2.2: Pensar como un científico psicológico
- Page ID
- 143985
Universidad Bautista de California
Todos los días nos bombardean con afirmaciones sobre cómo funciona el mundo, afirmaciones que impactan directamente en cómo pensamos y resolvemos problemas en la sociedad y en nuestra vida personal. Este módulo explora consideraciones importantes para evaluar la confiabilidad de tales afirmaciones contrastando entre el pensamiento científico y las observaciones cotidianas (también conocidas como “evidencia anecdótica”).
objetivos de aprendizaje
- Comparar y contrastar conclusiones basadas en razonamientos inductivos científicos y cotidianos.
- Entender por qué las conclusiones y teorías científicas son dignas de confianza, aunque no sean capaces de probarse.
- Articular lo que significa pensar como un científico psicológico, considerando cualidades de buenas explicaciones y teorías científicas.
- Discutir la ciencia como actividad social, comparando y contrastando hechos y valores.
Introducción
¿Por qué algunas personas son tanto más felices que otras? ¿Es dañino que los niños tengan compañeros imaginarios? ¿Cómo podrían los estudiantes estudiar de manera más efectiva?
Aunque nunca antes hayas considerado estas preguntas, probablemente tengas algunas conjeturas sobre sus respuestas. A lo mejor crees que hacerte rico o enamorarte lleva a la felicidad. Quizás veas a los amigos imaginarios como expresiones de una peligrosa falta de realismo. Además, si le preguntaras a tus amigos, probablemente también tendrían opiniones sobre estas preguntas, opiniones que incluso pueden diferir de las tuyas.
Una búsqueda rápida en Internet produciría aún más respuestas. Vivimos en la “Era de la Información”, con personas que tienen acceso a más explicaciones y respuestas que en cualquier otro momento de la historia. Pero, aunque la cantidad de información aumenta continuamente, siempre es una buena práctica considerar la calidad de lo que lees o ves: No toda la información es igualmente confiable. La confiabilidad de la información es especialmente importante en una época en la que las “noticias falsas”, los mitos urbanos, el engañoso “cebo de clic” y las teorías de conspiración compiten por nuestra atención junto con conclusiones bien informadas basadas en evidencia. Determinar qué información está bien informada es una preocupación crucial y una tarea central de la ciencia. La ciencia es una forma de usar datos observables para ayudar a explicar y comprender el mundo que nos rodea de una manera confiable.
En este módulo, aprenderás sobre el pensamiento científico. Llegarás a entender cómo la investigación científica informa nuestro conocimiento y nos ayuda a crear teorías. También llegarás a apreciar en qué se diferencia el razonamiento científico de los tipos de razonamiento que la gente suele utilizar para formar opiniones personales.
Razonamiento científico versus cotidiano
Cada día, las personas ofrecen declaraciones como si fueran hechos, como, “Hoy parece lluvia” o, “Los perros son muy leales”. Estas conclusiones representan hipótesis sobre el mundo: las mejores conjeturas sobre cómo funciona el mundo. Los científicos también sacan conclusiones, alegando cosas como: “Hoy hay un 80% de posibilidades de lluvia” o, “Los perros tienden a proteger a sus compañeros humanos”. Notarás que los dos ejemplos de afirmaciones científicas utilizan un lenguaje menos determinado y es más probable que se asocien con probabilidades. Comprender las similitudes y diferencias entre afirmaciones científicas y cotidianas (no científicas) es esencial para nuestra capacidad de evaluar con precisión la confiabilidad de diversas afirmaciones.
Tanto el razonamiento científico como el cotidiano emplean la inducción: extraer conclusiones generales a partir de observaciones específicas. Por ejemplo, la opinión de una persona de que abarrotar para una prueba aumenta el rendimiento puede basarse en su memoria de aprobar un examen después de sacar una sesión de estudio de toda la noche. De manera similar, la conclusión de un investigador contra el abarrotamiento podría basarse en estudios que comparan los rendimientos de las pruebas de personas que estudiaron el material de diferentes maneras (por ejemplo, abarrotamiento versus sesiones de estudio espaciadas en el tiempo). En estos escenarios, se extraen conclusiones tanto científicas como cotidianas a partir de una muestra limitada de posibles observaciones.
El proceso de inducción, por sí solo, no parece lo suficientemente adecuado para proporcionar información confiable, dados los resultados contradictorios. ¿Qué debe hacer un estudiante que quiera desempeñarse bien en los exámenes? Una fuente de información la anima a abarrotar, mientras que otra sugiere que espaciar su tiempo de estudio es la mejor estrategia. Para tomar la mejor decisión con la información a la mano, necesitamos apreciar las diferencias entre opiniones personales y afirmaciones científicas, lo que requiere una comprensión de la ciencia y la naturaleza del razonamiento científico.
Generalmente hay características acordadas que distinguen el pensamiento científico, y las teorías y los datos generados por él, del pensamiento cotidiano. En el Cuadro 1 se muestra una breve lista de algunas de las características comúnmente citadas de las teorías y datos científicos.
Una característica adicional de la ciencia moderna no incluida en esta lista pero que prevalece en el pensamiento y la teorización de los científicos es la falsificabilidad, característica que ha permeado tanto la práctica científica que merece una aclaración adicional. A principios del siglo XX, Karl Popper (1902-1994) sugirió que la ciencia puede distinguirse de la pseudociencia (o simplemente el razonamiento cotidiano) porque las afirmaciones científicas son capaces de ser falsificadas. Es decir, se puede demostrar que una afirmación es falsa. Por ejemplo, una persona podría afirmar que “todas las personas son diestras”. Esta afirmación puede ser probada y, en última instancia, desechada porque se puede demostrar que es falsa: Hay personas que son zurdas. Una regla general fácil es no confundirse con el término “falsificable” sino entender que, más o menos, significa comprobable.
Por otro lado, algunas afirmaciones no pueden ser probadas y falsificadas. Imagínese, por ejemplo, que un mago afirma que puede enseñar a la gente a mover objetos con la mente. El truco, explica, es creer verdaderamente en la capacidad de uno para que funcione. Cuando sus alumnos no logran mover sillas con sus mentes, el mago regaña: “Obviamente, realmente no crees”. El reclamo del mago no califica como falsificable porque no hay manera de desacreditarlo. No es científico.
Popper estaba particularmente irritado por las afirmaciones no científicas porque creía que eran una amenaza para la ciencia de la psicología. Específicamente, se mostró insatisfecho con las explicaciones de Freud para la enfermedad mental. Freud creía que cuando una persona sufre una enfermedad mental suele deberse a problemas derivados de la infancia. Por ejemplo, imagina a una persona que crece para ser un perfeccionista obsesivo. Si fuera criada por padres desordenados y relajados, Freud podría argumentar que su perfeccionismo adulto es una reacción a sus primeras experiencias familiares, un esfuerzo por mantener el orden y la rutina en lugar del caos. Alternativamente, imagina a la misma persona siendo criada por padres duros y ordenados. En este caso, Freud podría argumentar que su orden adulta es simplemente ella internalizando la forma de ser de sus padres. Como puede ver, de acuerdo con la justificación de Freud, ambos escenarios opuestos son posibles; no importa cuál sea el desorden, la teoría de Freud podría explicar su origen infantil, por lo tanto, no cumplir con el principio de falsificabilidad.
Popper argumentó en contra de declaraciones que no podían ser falsificadas. Afirmó que bloquearon el progreso científico: No había manera de avanzar, refinar o refutar el conocimiento con base en tales afirmaciones. La solución de Popper fue poderosa: Si la ciencia mostrara todas las posibilidades que no eran ciertas, nos quedaríamos solo con lo que es verdad. Es decir, necesitamos poder articular —de antemano— los tipos de evidencia que refuten nuestra hipótesis y hagan que la abandonemos.
Esto puede parecer contradictorio. Por ejemplo, si una científica quisiera establecer una comprensión integral de por qué ocurren los accidentes automovilísticos, probaría sistemáticamente todas las causas potenciales: consumo de alcohol, exceso de velocidad, usar un celular, jugar con la radio, usar sandalias, comer, platicar con un pasajero, etc. la comprensión sólo podrá lograrse una vez que se hayan explorado todas las explicaciones posibles y se hayan falsificado o no. Una vez concluidas todas las pruebas, las pruebas se evaluarían en función de los criterios de falsificación, y solo quedarían las causas reales de los accidentes. El científico podría desestimar ciertos reclamos (por ejemplo, las sandalias conducen a accidentes automovilísticos) y quedarse solo con aquellos respaldados por la investigación (por ejemplo, usar un teléfono móvil mientras se conduce aumenta el riesgo). Puede parecer absurdo que un científico necesite investigar tantas explicaciones alternativas, pero es exactamente como descartamos las malas afirmaciones. Por supuesto, muchas explicaciones son complicadas e involucran múltiples causas —como ocurre con los accidentes automovilísticos, así como fenómenos psicológicos.
Ponte a prueba 1: ¿Se puede falsificar?
¿Cuál de las siguientes hipótesis se puede falsificar? Para cada uno, asegúrese de considerar qué tipo de datos podrían recopilarse para demostrar que una afirmación no es cierta.
A. El chocolate sabe mejor que la pasta.
B. Vivimos en la época más violenta de la historia.
C. El tiempo puede correr tanto hacia atrás como hacia adelante.
D. Hay planetas distintos a la Tierra que tienen agua sobre ellos.
[Ver respuesta al final de este módulo]
Aunque la idea de falsificación sigue siendo fundamental para los datos científicos y el desarrollo de la teoría, en estos días no se usa estrictamente de la manera en que Popper la imaginó originalmente. Para empezar, los científicos no solo están interesados en demostrar lo que no lo es, a los científicos también les interesa proporcionar descripciones y explicaciones de cómo son las cosas. Queremos describir las diferentes causas y las diversas condiciones en las que ocurren. Queremos descubrir cuándo los niños pequeños empiezan a hablar en oraciones completas, por ejemplo, o si las personas son más felices el fin de semana, o cómo el ejercicio impacta la depresión. Estas exploraciones requieren sacar conclusiones a partir de muestras limitadas de datos. En algunos casos, estos datos parecen encajar con nuestras hipótesis y en otros no. Aquí es donde entran la interpretación y la probabilidad.
La interpretación de los resultados de la investigación
Imagínese a un investigador que quiera examinar la hipótesis, una predicción específica basada en investigaciones previas o teorías científicas, de que la cafeína mejora la memoria. Ella sabe que hay varios estudios publicados que sugieren que este podría ser el caso, y quiere explorar más a fondo la posibilidad. Diseña un experimento para probar esta hipótesis. Ella asigna al azar a algunos participantes una taza de té completamente cafeinado y un poco una taza de té de hierbas. A todos los participantes se les instruye a beber, estudiar una lista de palabras, luego completar una prueba de memoria. Hay tres posibles resultados de este estudio propuesto:
- El grupo de cafeína se desempeña mejor (apoyo a la hipótesis).
- El grupo sin cafeína se desempeña mejor (evidencia contra la hipótesis).
- No hay diferencia en el desempeño entre los dos grupos (también evidencia contra la hipótesis).
Veamos, desde un punto de vista científico, cómo el investigador debe interpretar cada una de estas tres posibilidades.
Primero, si los resultados de la prueba de memoria revelan que el grupo de cafeína se desempeña mejor, esta es una evidencia a favor de la hipótesis: Parece, al menos en este caso, que la cafeína se asocia con una mejor memoria. Sin embargo, no prueba que la cafeína esté asociada con una mejor memoria. Todavía quedan muchas preguntas sin respuesta. ¿Cuánto dura el impulso de memoria? ¿La cafeína funciona de la misma manera con personas de todas las edades? ¿Hay alguna diferencia en el rendimiento de la memoria entre las personas que beben cafeína regularmente y las que nunca la beben? ¿Podrían los resultados ser una ocurrencia extraña? Debido a estas incertidumbres, no decimos que un estudio —especialmente un solo estudio— demuestre una hipótesis. En cambio, decimos que los resultados del estudio ofrecen evidencia en apoyo de la hipótesis. Incluso si probáramos esto a través de 10 mil o 100 mil personas todavía no podríamos usar la palabra “probado” para describir este fenómeno. Esto se debe a que el razonamiento inductivo se basa en probabilidades. Las probabilidades son siempre una cuestión de grado; pueden ser extremadamente probables o improbables. La ciencia es mejor para arrojar luz sobre la probabilidad, o probabilidad, de algo que para probarlo. De esta manera, los datos siguen siendo muy útiles aunque no se ajusten a los estándares absolutos de Popper.
La ciencia de la meteorología ayuda a ilustrar este punto. Podrías mirar tu pronóstico del tiempo local y ver una alta probabilidad de lluvia. Esto se debe a que la meteoróloga ha utilizado el razonamiento inductivo para crear su pronóstico. Ella ha tomado las observaciones actuales —muchas nubes densas que llegan hacia tu ciudad— y las ha comparado con patrones meteorológicos históricos asociados con la lluvia, haciendo una predicción razonable de una alta probabilidad de lluvia. El meteorólogo no ha demostrado que lloverá, sin embargo, al señalar las nubes que se aproximan.
La prueba está más asociada con el razonamiento deductivo. El razonamiento deductivo comienza con principios generales que se aplican a instancias específicas (el reverso del razonamiento inductivo). Cuando los principios generales, o premisas, son ciertos, y la estructura del argumento es válida, la conclusión es, por definición, probada; debe ser así. Una verdad deductiva debe aplicarse en todas las circunstancias pertinentes. Por ejemplo, todas las células vivas contienen ADN. A partir de esto, se puede razonar —deductivamente— que cualquier célula viva específica (de un elefante, o una persona, o una serpiente) contendrá, por lo tanto, ADN. Dada la complejidad de los fenómenos psicológicos, que involucran muchos factores contribuyentes, es casi imposible hacer este tipo de declaraciones amplias con certeza.
Ponte a prueba 2: ¿Inductivo o Deductivo?
A. La estufa estaba encendida y el agua de la olla estaba hirviendo. La puerta principal estaba abierta de pie. Estas pistas sugieren que el dueño de casa se fue inesperadamente y con prisa.
B. La gravedad está asociada con la masa. Debido a que la luna tiene una masa menor que la Tierra, debería tener una gravedad más débil.
C. A los estudiantes no les gusta pagar libros de texto de alto precio. Es probable que muchos alumnos de la clase opten por no comprar un libro.
D. Para obtener un título universitario, los estudiantes necesitan 100 créditos. Janine tiene 85 créditos, por lo que no puede graduarse.
[Ver respuesta al final de este módulo]
El segundo resultado posible del estudio cafeína-memoria es que el grupo que no tenía cafeína demuestra mejor memoria. Este resultado es lo contrario de lo que la investigadora espera encontrar (su hipótesis). Aquí, la investigadora debe admitir que la evidencia no sustenta su hipótesis. Debe tener cuidado, sin embargo, de no extender esa interpretación a otras pretensiones. Por ejemplo, encontrar un aumento de la memoria en el grupo sin cafeína no sería evidencia de que la cafeína dañe la memoria. Nuevamente, hay demasiadas incógnitas. ¿Es este hallazgo un fenómeno raro, quizás basado en una muestra inusual? ¿Hay algún problema con el diseño del estudio? El investigador no lo sabe. Simplemente sabe que no pudo observar el apoyo a su hipótesis.
Hay al menos una consideración adicional: La investigadora originalmente desarrolló su hipótesis de cafeína-beneficios-memoria a partir de conclusiones extraídas de investigaciones anteriores. Es decir, estudios previos encontraron resultados que sugerían que la cafeína aumenta la memoria. El estudio único del investigador no debe superar las conclusiones de muchos estudios. Quizás la investigación anterior empleó participantes de diferentes edades o que tenían diferentes niveles basales de ingesta de cafeína. Este nuevo estudio simplemente se convierte en una pieza de tela en la colcha general de los estudios de la relación cafeína-memoria. No falsifica, por sí sola, definitivamente la hipótesis.
Por último, es posible que los resultados no muestren diferencias en la memoria entre los dos grupos. ¿Cómo debe interpretar esto el investigador? ¿Cómo lo harías? En este caso, la investigadora nuevamente tiene que admitir que no ha encontrado apoyo para su hipótesis.
La interpretación de los resultados de un estudio, independientemente del resultado, se basa en la calidad de las observaciones de las que se extraen esos resultados. Si aprendes, digamos, que cada grupo de un estudio incluía solo cuatro participantes, o que todos tenían más de 90 años, podrías tener preocupaciones. Específicamente, debe preocuparse de que las observaciones, aunque sean precisas, no sean representativas de la población en general. Esta es una de las diferencias definitorias entre las conclusiones extraídas de anécdotas personales y las extraídas de observaciones científicas. La evidencia anecdótica, derivada de la experiencia personal y de observaciones no sistemáticas (por ejemplo, “sentido común”), está limitada por la calidad y representatividad de las observaciones, y por las deficiencias de memoria. La investigación bien diseñada, por otra parte, se basa en observaciones que se registran sistemáticamente, de alta calidad y representativas de la población que dice describir.
¿Por qué debería confiar en la ciencia si no puede probar nada?
Vale la pena profundizar un poco más en por qué debemos confiar en el proceso inductivo científico, incluso cuando se basa en muestras limitadas que no ofrecen “pruebas” absolutas. Para ello, examinemos una práctica generalizada en la ciencia psicológica: la prueba de significación de hipótesis nula.
Para entender este concepto, comencemos con otro ejemplo de investigación. Imagínese, por ejemplo, que un investigador siente curiosidad por las formas en que la madurez afecta el rendimiento académico. Ella podría tener la hipótesis de que los estudiantes maduros tienen más probabilidades de ser responsables de estudiar y completar la tarea y, por lo tanto, les irá mejor en sus cursos. Para probar esta hipótesis, el investigador necesita una medida de madurez y una medida del desempeño del curso. Podría calcular la correlación —o relación— entre la edad del estudiante (su medida de madurez) y los puntos obtenidos en un curso (su medida de rendimiento académico). En última instancia, el investigador está interesado en la probabilidad —o probabilidad— de que estas dos variables se relacionen estrechamente entre sí. La prueba de significancia de hipótesis nula (NHST) evalúa la probabilidad de que los datos recopilados (las observaciones) sean los mismos si no hubiera relación entre las variables en el estudio. Usando nuestro ejemplo, el NHST probaría la probabilidad de que el investigador encontrara un vínculo entre la edad y el desempeño de clase si en realidad no existiera tal vínculo.
Ahora, aquí es donde se complica un poco. NHST implica una hipótesis nula, una afirmación de que dos variables no están relacionadas (en este caso, que la madurez del estudiante y el rendimiento académico no están relacionados de ninguna manera significativa). NHST también implica una hipótesis alternativa, una afirmación de que dos variables están relacionadas (en este caso, que la madurez del estudiante y el rendimiento académico van de la mano). Para evaluar estas dos hipótesis, el investigador recolecta datos. Luego, la investigadora compara lo que espera encontrar (probabilidad) con lo que realmente encuentra (los datos recopilados) para determinar si puede falsificar, o rechazar, la hipótesis nula a favor de la hipótesis alternativa.
¿Cómo hace esto? Al observar la distribución de los datos. La distribución es la dispersión de valores, en nuestro ejemplo, los valores numéricos de las puntuaciones de los estudiantes en el curso. La investigadora pondrá a prueba su hipótesis comparando la distribución observada de las calificaciones obtenidas por los estudiantes mayores con las obtenidas por estudiantes más jóvenes, reconociendo que algunas distribuciones son más o menos probables. Tu intuición te dice, por ejemplo, que las posibilidades de que cada persona en el curso obtenga una puntuación perfecta son inferiores a las que sus puntuaciones se distribuyen en todos los niveles de rendimiento.
La investigadora puede utilizar una tabla de probabilidad para evaluar la probabilidad de cualquier distribución que encuentre en su clase. Estas tablas reflejan el trabajo, a lo largo de los últimos 200 años, de matemáticos y científicos de diversos campos. Se puede ver, en la Tabla 2a, un ejemplo de una distribución esperada si las calificaciones se distribuyeron normalmente (la mayoría son promedio, y relativamente pocas son increíbles o terribles). En la Tabla 2b, se pueden ver posibles resultados de este estudio imaginario, y se puede ver claramente en qué se diferencian de la distribución esperada.
En el proceso de probar estas hipótesis, hay cuatro posibles resultados. Estos están determinados por dos factores: 1) la realidad y 2) lo que encuentra el investigador (ver Tabla 3). El mejor resultado posible es la detección precisa. Esto quiere decir que la conclusión del investigador refleja la realidad. En nuestro ejemplo, pretendamos que los estudiantes más maduros rinden un poco mejor. Si esto es lo que la investigadora encuentra en sus datos, su análisis califica como una detección precisa de la realidad. Otra forma de detección precisa es cuando un investigador no encuentra evidencia de un fenómeno, ¡pero ese fenómeno en realidad no existe de todos modos! Usando este mismo ejemplo, pretendamos ahora que la madurez no tiene nada que ver con el rendimiento académico. Quizás el rendimiento académico se relaciona en cambio con la inteligencia o los hábitos de estudio. Si la investigadora no encuentra evidencia de un vínculo entre madurez y calificaciones y no existe realmente ninguna, también habrá logrado una detección precisa.
Hay un par de formas en que las conclusiones de la investigación podrían estar equivocadas. A uno se le denomina error tipo I —cuando el investigador concluye que existe una relación entre dos variables pero, en realidad, no la hay. Volvamos a nuestro ejemplo: Ahora pretendamos que no hay relación entre madurez y calificaciones, pero el investigador aún encuentra una. ¿Por qué sucede esto? Puede ser que su muestra, por casualidad, incluya a estudiantes mayores que también tienen mejores hábitos de estudio y se desempeñan mejor: El investigador ha “encontrado” una relación (los datos parecen mostrar que la edad se correlaciona significativamente con el rendimiento académico), pero lo cierto es que la relación aparente es puramente coincidente—el resultado de que estos estudiantes mayores específicos en esta muestra en particular tienen hábitos de estudio superiores a la media (la causa real de la relación). Es posible que siempre hayan tenido hábitos de estudio superiores, incluso cuando eran jóvenes.
Otro posible resultado de NHST es un error tipo II, cuando los datos no muestran una relación entre variables que realmente existe. En nuestro ejemplo, esta vez pretendemos que la madurez está —en realidad— asociada con el rendimiento académico, pero la investigadora no la encuentra en su muestra. Quizás fue solo su mala suerte que sus alumnos mayores solo estén teniendo un día libre, padeciendo ansiedad ante las pruebas, o fueran incaracterísticamente descuidadas con su tarea: Las peculiaridades de su particular muestra, por casualidad, impiden que la investigadora identifique la relación real entre madurez y rendimiento académico.
Este tipo de errores te pueden preocupar, que simplemente no hay forma de saber si los datos son buenos o no. Los investigadores comparten sus preocupaciones y las abordan mediante el uso de valores de probabilidad (valores p) para establecer un umbral para errores de tipo I o tipo II. Cuando los investigadores escriben que un hallazgo particular es “significativo a un nivel p < .05”, están diciendo que si el mismo estudio se repitiera 100 veces, deberíamos esperar que este resultado ocurra —por casualidad— menos de cinco veces. Es decir, en este caso, es poco probable que se produzca un error de Tipo I. Los estudiosos a veces discuten sobre el umbral exacto que debe usarse para la probabilidad. Los más comunes en la ciencia psicológica son .05 (5% de probabilidad), .01 (1% de probabilidad) y .001 (1/10th de 1% de probabilidad). Recuerde, la ciencia psicológica no se basa en pruebas definitivas; se trata de la probabilidad de ver un resultado específico. Esta es también la razón por la que es tan importante que los hallazgos científicos se repliquen en estudios adicionales.
Es por tales metodologías que la ciencia es generalmente confiable. No todas las afirmaciones y explicaciones son iguales; algunas conclusiones son mejores apuestas, por así decirlo. Las afirmaciones científicas tienen más probabilidades de ser correctas y predecir resultados reales que las opiniones de “sentido común” y las anécdotas personales. Esto se debe a que los investigadores consideran la mejor manera de preparar y medir a sus sujetos, recopilar sistemáticamente datos de muestras grandes e, idealmente, representativas, y probar sus hallazgos contra la probabilidad.
Teorías Científicas
El conocimiento generado a partir de la investigación se organiza de acuerdo con teorías científicas. Una teoría científica es un marco integral para dar sentido a la evidencia sobre un fenómeno en particular. Cuando los científicos hablan de una teoría, significan algo diferente a cómo se usa el término en la conversación cotidiana. En uso común, una teoría es una conjetura educada, como en, “Tengo una teoría sobre qué equipo llegará a los playoffs”, o, “Tengo una teoría sobre por qué mi hermana siempre llega tarde a las citas”. Ambas creencias son susceptibles de estar fuertemente influenciadas por muchos factores poco confiables, como las opiniones personales y los sesgos de memoria. Una teoría científica, sin embargo, cuenta con el apoyo de muchos estudios de investigación, aportando colectivamente evidencia, incluyendo, pero no limitándose a, aquella que ha falsificado explicaciones en competencia. Un componente clave de las buenas teorías es que describen, explican y predicen de una manera que pueda probarse empíricamente y potencialmente falsificarse.
Las teorías están abiertas a revisión si salen a la luz nuevas evidencias que obliguen a reexaminar los datos acumulados y relevantes. En la antigüedad, por ejemplo, la gente pensaba que el Sol viajaba alrededor de la Tierra. Esto parecía tener sentido y encajar con muchas observaciones. En el siglo XVI, sin embargo, los astrónomos comenzaron a trazar sistemáticamente objetos visibles en el cielo y, a lo largo de un período de 50 años, con repetidas pruebas, críticas y refinamiento, proporcionaron evidencia para una teoría revisada: La Tierra y otros objetos cósmicos giran alrededor del Sol. En la ciencia, creemos lo que nos dicen los mejores y más datos. Si aparecen mejores datos, debemos estar dispuestos a cambiar nuestros puntos de vista de acuerdo con la nueva evidencia.
¿La Ciencia es Objetivo?
Thomas Kuhn (2012), historiador de la ciencia, argumentó que la ciencia, como actividad conducida por los humanos, es una actividad social. Como tal, está —según Kuhn— sujeto a las mismas influencias psicológicas de todas las actividades humanas. Específicamente, Kuhn sugirió que no existe tal cosa como teoría objetiva o datos; toda la ciencia está informada por valores. Los científicos no pueden evitar dejar que los valores, experiencias y opiniones personales/culturales influyan en los tipos de preguntas que hacen y cómo dan sentido a lo que encuentran en sus investigaciones. El argumento de Kuhn destaca una distinción entre hechos (información sobre el mundo) y valores (creencias sobre la forma en que el mundo es o debería ser). Esta distinción es importante, aunque no siempre esté clara.
Para ilustrar la relación entre hechos y valores, considere el problema del calentamiento global. Una vasta acumulación de evidencia (hechos) fundamenta el impacto adverso que la actividad humana tiene en los niveles de gases de efecto invernadero en la atmósfera terrestre, lo que lleva a cambios en los patrones climáticos. También hay un conjunto de creencias (valores), compartidos por muchas personas, que influyen en sus elecciones y comportamientos en un intento de abordar ese impacto (por ejemplo, comprar vehículos eléctricos, reciclar, viajar en bicicleta). Nuestros valores —en este caso, que la Tierra tal como la conocemos está en peligro y debe ser protegida— influyen en cómo nos relacionamos con los hechos. Las personas (incluidos los científicos) que avalan firmemente este valor, por ejemplo, podrían estar más atentas a la investigación sobre energías renovables.
El punto principal de esta ilustración es que (contrariamente a la imagen de los científicos como observadores externos de los hechos, reuniéndolos neutralmente y sin sesgos del mundo natural) toda la ciencia —especialmente las ciencias sociales como la psicología— implica valores e interpretación. Como resultado, la ciencia funciona mejor cuando personas con diversos valores y antecedentes trabajan colectivamente para comprender fenómenos naturales complejos.
De hecho, la ciencia puede beneficiarse de múltiples perspectivas. Un enfoque para lograrlo es a través de niveles de análisis. Niveles de análisis es la idea de que un solo fenómeno puede explicarse en diferentes niveles simultáneamente. ¿Recuerdas la pregunta sobre abarrotar para una prueba versus estudiar a lo largo del tiempo? Se puede responder en una serie de diferentes niveles de análisis. En un nivel bajo, podríamos usar tecnologías de escaneo cerebral para investigar si los procesos bioquímicos difieren entre las dos estrategias de estudio. En un nivel superior, el nivel de pensamiento, podríamos investigar procesos de toma de decisiones (qué estudiar) y capacidad de enfoque, ya que se relacionan con el abarrotamiento versus la práctica espaciada. En niveles aún más altos, podríamos estar interesados en comportamientos del mundo real, como el tiempo que las personas estudian usando cada una de las estrategias. Del mismo modo, podríamos estar interesados en cómo la presencia de otros influye en el aprendizaje a través de estas dos estrategias. Los niveles de análisis sugieren que un nivel no es más correcto —o más verdadero— que otro; su idoneidad depende de los detalles de la pregunta planteada. En última instancia, los niveles de análisis sugerirían que no podemos entender el mundo que nos rodea, incluida la psicología humana, al reducir el fenómeno a solo la bioquímica de los genes y la dinámica de las redes neuronales. Pero, tampoco podemos entender a la humanidad sin considerar las funciones del sistema nervioso humano.
La ciencia en contexto
Hay muchas formas de interpretar el mundo que nos rodea. Las personas confían en el sentido común, la experiencia personal y la fe, en combinación y en diversos grados. Todos estos ofrecen beneficios legítimos para navegar por la propia cultura, y cada uno ofrece una perspectiva única, con usos y limitaciones específicos. La ciencia proporciona otra forma importante de entender el mundo y, si bien tiene muchas ventajas cruciales, como con todos los métodos de interpretación, también tiene limitaciones. Comprender los límites de la ciencia —incluyendo su subjetividad e incertidumbre— no la vuelve inútil. Debido a que es sistemático, utilizando datos comprobables y confiables, puede permitirnos determinar la causalidad y puede ayudarnos a generalizar nuestras conclusiones. Al comprender cómo se alcanzan las conclusiones científicas, estamos mejor equipados para utilizar la ciencia como herramienta de conocimiento.
Respuesta - Ponte a prueba 1: ¿Se puede falsificar?
Respuesta explicada: Se presentan 4 hipótesis. Básicamente, la pregunta pregunta “¿cuál de estos podría probarse y demostrarse que es falso?”. Podemos eliminar las respuestas A, B y C. A es una cuestión de opinión personal. C es un concepto para el que actualmente no existen medidas existentes. B es un poco más complejo. Una persona podría mirar datos sobre guerras, asaltos y otras formas de violencia para sacar una conclusión sobre qué periodo es el más violento. El problema aquí es que no tenemos datos para todos los periodos de tiempo, y no hay una guía clara sobre qué datos deben usarse para abordar esta hipótesis. La mejor respuesta es D, porque tenemos los medios para ver otros planetas y determinar si hay agua en ellos (por ejemplo, Marte tiene hielo).
Respuesta - Ponte a prueba 2: Inductivo o Deductivo
Respuesta explicada: Esta pregunta le pide considerar si cada uno de los 5 ejemplos representa un razonamiento inductivo o deductivo. 1) Inductivo—es posible sacar la conclusión —el dueño de casa que se quedó apurado— a partir de observaciones específicas como la estufa encendida y la puerta abierta. 2) Deductivo—comenzando con un principio general (la gravedad se asocia con la masa), sacamos una conclusión acerca de que la luna tiene una gravedad más débil que la Tierra porque tiene una masa más pequeña. 3) Deductivo—comenzando con un principio general (a los estudiantes no les gusta pagar por libros de texto) es posible hacer una predicción sobre probable estudiante comportamiento (no comprarán libros de texto). Tenga en cuenta que este es un caso de predicción más que de usar observaciones. 4) Deductivo—comenzando con un principio general (los estudiantes necesitan 100 créditos para graduarse) es posible sacar una conclusión sobre Janine (no puede graduarse porque tiene menos de los 100 créditos requeridos).
Recursos externos
- Artículo: Un metaanálisis de la investigación sobre el combate a la desinformación
- http://journals.sagepub.com/doi/full...56797617714579
- Artículo: Corregir el problema del sesgo liberal en la psicología social
- https://www.scientificamerican.com/a...al-psychology/
- Artículo: El rechazo a la ciencia plano es raro, pero el rechazo motivado de afirmaciones científicas clave es relativamente común.
- https://blogs.scientificamerican.com... -anti-ciencia/
- Artículo: Cómo la evidencia anecdótica puede socavar resultados científicos
- https://www.scientificamerican.com/a...tific-results/
- Artículo: Cómo las noticias falsas están afectando tu memoria
- http://www.nature.com/news/how-faceb...memory-1.21596
- Artículo: Nuevo estudio indica existencia de ocho psicólogos sociales conservadores
- heterodoxacademy.org/2016/01... psicólogos/
- Artículo: La cosa de la objetividad (o, Por qué la ciencia es un deporte de equipo).
- https://blogs.scientificamerican.com... -un-deporte-de-equipo/
- Artículo: Thomas Kuhn: el hombre que cambió la forma en que el mundo miraba a la ciencia
- https://www.theguardian.com/science/...ic-revolutions
- Video: Falsificación de Karl Popper - Karl Popper creía que el conocimiento humano progresa a través de la 'falsificación'. Una teoría o idea no debe describirse como científica a menos que, en principio, pueda demostrarse falsa.
- Video: Karl Popper, Ciencia y Pseudociencia: Crash Course Philosophy #8
- Video: Visualización simple de errores Tipo I y Tipo II
- Web: Una visión general e historia del concepto de fake news.
- es.wikipedia.org/wiki/Noticias_Falsas
- Web: Heterodox Academy - una organización enfocada en mejorar “la calidad de la investigación y la educación en las universidades mediante el aumento de la diversidad de puntos de vista, el entendimiento mutuo y el desacuerdo constructivo”.
- https://heterodoxacademy.org/
- Web: La ciencia popular - Una orgnización dedicada a eliminar las barreras entre los científicos y la sociedad. Vea ejemplos de cómo los investigadores, incluidos los psicólogos, están compartiendo sus investigaciones con estudiantes, colegas y público en general.
- thepeoplesscience.org/science... uman-ciencias/
Preguntas de Discusión
- Cuando piensas en un “científico”, ¿qué imagen te viene a la mente? ¿Cómo es esto similar o diferente de la imagen de un científico descrita en este módulo?
- ¿Qué hace que el razonamiento inductivo utilizado en el proceso científico sea diferente al razonamiento inductivo que empleamos en nuestra vida cotidiana? ¿Cómo influyen estas diferencias en nuestra confianza en las conclusiones?
- ¿Por qué los horóscopos no se consideran científicos?
- Si la ciencia no puede “probar” algo, ¿por qué cree que tantos informes mediáticos de investigación científica usan esta palabra? Como consumidor educado de investigación, ¿qué tipo de preguntas debes hacer al leer estos informes secundarios?
- Al pensar en la aplicación de la investigación en nuestras vidas, ¿cuál es más significativo: los estudios de investigación individuales y sus conclusiones o teorías científicas? ¿Por qué?
- Aunque muchas personas creen en las conclusiones que ofrece la ciencia en general, a menudo hay una resistencia a conclusiones o hallazgos científicos específicos. ¿Por qué podría ser esto?
El vocabulario
- Evidencia anecdótica
- Una pieza de evidencia sesgada, generalmente extraída de la experiencia personal, utilizada para apoyar una conclusión que puede o no ser correcta.
- Causalidad
- En la investigación, la determinación de que una variable causa —es responsable— un efecto.
- Correlación
- En estadística, la medida de la relación de dos o más variables.
- Datos (también llamados observaciones)
- En la investigación, la información recopilada sistemáticamente para su análisis e interpretación.
- Razonamiento deductivo
- Una forma de razonamiento en la que una premisa determinada determina la interpretación de observaciones específicas (e.g., Todas las aves tienen plumas; ya que un pato es un ave, tiene plumas).
- Distribución
- En estadística, la frecuencia relativa que ocurre un valor particular para cada valor posible de una variable dada.
- Empírico
- Preocupado por la observación y/o la capacidad de verificar una reclamación.
- Hecho
- Información objetiva sobre el mundo.
- Falsificar
- En la ciencia, la capacidad de una afirmación para ser probada y, posiblemente, refutada; una característica definitoria de la ciencia.
- Generalizar
- En la investigación, el grado en que se pueden extender las conclusiones extraídas de los hallazgos de un estudio a otros grupos o situaciones no incluidas en el estudio.
- Hipótesis
- Una explicación tentativa que está sujeta a pruebas.
- Inducción
- Extraer conclusiones generales a partir de observaciones específicas.
- Razonamiento inductivo
- Una forma de razonamiento en la que se infiere una conclusión general a partir de un conjunto de observaciones (por ejemplo, señalando que “el conductor de ese auto estaba enviando mensajes de texto; ¡simplemente me cortó y luego pasó un semáforo en rojo!” (una observación específica), lo que lleva a la conclusión general de que enviar mensajes de texto mientras se conduce es peligroso).
- Niveles de análisis
- En la ciencia, hay comprensiones y explicaciones complementarias de los fenómenos.
- Prueba de significación de hipótesis nula (NHST)
- En estadística, se creó una prueba para determinar las posibilidades de que una hipótesis alternativa produjera un resultado tan extremo como el observado si la hipótesis nula fuera realmente cierta.
- Objetivo
- Estar libre de prejuicios personales.
- Población
- En la investigación, todas las personas pertenecientes a un grupo en particular (por ejemplo, la población de zurdos).
- Probabilidad
- Una medida del grado de certeza de la ocurrencia de un evento.
- Valores de probabilidad
- En estadística, el umbral establecido para determinar si un valor dado ocurre por casualidad.
- Pseudociencia
- Creencias o prácticas que se presentan como científicas, o que se confunden con ser científicas, pero que no son científicas (por ejemplo, la astrología, el uso de cuerpos celestes para hacer predicciones sobre comportamientos humanos, y que se presenta como fundada en la astronomía, el estudio científico real de los celestes objetos. La astrología es una pseudociencia incapaz de ser falsificada, mientras que la astronomía es una disciplina científica legítima).
- Representante
- En la investigación, el grado en que una muestra es un ejemplo típico de la población de la que se extrae.
- Muestra
- En la investigación, varias personas seleccionaron de una población para servir como ejemplo de esa población.
- Teoría científica
- Una explicación para los fenómenos observados que es empíricamente bien sustentada, consistente y fructífera (predictiva).
- Error de tipo I
- En estadística, el error de rechazar la hipótesis nula cuando es verdadera.
- Error tipo II
- En estadística, el error de no rechazar la hipótesis nula cuando es falsa.
- Valor
- Creer sobre cómo deberían ser las cosas.
Referencias
- Kuhn, T. S. (2012). La estructura de las revoluciones científicas: edición del 50 aniversario. Chicago, EEUU: Prensa de la Universidad de Chicago.
- Kuhn, T. S. (2011). Objetividad, juicio de valor y elección de teoría, en T. S. Kuhn (Ed.), La tensión esencial: estudios seleccionados en la tradición científica y el cambio (pp. 320-339). Chicago: Prensa de la Universidad de Chicago. Recuperado a partir de http://ebookcentral.proquest.com