Solemos decir que un enunciado “se sigue” o “es consecuencia” de otro o de un conjunto de ellos. Al primero lo llamamos conclusión, y a los segundos “premisas”. Con esto queremos decir generalmente dos cosas:
- Que la verdad de las premisas garantiza o al menos apoya la verdad de la conclusión
- Que la conclusión puede generarse o construirse a partir de las premisas, aplicando ciertas reglas.
La primera intención hace énfasis en el valor de verdad de los enunciados, por lo que podemos decir que es una interpretación evaluativa del razonamiento, mientras que la segunda se configura como una interpretación generativa, haciendo hincapié en el aspecto productivo (no confundir con creativo, pues en la deducción no se llega a ninguna afirmación cuyo contenido no se encuentre implícitamente presente ya en las premisas).
No es polémico afirmar que el razonamiento deductivo tiene tanto un ámbito evaluativo como generativo. En cuanto al razonamiento no-deductivo, se acepta comúnmente que es posible una dimensión evaluativa, estudiada por la teoría de la confirmación. Lo que no está muy claro es si posee también una esfera generativa. Dicho de otra forma: ¿Existe un método mecánico —“lógico”, si se quiere— aceptable para generar hipótesis?
A lo largo de la historia del pensamiento hubo tanto “amigos” como “enemigos” de la filosofía del descubrimiento.
Me gustaría intentar convencer al lector de que una lógica del descubrimiento científico sí es posible. No solo eso, sino que en el pasado se han desarrollado ya varias lógicas del descubrimiento, resolviendo la cuestión más allá de toda duda.
La “tarea suprema”
La lógica de la investigación científica (1934) de Karl Popper es un libro muy curioso, pues niega enfáticamente la existencia de un referente para su título. Popper deja bien en claro que, para él, el descubrimiento es un proceso irracional y basado en lo que podríamos llamar una “intuición” creativa. Como tal, es un fenómeno de gran interés para el psicólogo empírico, pero no así para la filosofía de la ciencia, que se ocupa exclusivamente de los cánones de evaluación de las teorías científicas.
Al filósofo le concierne la validez de las teorías, y esta validez es totalmente independiente de la forma en que éstas fueron generadas. De hecho, juzgar la validez de una idea según su origen equivale a cometer un conocido error de razonamiento: la falacia genética.
También algunos científicos, como Poincaré y Einstein, compartían esta visión casi mística del proceso de descubrimiento.
Einstein escribía en 1918 lo siguiente:
“La tarea suprema del físico es la de llegar a las leyes elementales universales desde las que se puede construir el cosmos por pura deducción. No existe ningún hilo lógico que lleva a estas leyes; solo la intuición, que se basa en la comprensión congenial de la experiencia, puede captarlas”.
El filósofo Larry Laudan sostiene que incluso si existiese una lógica del descubrimiento, ésta sería irrelevante en comparación con lo que él considera la razón de ser de la metodología científica: la aceptación o el rechazo de hipótesis (Laudan, 1981). La historia de la ciencia refuerza ese supuesto, pues la motivación de los filósofos “generativistas” ha sido siempre la de encontrar un método de validación.
Partiendo de la base de que los datos empíricos son la fuente última de autoridad de la ciencia, podemos preguntarnos si hay un conjunto de reglas que nos permitan inferir hipótesis que los expliquen. Si estas reglas son válidas, es decir, si preservan la verdad/confiabilidad de los datos de forma que esta se “transmita” a la hipótesis, podríamos decir que toda hipótesis generada a partir de la correcta aplicación de estas reglas es verdadera. El método de generación se transforma entonces en un método de evaluación.
Sin embargo, argumenta Laudan, este método sería sumamente limitado. Se basa exclusivamente en los datos conocidos al momento de generar la hipótesis, cuando lo realmente interesante —desde un punto de vista evaluativo— es saber si ésta es proyectable. Para establecer la validez —aunque sea tentativa— de una hipótesis no basta con que explique los datos observados hasta el presente, también debe poder predecir los datos que observaremos en el futuro (o por lo menos durante un tiempo considerable).
Psicología vs. lógica
Pienso que las críticas precedentes se fundamentan en un malentendido sobre lo que es una lógica del descubrimiento y qué pretende lograr. Para ello, empezaré hablando de la psicología del descubrimiento. En otras palabras, voy a explicar lo que la lógica del descubrimiento no es.
El término “descubrimiento científico” es ambiguo, pues podemos referirnos tanto a una actividad como a su resultado. En este escrito, utilizaré la primera acepción, a menos que indique lo contrario. De esta forma, el descubrimiento científico puede definirse como como la generación de hipótesis nunca antes consideradas por la comunidad de investigadores.
Pero esto todavía parece insuficiente, pues hace del descubrimiento un juego: bastaría con sentarme en mi sillón y lanzar aleatoriamente cualquier enunciado que se me ocurra. Sostengo, sin embargo, que sentarse en el sofá y disparar hipótesis aleatoriamente es, con toda propiedad, un método de descubrimiento: solo que es muy malo y muy poco recomendable. Más adelante me voy a extender sobre este punto. Lo clave aquí es entender que en la esfera generativa no es esencial todavía considerar la validez de nuestras hipótesis.
a) La dimensión descriptiva
La psicología intenta llegar a modelos que describan acertadamente el proceso de descubrimiento científico en agentes humanos.
De acuerdo con Herbert Simon (1977), los programas de computadora pueden entenderse como modelos del pensamiento humano. Como el estado de un programa a un tiempo dado se encuentra determinado de antemano por sus estados anteriores, es posible “alimentarlos” con condiciones iniciales o inputs para luego extraer predicciones y ver si éstas se observan o no en el dominio que se trata de modelar (una práctica común dentro de la psicología cognitiva desde hace décadas).
Simon y su colega Newell diseñaron varios programas (como el Logic Theorist y el General Problem Solver) con el fin de representar el proceso de descubrimiento científico.
Estos programas se basan principalmente en métodos heurísticos. Los procedimientos heurísticos sacrifican factores como la precisión y la optimalidad en pos de la velocidad. Son “atajos” capaces de encontrar una solución aceptable (si la hay), sin garantizar que encontrarán la mejor.
Al tratarse de una tarea descriptiva, señala Simon, nuestro modelo debería errar de la misma manera, en los mismos casos, y con una frecuencia similar a la de los sujetos humanos. También debemos considerar que el descubrimiento exitoso es un fenómeno bastante raro, especialmente cuando hablamos de descubrimientos “revolucionarios”, para hablar en términos de Thomas Kuhn.
Lo que hay que comprender es que el descubrimiento exitoso es un proceso que lleva años y a veces siglos de intentos y fracasos. Un modelo que predijese momentos eureka todos los días sería defectuoso.
b) La dimensión normativa
Ahora bien, lo que es defectuoso desde un punto de vista descriptivo no lo es desde un punto de vista normativo. En lugar de preguntarnos cuál es el método en efecto empleado por agentes humanos para resolver problemas de descubrimiento, podemos tomar el conjunto de todos los métodos posibles y tratar de encontrar al mejor de ellos.
Podemos juzgar cada método por dos parámetros: a) su eficiencia y b) su confiabilidad.
La eficiencia hace referencia a la cantidad de recursos utilizados por el método, especialmente en cuanto al tiempo de ejecución y la cantidad de espacio en memoria requerido. Este aspecto se encuentra muy bien estudiado por la teoría de la complejidad.
La “confiabilidad” del método significa simplemente que se observa, con un alto grado de frecuencia relativa, que produce hipótesis idóneas (Jantzen, 2015) cuando éstas existen. Podría parecer que aquí estamos evaluando la idoneidad de las hipótesis, mezclando el contexto de descubrimiento con el de justificación. Pero en realidad lo que estamos evaluando no es la hipótesis sino el método que hemos utilizado para su generación.
La idoneidad se cumple cuando la hipótesis satisface ciertos parámetros deseables por la comunidad científica, tales como: la adecuación empírica, el poder explicativo, la simplicidad, la verosimilitud, etc. (Kelly, 1987).
Todo esto es terreno exclusivo de la filosofía del descubrimiento. Claramente su objeto de estudio es: a) abstracto, pues cada método posible es un objeto abstracto; y b) normativo, pues estamos buscando el mejor de todos. En contraste, la psicología del descubrimiento es empírica y descriptiva
Adicionalmente, podemos agregar que el método debe considerar soluciones relevantes al problema. No podemos plantear un problema sobre el impacto de la tala de árboles en la biodiversidad del Amazonas y responder con una hipótesis acerca de la biodegradación de un polímero, por ejemplo.
Más que una vana quimera
a) Respuestas a las críticas
Del análisis anterior se desprende claramente que la lógica del descubrimiento no es asunto de la psicología, invalidando todos aquellos argumentos que, como el de Popper, se basan en este supuesto.
El argumento de Laudan está fuera de lugar. Si bien es cierto que la evidencia conocida al momento de la generación de una hipótesis es poco relevante para su contrastación —y el teorema de Bayes formaliza estupendamente este principio—, no es correcto juzgar un método generativo de acuerdo a estándares evaluativos. La meta de la lógica del descubrimiento es únicamente generar nuevas hipótesis, no validarlas.
Pongamos un ejemplo de Simon. Supongamos que nuestros datos son:
ABMCDMEFM
Para la lógica del descubrimiento el problema es hallar el patrón de la serie (si existe uno). Empleando cierto procedimiento, generamos la hipótesis de que el patrón consiste en iteraciones de dos letras ordenadas del abecedario seguidas de una M, y la primera letra de cada iteración sucede en el abecedario a la última letra de la iteración precedente. Denotemos la hipótesis en cuestión como “H”.
Para la lógica de la confirmación, el problema es muy diferente: ¿La serie sigue de la forma en que H predice? O, puesto en términos más filosóficos, ¿se verifican o corroboran las consecuencias empíricas de H?
Moraleja: el contexto de descubrimiento tiene que ver más que otra cosa con reconocer patrones, identificar reglas o regularidades en los datos. Una vez generada las hipótesis, entramos al contexto de justificación, sometiéndolas a severas pruebas para finalmente aceptar la mejor confirmada/corroborada.
b) Argumentos a favor
Los precedentes son argumentos negativos, pero también hay argumentos positivos. Jantzen propone dos muy interesantes.
1. Argumentum ex machina: aunque argumentos como el de Popper han tenido amplia influencia entre la mayoría de filósofos y científicos, hay un campo en el que la lógica del descubrimiento prosperó, transformándose en un programa de investigación exitoso cuyos frutos hoy en día nos rodean y acompañan constantemente: la inteligencia artificial (IA).
Jantzen hace hincapié en los algoritmos de machine learning (ML) como ejemplares de auténticas lógicas del descubrimiento. Arthur Samuels (1958) describe al ML como la programación de computadoras de manera a que aprendan de la experiencia. De particular interés para nuestro tema es el ML no-supervisado, en el que un programa debe descubrir patrones en un conjunto de datos que recibe como input.
El ML supervisado presupone que ya tenemos a la mano una hipótesis, representada como una función matemática. La meta es perfeccionar esta función hasta que se vuelva lo suficientemente buena realizando predicciones acerca de un dominio dado. Para esto, debemos “entrenar” al programa con inputs cuyos outputs correctos conocemos de antemano. El algoritmo compara el output obtenido con el output correcto, y modifica la hipótesis de forma que cada vez se acerque más y más a los valores esperados (minimizando cada vez más una función de “costo” elegida de antemano según el problema, y que pondera la gravedad de los errores).
Académicos paraguayos, incluyendo a nuestro ilustre colaborador de Ciencia del Sur, Benjaním Barán, están empleando técnicas de IA para descubrir nuevos medicamentos contra el mal de chagas, por ejemplo. Entre sus resultados se encuentran fármacos ya conocidos, pero la gran mayoría está compuesta por candidatos nuevos para la comunidad científica.
Si ya existen lógicas del descubrimiento, se hace muy difícil negar su posibilidad. Se podría objetar que estos algoritmos son muy buenos para describir los patrones que hay en los datos, sin realmente explicarlos.
Según Hempel (1966), una explicación científica generalmente está formulada en un lenguaje diferente al utilizado para describir el fenómeno observado.
Las voluminosas recopilaciones de observaciones astronómicas de la antigüedad no eran una explicación, sino más bien aquello que debe ser explicado. La explicación vino recién cuando los astrónomos procedieron a deducir los hechos observados a partir de hipótesis acerca de epiciclos y deferentes, conceptos teóricos que no existían en el lenguaje empírico/descriptivo en el que las observaciones fueron formuladas originalmente.
El ejemplo propuesto por el propio Hempel involucra a un científico que desea conocer la forma en que varía el volumen de un gas de acuerdo a la temperatura. Cualquier intento de generar una función que encaje con nuestros data points fracasará, pues no poseemos el concepto de presión. En este caso, señala Hempel, estamos presuponiendo una hipótesis, a saber que una variable (el volumen) depende una única otra (la temperatura).
Hay infinitas hipótesis posibles de ese tipo —acerca de los conceptos necesarios para teorizar acerca de un dominio de la realidad— y ningún procedimiento para seleccionar una en lugar de otra. Por lo tanto, concluye: “La transición de los datos a la teoría requiere de imaginación creativa”. Para empeorar las cosas, es bien sabido que las revoluciones científicas van acompañadas de dramáticos cambios conceptuales.
Sin embargo, la objeción se responde nuevamente mediante ejemplos concretos: es simplemente falso que no haya procedimientos mecánicos para la creación de conceptos nuevos. En todo caso, es un problema abierto y con muchos signos de que, en el futuro, podremos responderlo afirmativamente. Thaggard y Stewart (2011) proponen un mecanismo que, si bien adolece de limitaciones demarcadas claramente por los autores, tiene el potencial de alguna vez explicar el mecanismo de la innovación conceptual.
Poniendo otro ejemplo: el programa BACON IV desarrollado por Simon y su equipo fue capaz de “redescubrir” la ley de Ohm mediante la generación de un concepto antes desconocido por el programa: la conductancia.
2. Argumentum ex miraculo: el otro argumento propuesto por Jantzen es bastante obvio, a tal punto de que es difícil creer que haya pasado desapercibido por tanto tiempo. Si el descubrimiento científico realmente fuese irracional, entonces sería un milagro (entendiendo la irracionalidad como una búsqueda aleatoria de prueba y error, en el caso más extremo, y como la búsqueda en ausencia de un método lo suficientemente bueno, en el caso más moderado, aunque no necesariamente el mejor).
Es un hecho conocido en filosofía de la ciencia que, para el conjunto de todos los datos observados dentro de un intervalo de tiempo cualquiera, existe un número infinito e incontable de hipótesis que “encajan”. Jantzen muestra que la probabilidad de encontrar una hipótesis idónea buscando aleatoriamente es igual a cero en tales circunstancias.
Pero quizá el espacio de búsqueda es finito. Es más, a lo mejor es lo suficientemente selectivo como para que una búsqueda aleatoria sea posible: en la práctica, los científicos proceden teniendo en cuenta solo aquellas hipótesis relevantes al problema y que son además compatibles con los supuestos metafísicos, epistemológicos y/o estéticos de su paradigma.
Pero tales supuestos no son más que reglas metodológicas que, tomadas en conjunto, constituyen en sí mismos una auténtica lógica del descubrimiento, de modo que este argumento termina disparando en contra de la posición que pretendía defender.
La lógica como posibilidad y realidad
Los argumentos en contra de una lógica del descubrimiento científico no se sostienen ante un escrutinio medianamente profundo. Dicha lógica no solo es una posibilidad sino también una realidad, expresada en el programa de investigación de la IA.
Considerando también su relevancia para la metodología científica, está claro que el tema merece más atención por parte de los filósofos de la ciencia.
Bibliografía
- Hempel, C. G. (1966). Philosophy of natural science. Englewood Cliffs, NJ: Prentice-Hall.
- Jantzen, B. C. (2015). Discovery without a ‘logic’ would be a miracle. Synthese, 193(10), 3209-3238. doi:10.1007/s11229-015-0926-7
- Kelly, K. T. (1987). The Logic of Discovery. Philosophy of Science,54(3), 435-452. doi:10.1086/289392
- Laudan, L. (1981). Why was the Logic of Discovery Abandoned? Science and Hypothesis, 181-191. doi:10.1007/978-94-015-7288-0_11
- Popper, K. R. (2003). La lógica de la investigación científica. Madrid: Tecnos.
- Samuel, A. L. (1959). Some Studies in Machine Learning Using the Game of Checkers. IBM Journal of Research and Development, 3(3), 210-229. doi:10.1147/rd.33.0210
- Simon, H. A. (1977). Models of discovery and other topics in the methods of science. Dordrecht: D. Reidel.
- Thagard, P., & Stewart, T. C. (2010). The AHA! Experience: Creativity Through Emergent Binding in Neural Networks. Cognitive Science, 35(1), 1-33. doi:10.1111/j.1551-6709.2010.01142.x
¿Qué te pareció este artículo?
(7 votos, promedio: 3,57 de 5)
Licenciado en filosofía por el Instituto Superior de Estudios Humanísticos y Filosóficos (ISEHF) en 2015. Fue profesor de filosofía del lenguaje en el ISEHF e investigador independiente. Directivo de la Sociedad Paraguaya de Filosofía. Es columnista de Ciencia del Sur, donde también es editor de ciencias humanas y sociales. Su trabajo está incluido en el libro "La ciencia desde Paraguay" (Servilibro).
No existe una lògica de la investigaciòn cientìfica. En muchos lugares en los cursos de doctorado se introduce la materia metodología de la investigaciòn científica. Es interesante revisar que en las universidades de mas prestigio esta materia no existe y si existe en las universidades de bajo nivel. Esto se debe a que la investigación científica no tiene ningún método, se aprende a investigar investigando y publicando trabajos.