que encarna los valores de colaboración y compromiso con el crecimiento colectivo. Su acompañamiento será clave para que los y las nuevas Campeon(a|e)s puedan llevar adelante sus ideas y proyectos, y contribuir al desarrollo de una comunidad de ciencia abierta más fuerte y diversa.

Ya hemos terminado de seleccionar a los Campeonas y Campeones y estaremos anunciándoles próximamente.

rOpenSci Dev Guide 1.0.0: Trilingüe y mejorada

rOpenSci — Mon, 02 Mar 2026 00:00:00 +0000

Read it in: English.

Read it in: Português.

Las orientaciones de rOpenSci para realizar la revisión de software por pares se recopilan en un libro en línea ¡que sigue mejorando! Este artículo resume las novedades de nuestra Guía de Desarrollo 1.0.0, incluyendo todos los cambios enumerados en la sección de registro de cambios.

Ahora disponible en portugués.

¡Nuestra guía es ahora trilingüe (inglés, Español, Portugués)!

Si quieres saber más sobre el impresionante proyecto de traducción al portugués, iniciado e impulsado por las personas lusófonas que integran nuestra comunidad, visita nuestro artículo sobre el tema.

El proyecto de traducción y mantenimiento multilingüe en curso utiliza nuestro paquete babelquarto para producir libros y sitios web Quarto multilingües. Recientemente revisado por pares por Ella Kaye y João Granja-Correia.

Estamos trabajando activamente en nuestro paquete babeldown para crear y actualizar traducciones utilizando la API DeepL.

En la guía de desarrollo también se mencionan herramientas útiles para internacionalizar paquetes: potools el paquete experimental rhelpi18n y la selección de un idioma para un sitio web pkgdown.

Actualizaciones de políticas

Hemos realizado algunos cambios en las políticas y el alcance de la revisión por pares:

Nueva categoría para Herramientas internas y de revisión por pares de rOpenSci.
Actualizaciones de la categoría de recuperación de datos.
Nueva regla explícita para presentar un paquete a la vez.
Nuevo requisito para no llamar a la rama por defecto “master”.
Eliminado el requisito de utilizar un codemeta.json ya obsoleto. Codemeta sigue siendo utilizado y desarrollado activamente pero hemos descubierto que es redundante con otros metadatos y Codemeta puede generar estos datos según sea necesario a partir de archivos DESCRIPTION.

Guía para equipos editorial, guía para revisión y guía para autores y autoras de paquetes

Las guías que viven en nuestra guía :smile
La guía para el equipo editorial se ha reestructurado para seguir el flujo típico de los envíos, y para explicar mejor cómo utilizar el panel de revisión de software. Hemos añadido una sección sobre retos y hemos documentado cómo poner el sistema en “modo vacaciones” (lo que solemos hacer durante el periodo de las fiestas de fin de año).

Asimismo, mejoramos la organización y el contenido del guía para autores y autoras (gracias a Alec Robitaille y Joan Maspons).

En la guía de revisión eliminamos el enlace a la guía de revisión de Mozilla (una de nuestras primeras fuentes de diseño para nuestro proceso) porque ya no se mantiene y enumeramos los elementos explícitamente.

Mejores prácticas de desarrollo de paquetes

En la guía de desarrollo de paquetes (¡otra guía dentro de la guía!), añadimos orientaciones para elegir conjuntos de datos de ejemplo. Además, agregamos una sección para paquetes que incluyen software externo. La sección sobre licencias exige ahora explícitamente que se mencione a las personas autoras del código incluido. Por último, pero no por ello menos importante, la sección sobre dependencias recomienda comprobar el estado de desarrollo de las dependencias.

Todo el libro ahora menciona el CLI de Air cada vez que menciona el paquete styler, ya que Air puede considerarse su sucesor.

En el capítulo sobre la evolución de los paquetes, añadimos orientaciones sobre la eliminación de datos y se explican los inconvenientes de renombrar un paquete muy utilizado.

Guía de pruebas

Hemos actualizado nuestras orientaciones sobre pruebas (test) con

una mención de tinytest como alternativa a testthat;
una nota sobre el mantenimiento de las pruebas escritas con testthat autocontenidas.

Documentación del paquete

Agradecimientos especiales a Alasdair Warwick hemos mejorado la documentación 😉 de nuestro sistema de creación de documentación, entre otras cosas:

Más detalles sobre aspectos técnicos de la creación de documentación para paquetes rOpenSci;
Actualización de la guía matemática tras la actualización de pkgdown.

También aclaramos diferentes estrategias para documentar funciones internas gracias a Claudiu Forgaci.

Metadatos e información del paquete

Hemos documentado más formas de reconocer a quienes colaboran:

en el capítulo sobre autoría agregando el ID del Registro de Organismos de Investigación (ROR);
en el capítulo sobre colaboración con el paquete allcontributors.

Conclusión

Este es un resumen de los cambios de la última versión de nuestro libro “Paquetes rOpenSci: Desarrollo, mantenimiento y revisión por pares”. Agradecemos todas las contribuciones que han dado lugar a esta publicación. Ya estamos trabajando en la próxima versión. No dudes en ayudarnos a darle forma abriendo un issue ¡!

Cómo sumar nuevas personas al mantenimiento de tu paquete

rOpenSci — Tue, 27 Jan 2026 00:00:00 +0000

Read it in: English.

Mantener un paquete de código abierto es un trabajo gratificante, pero también es mucho trabajo. La vida y las carreras cambian, los intereses cambian, y a veces simplemente no tienes tiempo o energía para seguir trabajando en tu paquete R (¡y no pasa nada!). ¹ ). Cuando eso ocurra, una de las cosas más responsables que puedes hacer por las personas que usuan tu paquete, y por ti mismo, es buscar proactivamente alguien más que pueda sumarse a mantener el paquete.

¿Cómo puedo encontrar a una persona que quiera mantener mi paquete? es una pregunta que oímos mucho en rOpenSci. A lo largo de los años, hemos apoyado a los autores y autoras de paquetes de rOpenSci en esta transición, ayudándoles a ponerse en contacto con posibles personas interesadas en mantener, a aclarar las expectativas en torno a la función y a hacer que los traspasos sean más fluidos y sostenibles.

En este post, compartimos consejos prácticos y estrategias para ayudarte a encontrar personas que puedan contribuir y, con el tiempo, hacerse cargo de tu paquete, basándonos en lo que hemos aprendido apoyando a quienes mantienen de paquetes que forman parte del conjunto de paquetes de rOpenSci.

Empieza pronto

El mejor momento para empezar a buscar nuevas personas que mantengan es mucho antes de que realmente la necesites, y el mejor lugar para buscar es entre las personas que ya colaboran y contribuyen a tu paquete. Por esta razón, es una buena idea que la planificación de la sucesión forme parte de tu estrategia de diseño y mantenimiento desde el principio.

Recomendamos contar con una “declaración del ciclo de vida” que describa la visión a mediano y largo plazo del mantenimiento y desarrollo del paquete. Pueden ser unas pocas frases en un CONTRIBUTING.md o en README.md que describa tus intenciones de desarrollo, incluido el tiempo que piensas mantener el paquete. Aunque el futuro sea incierto, esto ayuda a establecer expectativas claras, tanto a nivel personal como para posibles colaboraciones.

Haz que el paquete sea fácil de usar

Si quieres atraer colaboradores que puedan convertirse en mantenedores a corto o largo plazo, tu paquete tiene que ser accesible. Nuestra Guia de desarrollo tiene un capítulo entero sobre cómo hacer que los paquetes sean aptos para recibir colaboraciones y también tenemos la Conversaciones con la Comunidad “Configura tu paquete para fomentar una comunidad”. Esencialmente, estos son algunos puntos clave a tener en cuenta.

Pregúntate:

¿Podría una persona nueva entender cómo construir, probar y publicar este paquete solo a partir del repositorio?
¿Hay suficiente documentación para que contribuir sea claro y se sienta amigable?

Añadir o mejorar las directrices de contribución es una forma estupenda de reducir las barreras para que alguien empiece a realizar tareas de mantenimiento, incluso antes de que asuma oficialmente el papel. Una buena CONTRIBUTING.md puede abarcar:

Cómo configurar un entorno de desarrollo.
Preferencias de flujo de trabajo: ¿ Issue antes que Pull Request?
Cómo prefieres recibir los Pull Request (por ejemplo, una funcionalidad por Pull Request, debe incluir pruebas, etc.).
Pautas de estilo o formato del código.
Pruebas y cómo ejecutarlas.
Notas sobre el proceso de publicación, incluidos scripts, flujos de trabajo CI o pasos manuales que sigas para publicar una nueva versión.

Cuanto más claramente tengas documentados tus procesos, más fácil le resultará a alguien decir “sí” al mantenimiento.

Según el tiempo y la disponibilidad, también podés invertir activamente en acompañar el crecimiento de quienes colaboran, por ejemplo:

Acompañar a quienes colaboran por primera vez en su primera pull request² .
Organiza un “bug bash” o un “sprint de documentación” para fomentar las contribuciones. Nuestra guía sobre la organización de eventos para invitar nuevas contribuciones tiene recursos que te ayudarán a planificarlo.
Destaca las “Buen ‘primer issue’” y "Issues ‘se busca ayuda’". en tu gestor de issues.

Estas actividades ayudan a ampliar tu comunidad de personas que colaboran y que potencialmente pueden mantener en el futuro, pero serán más eficaces si empiezas mucho antes de decidir dejar de mantener el paquete, cuando aún tienes mucho tiempo y energía para invertir.

Aclara lo que estás dispuesto/a a hacer (y lo que no)

Quienes puedan sumarse al mantenimiento probablemente se pregunten:

¿Seguirás disponible para responder preguntas?
¿Mantendrás cierto nivel de control o lo cederás por completo? (es decir, ¿estás buscando acompañar el mantenimiento o hacer un traspaso total?)

Aclaralo de forma explícita. Por ejemplo:

“Puedo acompañar y estar disponible durante la transición, pero planeo retirarme por completo del mantenimiento una vez finalizada”.
“Me retiro por completo del mantenimiento, pero puedo responder algunas preguntas durante la transición”.
“Quiero hacer el traspaso completo y retirarme del mantenimiento lo antes posible”.

Establecer límites claros ayuda a otras personas a decidir si desean sumarse y evita malentendidos más adelante.

Abre un issue: “Se busca apoyo para el mantenimiento”

Una vez que hayas decidido buscar nuevas personas que colaboren o tomen por completo el mantenimiento y cómo piensas implicarte en el proyecto en el futuro, comunícalo claramente. Un primer paso visible es abrir un issue en tu repositorio dedicada a este tema.

Crea una incidencia con un título claro, como por ejemplo “Se busca apoyo para el mantenimiento”, “Se buscan nuevas personas para mantener el paquete”, “Buscamos sumar colaboraciones para mantener el paquete”.

En el cuerpo, puedes incluir:

Qué nivel de mantenimiento se necesita (sólo corrección de errores, desarrollo de funciones, documentación, etc.).
Lo que buscas en una nueva persona que colabore/mantenga:
- ¿Familiaridad con el lenguaje/ecosistema?
- ¿Experiencia con pruebas o CI?
- ¿Comodidad con la publicación de nuevas versiones?
Cómo expresar interés (comentar el tema, enviarte un correo electrónico, etc.).
Cualquier cronograma que tengas en mente para la transición.

Opcionalmente, también puedes explicar Por qué das un paso al costado (sin necesidad de mucho detalle: tiempo, interés, cambio de trabajo, etc.).

Este issue se convierte en el lugar central para debatir los cambios de propiedad y puede servir posteriormente como registro público de la transición.

El issue “Nuevo(s) mantenedor(es/as)” del paquete rentrez es un buen ejemplo de contenido, recursos y conversación de seguimiento.

Si tu repositorio está en GitHub puedes anclar este issue para que se muestre en la parte superior de la pestaña issues y gane visibilidad.

Actualiza tu README para reflejar el estado del paquete

El README es el otro lugar que verán muchas de las personas que usan tu paquete. Agrega una nota breve y bien visible cerca de la parte superior, por ejemplo:

⚠️ **Estado del proyecto:** se buscan personas que se sumen al mantenimiento.
Si te interesa ayudar con el mantenimiento de este paquete,
revisá [este issue](link-to-issue) o
escribí a tu_email@ejemplo.com.

Este mensaje:

Establece expectativas para los y las usuarias.
Invita a posibles personas interesadas directamente desde la portada de tu repositorio.
Reduce la posibilidad de que alguien asuma que el paquete está abandonado sin explicación (este artículo enumera las fuentes de información que aconsejamos comprobar para entender el estado de un paquete).

También puedes añadir un “Estado del proyecto” en el README que ofrezca un poco más de contexto (por ejemplo, “Modo: mantenimiento solamente”, “nuevas características improbables sin nuevas personas que mantengan”, etc.).

Acércate a las personas que ya colaboran y que son usuarias avanzadas

Los mejores candidatos y candidatas para sumar apoyo al mantenimiento uelen estar más cerca de lo que parece:

Personas que han enviado PRs.
Personas que han presentado cuestiones útiles y detalladas.
Personas que sabes que utilizan el paquete en su trabajo.

Tú puedes:

Enviar un correo electrónico o un mensaje breve y cortés a algunas personas que hayan sido especialmente activas. Aunque digan que no, puede que conozcan a alguien que encaje bien en el equipo.
Si no hay un correo electrónico u otra forma de contacto disponible, etiquetá directamente a estas personas activas en el issue “Se busca apoyo para el mantenimiento”, como se hizo en el repositorio del paquete rentrez.

Anúncialo donde estén las personas que usan tu paquete

Ahora que el repo de tu paquete tiene mensajes claros, un lugar donde expresar interés y una forma clara de comunicarse contigo, es buena idea correr la voz más allá de tu repositorio.

Considera la posibilidad de publicar un breve anuncio en lugares donde sea probable que tus usuarias/os o colaboradores/as lo vean:

Foros, listas de correo, canales de Slack/Discord relevantes para tu lenguaje de programación y-o disciplina.
Redes sociales (por ejemplo, Mastodon, Bluesky, LinkedIn) utilizando hashtags específicos como #RStats.

Por ejemplo, rOpenSci enumera los issues buscando nuevas personas para el mantenimiento de paquetes en nuestro sitio web los compartimos en nuestras redes sociales y en nuestro boletín de noticias.

Añadir un mensaje de inicio de paquete

En cierto momento, puedes plantearte añadir un mensaje de inicio que informe a las personas usuarias sobre la búsqueda de ayuda para mantener el paquete.

En este mensaje puedes enlazar con el issue “Se busca apoyo para el mantenimiento” y animar a quienes usan el paquete a que te consulten si tienen interés en ayudar.

Se trata de un movimiento agresivo y puede ser molesto, así que considéralo sólo si tu paquete es usado activamente por muchas personas y no has tenido mucha suerte encontrando alguien que tome responsabilidades de mantenimiento por otros canales.

Último recurso: archiva tu paquete

Si después de un tiempo razonable no has podido encontrar alguien que se sume a mantener tu paquete, puede que tengas que tomar la difícil decisión de archivarlo, en tu repositorio, por ejemplo GitHub – y en CRAN, si corresponde. Archivar el paquete pone fin, aunque sea tristemente, a tus esfuerzos de mantenimiento.

Antes de archivar tu paquete, tómate tu tiempo para añadir un comentario explicativo en todos los issues y PRs y para cerrarlos todos. Puedes crear un nuevo README para explicar el nuevo estado. Podrías añadir cómo ponerse en contacto contigo en caso de que alguien quisiera reactivar el repositorio y encargarse del mantenimiento.

Puede que tu software sea sustituido por otros paquetes, tal vez alguien acabe poniéndose en contacto contigo para pedirte que le transfieras el repositorio, tal vez alguien cree un sustituto con el mismo nombre (y con suerte con la autoría y licencia correctas si reutiliza tu código). En cualquier caso, habrás hecho todo lo posible y el destino del paquete ya no está en tus manos.

Está bien dar un paso al costado

Dejar de mantener un paquete es una parte normal del ciclo de vida del software de código abierto.

Al:

planificar la continuidad desde el inicio,
facilitar la colaboración en el paquete,
aclarar tus propios límites,
abrir un issue claro para buscar apoyo en el mantenimiento,
Actualizar el README,
contactar a quienes ya contribuyen,
difundir la búsqueda en los canales adecuados,
y, si es necesario, archivar el paquete,

le das a tu proyecto la mejor oportunidad de continuar, mientras también cuidás tu tiempo y energía.

¿Tienes algún otro consejo o idea? Por favor, compártelos. ¡Nos encantaría leerlos!

Si aparece la culpa, recordá que todo lo que construiste hasta ahora no se invalida por elegir dar un paso atrás más adelante. ↩︎
Esta puede ser una buena forma de descubrir si tu guía de contribución es lo suficientemente detallada. ↩︎