PENSANDO COMO UN CIENTÍFICO PSICOLÓGICO

Objetivos de aprendizaje

 Compara y contrasta conclusiones basadas en el razonamiento inductivo científico y

cotidiano. 

 Comprenda por qué las conclusiones y teorías científicas son confiables, incluso si no
se pueden probar.

 Articular lo que significa pensar como un psicólogo científico, considerando las

cualidades de buenas explicaciones y teorías científicas. 

 Discuta la ciencia como una actividad social, comparando y contrastando hechos y

valores.
INTRODUCCIÓN
¿Por qué algunas personas son mucho más felices que otras? ¿Es perjudicial para los niños
tener compañeros imaginarios? ¿Cómo podrían los estudiantes estudiar más
efectivamente?
Incluso si nunca antes ha considerado estas preguntas, probablemente tenga algunas
conjeturas sobre sus respuestas. Tal vez piensas que hacerse rico o enamorarse conduce a
la felicidad. Quizás vea a amigos imaginarios como expresiones de una peligrosa falta de
realismo. Además, si le preguntara a sus amigos, probablemente también tendrían
opiniones sobre estas preguntas, opiniones que incluso pueden diferir de las suyas.
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 lee o ve: no
toda la información es igualmente confiable. La confiabilidad de la información es
especialmente importante en una era en la que las "noticias falsas", los mitos urbanos, los
"cebos" engañosos y las teorías de conspiración compiten por nuestra atención junto con
conclusiones bien fundamentadas 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 observables datos para ayudar a explicar y comprender el mundo que
nos rodea de manera confiable.
En este módulo, aprenderá sobre el pensamiento científico. Llegará a comprender cómo la
investigación científica informa nuestro conocimiento y nos ayuda a crear teorías.
También podrá apreciar cómo el razonamiento científico es diferente de los tipos de
razonamiento que las personas suelen utilizar para formar opiniones personales.
RAZONAMIENTO CIENTÍFICO VERSUS RAZONAMIENTO DIARIO
Cada día, las personas ofrecen declaraciones como si fueran hechos, tales como "Parece
que llueve hoy" 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, afirmando 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 usan un lenguaje menos seguro y es más probable
que estén asociados con probabilidades. Comprender las similitudes y diferencias entre
las declaraciones científicas y cotidianas (no científicas) es esencial para nuestra capacidad
de evaluar con precisión la confiabilidad de varias afirmaciones.
El razonamiento científico y cotidiano emplea la inducción: saca conclusiones generales de
observaciones específicas. Por ejemplo, la opinión de una persona de que abarrotar un
examen aumenta el rendimiento puede basarse en su memoria de aprobar un examen
después de realizar una sesión de estudio durante toda la noche. Del mismo modo, la
conclusión de un investigador contra el hacinamiento podría basarse en estudios que
comparen los resultados de las pruebas de personas que estudiaron el material de
diferentes maneras (por ejemplo, hacinamiento versus sesiones de estudio espaciadas con
el tiempo). En estos escenarios, las conclusiones científicas y cotidianas se extraen de una
muestra limitada de observaciones potenciales.
El proceso de inducción, por sí solo, no parece lo suficientemente adecuado como para
proporcionar información confiable, dados los resultados contradictorios. ¿Qué debe
hacer un estudiante que quiere obtener buenos resultados en los exámenes? Una fuente
de información la alienta a abarrotar, mientras que otra sugiere que espaciar su tiempo de
estudio es la mejor estrategia. Para tomar la mejor decisión con la información disponible,
debemos apreciar las diferencias entre las opiniones personales y las declaraciones
científicas, lo que requiere una comprensión de la ciencia y la naturaleza del razonamiento
científico.
Una característica adicional de la ciencia moderna que no se incluye en esta lista pero que
prevalece en el pensamiento y la teoría de los científicos es la falsabilidad, una
característica que ha permeado tanto la práctica científica que garantiza 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 pueden 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, rechazada porque
puede demostrarse que es falsa: hay personas zurdas. Una regla general fácil es no
confundirse con el término "falsificable", sino comprender que, más o menos, significa
verificable.
Por otro lado, algunos reclamos no pueden ser probados y falsificados. Imagine, por
ejemplo, que un mago afirma que puede enseñar a las personas a mover objetos con sus
mentes. El truco, explica, es creer verdaderamente en la capacidad de uno para que
funcione. Cuando sus alumnos no logran mover las sillas con sus mentes, el mago regaña:
"Obviamente, realmente no crees". El reclamo del mago no califica como falsable porque
no hay forma de refutarlo. 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, no estaba
satisfecho con las explicaciones de Freud para la enfermedad mental. Freud creía que
cuando una persona sufre una enfermedad mental, a menudo se debe a problemas
derivados de la infancia. Por ejemplo, imagine una persona que crece para ser un
perfeccionista obsesivo.
Si fue 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, imagine a la misma
persona criada por padres duros y ordenados. En este caso, Freud podría argumentar que
su orden adulto es simplemente internalizar la forma de ser de sus padres. Como puede
ver, según la lógica de Freud, ambos escenarios opuestos son posibles; No importa cuál
sea el trastorno, la teoría de Freud podría explicar su origen en la infancia, por lo que no
cumple con el principio de falsabilidad.
Popper argumentó en contra de declaraciones que no podían ser falsificadas. Afirmó que
bloquearon el progreso científico: no había forma de avanzar, refinar o refutar el
conocimiento basado en tales afirmaciones. La solución de Popper fue poderosa: si la
ciencia mostrara todas las posibilidades que no eran ciertas, solo nos quedaría con lo que
es cierto. Es decir, debemos ser capaces de articular, de antemano, los tipos de evidencia
que refutarán nuestra hipótesis y nos harán abandonarla.
Esto puede parecer contradictorio. Por ejemplo, si un científico quisiera establecer una
comprensión integral de por qué ocurren los accidentes automovilísticos, probaría
sistemáticamente todas las posibles causas: consumo de alcohol, exceso de velocidad,
usar un teléfono celular, jugar con la radio, usar sandalias, comer, conversar con un
pasajero, etc. Una comprensión completa solo podría lograrse una vez que todas las
explicaciones posibles fueron exploradas y falsificadas o no. Una vez concluidas todas las
pruebas, la evidencia se evaluaría según los criterios de falsificación, y solo quedarían las
causas reales de los accidentes.
El científico podría descartar ciertas afirmaciones (p. Ej., Las sandalias conducen a
accidentes automovilísticos) y conservar solo aquellas respaldadas por investigaciones (p.
Ej., Usar un teléfono móvil mientras se conduce aumenta el riesgo). Puede parecer
absurdo que un científico necesite investigar tantas explicaciones alternativas, pero es
exactamente cómo descartamos las malas afirmaciones. Por supuesto, muchas
explicaciones son complicadas e involucran múltiples causas, como los accidentes
automovilísticos y los fenómenos psicológicos.
Aunque la idea de la falsificación sigue siendo fundamental para el desarrollo de datos y
teorías científicas, en estos días no se usa estrictamente como Popper la imaginó
originalmente. Para empezar, los científicos no están interesados únicamente en
demostrar lo que no es. Los científicos también están interesados en proporcionar
descripciones y explicaciones de cómo están las cosas. 
Queremos describir diferentes causas y las diversas condiciones bajo las cuales
ocurren. Queremos descubrir cuándo los niños pequeños comienzan a hablar en oraciones
completas, por ejemplo, o si las personas están más felices el fin de semana, o cómo el
ejercicio afecta la depresión. Estas exploraciones requieren que saquemos conclusiones
de muestras limitadas de datos. En algunos casos, estos datos parecen ajustarse a
nuestras hipótesis y en otros no. Aquí es donde entran en juego la interpretación y la
probabilidad.
LA INTERPRETACIÓN DE LOS RESULTADOS DE LA INVESTIGACIÓN.
Imagine a un investigador que quiere examinar la hipótesis, una predicción específica
basada en investigaciones previas o teoría científica, 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 la posibilidad. Ella diseña un experimento para probar esta
hipótesis. Al azar asigna a algunos participantes una taza de té con cafeína y otra una taza
de té de hierbas. Todos los participantes tienen instrucciones de beber, estudiar una lista
de palabras y luego completar una prueba de memoria. 
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 está asociada con una mejor memoria. Sin embargo, no prueba que la
cafeína esté asociada con una mejor memoria. Todavía quedan muchas preguntas sin
responder. ¿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 anormal? Debido a estas incertidumbres, no
decimos que un estudio, especialmente un estudio único, pruebe una hipótesis.
En cambio, decimos que los resultados del estudio ofrecen evidencia en apoyo de la
hipótesis. Incluso si probáramos esto en 10 mil o 100 mil personas, aún no podríamos usar
la palabra "probado" para describir este fenómeno. Esto se debe a que el razonamiento
inductivo se basa en las 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 demostrarlo. De esta
manera, los datos siguen siendo muy útiles incluso si no se ajustan a los estándares
absolutos de Popper.
La ciencia de la meteorología ayuda a ilustrar este punto. Puede mirar el pronóstico del
tiempo local y ver una alta probabilidad de lluvia. Esto se debe a que el meteorólogo ha
utilizado el razonamiento inductivo para crear su pronóstico. Ella tomó las observaciones
actuales (muchas nubes densas que se acercan a su ciudad) y las comparó con los
patrones climáticos históricos asociados con la lluvia, haciendo una predicción razonable
de una alta probabilidad de lluvia. Sin embargo, el meteorólogo no ha demostrado que
lloverá señalando 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 (lo contrario del
razonamiento inductivo). Cuando los principios generales o premisas son verdaderos y la
estructura del argumento es válida, la conclusión es, por definición, comprobada; tiene
que ser así. Una verdad deductiva debe aplicarse en todas las circunstancias relevantes.
Por ejemplo, todas las células vivas contienen ADN. A partir de esto, puede razonar,
deductivamente, que cualquier célula viva específica (de un elefante, una persona o una
serpiente) contendrá ADN. Dada la complejidad de los fenómenos psicológicos, que
involucran muchos factores contribuyentes, es casi imposible hacer este tipo de
declaraciones amplias con certeza.
El segundo resultado posible del estudio de la memoria de cafeína es que el grupo que no
tenía cafeína demuestra mejor memoria. Este resultado es lo contrario de lo que el
investigador espera encontrar (su hipótesis). Aquí, el investigador debe admitir que la
evidencia no respalda su hipótesis. Sin embargo, debe tener cuidado de no extender esa
interpretación a otras afirmaciones. Por ejemplo, encontrar memoria aumentada en el
grupo sin cafeína no sería evidencia de que la cafeína daña la memoria. De nuevo, hay
demasiadas incógnitas. ¿Es este hallazgo un fenómeno extraño, tal vez 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: el investigador desarrolló originalmente su
hipótesis de cafeína-beneficios-memoria basada en conclusiones extraídas de
investigaciones anteriores. Es decir, estudios anteriores encontraron resultados que
sugerían que la cafeína aumenta la memoria.
El estudio individual del investigador no debe superar las conclusiones de muchos
estudios. Quizás la investigación anterior empleó a 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 estudios sobre la
relación cafeína-memoria. Por sí solo, no falsifica definitivamente la hipótesis.
Finalmente, es posible que los resultados no muestren diferencias en la memoria entre los
dos grupos. ¿Cómo debe interpretar esto el investigador? Como lo harías En este caso, la
investigadora tiene que admitir una vez más 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 aprende,
por ejemplo, que cada grupo en un estudio incluyó solo cuatro participantes, o que todos
tenían más de 90 años, podría tener dudas. Específicamente, debe preocuparle que las
observaciones, aunque sean precisas, no sean representativas de la población general.
Esta es una de las diferencias definitorias entre las conclusiones extraídas de anécdotas
personales y las extraídas de observaciones científicas.
Evidencia anecdótica- derivado de la experiencia personal y las observaciones no
sistemáticas (por ejemplo, "sentido común") - está limitado por la calidad y la
representatividad de las observaciones, y por las deficiencias de la memoria. Una
investigación bien diseñada, por otro lado, 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 deberíamos confiar en el proceso
inductivo científico, incluso cuando se basa en muestras limitadas que no ofrecen una
"prueba" absoluta. Para hacer esto, examinemos una práctica generalizada en la ciencia
psicológica: la prueba de significación de hipótesis nulas.
Para comprender este concepto, comencemos con otro ejemplo de investigación.
Imagine, 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 rendimiento 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 del
rendimiento académico). Finalmente, el investigador está interesado en la probabilidad —
o probabilidad— de que estas dos variables se relacionen estrechamente entre sí. Prueba
de significación de hipótesis nulas (NHST) evalúa la probabilidad de que los datos
recopilados (las observaciones) sean los mismos si no hubiera una 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 rendimiento de la clase si, en
realidad, no existiera dicho vínculo.
Ahora, aquí es donde se pone un poco complicado. 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 declaración 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 recopila
datos. Luego, el investigador 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 ella esto? Al observar la distribución de los datos. La distribución es la
distribución de valores; en nuestro ejemplo, los valores numéricos de los puntajes de los
estudiantes en el curso. El investigador pondrá a prueba su hipótesis comparando la
distribución observada de las calificaciones obtenidas por los estudiantes mayores con las
obtenidas por los estudiantes más jóvenes, reconociendo que algunas distribuciones son
más o menos probables. Su intuición le dice, por ejemplo, que las posibilidades de que
cada persona en el curso obtenga una puntuación perfecta son más bajas que sus
puntuaciones distribuidas en todos los niveles de rendimiento.
El investigador puede usar una tabla de probabilidad para evaluar la probabilidad de
cualquier distribución que encuentre en su clase. Estas tablas reflejan el trabajo, en los
últimos 200 años, de matemáticos y científicos de una variedad de campos. 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 sorprendentes o
terribles). En la Tabla 2b, puede ver los posibles resultados de este estudio imaginario y
puede ver claramente cómo difieren de la distribución esperada.
En el proceso de probar estas hipótesis, hay cuatro resultados posibles. Estos están
determinados por dos factores: 1) la realidad, y 2) lo que el investigador encuentra (ver
Tabla 3). El mejor resultado posible es la detección precisa.
Esto significa que la conclusión del investigador refleja la realidad. En nuestro ejemplo,
imaginemos que los estudiantes más maduros se desempeñan un poco mejor. Si esto es lo
que el investigador 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 no existe de todos modos! Usando este
mismo ejemplo, ahora imaginemos que la madurez no tiene nada que ver con el
rendimiento académico Quizás el rendimiento académico esté relacionado con la
inteligencia o los hábitos de estudio. Si la investigadora no encuentra evidencia de un
vínculo entre la madurez y las calificaciones y no existe ninguna, también habrá logrado
una detección precisa.
Hay un par de formas en que las conclusiones de la investigación pueden estar
equivocadas. Uno se conoce como un error de tipo I -cuando el investigador concluye que
no es una relación entre dos variables pero, en realidad, no es no. Volviendo a nuestro
ejemplo: supongamos que no existe una relación entre la madurez y las calificaciones,
pero el investigador todavía encuentra una. ¿Por qué pasó esto? Puede ser que su
muestra, por casualidad, incluya estudiantes mayores que también tener mejores hábitos
de estudio y desempeñarse mejor: el investigador ha "encontrado" una relación (los datos
parecen mostrar que la edad se correlaciona significativamente con el rendimiento
académico), pero la verdad es que la relación aparente es pura coincidencia, el resultado
de estos estudiantes mayores específicos en esta muestra particular que tiene hábitos de
estudio mejores que el promedio (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 de tipo II, cuando los datos no muestran una
relación entre las variables que realmente existe. En nuestro ejemplo, esta vez
pretendemos que la madurez está, en realidad, asociada con el rendimiento académico,
pero el investigador no la encuentra en su muestra.
Tal vez fue solo su mala suerte que sus estudiantes mayores solo estuvieran teniendo un
mal día, sufriendo de ansiedad por los exámenes, o fueran inusualmente descuidados con
su tarea: las peculiaridades de su muestra particular, por casualidad, impiden que el
investigador identifique la relación real entre madurez y rendimiento académico.
Estos tipos de errores pueden preocuparle, ya que no hay forma de saber si los datos son
buenos o no. Los investigadores comparten sus inquietudes y las abordan utilizando
valores de probabilidad (valores p) para establecer un umbral para los errores de tipo I o
tipo II. Cuando los investigadores escriben que un hallazgo particular es "significativo en
un p<.05 nivel ", dicen 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, un
error de Tipo I es poco probable.
Los académicos a veces discuten sobre el umbral exacto que debería usarse para la
probabilidad. Los más comunes en la ciencia psicológica son .05 (5% de probabilidad), .01
(1% de probabilidad) y .001 (1/10 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 cual es tan importante que los hallazgos
científicos se repliquen en estudios adicionales.
Debido a tales metodologías, la ciencia es generalmente confiable. No todas las
afirmaciones y explicaciones son iguales; Algunas conclusiones son mejores apuestas, por
así decirlo. Es más probable que las afirmaciones científicas sean correctas y predigan
resultados reales que las opiniones y las anécdotas personales de "sentido común". Esto
se debe a que los investigadores consideran la mejor forma de preparar y medir a sus
sujetos, recopilar sistemáticamente datos de muestras grandes e, idealmente,
representativas, y probar sus hallazgos contra la probabilidad.
TEORÍAS CIENTIFICAS
El conocimiento generado a partir de la investigación se organiza según teorías científicas.
Una teoría científica es un marco integral para dar sentido a la evidencia con respecto a un
fenómeno particular. Cuando los científicos hablan de una teoría, quieren decir algo
diferente de cómo se usa el término en la conversación cotidiana. De uso común, una
teoría es una suposición 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". Es probable que ambas creencias estén fuertemente influenciadas por muchos
factores no confiables, como las opiniones personales y los sesgos de memoria. Sin
embargo, una teoría científica cuenta con el apoyo de muchos estudios de investigación,
que brindan pruebas colectivas, que incluyen, entre otras, las que han falsificado
explicaciones competitivas. Un componente clave de las buenas teorías es que describen,
explican y predicen de una manera que puede ser probado empíricamente y
potencialmente falsificado.
Las teorías están abiertas a revisión si sale a la luz nueva evidencia que obliga a
reexaminar los datos relevantes acumulados. En la antigüedad, por ejemplo, la gente
pensaba que el Sol viajaba alrededor de la Tierra. Esto parecía tener sentido y encaja con
muchas observaciones. Sin embargo, en el siglo XVI, los astrónomos comenzaron a
cartografiar sistemáticamente objetos visibles en el cielo y, durante 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 ciencia,
creemos lo que nos dicen los mejores y más datos. Si se presentan mejores datos,
debemos estar dispuestos a cambiar nuestros puntos de vista de acuerdo con la nueva
evidencia.
¿ES LA CIENCIA OBJETIVO?
Thomas Kuhn (2012), un historiador de la ciencia, argumentó que la ciencia, como
actividad realizada por 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 hay tal cosa como teoría objetiva o datos; Toda la
ciencia está informada por valores. Los científicos no pueden evitar dejar que los valores
personales / culturales, las experiencias y las opiniones influyan en los tipos de preguntas
que hacen y cómo tienen sentido lo que encuentran en su investigación. 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, incluso si no siempre es clara.
Para ilustrar la relación entre hechos y valores, considere el problema del calentamiento
global. Una vasta acumulación de evidencia (hechos) corrobora el impacto adverso que la
actividad humana tiene sobre los niveles de gases de efecto invernadero en la atmósfera
de la Tierra que conducen a patrones climáticos cambiantes. También hay un conjunto de
creencias (valores), compartidas 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 protegerse, influye en cómo nos relacionamos
con los hechos. Las personas (incluidos los científicos) que respaldan firmemente este
valor, por ejemplo, podrían estar más atentas a la investigación sobre energía renovable.
El punto principal de esta ilustración es que (al contrario de la imagen de los científicos
como observadores externos de los hechos, reuniéndolos de manera neutral y sin
prejuicios del mundo natural) toda la ciencia, especialmente las ciencias sociales como la
psicología, involucra valores e interpretación. Como resultado, la ciencia funciona mejor
cuando las 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 lograr
esto 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 el abarrotamiento para una prueba versus estudiar con el tiempo? Se
puede responder en varios niveles diferentes 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 los procesos de toma
de decisiones (qué estudiar) y la capacidad de concentración, ya que se relacionan con la
práctica de hacinamiento versus la práctica espaciada. En niveles aún más altos,
podríamos estar interesados en comportamientos del mundo real, como cuánto tiempo
estudian las personas 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 adecuación depende de los detalles de la pregunta formulada. Finalmente, 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.
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 la cultura de uno, 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, incluida su subjetividad e
incertidumbre, no la hace inútil. Debido a que es sistemático, utiliza datos confiables y
comprobables, 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.