Texto universitario

_____________________________

Capítulo3

3. Justicia epistemológica

A lo largo de los siglos, muchos filósofos han escrito sobre la injusticia. Más recientemente, la atención se ha centrado en una forma de injusticia previamente poco reconocida: la injusticia epistémica. La filósofa Miranda Fricker acuñó la frase injusticia epistémica ^[1]; un ejemplo es cuando tu credibilidad como fuente de conocimiento se degrada injustamente tal vez porque eres una mujer, indígena, o de un estrato social muy pobre, o porque la educación renuncia a formar el arte de la razón científica, literaria…, y en su lugar solo vierte cantidades de información sin ningún acompañamiento de agencia, validación, justificación o disertación de ese conocimiento; y como consecuencia social se produce inequidad al desarrollo y un efecto de pobreza.

El mundo ha cambiado en la manera de manejar datos, evidencia e interpretar los resultados estadísticos y el razonamiento cuantitativo. Adquirir la competencia de este tipo de razonamiento, es fundamental para todo ser humano en especial en las ciencias experimentales y observacionales. Dada la frase al usar la información cuantitativa “de correlación no implica causalidad”, se hace del objetivo de formación de profesionales científicos un asunto de trascendencia para comprender correlación y casualidad; definir conceptos y preguntas centrales de las leyes estadísticas que nos permitan hacer de las relaciones causales un enfoque que involucre la racionalidad, agencia, inferencia, justificación para la generación de conocimiento. No se puede comprender el sesgo por la crisis de replicación frente a la predicción, si no resolvemos la confusión en el diseño de la investigación experimental, interpretando regresión, correlación y causalidad. Discutir estos ámbitos de la racionalidad permite clarificar la semántica de las herramientas estadísticas y la probabilidad subjetiva bayesiana.

Pensar con claridad en una era basada en datos es, ante todo, mantenerse enfocado en ideas y preguntas. El tecnicismo, aunque importante, debería servir a esas ideas y preguntas. Desafortunadamente las clases de estadística en las universidades hacen todo lo contrario, es decir, se centran en los detalles técnicos. Los estudiantes aprenden fórmulas matemáticas, memorizan los nombres de los procedimientos estadísticos y comienzan a procesar números sin que se les haya pedido que piensen clara y conceptualmente lo que están haciendo o por qué lo están haciendo. Tal enfoque puede funcionar para las personas para quienes pensar matemáticamente es algo natural. Pero creemos que es contraproducente para la gran mayoría de nosotros. Cuando el tecnicismo empuja a los estudiantes a dejar de pensar y comenzar a memorizar, mecanizar procesos, sin duda, esto deja de ser divertido.

Nuestro enfoque, por el contrario, está en la comprensión conceptual. ¿Qué características del mundo estamos comparando cuando analizamos datos? ¿Qué preguntas pueden responder los diferentes tipos de comparaciones? ¿Tienen la pregunta y la comparación correctas para el problema que está tratando de resolver? ¿Por qué una respuesta que suena convincente en realidad podría ser engañosa? ¿Cómo podría utilizar enfoques creativos para proporcionar una respuesta más informativa?

No es que no creamos que los detalles técnicos sean importantes. Más bien, creemos que la técnica sin comprensión teórica de conceptos o pensamientos ontológicos, epistémicos y matemáticos puros; son un claro ejemplo de una receta para el desastre del pensamiento científico, de ingeniería y diseño. En nuestra opinión, una vez que puedes pensar claramente sobre el análisis cuantitativo, y una vez que entienda por qué es tan importante hacer preguntas cuidadosas y precisas, la técnica seguirá naturalmente. Además, de esta manera es más divertido aprender en la complejidad de lo real y la actividad intelectual de excelencia.

Nuestro mundo cuantitativo está lleno de muchos datos nuevos, emocionantes y herramientas analíticas para analizar esos datos con nombres elegantes como algoritmos de aprendizaje automático, inteligencia artificial, bosques aleatorios y redes causales. Cada vez más, incluso se nos dice que esta nueva tecnología hará posible que las máquinas “piensen por nosotros”. Esto no es para nada objetivo. Ningún análisis de datos, sin importar cuán futurista sea su nombre, funcionará sino estamos haciendo las preguntas correctas, sino estamos en comparaciones correctas, si las suposiciones hipotéticas subyacentes nos son sólidas o si los datos utilizados no son los apropiados. Solo porque un argumento contiene análisis de datos cuantitativos aparentemente sofisticados, eso no significa que el argumento sea riguroso o correcto. Para aprovechar el poder de los datos en la toma de mejores discusiones, debemos combinar el análisis cuantitativo con un pensamiento claro (racionalidad causal por lo general).

Los datos y las herramientas cuantitativas no son un sustituto del pensamiento claro. De hecho, las habilidades cuantitativas sin un pensamiento claro son bastante peligrosas para quienes toman desiciones. Esencialmente ningún aspecto de la vida es inmune a los errores críticos en la comprensión e interpretación de la información cuantitativa.

El pensamiento sesgado está profundamente arraigado en la psicología humana. Ciertamente, nuestras propias intuiciones, si no se controlan, están frecuentemente sujetas a errores básicos. Nuestra suposición es que los tuyos también lo son. Lo más importante es que los científicos también son propensos a cometer tales errores de sesgo como el resto de todos nosotros. Con demasiada frecuencia, debido a que se consideran expertos, la falta de humildad intelectual, confían demasiado en el juicio sin cuestionar la justificación, la solidez de los datos, la evidencia y la predicción. Es por esto que es tan importante educar en epistemología, aprender a pensar claramente sobre evidencia cuantitativa, inferencias, argumentos y justificaciones por nosotros mismos. Esa es la única manera de saber cómo hacer las preguntas correctas que los lleven a ustedes a las conclusiones más confiables y productivas posibles.

¿Cómo podrían los expertos cometer errores de razonamiento? Nadie espera convertirse en infalible, pero a pesar de su importancia fundamental y creciente para gran parte de la vida en nuestra era de ciencia de datos, casi nadie invierte este tipo de esfuerzos en aprender a pensar con claridad con los datos. No subestimamos lo conceptual, a pesar de que los problemas fundamentales casi siempre son sobre errores conceptuales en el pensamiento en lugar de errores técnicos en el cálculo con datos. Resulta un desafío para las profesiones experimentales, análisis confiables de datos y diseño experimental. ¿Cómo podemos identificar pensamientos que reflejen un razonamiento claro? Es necesario que el lenguaje del pensamiento causal, matemático y epistémico-ontológico se clarifique en discusiones intensas si queremos decir correctamente que la correlación no implica causalidad. Es un buen adagio. Sin embargo, es menos útil de lo que podría ser porque, si bien muchas personas saben que la correlación no implica causalidad, casi nadie sabe qué son la correlación y la causalidad.

La correlación entre dos características del mundo es la medida en que tienden a ocurrir juntas. Esta definición nos dice que una correlación es una relación entre dos cosas (que llamamos características del mundo o variables). Si dos características del mundo tienden a ocurrir juntas, están correlacionadas positivamente. Si la ocurrencia de una característica del mundo no está relacionada con la ocurrencia de otra característica del mundo, expresamos que no están correlacionadas. Y si cuando ocurre una característica del mundo, la otra tiende a no ocurrir, se correlacionan negativamente.

¿Qué significa que dos características del mundo tiendan a ocurrir juntas? Como cuestión descriptiva, encontramos interesantes esta correlación positiva. También es potencialmente útil para la predicción. Tal conocimiento podría ser potencialmente útil para la inferencia causal. Sin embargo debemos tener cuidado con gran detalle de dar correlaciones a un tipo de interpretación causal.

Pero, ¿cómo podemos cuantificar esta primera impresión visual de correlación en un conjunto de datos? En realidad, hay muchas estadísticas diferentes que podemos usar para hacerlo. Una de esas estadísticas se llama la pendiente. Supongamos que encontramos la línea más adecuada para los datos. Por mejor ajuste, no referimos, aproximadamente, a la línea que minimiza la distancia entre los puntos de datos de la línea en promedio. La pendiente de la línea de mejor ajuste es una forma de describir la correlación entre estas dos variables continuas. En el gráfico de dispersión con esa línea añadida. La pendiente de la línea nos dice algo sobre la relación entre esas dos variables. Si la pendiente es negativa, la correlación es negativa. Si la pendiente es cero, no hay correlación. Si la pendiente es positiva, la correlación es positiva. Y la pendiente nos habla de la fuerza de la correlación entre dos variables.

Tenga en cuenta que la forma de interpretar la pendiente depende de qué variable está en el eje vertical y cual en está en el eje horizontal. Si hubiéramos elegido al revés, estaríamos describiendo la relación entre las mismas dos variables. Pero esta vez, habríamos aprendido que el signo de la pendiente es el mismo independientemente de qué variable esté en el eje horizontal o vertical porque cambiar qué variable está en qué eje no cambia si están correlacionadas positiva o negativamente. Pero el número real que describe la pendiente y su interpretación sustantiva, es decir, que dice sobre el mundo, ha cambiado.

[1] Miranda Fricker and S. Law

(2023). Think Interview: Epistemic Injustice. Think. 22. 15-21. 10.1017/S1477175623000040.