Reconciliar la subjetividad y la objetividad en la ciencia
¿Cuál es la diferencia entre los «hechos alternativos» del equipo de Trump y la verdad científica? La respuesta típica son los métodos objetivos de inferencia científica. Sin embargo, aunque existe una diferencia (objetiva) entre los hechos científicos y la falsedad, la idea de que la ciencia robusta está libre de valores personales y suposiciones subjetivas puede dar paso a sesgos peligrosos. En el proyecto Objectivity (Making Scientific Inferences More Objective), que recibió financiación del Consejo Europeo de Investigación, se replantea el concepto de la objetividad en la inferencia científica. Las ideas obsoletas de que la objetividad científica está libre de todo elemento subjetivo suelen dificultar el avance del progreso científico, señala Jan Sprenger, investigador principal del proyecto y catedrático de Filosofía de la Ciencia en el Departamento de Filosofía de la Universidad de Turín. «Por desgracia, muchos científicos y editores de revistas tienden a obviar estos elementos». Según Sprenger, esta práctica ha contribuido de manera significativa a la actual crisis de replicación, en la que los investigadores tienen dificultades para reproducir los resultados de experimentos previos. «Hemos argumentado que una postura explícitamente subjetiva sobre la inferencia científica aumenta la transparencia del razonamiento científico. De este modo, también facilita la verificación de las afirmaciones científicas y contribuye a un mayor grado de fiabilidad en las conclusiones». Entonces, ¿cómo convertimos este método en una ciencia mejor? El equipo del proyecto desarrolló herramientas prácticas para mejorar la inferencia estadística, causal y explicativa conciliando la elección subjetiva con el objetivo de obtener conocimiento científico.
La subjetividad integrada
Un ejemplo de mala praxis estadística que contribuye a la crisis de replicación es el «p-hacking», en el que los investigadores seleccionan los análisis o datos que mejor se ajustan a la conclusión deseada. El equipo de Objectivity subraya la premisa del bayesianismo, que usa la interpretación subjetiva de la probabilidad para mejorar la inferencia estadística: su labor muestra que los experimentos diseñados y analizados mediante este método conducen a unas estimaciones más precisas que las obtenidas con el método convencional. La inferencia causal es el proceso a través del cual se infieren las causas a partir de los datos. En medicina, por ejemplo, los ensayos controlados aleatorizados pretenden medir la fuerza causal para estudiar la eficacia de un nuevo tratamiento. Los investigadores defienden una medida específica de la fuerza causal: la diferencia que suponen las intervenciones sobre la causa para la probabilidad del efecto. Esta probabilidad puede interpretarse objetivamente (como frecuencias, propensiones, etc.) o en grados subjetivos de creencia, según el contexto. La inferencia explicativa es el proceso de elegir la hipótesis que mejor explica los datos disponibles. Este concepto ha sido notablemente difuso, señala Sprenger: «¿Qué es una “buena” explicación? ¿La corazonada de un científico? En nuestro trabajo, hemos proporcionado una base rigurosa de este modo de inferencia a través de la construcción y comparación de diversas medidas de potencia explicativa». El equipo identificó una relación cercana entre las creencias anteriores y la potencia explicativa. Por lo tanto, la calidad de una explicación, y la inferencia de la «mejor explicación», no es una cuestión puramente objetiva, sino que implica creencias subjetivas. «Es necesario adaptar los procedimientos para evaluar los experimentos y sus análisis estadísticos: debemos perder el miedo a los elementos subjetivos en la inferencia», concluye Sprenger. «La ciencia no es superior a la superstición porque no permita los elementos subjetivos, sino porque sus conclusiones son resistentes a la variación de la información subjetiva y porque permite una crítica racional de las suposiciones que efectúa».
Palabras clave
Objectivity, subjetividad, inferencia científica, inferencia estadística, inferencia causal, inferencia explicativa, bayesianismo, sesgo