Explicando la evidencia, David Lagnado (parte I)

Buy Me a Coffee at ko-fi.com

Recomiendo leer:

Os traigo una lectura un poco diferente: un libro que ayuda a reflexionar sobre lo que son las evidencias. Esta escrito por David Lagnado, del University College of London, miembro del grupo en investigación en cognición causal. Al final, las evidencias nos ayudan a comprobar modelos causa-efecto, y de esto hablaremos en el par de entradas dedicadas a este libro.

En toda la entrada utilizaremos, por facilidad, la palabra evidencias: pruebas de que algo es de una manera determinada. El tema central de este libro es que, cuando hablamos de evidencias, somos mejor explicándolas que evaluando su validez. Puede ser una distinción difícil porque las dos acciones están vinculadas (usamos evidencias para construir y revisar nuestros modelos, y usamos nuestros modelos para buscar más evidencias). 

Una manera de pensar en la distinción entre explicar y evaluar las pruebas a favor y en contra de algo es que son respuestas a diferentes preguntas. Carl Hempel en 1965 distinguía entre preguntas que buscan explicar y preguntas que buscan darnos la razón. La primera se pregunta por qué las cosas suceden como suceden, mientras que la segunda busca argumentos que puedan apoyar nuestras afirmaciones. Usamos las evidencias para generar explicaciones, y nuestras explicaciones guían nuestra búsqueda de más evidencias. Pero responden a distintas preguntas: explicar habla de lo que pasa, mientras evaluar habla de nuestras razones para creer esas explicaciones. Y nuestro sistema de cognición prefiere lo primero, y utiliza simplificaciones y sesgos para lo segundo.

Nuestro modo de examinar las evidencias: los modelos

Los modelos mentales nos sirven para capturar la estructura causal del mundo, al menos en los aspectos clave que permitan luego utilizar estos modelos. Necesitamos representaciones causales: modelos que podemos manipular de forma que reflejen cómo podría cambiar el mundo al cambiar una o varias variables. Esto es clave para nuestra supervivencia y éxito. Nos permiten predecir los efectos de una acción. Nos permiten inferir las causas de ese efecto. También nos permiten responder preguntas “¿y si?”

Los modelos mentales de causa nos permiten afrontar estas preguntas, y la calidad de las respuestas dependerá de cómo de bien nuestros modelos capturan el funcionamiento del mundo real. Hay mucho margen de error porque nuestros modelos suelen estar sesgados o desencaminados. Pero incluso ser capaces de afrontar estas preguntas es un logro enorme. Son preguntas que no pueden responderse por un algoritmo de imágenes, probabilidad o lógica. Necesitamos una vasta red de razonamiento causal: un sistema de modelado que recoge nuestro conocimiento causal y realiza simulaciones de acuerdo a reglas de causa-efecto.

Afortunadamente, nuestro modelos causales no necesitan reproducir los mecanismos causales en detalle, pueden ser más abstractos y sistemáticos. Esto permite predecir consecuencias o eventos que nunca han sucedido antes. Podemos utilizar nuestro conocimiento de cómo funciona un sistema para hacer predicciones sobre una nueva configuración de causas. 

Unido a la naturaleza causal de nuestros modelos mentales está su función eminentemente explicativa. Construimos modelos no sólo para predecir e inferir, sino también para ayudarnos a explicar y dar sentido a lo que ha ocurrido. Construyendo un modelo causal, vehiculamos la construcción de preguntas hipotéticas y posibilidades alternativas. Esta flexibilidad sirve principalmente para dos cosas: primero, nos permiten inferir qué esperar cuando una hipótesis es cierta o falsa, y qué evidencia buscar para comprobarlo. Segundo, nos permiten explicar cómo habría sido diferente bajo circunstancias distintas. 

Problemas de nuestros modelos mentales

Sin embargo, a pesar de todo esto es necesario e importante que conozcamos la limitación de nuestros modelos mentales. Son representaciones idealizadas e incompletas, porque nos enfocamos en algunos aspectos mientras ignoramos otros, dependiendo de los objetivos e intereses del modelo. En resumen: sacrificamos exactitud para ganar facilidad de uso y manipulación. 

La simplificación es, de hecho, esencial a la cognición. Utilizando modelos más simples podemos superar las limitaciones de nuestros recursos cognitivos y la complejidad de los problemas que afrontamos. Incluso los problemas del día a día pueden implicar variables muy numerosas, sobrepasando la capacidad de la memoria cognitiva (lee más sobre ella pinchando aquí). El papel de estas simplificaciones es incluso más crítica cuando modelos sistemas complejos con muchos elementos interactuando (como es el caso de una clase). 

El problema es que en este proceso debemos prestar especial atención en los “marcadores diferenciales”: aquellos factores que capturan las relaciones causales clave que apoyan nuestras inferencias. Los elementos o detalles que no marcarían una diferencia en nuestra indagación mental, pueden ser fácilmente ignorados. La cuestión es distinguir entre estos factores diferenciales y los que no lo son.

Por eso, mientras que los modelos simplificados son inevitables, pueden llevar a la confusión y el sesgo. Podrían llevarnos entonces a omitir detalles cruciales o asumir ideas inventadas, que por tanto nos llevarían a conclusión equivocadas. 

Además, solemos ser en general bastante inconscientes de la calidad de los esquemas de nuestros modelos mentales, incluso para aquellas cosas que afrontamos a menudo. De hecho, sabemos que existe el efecto de la “ilusión de profundidad explicativa” (lee sobre este sesgo pinchando aquí) que provoca que pensamos que sabemos más de lo que sabemos. En general, las personas solemos confundir el conocimiento funcional (cómo utilizar una cosa) con el conocimiento de cómo funciona esa cosa. 

Teorías intuitivas

De esta forma, la idea que se va comprobando es que utilizamos “teorías intuitivas sobre el mundo” en campos como la biología o la psicología. Se denominan teorías porque poseen distintos niveles de abstracción, de principios generales a hipótesis específicas. Además, estas teorías proponen causas latentes, escondidas e inobservables, que forman parte de una compleja red de conceptos e ideas sobre cómo funciona el mundo (creencias epistemológicas y ontológicas, por ejemplo). Según la figura (adaptada del original):  

Como se puede deducir, esta estructura jerárquica amplifica los sesgos. Por ejemplo, si mi teoría intuitiva afirma que en general hay que desconfiar de los científicos; mi modelo causa-efecto concreto puede ser claro: las vacunas no sirven para nada. Interpreto entonces el dato de que mi abuelo vacunado está infectado por COVID-19 como una evidencia que cumple la predicción de mi modelo situaciones y refuerza a su vez mi creencia en la teoría intuitiva original.

Sin embargo, por todo lo dicho en la primera parte de esta entrada, debemos someter nuestros modelos mentales una revisión continua. Por ejemplo, podemos pensar que X causa Y (como en el ejemplo anterior). Y observamos una correlación entre el incremento de X e Y. Sin embargo, ambas pueden ser causadas por un factor desconocido Z, que es el que realmente incrementa los valores de X e Y. 

Conclusiones

Aunque solemos razonar a través de nuestros modelos mentales, debemos también dedicar tiempo a examinar estos mismos modelos. Son como las lentes a través de las que vemos el mundo (Horst, 2016 Cognitive pluralism). Ahí es donde entra la metacognición. Reflexionar sobre nuestras teorías, más que reflexionar con ellas, y pensar sobre las evidencias más que simplemente estar influidos por ellas. En resumen, controlar la interacción de teorías y evidencias en nuestro propio pensamiento (Kuhn, 1989, p. 674 Children and adults as intuitive scientists).

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s