Elementos Didácticos para La Enseñanza Del Análisis de Inteligencia

6/10/22, 17:45 Elementos didácticos para la enseñanza del análisis de inteligencia
Elementos didácticos para la enseñanza del análisis de

inteligencia
global-strategy.org/elementos-didacticos-para-la-ensenanza-del-analisis-de-inteligencia/
30 de agosto de 2022
Global Strategy Report, 21/2022
Resumen: El artículo repasa los orígenes de los estudios de inteligencia en España

señalando algunos déficits en el enfoque de los primeros programas académicos sobre la
materia. De igual forma se repasa la técnica del análisis de hipótesis en compentencia
desde una perspectiva lógica y epistemológica y se elabora una propuesta didáctica para su
enseñanza. También se examinan algunos errores frecuentes en los modelos de regresión.
Por último, se describe la herencia filosófica del pensamiento crítico y se ofrecen algunas
pautas para su inclusión en los programas formativos.
Un analista metodológico es aquél que enseña técnicas de análisis que no ha creado a

analistas a los que no conoce y que las aplican a temas que ignora.
El autor
Introducción
https://www.printfriendly.com/p/g/JHWaqZ 1/18
Symploké es la trascripción latina del término griego συμπλοκή. Symploké es la forma

sustantivada del verbo symploko (σύμπλοκο en griego), que significa enlazar, ligar, unir e
incluso luchar. El desarrollo del concepto griego de symploké debe sus inicios a Demócrito
de Abdera (más conocido por situar el arjé o principio o primer elemento de las cosas en los
átomos) que luego retomaría Platón y que hace referencia al entrelazamiento dialéctico de
las cosas que constituyen una situación estable o efímera, una totalidad sistática o
sistemática (un sistema) en la que se dan momentos de conexión y conflicto y de
desconexión e independencia entre sus partes (formales o materiales), sus secuencias o
términos, etc., comprendidos en esa symploké. Demócrito de Abdera habló de la symploké
o entretejimiento (urdimbre) entre los componentes indivisibles de la realidad, que para él
eran los átomos (las partes materiales de la realidad). Platón, por su parte, en su obra El
sofista, establece la symploké como el entretejimiento, enfrentamiento y/o oposición de las
ideas, las cuales son los elementos propios de análisis. Desde un punto de vista
epistemológico, la idea de symploké se opone tanto al monismo (todo está conectado con
todo) como al pluralismo radical (nada está conectado con nada), afirmando que «no todo
está conectado con todo», pues unas cosas están conectadas con unas cosas, y otras
cosas no están conectadas con otras cosas.
Esta idea, que está en el origen del materialismo filosófico, cuyo máximo exponente en
España fue el filósofo Gustavo Bueno, bien podría resumir y sintetizar una primera
aproximación puramente epistemológica a lo que es y significa el análisis de inteligencia.
El análisis de inteligencia es un campo multidisplicinar y transversal en el que convergen

muchas disciplinas del saber humano que aportan un valor esencial al conjunto. Dentro de
este enorme campo, la metodología de análisis en inteligencia es la piedra angular de todo
el edificio. La metodología de análisis en inteligencia es una rama de la metodología de
investigación en las ciencias sociales en general.
El trabajo cotidiano de los analistas metodológicos en inteligencia es variado. Por un lado,

se encargan de estudiar las diferentes técnicas de análisis y de asesorar a la hora de
escoger la más pertinente en cada caso. A diferencia de los expertos en su campo, los
metodólogos analíticos a menudo ocupan puestos de asesoramiento y no se preocupan por
el contenido de un estudio específico, sino solo por los métodos de investigación y las
técnicas de análisis de datos utilizadas en el estudio.
También analizan los errores cometidos en los análisis para crear un repositorio de
lecciones aprendidas y tratar de solucionar las posibles lagunas derivadas de fallos en los
análisis de la información (no de fallos derivados de la información recabada). Por último,
desarrollan labores docentes con los analistas de diferentes áreas temáticas o geográficas
en cuanto a la asimilación y puesta en práctica de las diferentes técnicas de análisis.
Para realizar la primera función de las descritas tienen tres posibles caminos:
El primero consiste en tomar un conocimiento del dominio base, esto es, la metodología de
análisis en ciencias sociales, y aplicarlo casi sin modificaciones al campo del análisis de
inteligencia. Esto sucede, por ejemplo, con técnicas como la regresión lineal. La técnica de
regresión lineal no cambia, tanto si es aplicada a un campo de las ciencias sociales como la
sociología como si es aplicada al campo del análisis de inteligencia. Lo único que cambiarán
serán las variables utilizadas y los objetivos de análisis, pero no la técnica en si misma.
La segunda forma consiste en tomar un conocimiento o técnica utilizada en las ciencias

sociales y adaptarla a las exigencias y necesidades de inteligencia. Un ejemplo de esto
podría constituirlo el análisis bayesiano aplicado a inteligencia de alertas estratégicas.
Introducción a la Inteligencia estratégica | Estrategia podcast 33
La última manera y también la más compleja y la menos frecuente es tomar ideas del
dominio del campo del análisis en ciencias sociales y construir una técnica de análisis nueva
de aplicación directa al dominio del análisis de inteligencia. Esto ha sucedido, por ejemplo,
con técnicas como el análisis de riesgos adversarios[1] (ARA) ideada por el profesor David
Ríos Insúa, entre otros.
Los conocimientos en metodología de análisis son básicos y fundamentales para cualquier

analista de inteligencia e incluso previos a la propia especialización bien sea ésta en un
área temática o geográfica. Es más, en muchas ocasiones, facilitan los estudios posteriores
de especialización o aportan nuevas herramientas de investigación al analista. Es cierto que
muchas especializaciones no requieren un conocimiento muy profundo de ciertas técnicas
de análisis porque no suelen utilizarse en ese campo particular, pero esto no significa que el
analista no debe estar formado en ellas y dominarlas con cierta soltura llegado el caso.
El origen de los estudios en inteligencia en España
La difusión de aspectos relacionados con el análisis de inteligencia en España fue el

producto derivado y, más aún, en ciertos aspectos secundario, de una de las directivas de
Defensa Nacional (DNN) de 2011 que establecía la necesidad de fomentar la cultura de
seguridad y defensa en la sociedad (término que ya había aparecido formalmente en la
DNN del año 2000), promoviendo el más amplio apoyo de los ciudadanos a sus ejércitos.
A partir de aquella directiva todo el mundo en el Ministerio de Defensa se puso manos a la

obra, no sin ciertas reticencias al comienzo que pronto se disolvieron gracias al conocido
grado de obediencia de nuestras FAS[2]. Los organismos encargados de llevarlo a cabo
fueron el Centro Superior de Estudios de la Defensa Nacional (CESEDEN) y, en menor
medida, el Instituto Español de Estudios Estratégicos (IEEE). Entre otras cosas, se comenzó
un acercamiento hacia la universidad que revestía no pocas dificultades. Aún había cierto
tabú, heredado como rescoldo del periodo franquista, sobre la presencia de uniformes en la
universidad y algunos mostraban reticencias cuando no abierta animadversión. Este
handicap se consiguió superar no sin gran esfuerzo.
Dentro de este marco, al CNI le tocaba en suerte difundir la cultura de inteligencia y no

quiso quedarse atrás. Se escogieron personas encargadas de la cultura de inteligencia que
serían el nexo con las universidades y se encargarían de elaborar un plan de actuación.
Pero desde el comienzo hubo diferentes enfoques a la hora de decidir de qué forma se iba a
plasmar esto en la realidad. Se decidió que, al igual que habían hecho las FAS, el CNI
también tendría visibilidad en la universidad. De igual forma, se publicaron en el CESEDEN
varias monografías dedicadas especialmente a la temática de inteligencia.
Un papel destacado lo jugó y lo sigue jugando la Cátedra de Servicios de Inteligencia y

Sistemas Democráticos de la Universidad Rey Juan Carlos. Esa cátedra dio lugar a un
máster de análisis de inteligencia (pionero en España) y la creación de una revista
académica además de numerosas publicaciones.
Ahora bien, desde el comienzo se decidió (y esto es de suma relevancia para entender el
origen de los estudios de inteligencia en España y su posterior desarrollo), que se iban a
trasladar a la ciudadanía conceptos básicos sobre el funcionamiento de un servicio de
inteligencia en una democracia y sobre cuestiones generales relativas a la clasificación de la
información, la historia de los servicios de inteligencia, cuestiones legales, etc. Esto es, en
principio, la idea nunca fue formar analistas de inteligencia profesionales.
Pero este enfoque se encontró de bruces con la realidad burocrática de las universidades,
donde la implantación de cualquier curso, por pequeño que sea, requiere de una serie de
trámites y justificaciones de viabilidad. En resumidas cuentas, para crear un postgrado o
máster en inteligencia que cumpliera con el objetivo marcado, éste debía ser atractivo para
los alumnos para asegurar cierta continuidad y, dentro del marco de Bolonia, debía estar
enfocado al desarrollo profesional.
El problema de encontrar profesorado adecuado no era menor. Por aquél entonces en

España había muy poca gente formada en cuestiones de inteligencia salvo, claro está, el
personal del propio CNI y del CIFAS. Pero, por cuestiones de seguridad y ciertos estatutos
de personal era evidente que la mayoría de ellos no podrían colaborar.
Así las cosas, los primeros postgrados en la materia eran una suerte de conglomerado de
cuestiones relativas a la inteligencia, pero con muy poca especialización en el análisis. Los
profesores encargados de impartir las diferentes materias eran una mezcla variopinta de
personal académico, profesionales varios y personal de las FAS y del CNI.
Clase sobre análisis estratégico, prospectiva y construcción de escenarios
En resumen, esto generó una tensión entre la idea primigenia del CNI, que era difundir
aspectos generales de la cultura de inteligencia y las universidades, que se veían obligadas
(dentro del marco de Bolonia) a ofrecer un postgrado profesionalizante y, por tanto,
enfocado al análisis. En el CNI no se pensó en formar analistas de inteligencia profesionales
a través de esos títulos y por eso su asesoramiento no fue enfocado a este aspecto. Esto
explica, al menos en parte, la dispersión de los primeros programas académicos y los
errores que se cometieron en la didáctica de la enseñanza del análisis de inteligencia que
explicaremos a continuación.
La evolución hacia la especialización de los programas académicos
Dentro de los primeros programas universitarios enfocados al análisis de inteligencia había

cierta dispersión, propia de unos estudios que estaban comenzando su andadura, en el
sentido de que una parte importante de los créditos y la carga lectiva se dividía en materias
que poco o nada tenían que ver con el análisis de inteligencia en sí mismo y sí con otras
cuestiones relativas al ámbito de inteligencia como la historia de los servicios de
inteligencia, los aspectos legales, la criptografía, la clasificación de la información y un largo
etcétera.
Otro de los errores comunes en los programas fue mezclar la inteligencia competitiva
(enfocada al mundo de la empresa) y la inteligencia estratégica conformando una suerte de
cajón desastre con una amalgama de técnicas que, lejos de ayudar al alumno, lo dispersaba
en caminos inacabados y favorecía la confusión.
El porcentaje de créditos dedicados al análisis en sí era muy pequeño y estaba dedicado

casi en exclusiva a las técnicas estructuradas de análisis de origen anglosajón. Las técnicas
no estructuradas en el mejor de los casos apenas se mencionaban de pasada y en el peor
ni se trataban.
Asimismo, sorprende, en estos programas primerizos, la introducción de la prospectiva y no

de la inteligencia de alertas estratégicas cuando la primera nunca fue parte del canon de la
inteligencia propiamente dicha y la segunda tenía una aplicación contrastada. Y resulta
curiosa porque ya por entonces la inteligencia de alertas estratégicas tenía un amplio
recorrido y existían manuales disponibles en abierto sobre la materia como el de Cynthia M.
Grabo[3], por poner el ejemplo más significativo.
Dichos programas fueron reformándose y retocándose con el pasar del tiempo, pero
siempre con un basculamiento evidente a las técnicas estructuradas en detrimento de las no
estructuradas quizás por el peso de la herencia norteamericana, donde las primeras habían
surgido bajo el paraguas de la CIA. Parte de esta inclinación puede explicarse también por
el enfoque hacia un público general, pues mientras que las primeras no requieren
conocimientos previos complejos, las técnicas no estructuradas sí los requieren.
En la actualidad, la importancia del análisis de información cuantitativa, el análisis de datos

y el estudio de patrones espaciales entre otros, han hecho que las técnicas no estructuradas
vayan tomando cada vez un peso mayor en los programas de investigación en ciencias
sociales y, por ende, también en los de análisis de inteligencia que, por tanto, se enfocan a
un público más especializado y que necesariamente ha de tener unos conocimientos
previos para poder extraer el máximo aprovechamiento de esta formación.
Respecto a la oferta académica en la actualidad se puede afirmar que existen en España un

amplio abanico de cursos con una heterogeneidad muy elevada entre ellos. Algunos de
ellos siguen repitiendo los errores aquí mencionados, otros han introducido cambios
significativos en la buena dirección, pero siguen sin establecerse unos estándares[4] sobre
los conocimientos esenciales en la materia que superen el gap entre la visión académica y
la práctica profesional, quizás porque desde el ámbito académico se percibe la materia
como una especie de hija ilegítima y desde el ámbito profesional no se piensa en esto como
algo necesario.
Aproximación lógica y epistemológica al Análisis de Hipótesis en Competencia (ACH)
La idea embrión del Análisis de Hipótesis en Competencia (ACH) fue desarrollada por
Richards Heuer para evaluar la presencia o ausencia de engaño o decepción y, por tanto,
dentro del campo de la contrainteligencia. Heuer se dio cuenta de que sería muy útil y
práctico tener disponible un software para aplicar la técnica del ACH. Esto permitiría a los
analistas registrar sus calificaciones y retener una copia de su trabajo en lugar de depender
de un montón de notas en un papel. Había que atomatizar el ACH. El mismo Heuer describe
como se desarrolló esta idea:
“En 2002, me comuniqué por primera vez con Palo Alto Research Center (PARC), una
destacada empresa de Xerox en Palo Alto, California, que ofrece servicios personalizados
de investigación y desarrollo (I + D) y experiencia tecnológica a muchas empresas de
Fortune 500. Llamé a un científico de PARC, Mark Stefik, para hablar con él sobre un
proyecto suyo sobre el que había leído. Le dije que quería aprender más sobre su proyecto
y contarle mis intereses. Stefik dijo que solía ir a la península de Monterey para pasar un fin
de semana en la Reserva Marina Estatal de Asilomar y sugirió que nos reuniéramos allí.
Nos conocimos y hablamos sobre su proyecto y mi trabajo con ACH”.
La Escuela de Análisis de Inteligencia de Kent de la CIA recibió la primera versión de

prueba en septiembre de 2004 para su uso en la formación de estudiantes. Funcionó bien.
La versión final con algunos cambios menores, y luego de extensas pruebas por parte del
Instituto Nacional de Estándares y Tecnología, se implementó en mayo de 2006. (Heuer,
2018)
El Análisis de Hipótesis en Competencia (de ahora en adelante ACH) es una de las técnicas
más conocidas de entre aquellas definidas como técnicas estructuradas de análisis y
también una de las más utilizadas. A pesar de esto, hay escasa constancia de trabajos
académicos que aborden el estudio de esta técnica desde una perspectiva lógica y
epistemológica.
Desde un punto de vista lógico y epistemológico, podemos afirmar que el ACH es el

resultado de conjugar tres elementos: la lógica abductiva, el análisis bayesiano (en su forma
ingenua) y el razonamiento plausible.
La lógica abductiva
Nadie puede dudar de las aportaciones de la lógica binaria aristotélica al pensamiento

occidental. Por poner sólo un ejemplo, este tipo de lógica es la base de la programación de
ordenadores. Además, desde un punto de vista más social, durante mucho tiempo la lógica
binaria aristotélica dominó un mundo que se basaba en la lucha de contrarios. O eras
blanco o eras negro. No había otra opción. No fue por casualidad que Santo Tomás de
Aquino se basase en Aristóteles como base para elaborar su teología. En efecto, en la
teología de Santo Tomás solo cabía ser santo o pecador. Al pecador se le castigaba y al
santo se le honraba.
Si hiciéramos una encuesta a pie de calle sobre el significado de la abducción

probablemente nos llevaríamos una sorpresa. Y es que la mayoría de las personas asocian
esa palabra con los extraterrestres o los ovnis y, sin embargo, forma parte sustancial del
razonamiento lógico y del andamiaje mental de todo buen analista. Así, tradicionalmente se
asocia el personaje de ficción del famoso detective Sherlock Holmes con la deducción
cuando, en realidad, lo que él utilizaba y queda plasmado en las novelas es la inducción
abductiva. La utiliza, por ejemplo, cuando, a partir de una serie de características físicas y
detalles sobre un individuo ofrece un bosquejo de su personalidad y su forma de vida.
Fue Charles Sanders Pierce quien resucitó la reflexión sobre esta antigua forma de
argumentar que ya Aristóteles había observado, pero sobre la cual no se había prestado
mucha atención. Según la definición del propio Pierce, la abducción “es el proceso por el
que se forma una hipótesis explicativa. Es la única operación lógica que introduce una idea
nueva”. El argumento abductivo es aquel cuyo enlace entre las premisas y la conclusión es
de tipo hipotético. Pierce lo considera como una forma de sacar «una predicción general sin
certeza positiva», pero lo justifica, porque cree que este método permite indagar las causas
de un fenómeno, con la esperanza de descubrirlas mediante el uso de una hipótesis.
Para Pierce, la diferencia básica entre abducción e inducción es que la primera forma parte
del proceso de descubrimiento y la segunda forma parte del proceso de probar esos
descubrimientos. La abducción, a diferencia de la inducción, usa el mecanismo de la
hipótesis para descubrir la causa. En cambio, aquélla indaga por medio del experimento a
fin de extraer una ley. Es claro que ambos métodos no se excluyen: se puede hacer a la vez
abducción e inducción, pero es necesario distinguir ambos procesos, porque no tiene la
misma fuerza probatoria el desarrollo inductivo que apunta a ensanchar continuamente el
campo de verificación, que hacer conjeturas acerca de las causas que han provocado un
hecho particular.
En la generación de hipótesis, el ACH sigue al pie de la letra la primera regla de Pierce que
dice que la hipótesis debe ser formulada claramente como una pregunta antes que se
hagan las observaciones que han de comprobar su verdad. Respecto a las
evidencias, Heuer recomienda incluir no sólo las evidencias que creamos más claras, sino
todo el conjunto de factores relacionados con el objetivo y que podrían tener impacto a la
hora de elaborar la hipótesis final. No se debe caer en el error o la tentación de tomar sólo
aquellas observaciones que apoyan las hipótesis de trabajo.
En el siguiente paso, el análisis adopta la forma de una inferencia inductiva, evaluando las
hipótesis a la luz de las evidencias. Finalmente se revisa cada hipótesis para sacar
conclusiones provisionales sobre la probabilidad relativa de cada una. Este estadio final se
desarrolla a través de la inferencia de la mejor explicación, que nos ayuda a elegir la mejor
hipótesis de las que tenemos, mediante la ayuda de la probabilidad establecida por el
programa para cada hipótesis. La inferencia de la mejor explicación (IME) se ocupa de los
criterios de selección que deben aplicarse para determinar cuál es la hipótesis correcta. No
se afirma que la hipótesis escogida sea la verdadera, sino solo que es bastante seguro o
probable que lo sea. Podemos afirmar que la justificación de IME es una justificación
inductiva, aunque debamos distinguir la inferencia inductiva y la IME como dos tipos
diferentes de inferencia.
El marco probabilístico bayesiano
La segunda columna sobre la que se apoya el ACH es el marco probabilistico bayesiano en

el cual se desarrolla. Es importante señalar que mucho antes del surgimiento de la técnica
del ACH recogida en el libro “Psicología del análisis de inteligencia” de Heuer, la Central
Intelligence Agency investigó las posibilidades del análisis bayesiano. El encargado de
hacerlo fue Jack Zlotnick[5]. Se puede decir que el ACH es heredero, pero no hijo, de todas
esas investigaciones. No desarrollaré aquí con profusión el análisis bayesiano por no ser
esa la intención de este artículo. El lector interesado en el contenido teórico y la
implementación de este tipo de análisis, puede consultar un artículo del autor que lleva por
título “El análisis bayesiano como piedra angular de la inteligencia de alertas estratégicas” y
que figura en el apartado bibliográfico.
La estadística bayesiana, al contrario que la estadística frecuentista que se fundamenta en

la idea de cuantificar la probabilidad de un suceso a partir de la frecuencia relativa de
aparición, parte de la noción de que la probabilidad representa el grado de creencia que
otorgamos al suceso en cuestión. La diferencia entre ambas, pues, es una cuestión de

concepto de probabilidad. Para la estadística clásica o frecuentista la probabilidad es un
concepto objetivo, que se encuentra en la naturaleza, mientras que para la estadística
bayesiana se encuentra en el observador, siendo así un concepto subjetivo. De este modo,
en la estadística clásica solo se toma como fuente de información las muestras obtenidas,
mientras en caso bayesiano, además de la muestra, también juega un papel fundamental la
información previa o externa que se posee en relación a los fenómenos que se pretenden
modelizar.
A primera vista, la regla de Bayes es un sencillo teorema cuyo enunciado, en román

paladino, se reduce a lo siguiente: al actualizar la opinión que inicialmente teníamos sobre
algo por disponer de nueva información objetiva, llegamos a un planteamiento mejor. Pero
algo realmente explosivo se deriva de esta simple afirmación, a saber, el teorema de Bayes
nos indica que no sólo es posible adquirir conocimiento, aunque nos falten datos o estos
resulten inadecuados, sino que ese conocimiento puede obtenerse a partir de
aproximaciones o incluso de la ignorancia total como punto de partida.
Y es precisamente aquí donde surgen las dificultades desde un punto de vista didáctico,
que ya observó acertadamente el mismo Richard Heuer, pues introducir a los alumnos en el
ACH sin unos conceptos previos de lo que es y cómo funciona el Teorema de Bayes es
contraproducente porque muchos de ellos entienden el software del ACH como una caja
negra en la que introduces unos parámetros y obtienes unos resultados, pero sin saber de
dónde vienen esos resultados o qué es lo que está haciendo el ordenador para obtenerlos.
El razonamiento plausible
Muchos métodos heurísticos fueron usados por matemáticos griegos como Pitágoras. La
noción de heurística se le atribuye a Pappus (300 d.C.), quien propuso la rama de estudio
denominada Analyomenos, que puede traducirse como “el tesoro del análisis o el arte de
resolver problemas”. Dos son las estrategias principales que se proponían para resolver
problemas en geometría: la primera consiste en asumir que la solución está dada y se
trabaja desde atrás hasta encontrarse con algo ya conocido o que se sabe verdadero. La
otra es hacia delante: se empieza considerando el conocimiento matemático (axiomas y
teoremas ya probados) y se trabaja hacia el resultado. A estos dos métodos se les
denomina análisis y síntesis respectivamente.
Para Polya la acción de conjeturar sigue ciertos patrones que pueden caracterizarse. Entre
los patrones de razonamiento plausible discutidos por Polya se encuentran los siguientes:
Patrones inductivos. La verificación de la consecuencia hace que la conjetura sea más

creíble. Por ejemplo, la conjetura llovió anoche se hace más creíble cuando
verificamos la consecuencia: el patio está mojado.
Verificación sucesiva de varias consecuencias. La verificación de una nueva

consecuencia cuenta más (o menos) de la primera de las consecuencias verificadas.
Por ejemplo, si se trata de corroborar la conjetura: todos los cuervos son negros y
observamos n cuervos australianos, todos ellos negros, nuestra credibilidad de esa
conjetura se incrementará sustancialmente si el cuervo (n+1) es un cuervo negro de
Brasil y no de Australia.
Verificación de consecuencias improbables. La verificación de una consecuencia
cuenta más (o menos) dependiendo de si la consecuencia es más (o menos) probable
en sí misma. Por ejemplo, la conjetura llovió anoche es más creíble con la evidencia
de que el techo está goteando que con la observación más común: la hierba está
mojada.
Inferencia por analogía. Una conjetura se hace más creíble cuando una conjetura
análoga resulta ser verdadera. Por ejemplo, la conjetura: de todos los objetos con el
mismo volumen, la esfera es la que tiene menor superficie, se hace más creíble
cuando se prueba el teorema relacionado: de todas las curvas que tienen la misma
área, el círculo es el de perímetro más corto.
En sus investigaciones, Polya puso el énfasis en los aspectos cualitativos del razonamiento
plausible. Pero, de hecho, como bien apunta el profesor Sixto Ríos en uno de sus artículos,
es posible modelizar el razonamiento plausible en términos probabilísticos, con lo que se
consigue ver cómo el razonamiento plausible puede considerarse como una extensión del
razonamiento lógico (Ríos, 2002:114).
A partir de aquí podemos enunciar las hipótesis básicas de Cox que permiten representar
los grados de creencia mediante números que satisfacen las reglas de combinación de
probabilidades y que, como veremos, permiten modelizar cuantitativamente el razonamiento
plausible. Esencialmente a cada proposición sobre la que razonemos le asignaremos un
grado de plausibilidad y cuando recibamos una evidencia deberemos modificar tal
asignación para tener en cuenta tal información. Las hipótesis de Cox son:
Los grados de plausibilidad se representan mediante números reales. Simbólicamente,

a cada proposición A/B se le asocia un número p(A/B), que medirá su grado de
plausibilidad.
El grado de plausibilidad de una inferencia, dada cierta evidencia, determina el grado
de plausibilidad de la inferencia contraria, basada en la misma evidencia.
Simbólicamente: P(A/B) = g(P(A/B)
El grado de plausibilidad de la conjunción de dos inferencias dada cierta evidencia se
determina a partir del grado de plausibilidad de una inferencia, dada la evidencia, y del
grado de plausibilidad de la otra inferencia dada la evidencia y que la primera
inferencia sea verdadera. Simbólicamente: p(AB/C) = f(p(A/C), p(B/AC)
Hemos visto que los axiomas de Cox sugieren introducir la probabilidad como una medida
de los grados de plausibilidad o creencia que una persona tiene en la verdad de una
proposición basada en su información en un momento dado. En presencia de información
adicional, las probabilidades se actualizan mediante la fórmula de Bayes.
Una propuesta didáctica para la enseñanza del Análisis de Hipótesis en Competencia

(ACH)
La propuesta didáctica que defiende este artículo es enseñar al alumno unos conceptos
previos que le ayuden a adentrarse con ciertas garantías en el Análisis de Hipótesis en
Competencia. Por ello, se propone aquí una posible ruta viable de aprendizaje en tres
etapas:
Primera etapa: Construcción de árboles de probabilidades
Los diagramas de árbol permiten representar la estructura de muchos problemas

probabilísticos facilitando su resolución posterior. Un diagrama de árbol es un grafo que
nace en un vértice especial (denominado raíz o tronco) del que sale un número finito de
ramas de primera generación. Estas ramas llegan a nuevos vértices (llamados nudos o
nodos) y, de ellos, vuelve a salir otra cantidad finita de ramas, en este caso denominadas
ramas de segunda generación. Y tras un número finito de pasos, el diagrama acaba cuando
se llega a nodos terminales que representan la finalización del experimento o proceso que
trata de representarse.
Una de las características que sustentan la utilización de los diagramas de árbol es que
transmiten mucha información en un breve intervalo de tiempo con un simple golpe de vista.
Además, tienen la ventaja de que presentan la información de un modo estructurado y
resumido, que permite comprender la globalidad del fenómeno descrito desde sus primeras
fases hasta las últimas.
Segunda etapa: Probabilidad condicionada
La probabilidad condicionada es esencial para entender el Teorema de Bayes y, por tanto,

también el Análisis de Hipótesis en Competencia. En la probabilidad condicionada, el valor
de la probabilidad del suceso depende de un evento que ya sucedió, de tal forma que
aplicar el algoritmo utilizado para calcular una probabilidad condicional en muchas
ocasiones resulta ser muy abstracto y difícil de comprender.
Es importante que primero el estudiante comprenda el concepto como tal, para después
poder llegar por sí mismo al descubrimiento de la expresión para realizar el cálculo de
probabilidad condicional aplicando esta regla de forma consciente y no mecánica.
Tercera etapa: Teorema de Bayes
Para la enseñanza del Teorema de Bayes hay diversos materiales disponibles, pero el autor
sugiere el uso del manual de análisis bayesiano de la CIA que hoy ha sido desclasificado,
por ser más cercano a la temática. Una vez que el estudiante haya resuelto a mano algunos
supuestos o ejercicios estará en disposición de adentrarse con garantías en el estudio del
ACH y tendrá las herramientas para comprender este tipo de análisis.
Como acertadamente señala José Miguel Palacios, hay un malentendido bastante extendido
sobre el funcionamiento del ACH y es que la técnica está diseñada para rechazar hipótesis,
para probar que una hipótesis en particular no puede ser cierta por resultar incompatible con
las evidencias disponibles. En la práctica, sin embargo, es frecuente (especialmente en los
usuarios de la versión informática) utilizar el ACH para calcular cuál de las hipótesis es más
probable. (Palacios, 2017).
Errores frecuentes en los modelos de regresión lineal
El coeficiente de correlación lineal no lo es todo
En un modelo de regresión lineal tratamos de explicar la relación existente entre una

variable dependiente o variable respuesta (Y) y un o varias variables independientes o
variables explicativas (X).
Un coeficiente de determinación R2 igual a 1 significa que el ajuste lineal es perfecto, esto

es, la variabilidad total de la variable Y queda explicada por el modelo. El valor cero indica la
no representatividad del modelo lineal.
Un error frecuente a la hora de interpretar este tipo de modelos es no tener en

consideración que este coeficiente es una primera medida a completar por otras para
evaluar el modelo y obtener conclusiones válidas.
Es importante tener presente el tamaño muestral, pues el coeficiente de determinación lineal

y el número de datos suelen variar de forma inversa, de manera que bastaría con considerar
un número pequeño de observaciones para que R2 alcance un valor próximo a la unidad,
sin que ello evidencie la existencia de una marcada relación lineal entre las variables.
De igual forma, el número de variables explicativas consideradas en el modelo también

condiciona el valor de este coeficiente, ya que R2 es una función decreciente del número de
variables exógenas o regresoras presentes en el modelo, de forma que a medida que
aumenta el número de variables también aumenta el valor de R2. Así, si partimos con una
sola variable explicativa, al introducir otra variable explicativa, el nivel explicativo será mayor
entre las dos que con sólo la primera o, en todo caso, no disminuirá. (Martínez, 2005: 327).
En resumen, no sólo es preciso tener en cuenta el valor de R2 sino también el tamaño de la

muestra y el número de variables explicativas incluidas en el modelo de regresión.
La transformación de los datos modifica la interpretación del modelo
El objetivo es tratar de transformar las variables para aumentar la medida de ajuste R2 del
modelo, sin incluir variables predictoras adicionales. Los modelos exponencial y logarítmico
son válidos bajo la suposición de que los errores son multiplicativos, esto se debe cotejar
haciendo el análisis de residuos para comprobar que los logaritmos de los errores tienen
una media de cero y varianza constante. Si los errores no son multiplicativos entonces
deberían aplicarse técnicas de regresión no lineal. Hay que tener en cuenta que las
transformaciones pueden ser afectadas por la colinealidad existente entre las variables
predictoras.
Es importante señalar que, si se aplica alguna transformación a los datos como la

logaritmica o la exponencial facilitando así que los datos se adapten al modelo, debemos
tener en cuenta que dicha transformación va a afectar a nuestra interpretación posterior del
modelo de regresión.
No dejes a medias el diagnóstico del modelo
Los gráficos de residuos son una forma sencilla y eficaz para verificar si tu modelo de
regresión presenta problemas, y también cómo mejorarlos. Los residuos o errores son la
diferencia entre los valores observados y los valores que predice el modelo.
El modelo de regresión lineal asume que los residuos cumplen algunos supuestos como
homocedasticidad, normalidad e independencia. En el primer supuesto los residuos deben
distribuirse de forma homogénea para todos los valores de la variable de predicción, en el
segundo deben seguir una distribución noral y, por último, los residuos deben ser
independientes entre sí y que no haya ningún tipo de correlación entre ellos. Todo esto
puede comprobarse fácilmente con un simple vistazo al gráfico de residuos.
Correlación no implica causalidad
El tema de la diferencia entre correlación y causalidad es de cita obligada en los cursos

sobre análisis de inteligencia. Las variables significativas en un modelo de regresión solo
revelan correlación. La causalidad es un asunto completamente diferente. La correlación
nos ayuda a predecir el resultado, pero no siempre necesita variables que tengan relaciones
causales con la variable respuesta.
La enseñanza del pensamiento crítico enlazado con el pensamiento clásico
Dominar diferentes de razonamiento es esencial para un analista de inteligencia y por eso la

mayoría de los programas dedicados a esta materia lo incluyen como parte indispensable.
El razonamiento lógico no sirve para todo y por eso, aparte de las formas de razonamiento
lógico como son la inducción, la deducción y la abducción, se incluyen otros como el

razonamiento por analogía o el pensamiento sistémico.
Nuestra sociedad es tendente a acuñar nuevos términos para cuestiones que son antiguas.
Todo parece indicar que en la moderna pedagogía y su pretensión de reformarlo todo,
defender la vigencia de conceptos antiguos resulta una especie de tabú. Y, a nuestro pesar,
los programas académicos se dejan guiar muchas veces por esta tendencia.
Servicios de inteligencia y opinión pública | Estrategia podcast 35
Uno de los primeros filósofos en usar la expresión “critical thinking” fue Max Black como
título en uno de sus libros de lógica en 1946. El pensamiento crítico es la habilidad de
pensar racionalmente y sin sesgos, de forma que se entiende o construye una conexión
lógica de ideas. Como sucede en la mayoría de las ocasiones, el conocimiento no surge de
la nada, sino que unos conocimientos se asientan sobre otros previos. En este sentido, el
pensamiento crítico es heredero tanto de la lógica informal con el método mayéutico
socrático. Es más, algunos formalistas y deductivistas consideran que no existe diferencia
alguna entre la lógica informal y el pensamiento crítico.
La lógica informal
La lógica informal surgió a fines de la década de 1970 como un subcampo de la filosofía y

una alternativa al enfoque simbólico de la lógica clásica, cargada de conectores y
disyuntores, que hacía complejo su estudio para un público general. Si la lógica formal es la
lógica de la demostración, la lógica informal es la de la argumentación.
El campo se hizo reconocido bajo su nombre actual con el Primer Simposio Internacional
sobre lógica informal celebrado en 1978, pero su germen seguramente habría que buscarlo
en Aristóteles, que realizó un primer estudio de las falacias lógicas. Se define la lógica
informal como una rama de la lógica cuya tarea es desarrollar estándares, criterios,
procedimientos no formales para el análisis, interpretación, evaluación, crítica y construcción
de la argumentación.
Un elemento de estudio propio de la lógica informal son las falacias informales, estudio del
que se ha apropiado el pensamiento crítico como si le fuera propio, pero sin serlo realmente.
El método mayeútico socrático
Etimológicamente la palabra mayéutica procede del griego maieutiké, significa matrona,

partera o comadrona. Sócrates modificó el significado médico que tenía mayéutica y lo
reorientó al ámbito filosófico. De esta forma, la mayéutica sería el arte de alumbrar o dar a
luz el conocimiento.
Su creador fue el célebre y desafortunado filósofo griego Sócrates, uno de los padres de la
filosofía clásica. Un dato curioso es que su madre se llamaba Fenaretes, que significa “dar
luz a la virtud” y su oficio era el de comadrona.
La mayéutica es una técnica que consiste en realizar preguntas para ayudar a la reflexión
del alumno hasta que éste descubra nuevos conocimientos. El maestro o profesor debe
encargarse de guiar al alumno con sus preguntas y la posterior retroalimentación a las
respuestas de éste.
No hay un método descrito para el proceso de la mayéutica, pero se puede resumir, según
las enseñanzas de Sócrates, en las siguientes secuencias de puntos:
Planteamiento del tema a tratar con preguntas aporéticas e inconclusas sobre algo

que creemos saber, pero que resultan ser incómodas porque nos demuestran que no
tenemos el conocimiento absoluto sobre aquello que pensamos entender o dominar. El
objetivo es cuestionar ideas preconcebidas.
Respuesta del alumno a la pregunta: la cual es discutida y rebatida en una
retroalimentación con el maestro.
La confusión y desorientación del alumno: es una de las condiciones necesarias para
el aprendizaje. Es el momento en que se genera un cambio desde lo que se creía que
se sabía hacia la aceptación de la propia ignorancia. Sócrates ejemplifica este proceso
con los dolores que siente la mujer en los momentos antes de dar a luz.
Definiciones cada vez más generales sobre el tema: luego de la confusión, la
mayéutica conduce al alumno hacia la discusión de temas cada vez más precisos.
La conclusión: aunque no siempre se llega a una conclusión, el objetivo es siempre
llegar a ella con la seguridad de que el conocimiento de la realidad adquirida es
universal, preciso y estricto.
La inclusión del pensamiento crítico en los programas formativos sobre análisis de

inteligencia está de sobra justificado pues puede ser una poderosa herramienta en manos
del analista para detectar falacias y luchar contra la desinformación que campea a sus
anchas en nuestra sociedad y en los medios de comunicación, pero parece un error
pretender enseñar esto como un elemento independiente de las bases tradicionales del
razonamiento lógico. Es más, estudios recientes indican que enseñar pensamiento crítico a
nivel general y/o superficial no es de ninguna utilidad. No todo el mundo es capaz de
entenderlo, asimilarlo ni utilizarlo, y es necesario contar con conocimiento previo del tema
para poder aplicarlo.[6]
Conclusiones
El origen de los estudios de inteligencia en España ha tenido un contexto determinado y

determinante. Este contexto marcó un enfoque que explica, al menos en parte, la
configuración de los primeros programas académicos. Dichos programas, en la mayoría de
los casos, han ido puliéndose y renovándose hacia las cuestiones analíticas con una clara
tendencia a la profesionalización. Y esta tendencia seguramente continúe en el futuro
siguiendo los esquemas de otros países. La incógnita es si finalmente se logrará o no
establecer unos estándares académicos que ayuden a controlar la heterogeneidad aún
existente en los programas. En mi opinión, la participación directa o indirecta del CNI en
este aspecto es una condición sine qua non.
De la lectura de este artículo podemos extraer algunas conclusiones prácticas y didácticas

para la enseñanza de la técnica del ACH en los programas formativos para los analistas de
inteligencia. Por una parte, parece fundamental familiarizar al alumno o estudiante con los
métodos de razonamiento elementales entre los que destacan los diferentes tipos de
razonamiento lógico, prestando especial atención a la lógica abductiva que subyace en el
ACH.
Es un error adentrarnos en el estudio de la técnica sin conocer antes los entresijos teóricos
y los medios básicos de implementación del análisis bayesiano, del cual el ACH puede
considerarse heredero. De no hacerlo así, suele suceder que el alumno y futuro analista
implementa el ACH sin saber muy bien lo que el programa hace por debajo. Introducen unos
inputs e interpretan los outputs, pero sin saber cómo se han obtenido. De esta forma, el
software del ACH se convierte en una especie de caja negra para el analista.
De igual forma, es aconsejable alertar al futuro analista sobre los peligros subyacentes en la
metrización subjetiva de la información cualitativa en aras de que tome conciencia de que
ninguna técnica es perfecta ni arroja resultados completamente seguros. No obstante, el
razonamiento plausible nos ayuda a acotar la incertidumbre mediante grados de creencia
cuando trabajamos con información cualitativa y esto, al fin y al cabo, es una parte esencial
del análisis de inteligencia.
Con lo que respecta al pensamiento crítico, aunque su inclusión en los programas

académicos sobre análisis de inteligencia está más que justificado, conviene no hacerlo de
forma independiente y sin prestar atención a las bases de razonamiento básicas y a la
obligada habituación del estudiante con las inferencias lógicas del razonamiento clásico. De
otra manera, éste será incapaz de extraer el máximo rendimiento de este tipo de
pensamiento.
Referencias
Aliseda, Atocha (2000). Heurística, hipótesis y demostración en matemáticas. Centro de

Investigaciones Interdisciplinares en ciencias y humanidades. Universidad Autónoma de
México.
Blanco, Jose M. y Diaz, Gustavo. (2015). Presente y futuro de los estudios de inteligencia en
España. Instituto Español de Estudios Estratégicos
Heuer, Richards J. (2018). Dick’s personal memoir, Rethinking Intelligence: Richards J.

Heuer Jr.’s Life of Public Service. Pherson Associates.
Martínez, Elena (2005). Errores frecuentes en la interpretación del coeficiente de

determinación lineal. Anuario jurídico y económico escurialense XXXVIII, pp 315-332.
Palacios, Jose Miguel (2017). Enseñanza de la inteligencia: errores relacionados con

Análisis de Hipótesis en Competencia, Global Strategy. Disponible en: https://global-
strategy.org/ensenanza-inteligencia-analisis-hipotesis-en-competencia/.
Ríos, Sixto y Ríos, David (2002). La arquitectura del conocimiento complejo, el sentido
común y la probabilidad. Horizontes culturales, las fronteras de la ciencia. Real Academia de
Ciencias Exactas, Físicas y Naturales, pp. 109-120
Somiedo, Juan.P. (2018). El análisis bayesiano como piedra angular de la inteligencia de

alertas estratégicas. Revista de Estudios en Seguridad Internacional, Vol. 4, No. 1 (2018),
pp. 161-176.
Valtorta, Marco; Dang, Jiangbo y otros (2005). Extending Heuer’s Analysis of Competing
Hypotheses Method to Support Complex Decision Analysis. Department of Computer
Science and Engineering.University of South Carolina, Columbia.
[1] El lector interesado en esta técnica puede leer el artículo publicado por el autor en el
Instituto Español de Estudios Estratégicos y que lleva por título: “Una aproximación al
análisis de Riesgos Adversarios aplicado a la lucha contraterrorista”. Disponible en:
http://www.ieee.es/Galerias/fichero/docs_opinion/2014/DIEEEO05-
2014_AnalisisdeRiesgos_JuanPabloSomiedo.pdf
[2] “Nada pedir, nada rehusar” sigue siendo un lema de nuestras FAS reflejado en los
célebres versos de Calderón de la Barca.
[3] https://www.ni-u.edu/ni_press/pdf/Anticipating_Surprise_Analysis.pdf
[4] Esta carencia ya era patente en el año 2015 y así lo reflejaba un artículo de Jose María
Blanco y Gustavo Díaz Matey publicado por el Instituto Español de Estudios Estratégicos
que llevaba por título “Presente y futuro de los estudios de Inteligencia en España”
[5] Zlotnick, Jack (1970). Bayes Theorem for Intelligence Analysis, (paper, presented at the
Conference on the Diagnostic Process). Disponible en:
https://www.cia.gov/static/c9503a45e36af6458699549b8daf5a77/Bayes-Theorem-for-
Analysis.pdf
[6] https://hechingerreport.org/scientific-research-on-how-to-teach-critical-thinking-
contradicts-education-trends/
Editado por: Global Strategy. Lugar de edición: Granada (España). ISSN 2695-8937

Elementos Didácticos para La Enseñanza Del Análisis de Inteligencia

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Elementos Didácticos para La Enseñanza Del Análisis de Inteligencia

Cargado por

Copyright:

Formatos disponibles

6/10/22, 17:45 Elementos didácticos para la enseñanza del análisis de inteligencia

Elementos didácticos para la enseñanza del análisis de

Global Strategy Report, 21/2022

Resumen: El artículo repasa los orígenes de los estudios de inteligencia en España

Un analista metodológico es aquél que enseña técnicas de análisis que no ha creado a

Symploké es la trascripción latina del término griego συμπλοκή. Symploké es la forma

El análisis de inteligencia es un campo multidisplicinar y transversal en el que convergen

El trabajo cotidiano de los analistas metodológicos en inteligencia es variado. Por un lado,

La segunda forma consiste en tomar un conocimiento o técnica utilizada en las ciencias

Introducción a la Inteligencia estratégica | Estrategia podcast 33

Los conocimientos en metodología de análisis son básicos y fundamentales para cualquier

El origen de los estudios en inteligencia en España

La difusión de aspectos relacionados con el análisis de inteligencia en España fue el

A partir de aquella directiva todo el mundo en el Ministerio de Defensa se puso manos a la

Dentro de este marco, al CNI le tocaba en suerte difundir la cultura de inteligencia y no

Un papel destacado lo jugó y lo sigue jugando la Cátedra de Servicios de Inteligencia y

El problema de encontrar profesorado adecuado no era menor. Por aquél entonces en

Clase sobre análisis estratégico, prospectiva y construcción de escenarios

La evolución hacia la especialización de los programas académicos

Dentro de los primeros programas universitarios enfocados al análisis de inteligencia había

El porcentaje de créditos dedicados al análisis en sí era muy pequeño y estaba dedicado

Asimismo, sorprende, en estos programas primerizos, la introducción de la prospectiva y no

En la actualidad, la importancia del análisis de información cuantitativa, el análisis de datos

Respecto a la oferta académica en la actualidad se puede afirmar que existen en España un

Aproximación lógica y epistemológica al Análisis de Hipótesis en Competencia (ACH)

La Escuela de Análisis de Inteligencia de Kent de la CIA recibió la primera versión de

Desde un punto de vista lógico y epistemológico, podemos afirmar que el ACH es el

Nadie puede dudar de las aportaciones de la lógica binaria aristotélica al pensamiento

Si hiciéramos una encuesta a pie de calle sobre el significado de la abducción

El marco probabilístico bayesiano

La segunda columna sobre la que se apoya el ACH es el marco probabilistico bayesiano en

La estadística bayesiana, al contrario que la estadística frecuentista que se fundamenta en

otorgamos al suceso en cuestión. La diferencia entre ambas, pues, es una cuestión de

A primera vista, la regla de Bayes es un sencillo teorema cuyo enunciado, en román

Patrones inductivos. La verificación de la consecuencia hace que la conjetura sea más

Verificación sucesiva de varias consecuencias. La verificación de una nueva

Los grados de plausibilidad se representan mediante números reales. Simbólicamente,

Una propuesta didáctica para la enseñanza del Análisis de Hipótesis en Competencia

Primera etapa: Construcción de árboles de probabilidades

Los diagramas de árbol permiten representar la estructura de muchos problemas

Segunda etapa: Probabilidad condicionada

La probabilidad condicionada es esencial para entender el Teorema de Bayes y, por tanto,

Tercera etapa: Teorema de Bayes

Errores frecuentes en los modelos de regresión lineal

El coeficiente de correlación lineal no lo es todo

En un modelo de regresión lineal tratamos de explicar la relación existente entre una

Un coeficiente de determinación R2 igual a 1 significa que el ajuste lineal es perfecto, esto

Un error frecuente a la hora de interpretar este tipo de modelos es no tener en

Es importante tener presente el tamaño muestral, pues el coeficiente de determinación lineal

De igual forma, el número de variables explicativas consideradas en el modelo también

En resumen, no sólo es preciso tener en cuenta el valor de R2 sino también el tamaño de la

La transformación de los datos modifica la interpretación del modelo

Es importante señalar que, si se aplica alguna transformación a los datos como la

No dejes a medias el diagnóstico del modelo

Correlación no implica causalidad

El tema de la diferencia entre correlación y causalidad es de cita obligada en los cursos

La enseñanza del pensamiento crítico enlazado con el pensamiento clásico

Dominar diferentes de razonamiento es esencial para un analista de inteligencia y por eso la

lógico como son la inducción, la deducción y la abducción, se incluyen otros como el

Servicios de inteligencia y opinión pública | Estrategia podcast 35

La lógica informal surgió a fines de la década de 1970 como un subcampo de la filosofía y

El método mayeútico socrático

Etimológicamente la palabra mayéutica procede del griego maieutiké, significa matrona,