1
El método cientíco y la ética de la investigación con inteligencia articial: Análisis
exploratorio de Bunge, Kuhn, Tamayo y Popper
Ledy Milca Villacrez Mozombite, Arturo Jaime Mendoza Ramirez, Oscar Benito
Pacheco, Carlos Máximo Gonzáles Añorga, Gustavo Arredondo Castillo, Juan
Honorato Luna Valdez
© Ledy Milca Villacrez Mozombite, Arturo Jaime Mendoza Ramirez, Oscar Benito
Pacheco, Carlos Máximo Gonzáles Añorga, Gustavo Arredondo Castillo, Juan
Honorato Luna Valdez , 2025
Primera edición: Enero, 2025
Editado por:
Editorial Mar Caribe
www.editorialmarcaribe.es
Av. General Flores 547, Colonia, Colonia-Uruguay.
Diseño de cubierta: Yelia Sánchez Cáceres
Libro electrónico disponible en:
hps://editorialmarcaribe.es/ark:/10951/isbn.9789915975252
Formato: electrónico
ISBN: 978-9915-9752-5-2
ARK: ark:/10951/isbn.9789915975252
Aviso de derechos de atribución no comercial: Los autores pueden autorizar al público en
general a reutilizar sus obras únicamente con nes no lucrativos, los lectores pueden usar una
obra para generar otra obra, siempre y cuando se dé el crédito de investigación y, otorgan a la
editorial el derecho de publicar primero su ensayo bajo los términos de la licencia CC BY-NC
4.0.
Editorial Mar Caribe rmante N° 795 del 12.08.2024 de la Declaración de Berlín: “nos sentimos
obligados a abordar los desafíos de internet como un medio funcional emergente para la
distribución de conocimiento. Obviamente, estos avances podrán modicar signicativamente
la naturaleza de la publicación cientíca, así como el sistema existente de aseguramiento de la
calidad” (Sociedad Max Planck, ed. 2003., pp. 152-153).
2
Editorial Mar Caribe
El método cientíco y la ética de la investigación con
inteligencia articial: Análisis exploratorio de Bunge,
Kuhn, Tamayo y Popper
Colonia del Sacramento - Uruguay
3
Sobre los autores y la publicación
Ledy Milca Villacrez Mozombite
ledyvillacrez12@gmail.com
hps://orcid.org/0000-0003-2021-093X
Universidad Internacional de La Rioja, Perú
Arturo Jaime Mendoza Ramirez
hps://orcid.org/0000-0002-7499-8497
Universidad Nacional de Educación Enrique
Guzmán y Valle, Perú
Oscar Benito Pacheco
hps://orcid.org/0000-0003-1157-7764
Universidad Nacional Mayor de San Marcos,
Perú
Carlos Máximo Gonzáles Añorga
cgonzales@unjfsc.edu.pe
hps://orcid.org/0000-0001-9196-2093
Universidad Nacional José Faustino Sánchez
Carrión, Perú
Gustavo Arredondo Castillo
garredondoc@unmsm.edu.pe
hps://orcid.org/0000-0002-2199-4660
Universidad Nacional Mayor de San Marcos,
Perú
Juan Honorato Luna Valdez
hps://orcid.org/0000-0001-7885-3255
Universidad Nacional Mayor de San Marcos,
Perú
Libro resultado de investigación:
Publicación original e inédita, cuyo contenido es resultado de un proceso de investigación
realizado antes de su publicación, ha sido revisada por pares externos a doble ciego, el libro ha
sido seleccionado por su calidad cientíca y porque contribuye signicativamente en el área del
saber e ilustra una investigación completamente desarrollada y completada. Además, la
publicación ha pasado por un proceso editorial que garantiza su estandarización bibliográca y
usabilidad
4
Índice
Introducción ................................................................................................. 7
Capítulo I ..................................................................................................... 9
El método cientíco y la ética de la investigación con inteligencia articial.. 9
1.1 Fundamentos del método cientíco ...................................................... 9
1.1.1 Ética en la investigación de inteligencia articial ......................... 11
1.1.2 Aplicaciones del método cientíco en la IA ................................. 12
1.2 Inteligencia articial generativa aplicada al diseño de investigación
cuantitativa.............................................................................................. 15
1.2.1 Algoritmos y técnicas utilizadas ................................................... 16
1.2.2 Aplicaciones de la inteligencia articial generativa en el diseño de
investigación cuantitativa .................................................................... 17
1.2.3 Consideraciones éticas en el uso de IA generativa ....................... 18
1.3 El método cientíco de Ruy Pérez Tamayo ......................................... 20
1.3.1 Características distintivas del método de Tamayo ........................ 21
1.3.2 Relevancia en la educación cientíca ........................................... 23
1.4 Software de inteligencia articial aplicada a la investigación cualitativa
................................................................................................................ 25
Capítulo II .................................................................................................. 31
El método cientíco de Mario Bunge, acceso abierto e inteligencia articial
................................................................................................................... 31
2.1 Etapas del método cientíco según Bunge ......................................... 33
2.1.1 Aplicaciones del método cientíco en diversas disciplinas .......... 34
2.2.2 Aspectos clave sobre el legado de Mario Bunge ........................... 35
2.2.3 El Legado de Mario Bunge: Transformando la Investigación
Experimental a Través de la Filosofía y la Metodología ....................... 36
2.2.4 La noción de sistema y su relevancia ............................................ 37
2.2.5 Impacto y legado de Mario Bunge en la investigación experimental
contemporánea .................................................................................... 40
5
2.2.6 Aspectos clave de Mario Bunge en la investigación experimental 41
2.3 Declaración de Berlín: El Futuro del Acceso Abierto en la Era de la
Inteligencia Articial............................................................................... 42
2.3.1 Relación entre acceso abierto e inteligencia articial ................... 45
2.4 Desenmascarando las pseudociencias: La perspectiva crítica de
Mario Bunge ........................................................................................ 47
2.4.1 Denición y características de las pseudociencias ........................ 48
Capítulo III ................................................................................................. 54
El Método Cientíco de Karl Popper: Falsacionismo y su Impacto en la
Ciencia ........................................................................................................ 54
3.1 El Ciclo de la Ciencia Según Popper .................................................. 56
3.1.1 Críticas y Limitaciones del Método de Popper ............................. 57
3.2 Explorando la Filosofía de Karl Popper: Falsabilidad, Ciencia Abierta y
su Impacto en la Investigación Contemporánea ...................................... 59
3.2.1 Principios de la falsabilidad ........................................................ 60
3.2.2 La teoría de la ciencia abierta ....................................................... 60
3.2.3 Impacto en la epistemología contemporánea ............................... 62
3.2.4 Aspectos clave sobre la herencia de Popper .................................. 63
Capítulo IV ................................................................................................. 65
Thomas Kuhn en la investigación cientíca: Observación y experimentación
para generar conocimiento cientíco .......................................................... 65
4.1 La estructura de las revoluciones cientícas ....................................... 67
4.1.1 La relevancia contemporánea de su obra y debates actuales sobre
su paradigma ....................................................................................... 68
4.1.2 El Método Cientíco en la Era de la Inteligencia Articial
Generativa: Fundamentos, Aplicaciones y Desafíos ............................. 73
4.1.3 Aplicación del método cientíco en la IA generativa ................... 75
4.1.4 Relevancia del método cientíco en la IA generativa ................... 77
4.1.5 Análisis e Interpretación de Resultados ....................................... 81
7
Introducción
La habilidad de la inteligencia articial para tomar decisiones de manera
autónoma ha transformado la investigación en los paradigmas cuantitativo y
cualitativo, a través del empleo de generadores de texto con parafraseo,
humanizadores con detectores de IA, analizador de archivos, máquina de citas,
entre otras herramientas creativas. La IA generativa en investigación se divide
en tres partes principales: extracción de características, análisis de datos y
visualización de datos. Si bien, parece abrumadora esta revelación, las
regulaciones éticas de COPE, OASPA, IFLA, entre otras entidades de ciencia;
son necesarias en el contexto de la conducta deontológica y su implementación
en la investigación cientíca. Ahora bien, si se hace uso responsable de la IA más
allá de las restricciones, y en combinación con el método cientíco, se conseguirá
el propósito en sí: “una metodología para obtener nuevos conocimientos”.
El método cientíco es un proceso sistemático y riguroso que permite
generar conocimiento objetivo, se basa en la observación, la experimentación y
el análisis de datos para resolver problemas y descubrir la verdad. El método
cientíco es fundamental para optimizar estos sistemas de decisión. A través de
la implementación de modelos predictivos, los investigadores pueden
identicar patrones en los datos y plantear interrogantes sobre la efectividad de
diversas estrategias. Las hipótesis pueden someterse a prueba mediante
simulaciones y estudios de caso, donde se examinan los resultados para
determinar qué enfoques brindan decisiones más precisas y conables. La
aplicación de la metodología cientíca posibilita que estas decisiones sean más
fundamentadas y respaldadas por evidencia, lo que reduce el riesgo de errores
y aumenta la conanza en los sistemas automatizados.
Los autores hemos concebido un libro de investigación que ahonda en el
método cientíco desde las perspectivas de Bunge, Kuhn, Tamayo y Popper,
especícamente un análisis exploratorio y como se interrelaciona con la
inteligencia articial en el ámbito de metodología de investigación cientíca. El
objetivo, establecer relaciones entre hechos metodológicos para la exploración
de enunciados, leyes, postulados y teorías de investigación cientíca.
8
En el capítulo I, se explora la fusión del método cientíco con un marco
ético robusto, vital para el desarrollo responsable de la inteligencia articial, con
énfasis en la toma de decisiones automatizadas y la inuencia en el quehacer de
los investigadores, dando un tratamiento especial a las teorías de Tamayo sobre
la investigación crítica y reexiva, en el capítulo II se contextualiza el método
cientíco de Bunge en transición desde lo tradicional hasta la profundización en
el acceso abierto a los investigadores y desarrolladores de IA, con recursos que
son fundamentales para el entrenamiento de algoritmos y modelos.
En tanto, el capítulo III, aborda el falsacionismo y ciencia de Karl Popper
y su armación en buscar evidencia y a ser escépticos ante teorías no
comprobadas. Seguidamente, en el capítulo IV, se generaliza en la observación
y experimentación del método cientíco de Thomas Kuhn, como un proceso
lineal y acumulativo, proponiendo en su lugar la idea de que la ciencia avanza
a través de revoluciones que transforman fundamentalmente la manera en que
los cientícos perciben y comprenden el mundo.
Este libro es retroalimentación que permite a los investigadores ajustar y
renar sus modelos de IA, asegurando que se ordenen cada vez más con las
expectativas y requisitos denidos en las etapas iniciales del proceso de
investigación, es decir, el método cientíco. Por ende, las plataformas de gestión
de datos y los sistemas de análisis estadístico están comenzando a incorporar
funcionalidades de inteligencia articial, lo que permitirá a los investigadores
combinar paradigmas cualitativos y cuantitativos de manera más uida, ósea a
través del método. Esta sinergia enriquecerá los análisis, además, proporcionará
un marco holístico para entender fenómenos complejos.
En síntesis, es crucial que la comunidad cientíca esté abierta a la
discusión y a la mejora constante de este método, integrando nuevas ideas y
patrones que puedan surgir con el avance del conocimiento. A medida que la
tecnología continúa evolucionando, se espera que su integración en el proceso
de investigación se profundice, lo que permitirá a los investigadores abordar
preguntas cada vez más complicadas y relevantes en todas las áreas del saber.
En este contexto, el método cientíco se erige como una herramienta
fundamental que guía la investigación en este ámbito y que asegura la validez
y utilidad de los modelos generativos que se discuten en este libro.
9
Capítulo I
El método cientíco y la ética de la investigación con
inteligencia articial
El avance de la inteligencia articial (IA) ha transformado diversas
disciplinas, incluyendo la medicina, la economía, las ciencias sociales y la
ingeniería. En este contexto, el método cientíco se erige como una herramienta
fundamental para investigar, desarrollar y validar tecnologías basadas en IA.
Este tratamiento sistemático proporciona un marco para la creación de
conocimiento, establece un camino claro para la implementación de principios
éticos en la investigación y el desarrollo de algoritmos de IA.
El método cientíco se basa en la observación, la formulación de
preguntas y la búsqueda de respuestas a través de la experimentación y el
análisis. En el ámbito de la IA, esto implica la recolección de datos, la
formulación de hipótesis sobre el comportamiento de los modelos y la
validación de estas hipótesis mediante pruebas rigurosas. La naturaleza
iterativa del método cientíco permite a los investigadores renar sus
perspectivas y mejorar continuamente los sistemas de IA, asegurando que se
basen en evidencia sólida y resultados reproducibles.
Ahora bien, a medida que la IA se integra más profundamente en
nuestras vidas, la necesidad de abordar cuestiones éticas se vuelve imperativa.
La interacción entre el método cientíco y la ética en la investigación de IA se
centra en la creación de tecnología efectiva, siempre en la responsabilidad que
conlleva su uso. En este capítulo, ahondamos cómo el método cientíco y la ética
se entrelazan en el campo de la inteligencia articial, destacando la importancia
de una investigación rigurosa y responsable para el futuro de esta poderosa
herramienta.
1.1 Fundamentos del método cientíco
El método cientíco es un proceso sistemático que se utiliza para
investigar fenómenos, adquirir nuevos conocimientos o corregir y ampliar los
conocimientos previos. En el contexto de la inteligencia articial (IA), este
10
método se convierte en una herramienta crucial para garantizar que los
desarrollos tecnológicos sean sólidos, efectivos y éticamente responsables.
El primer paso del método cientíco es la observación. En el ámbito de la
inteligencia articial, esto implica identicar patrones, comportamientos o
problemas que necesitan ser abordados. Por ejemplo, intelectuales pueden
observar que un sistema de IA presenta un rendimiento deciente en ciertas
tareas especícas o que genera resultados sesgados. Estas observaciones llevan
a la formulación de preguntas que guiarán la investigación. Preguntas como
"¿Por qué este modelo de IA no está funcionando como se esperaba?" o "¿Qué
datos están contribuyendo al sesgo en las predicciones?" son fundamentales
para dirigir la perspectiva de la investigación.
Una vez que se han formulado preguntas, el siguiente paso es desarrollar
una hipótesis. La hipótesis es una suposición informada que se puede probar a
través de la experimentación. En el contexto de la IA, esto podría signicar
proponer que "la inclusión de un conjunto de datos más diverso mejorará la
precisión del modelo" o "la modicación del algoritmo reducirá el sesgo en las
decisiones automatizadas".
La experimentación implica diseñar y llevar a cabo pruebas que permitan
validar o refutar la hipótesis. En el ámbito de la inteligencia articial, esto puede
incluir la creación de experimentos controlados, la comparación de diferentes
algoritmos o la evaluación de modelos en conjuntos de datos distintos. La
repetición de estos experimentos es crucial para garantizar la abilidad de los
resultados.
El análisis de resultados es una etapa crítica en el método cientíco. Una
vez que se han recopilado los datos de la experimentación, es necesario
analizarlos para determinar si respaldan o refutan la hipótesis inicial. En la
investigación de IA, esto puede involucrar el uso de técnicas estadísticas,
visualización de datos y herramientas de interpretación de modelos para
comprender cómo y por qué un modelo ha funcionado o no (Díaz 2024).
Finalmente, las conclusiones se derivan del análisis. Si los resultados
apoyan la hipótesis, esto puede llevar a nuevas preguntas y a la formulación de
teorías. Si, por el contrario, los resultados no respaldan la hipótesis, esto es
11
valioso, ya que proporciona información crucial sobre las limitaciones del
planteamiento actual y puede guiar futuras investigaciones.
En síntesis, los fundamentos del método cientíco son esenciales para la
investigación en inteligencia articial, ya que proporcionan un marco
estructurado que permite a los investigadores abordar problemas complejos de
manera sistemática y objetiva. Al aplicar estos principios en la investigación de
IA, se asegura la ecacia de los modelos y algoritmos y su alineación con los
estándares éticos e impacto social.
1.1.1 Ética en la investigación de inteligencia articial
La ética en la investigación de inteligencia articial (IA) es un tema
fundamental que enmarca la forma en que se desarrollan las tecnologías, así
cómo estas impactan a la sociedad en su conjunto. A medida que la IA se integra
en diversas facetas de la vida cotidiana, desde la salud hasta la justicia, las
consideraciones éticas se vuelven cada vez más críticas. Este apartado aborda
tres aspectos esenciales de la ética en la investigación de IA: la responsabilidad
en el uso de datos, la transparencia y reproducibilidad, y el impacto social y las
consideraciones éticas (Degli, 2023).
El primer aspecto de la ética en la investigación de IA es la
responsabilidad en el uso de datos. Los algoritmos de IA dependen de grandes
volúmenes de datos para entrenarse y mejorar su rendimiento. No obstante, la
recolección y uso de estos datos plantea serias cuestiones éticas. Se debe
garantizar que los datos sean recopilados de manera ética y consensuada,
respetando la privacidad de los individuos y evitando el sesgo en la
representación de diferentes grupos. La falta de atención en este aspecto puede
llevar a la perpetuación de prejuicios y desigualdades en los modelos de IA, lo
que puede tener consecuencias perjudiciales en la vida de las personas
afectadas.
La transparencia y la reproducibilidad son fundamentales en el ámbito
de la investigación cientíca y, por ende, en la investigación de IA. Los
investigadores deben ser claros sobre cómo se diseñan, implementan y evalúan
sus modelos de IA. Esto incluye la divulgación de las metodologías utilizadas,
los conjuntos de datos empleados y los procesos de validación llevados a cabo.
La reproducibilidad permite que otros investigadores veriquen y validen los
12
resultados, lo que es crucial para construir conanza en la tecnología. Pero, la
falta de transparencia puede dar lugar a un uso irresponsable de la IA y a una
falta de rendición de cuentas.
Finalmente, el impacto social de la inteligencia articial es un tema que
no puede ser ignorado. Las decisiones automatizadas que toman los sistemas de
IA pueden tener efectos profundos en la vida de las personas, desde la selección
de candidatos en procesos de contratación hasta la asignación de recursos en
sistemas de salud. Por lo tanto, es imperativo que los investigadores consideren
las implicaciones éticas de sus trabajos y cómo estos pueden afectar a diferentes
comunidades. La evaluación del impacto social debe ser una parte integral del
proceso de investigación, asegurando que los benecios de la IA se distribuyan
de manera equitativa y que se minimicen los posibles daños.
Por ende, la ética en la investigación de inteligencia articial es un campo
multifacético que abarca la responsabilidad en el uso de datos, la transparencia
y reproducibilidad, y el análisis del impacto social (Cortina, 2024). A medida
que continuamos desarrollando y aplicando sistemas de IA, es crucial que estas
consideraciones éticas se integren de manera efectiva en el método cientíco,
garantizando que la tecnología sirva al bienestar de la sociedad en su conjunto.
1.1.2 Aplicaciones del método cientíco en la IA
La inteligencia articial (IA) ha transformado diversos campos de estudio
y actividad, y su desarrollo se ha beneciado enormemente de la aplicación del
método cientíco. Este criterio sistemático permite a los investigadores formular
preguntas, probar hipótesis y evaluar resultados de manera rigurosa, lo que es
imprescindible en un campo tan dinámico y complejo como es la IA (Suazo,
2023).
Los algoritmos de aprendizaje automático son el corazón de muchas
aplicaciones de IA, desde sistemas de recomendación hasta asistentes virtuales.
El método cientíco se utiliza en la fase de desarrollo para identicar qué tipo
de algoritmo será más efectivo para una tarea especíca. Inicialmente, los
investigadores realizan una observación del problema y formulan preguntas
sobre las variables relevantes. A partir de estas preguntas, se desarrollan
hipótesis sobre cómo ciertos algoritmos pueden mejorar el rendimiento.
13
Luego, se diseñan experimentos para probar estas hipótesis, utilizando
conjuntos de datos para entrenar y validar los modelos. La evaluación de los
resultados se lleva a cabo mediante métricas como la precisión, la recall y el F1-
score, lo que permite a los investigadores ajustar sus orientaciones y mejorar
continuamente los algoritmos. Este ciclo de observación, formulación de
hipótesis, experimentación y análisis de resultados es fundamental para el
avance en el desarrollo de algoritmos de aprendizaje automático.
La capacidad de la IA para tomar decisiones autónomas ha
revolucionado sectores como la salud, la nanza y la logística. El método
cientíco juega un papel crucial en la mejora de estos sistemas de toma de
decisiones. Al implementar modelos predictivos, los investigadores pueden
observar patrones en los datos y formular preguntas sobre la ecacia de
diferentes caminos. Las hipótesis se pueden probar a través de simulaciones y
estudios de caso, donde se analizan los resultados para identicar qué métodos
ofrecen las decisiones más precisas y conables. La metodología cientíca
permite que estas decisiones sean más informadas y basadas en evidencia, lo
que minimiza el riesgo de errores y mejora la conanza en los sistemas
automatizados.
Las barreras metodológicas en la investigación de IA es la identicación
y mitigación de sesgos en los modelos. El método cientíco ofrece un marco
riguroso para la evaluación de estos sesgos. Los investigadores comienzan
observando la salida de los modelos en diferentes grupos demográcos o
contextos (Suazo, 2023). A partir de observaciones iniciales, se formulan
preguntas sobre la equidad y la imparcialidad de los algoritmos.
Las hipótesis pueden incluir suposiciones acerca de cómo ciertos datos
de entrenamiento pueden introducir sesgos. A través de experimentación, los
investigadores pueden modicar los conjuntos de datos o ajustar los algoritmos
para evaluar el impacto de estas intervenciones en los resultados. El análisis de
resultados permite identicar la existencia de sesgos, así como las medidas
efectivas para mitigarlos, lo que es esencial para garantizar que la IA sea una
herramienta justa y accesible para todos.
Entonces, la aplicación del método cientíco en la inteligencia articial
impulsa el desarrollo técnico de algoritmos y sistemas y, establece un camino
claro hacia la mejora continua y la ética en la investigación. A través de un
14
tratamiento sistemático, los investigadores pueden abordar los las situaciones
que presenta este campo en rápida evolución y garantizar que la IA se utilice de
manera responsable y efectiva.
La intersección entre el método cientíco y la ética en la investigación con
inteligencia articial es un campo cada vez más relevante y complejo. A medida
que la IA se integra en aspectos fundamentales de la vida cotidiana, desde la
atención médica hasta la seguridad, se hace imprescindible aplicar
rigurosamente el método cientíco para garantizar que los desarrollos en esta
área sean técnicamente sólidos y socialmente responsables.
El método cientíco proporciona una estructura que permite a los
investigadores formular preguntas claras, desarrollar hipótesis y llevar a cabo
experimentaciones de manera sistemática. Empero, en el contexto de la
inteligencia articial, esta perspectiva debe ir acompañado de una fuerte
consideración ética (Oen, et al., 2017). La recopilación y el uso de datos deben
ser precisos; deben ser justos y respetar la privacidad de los individuos. La
responsabilidad en el uso de datos es fundamental para evitar la perpetuación
de sesgos y la discriminación que pueden surgir de algoritmos mal diseñados.
Asimismo, la transparencia y la reproducibilidad son pilares esenciales
que deben coexistir con los procesos cientícos en la IA. Los investigadores
deben ser capaces de comunicar claramente sus metodologías y resultados,
permitiendo que otros validen sus hallazgos. Esto fortalece la conanza en los
sistemas de IA y promueve un entorno colaborativo donde se pueden abordar
las preocupaciones éticas de manera colectiva.
El impacto social de la inteligencia articial es innegable. Las decisiones
automatizadas pueden inuir en la vida de las personas de maneras
signicativas, desde la selección de candidatos en procesos de empleo hasta la
determinación de tratamientos médicos. Por lo tanto, es crucial que los
investigadores y desarrolladores de IA consideren las implicaciones de sus
trabajos, en términos de eciencia y precisión y en cómo sus aplicaciones afectan
a la sociedad en su conjunto.
En consecuencia, la fusión del método cientíco con un marco ético
robusto es vital para el desarrollo responsable de la inteligencia articial. Este
campo asegura que los avances tecnológicos sean fundamentados y conables
15
y promueve un futuro en el que la IA benecie a todos, respetando los valores
humanos y fomentando una sociedad más equitativa. Al nal, el verdadero éxito
de la inteligencia articial radica en su capacidad para mejorar la calidad de vida
de las personas, y esto solo se puede lograr a través de una investigación ética y
cientíca que priorice el bien común.
1.2 Inteligencia articial generativa aplicada al diseño de
investigación cuantitativa
La inteligencia articial generativa (IAG) ha emergido como una
herramienta revolucionaria en diversos campos, y la investigación cuantitativa
no es la excepción. Este panorama alentador aprueba a los investigadores
analizar datos existentes y generar nuevos elementos que enriquecen el proceso
de investigación. La capacidad de la IAG para producir contenido original y
aportar ideas valiosos abre nuevas posibilidades para el diseño y la ejecución de
estudios cuantitativos.
En un mundo donde la cantidad de datos disponibles se multiplica
constantemente, la necesidad de métodos ecientes y efectivos para extraer
información signicativa se vuelve cada vez más urgente. La investigación
cuantitativa, que se centra en la recolección y el análisis de datos numéricos, se
benecia enormemente de las técnicas de IA generativa. Estas técnicas permiten
la formulación de hipótesis más robustas, el diseño de herramientas de
recolección de datos más efectivas y la interpretación de resultados a través de
visualizaciones complejas (Solano et al., 2024).
A medida que la inteligencia articial continúa evolucionando, su
integración en la investigación cuantitativa promete transformar la forma en que
los investigadores abordan sus preguntas. Desde la generación de hipótesis
hasta el análisis de grandes volúmenes de datos, la IA generativa se presenta
como un aliado estratégico que puede optimizar el proceso investigativo,
hacerlo más accesible y, en última instancia, mejorar la calidad de los hallazgos.
En este contexto, es fundamental explorar los principios básicos de la
inteligencia articial generativa, así como sus aplicaciones especícas en el
ámbito de la investigación cuantitativa, para entender plenamente su potencial
y las implicaciones que conlleva su uso. La inteligencia articial generativa
(IAG) es un área emergente de la inteligencia articial que se centra en la
16
creación de contenido nuevo y original mediante algoritmos avanzados. A
través del aprendizaje automático y técnicas de modelado, la IAG permite a las
máquinas producir datos, imágenes, texto y otros tipos de información que
imitan o combinan elementos de conjuntos de datos existentes. Este potencial
transformador en la investigación cuantitativa se basa en una comprensión
sólida de sus fundamentos.
La inteligencia articial generativa se dene como un tipo de inteligencia
articial que utiliza modelos estadísticos para generar nuevos datos a partir de
un conjunto de datos de entrenamiento. A diferencia de la inteligencia articial
discriminativa, que se centra en clasicar datos existentes, la IAG tiene como
objetivo crear nuevas instancias de datos. Conceptos clave en esta área incluyen
redes generativas antagónicas (GANs), modelos de lenguaje como GPT
(Generative Pre-trained Transformer) y variational autoencoders (VAEs). Estos
modelos son capaces de aprender patrones complejos en los datos y replicarlos
de manera innovadora.
1.2.1 Algoritmos y técnicas utilizadas
Los algoritmos que sustentan la inteligencia articial generativa son
variados y sosticados. Las redes generativas antagónicas (GANs) son
particularmente populares, ya que consisten en dos redes neuronales: una
generadora que produce nuevos datos y una discriminadora que evalúa su
autenticidad. Este proceso de competencia permite que ambas redes mejoren
con el tiempo. Por otro lado, los modelos de lenguaje, como GPT, utilizan
técnicas de aprendizaje profundo para comprender y generar texto coherente,
lo que puede ser útil en la formulación de hipótesis y en la redacción de
cuestionarios para investigaciones cuantitativas. De igual forma, los variational
autoencoders (VAEs) ofrecen una forma de codicar datos en un espacio latente,
lo que permite la generación de nuevos ejemplos que son similares a los datos
originales.
La inteligencia articial generativa ofrece numerosas ventajas en el
ámbito de la investigación cuantitativa. En primer lugar, permite la generación
rápida de hipótesis y preguntas de investigación, facilitando la exploración de
áreas que podrían no haber sido consideradas anteriormente. Asimismo, la IAG
puede optimizar el diseño de cuestionarios y encuestas al sugerir preguntas
relevantes basadas en patrones identicados en datos previos, lo que mejora la
17
calidad y la relevancia de la información recolectada. Finalmente, la capacidad
de analizar datos y crear visualizaciones informativas a partir de grandes
volúmenes de información permite a los investigadores obtener análisis más
profundos y precisos. Estas ventajas posicionan a la inteligencia articial
generativa como una herramienta valiosa y transformadora en el diseño de
investigación cuantitativa (Franganillo, 2023).
1.2.2 Aplicaciones de la inteligencia articial generativa en el diseño de
investigación cuantitativa
La inteligencia articial generativa ha comenzado a ocupar un lugar
destacado en el ámbito de la investigación cuantitativa, transformando la
manera en que se conciben y ejecutan los estudios. Las aplicaciones más
impactantes de la inteligencia articial generativa es su capacidad para generar
hipótesis y preguntas de investigación. Utilizando grandes cantidades de datos
previos y modelos predictivos, la IA puede identicar patrones y relaciones que
pueden pasar desapercibidos para los investigadores humanos. Para ilustrar, al
analizar conjuntos de datos complejos, la IA puede sugerir nuevas líneas de
investigación o incluso formular preguntas que aborden vacíos en el
conocimiento existente. Esto acelera el proceso de formulación de hipótesis y
amplía el horizonte de investigación al introducir perspectivas innovadoras.
El diseño de cuestionarios y encuestas es un componente esencial en la
investigación cuantitativa, y la inteligencia articial generativa puede optimizar
este proceso de múltiples maneras. Mediante el uso de algoritmos avanzados, la
IA puede analizar preguntas de encuestas previas y determinar cuáles son más
efectivas para obtener datos relevantes. A la vez, puede generar
automáticamente preguntas adaptadas a grupos especícos de encuestados, lo
que mejora la precisión y la calidad de los datos recopilados. Esta
personalización hace que las encuestas sean más atractivas para los
participantes, también aumenta la tasa de respuesta y la validez de los
resultados (Franganillo, 2023).
El análisis de datos es un aspecto crítico de cualquier investigación
cuantitativa, y la inteligencia articial generativa está revolucionando la forma
en que los investigadores abordan esta tarea. Las herramientas de IA pueden
procesar y analizar grandes volúmenes de datos de manera más rápida y
eciente que los métodos tradicionales. Por otra parte, la IA puede generar
18
visualizaciones interactivas y dinámicas que facilitan la comprensión de los
resultados y destacan patrones signicativos. Estas capacidades permiten a los
investigadores realizar análisis más profundos y tomar decisiones basadas en
datos de manera más informada. Asimismo, la visualización generativa de datos
puede ayudar a comunicar hallazgos complejos a audiencias no especializadas,
haciendo que la investigación sea más accesible.
Por lo tanto, la inteligencia articial generativa está redeniendo el
diseño de la investigación cuantitativa al proporcionar herramientas poderosas
para la generación de hipótesis, el diseño de instrumentos de recolección de
datos y el análisis de resultados. A medida que la tecnología continúa
evolucionando, se espera que su integración en el proceso de investigación se
profundice, lo que permitirá a los investigadores abordar preguntas cada vez
más complejas y relevantes en diversas disciplinas.
1.2.3 Consideraciones éticas en el uso de IA generativa
La integración de la inteligencia articial generativa en el diseño de
investigaciones cuantitativas presenta múltiples oportunidades, pero también
conlleva una serie de dilemas y consideraciones éticas que deben ser
cuidadosamente abordadas. El principal dilema asociado al uso de la IA
generativa es la posibilidad de que los algoritmos reproduzcan o incluso
ampliquen sesgos existentes en los datos. Estos sesgos pueden surgir de
diversas fuentes, como la selección de datos de entrenamiento, que podría no
ser representativa de la población objetivo.
Si un algoritmo se alimenta de datos sesgados, es probable que las
hipótesis y los diseños de investigación generados reejen esas distorsiones.
Esto puede llevar a conclusiones erróneas y perpetuar desigualdades en el
ámbito de la investigación. Por lo tanto, es crucial implementar medidas para
identicar y mitigar estos sesgos, garantizando que la IA generativa produzca
resultados justos y equitativos.
El uso de IA generativa en la investigación cuantitativa implica el manejo
de grandes volúmenes de datos, incluidos datos personales y sensibles. La
protección de la privacidad de los participantes es un aspecto fundamental que
debe ser considerado. Es esencial que los investigadores adopten prácticas éticas
en la recolección, almacenamiento y análisis de datos para asegurar que se
19
cumplan las regulaciones de privacidad. En esa misma línea, la transparencia en
cómo se utilizan los datos es crucial para generar conanza entre los
participantes y la comunidad en general.
La responsabilidad en el uso de herramientas de IA generativa es otro
aspecto crítico. Los investigadores deben ser conscientes de las implicaciones de
conar en algoritmos para la generación de hipótesis y el diseño de estudios. La
opacidad de algunos modelos de IA puede dicultar la comprensión de cómo
se llegan a determinadas conclusiones, lo que plantea interrogantes sobre la
transparencia del proceso de investigación. Los investigadores deben esforzarse
por documentar y explicar cómo se han utilizado las herramientas de IA, así
como los criterios utilizados para la toma de decisiones. Esto sobre todo
contribuye a la reproducibilidad de la investigación y fomenta un entorno de
conanza y ética en la investigación cientíca.
En general, por más que la inteligencia articial generativa tiene el
potencial de revolucionar el diseño de la investigación cuantitativa, es
fundamental que los investigadores aborden las consideraciones éticas que
surgen de su implementación. Solo a través de una orientación responsable y
consciente se podrá maximizar su impacto positivo en el campo de la
investigación.
La inteligencia articial generativa ha demostrado ser una herramienta
transformadora en el ámbito de la investigación cuantitativa, ofreciendo nuevas
oportunidades para la formulación de hipótesis, el diseño de instrumentos de
recolección de datos y el análisis de grandes volúmenes de información. A
medida que esta tecnología continúa evolucionando, es fundamental reconocer
tanto sus logros como las limitaciones que plantea.
En primer lugar, la capacidad de la IA generativa para procesar y analizar
datos de manera eciente permite a los investigadores centrarse en aspectos más
creativos y estratégicos de su trabajo. La automatización de tareas repetitivas y
la generación de propuestas innovadoras son solo algunas de las formas en que
esta tecnología está cambiando el panorama de la investigación. Más aún, la
posibilidad de realizar simulaciones y modelados complejos puede ayudar a
prever resultados y hacer ajustes en tiempo real, lo que incrementa la robustez
y la relevancia de los estudios.
20
A pesar de ello, las consideraciones éticas relacionadas con el uso de la
IA generativa no deben ser subestimados. Los sesgos inherentes en los
algoritmos y la falta de transparencia en los procesos de toma de decisiones
pueden afectar la validez de los resultados obtenidos. Por lo tanto, es crucial que
los investigadores adopten prácticas responsables y éticas, asegurando que la
IA se utilice de manera que respete la privacidad de los participantes y
promueva la equidad en la investigación.
Mirando hacia el futuro, es probable que la integración de la inteligencia
articial generativa en la investigación cuantitativa continúe expandiéndose. A
medida que se desarrollen técnicas más avanzadas y se aborden los problemas
éticos, es posible que veamos una mayor colaboración entre cientícos de datos,
investigadores y expertos en ética. Esta sinergia mejorará la calidad de la
investigación y ayudará a construir una base sólida para la toma de decisiones
informadas en diversas disciplinas.
Por lo que la inteligencia articial generativa ofrece un vasto potencial
para revolucionar la investigación cuantitativa. Si se explota de manera
responsable, puede facilitar la labor investigativa y contribuir a un conocimiento
más profundo y matizado de los fenómenos que estudiamos. La clave estará en
equilibrar la innovación tecnológica con la ética y la responsabilidad social,
asegurando que el avance en este campo benecie a la sociedad en su conjunto.
1.3 El método cientíco de Ruy Pérez Tamayo
El método cientíco de Ruy Pérez Tamayo representa un tratamiento
integral y reexivo hacia la investigación y la comprensión del mundo natural.
Pérez Tamayo, un destacado cientíco y médico mexicano, ha realizado
importantes contribuciones al desarrollo de la ciencia en América Latina,
articulando un método que se basa en la observación y la experimentación e
incorpora una dimensión crítica y humanista (Figueroa y Sangerman, 2022).
En un contexto donde la ciencia enfrenta problemas éticos y sociales, la
teoría de Tamayo destaca la necesidad de un pensamiento crítico que trascienda
la mera acumulación de datos. Su método se caracteriza por un fuerte énfasis en
la formación del investigador, sugiriendo que la curiosidad y el rigor académico
son esenciales para la práctica cientíca efectiva. En el curso su carrera, Tamayo
ha defendido la idea de que la ciencia no puede ser entendida de forma aislada;
21
debe ser contextualizada dentro de la cultura y la sociedad en la que se
desarrolla.
Este capítulo se propone explorar los fundamentos, aplicaciones y críticas
del método cientíco propuesto por Ruy Pérez Tamayo, resaltando su relevancia
en la actualidad. A medida que avanzamos en la comprensión de su
metodología, se hará evidente cómo su perspectiva ha inuido en diversas
disciplinas cientícas, pues, ha promovido un diálogo más amplio sobre la
responsabilidad de los cientícos en la sociedad contemporánea.
El método cientíco de Ruy Pérez Tamayo se basa en una estructura
sólida que busca garantizar la rigurosidad y la validez de los procesos de
investigación. El método cientíco puede denirse como un conjunto de pasos
sistemáticos que los investigadores siguen para formular preguntas, obtener
respuestas y generar conocimiento a través de la observación y la
experimentación. En el contexto de Ruy Pérez Tamayo, este método se
caracteriza por su dirección crítica y reexiva, que propone una interacción
constante entre teoría y práctica. Según Tamayo, el método busca la
acumulación de datos y promueve una comprensión profunda de los
fenómenos estudiados, fomentando así un pensamiento cientíco más robusto.
La relevancia del método cientíco en la investigación radica en su
capacidad para proporcionar un marco estructurado que guía a los
investigadores en la búsqueda de la verdad. Este método permite la
replicabilidad de los experimentos, lo que es fundamental para validar los
hallazgos cientícos. En efecto, al fomentar la observación crítica y el análisis
riguroso, el método cientíco promueve la objetividad y reduce la inuencia de
sesgos personales en la interpretación de los resultados. En el ámbito de la
biología y la medicina, la aplicación de este método ha sido crucial para el
avance del conocimiento y la mejora de las prácticas terapéuticas.
1.3.1 Características distintivas del método de Tamayo
El método cientíco propuesto por Ruy Pérez Tamayo se distingue por
varias características que lo hacen único. En primer lugar, enfatiza la
importancia de la interdisciplinariedad, sugiriendo que la integración de
diferentes campos del conocimiento enriquece la investigación y proporciona
una visión más completa de los problemas. En segundo lugar, Tamayo aboga
22
por un sentido contextual, que considera los datos experimentales, los aspectos
sociales y éticos que pueden inuir en la investigación. Por último, su método
promueve la formación de un pensamiento crítico, donde los investigadores son
alentados a cuestionar y reevaluar continuamente sus hipótesis y conclusiones,
asegurando así un proceso de aprendizaje constante.
En conjunto, estos fundamentos establecen un marco que entre otras
cosas busca la verdad cientíca y fomenta un compromiso ético y social con el
conocimiento generado, características que son esenciales en la práctica
cientíca contemporánea. El método cientíco propuesto por Ruy Pérez Tamayo
ha encontrado aplicaciones en diversas áreas del conocimiento, destacándose
especialmente en la biología, la medicina y la educación cientíca. En el ámbito
de la biología, el método cientíco de Tamayo se ha convertido en una
herramienta crucial para la investigación y la comprensión de fenómenos
naturales. Su sentido sistemático y riguroso permite a los biólogos formular
hipótesis, diseñar experimentos y analizar resultados de manera objetiva.
En particular, en estudios sobre la biodiversidad, los investigadores
pueden utilizar este método para investigar las interacciones entre especies y su
entorno, así como para evaluar los efectos del cambio climático en los
ecosistemas. La claridad y estructura que ofrece el método de Tamayo facilitan
la replicabilidad de los estudios, lo que es esencial para validar descubrimientos
y avanzar en el conocimiento biológico.
En el ámbito médico, el método cientíco de Ruy Pérez Tamayo ha tenido
un impacto signicativo en la investigación clínica y en el desarrollo de
tratamientos. Su énfasis en la observación rigurosa y el análisis crítico ha
permitido a los profesionales de la salud abordar problemas complejos, como
enfermedades infecciosas, trastornos crónicos y la ecacia de nuevos
medicamentos (Figueroa y Sangerman, 2022). A través de ensayos clínicos bien
diseñados, los médicos pueden evaluar la seguridad y efectividad de
intervenciones terapéuticas, lo que a su vez contribuye a mejorar la atención al
paciente y los resultados de salud. Además, el método de Tamayo fomenta la
colaboración interdisciplinaria, un aspecto esencial en la medicina moderna,
donde la integración de conocimientos de diferentes campos puede resultar en
avances signicativos.
23
1.3.2 Relevancia en la educación cientíca
El método cientíco de Ruy Pérez Tamayo también ha demostrado ser
fundamental en el ámbito de la educación cientíca. Su óptica pedagógica
promueve el aprendizaje activo y el pensamiento crítico entre los estudiantes,
preparando a las nuevas generaciones para abordar problemas cientícos con
un pensamiento analítico y creativo. Al implementar este método en el aula, los
educadores pueden incentivar a los alumnos a formular preguntas, diseñar
experimentos y comunicar sus hallazgos de manera efectiva. Entonces, mejora
la comprensión de conceptos cientícos y fomenta un interés duradero en la
ciencia y la investigación. La aplicación del método cientíco en la educación
contribuye a formar ciudadanos informados y capaces de participar en debates
cientícos contemporáneos.
En tanto, las aplicaciones del método cientíco de Ruy Pérez Tamayo son
amplias y variadas, abarcando desde la biología y la medicina hasta la educación
cientíca. Su encauzamiento riguroso y sistemático ha demostrado ser
fundamental para avanzar en el conocimiento y la práctica en estos campos,
asegurando que la ciencia continúe evolucionando y respondiendo a la
demanda cientíca del mundo actual (Figueroa y Sangerman, 2022).
Las características más relevantes del método cientíco de Tamayo radica
en su aplicación práctica en contextos de investigación complejos. La
rigurosidad y sistematicidad que propone pueden ser difíciles de mantener en
situaciones donde las variables son numerosas y difícilmente controlables. Del
mismo modo, la necesidad de un sentido interdisciplinario puede generar
tensiones entre diferentes campos cientícos, lo que complica la integración de
perspectivas y realidades objetivas. Esto puede llevar a que los investigadores
se sientan abrumados o desmotivados al intentar seguir paso a paso el método
sugerido.
Existen también perspectivas divergentes sobre la aplicabilidad y
efectividad del método de Tamayo. Algunos críticos argumentan que su
enunciado es demasiado rígido y que podría limitar la creatividad y la
innovación en la investigación cientíca. En un mundo donde las
aproximaciones cientícas evolucionan rápidamente, algunos investigadores
sienten que un método tan estructurado puede no adaptarse a nuevas formas
24
de pensar y descubrir. Esta rigidez podría, en última instancia, obstaculizar el
avance cientíco al imponer restricciones que no siempre son necesarias.
Ante estas críticas, se han propuesto diversas mejoras al método cientíco
de Tamayo con el n de hacerlo más exible y accesible. Pongamos el caso de,
algunos sugieren que se podría incorporar un camino más adaptativo que
permita a los investigadores modicar los pasos del método según las
necesidades especícas de su investigación. Asimismo, fomentar un diálogo
interdisciplinario podría enriquecer la metodología, permitiendo que diferentes
campos cientícos contribuyan a la creación de un marco más dinámico y
efectivo. Estas adaptaciones podrían mejorar la aplicabilidad del método, así
como, fomentar un ambiente de colaboración y creatividad en la investigación
cientíca.
Si bien, el método cientíco de Ruy Pérez Tamayo presenta valiosos
aportes a la ciencia, es importante reconocer y abordar sus críticas y limitaciones
para garantizar su ecacia y relevancia en un panorama cientíco en constante
evolución. El método cientíco de Ruy Pérez Tamayo se establece como una
herramienta fundamental en el ámbito de la investigación, por su estructura
lógica, rigurosa y adaptabilidad a diversas disciplinas cientícas (Figueroa y
Sangerman, 2022).
En primer lugar, la denición del método cientíco propuesto por
Tamayo destaca la importancia de la observación, la formulación de hipótesis,
la experimentación y la interpretación de resultados. Este paradigma enriquece
la investigación biológica y médica y atiza un pensamiento crítico esencial en la
educación cientíca. La claridad con la que Tamayo aborda el proceso cientíco
permite a los investigadores y estudiantes comprender y aplicar conceptos
complejos de manera efectiva.
No obstante, no podemos pasar por alto las críticas y limitaciones que se
han presentado en relación con este método. El propósito en su implementación
en contextos especícos, así como las perspectivas divergentes sobre su
aplicabilidad, invitan a una reexión continua sobre su evolución y adaptación.
Es crucial que la comunidad cientíca esté abierta a la discusión y a la mejora
constante de este método, integrando nuevas ideas y patrones que puedan
surgir con el avance del conocimiento.
25
El método cientíco de Ruy Pérez Tamayo se erige como un pilar en la
investigación, promoviendo un encuadre sistemático y riguroso que benecia a
múltiples disciplinas. Su legado persiste en la práctica cientíca y en la
formación de futuras generaciones de investigadores. Al seguir explorando y
perfeccionando este método, se garantiza que la ciencia continúe avanzando de
manera sólida y coherente, contribuyendo a una mejor comprensión del mundo
que nos rodea.
1.4 Software de inteligencia articial aplicada a la investigación
cualitativa
La investigación cualitativa se ha centrado tradicionalmente en
comprender profundamente fenómenos sociales, comportamientos y
experiencias humanas mediante métodos como entrevistas, grupos focales y
análisis de contenido. Pese a lo cual, la creciente complejidad de los datos y la
demanda de un análisis más riguroso han llevado a los investigadores a explorar
herramientas y guías innovadoras (Corona, 2018). En este contexto, la
inteligencia articial (IA) ha emergido como un recurso transformador,
ofreciendo nuevas posibilidades para enriquecer la práctica investigativa.
La inteligencia articial se reere a la capacidad de las máquinas para
realizar tareas que normalmente requieren inteligencia humana, como el
aprendizaje, la resolución de problemas y la toma de decisiones. Su aplicación
en la investigación cualitativa se maniesta a través de software especializado
que puede analizar grandes volúmenes de datos textuales, identicar patrones
y extraer propuestas signicativas que podrían pasar desapercibidos en un
análisis manual. Esta realidad promete aumentar la eciencia del proceso de
investigación y proporciona herramientas para profundizar en la interpretación
de los datos.
A medida que la IA se integra en el ámbito de la investigación cualitativa,
es fundamental reconocer que su implementación no está exenta de
inconvenientes. Existen preocupaciones sobre la calidad y la imparcialidad de
los algoritmos, así como la necesidad de formación técnica para los
investigadores que deseen utilizar estas herramientas. Con todo, la promesa de
mejorar la calidad y la profundidad del análisis cualitativo a través de la IA es
innegable.
26
Con el avance continuo de la tecnología, la intersección entre la
inteligencia articial y la investigación cualitativa se convierte en un área
emocionante y llena de potencial para los investigadores y la comprensión de
las dinámicas sociales que nos rodean. El uso de software de inteligencia
articial (IA) en la investigación cualitativa ha comenzado a transformar la
manera en que los investigadores abordan el análisis de datos. A continuación,
se detallan algunos de los benecios más signicativos que esta tecnología
aporta al campo:
- Mejora en la eciencia del análisis de datos
Las herramientas de IA permiten procesar grandes volúmenes de
información de manera rápida y precisa, lo que reduce el tiempo que los
investigadores dedican a tareas manuales, como la codicación y categorización
de datos. Al automatizar estas tareas repetitivas, los investigadores pueden
concentrarse en aspectos más analíticos y creativos de su trabajo, como la
interpretación de los resultados y la formulación de nuevas hipótesis. Esta
eciencia acelera el proceso de investigación y permite a los investigadores
explorar un mayor número de fuentes de datos en sus estudios.
- Identicación de patrones ocultos en los datos
El software de IA es especialmente valioso para identicar patrones ocultos
en los datos que pueden pasar desapercibidos en un análisis manual. A través
de técnicas como el aprendizaje automático y el procesamiento del lenguaje
natural, las herramientas de IA pueden descubrir relaciones complejas y
tendencias en los datos cualitativos, proporcionando una comprensión más
profunda de los fenómenos estudiados (Alvarez et al., 2024). Esta capacidad
para identicar patrones puede llevar a nuevas perspectivas y descubrimientos
que enriquecen la investigación y fomentan un análisis más robusto.
- Facilitación de la colaboración entre investigadores
La implementación de software de IA facilita la colaboración entre
investigadores, tanto dentro de un mismo equipo como a nivel
interinstitucional. Las plataformas basadas en IA a menudo incluyen
herramientas de trabajo colaborativo que permiten a los investigadores
compartir datos y hallazgos en tiempo real, lo que favorece la creación de un
entorno de trabajo más dinámico y cohesionado. En efecto, al estandarizar
27
ciertos procesos analíticos, los investigadores de diferentes disciplinas y
contextos pueden colaborar de manera más efectiva, enriqueciendo así el
quehacer interdisciplinario de la investigación cualitativa.
En teoría, el uso de software de inteligencia articial en la investigación
cualitativa ofrece múltiples benecios que van desde la mejora en la eciencia
del análisis de datos hasta la identicación de patrones ocultos y la facilitación
de la colaboración entre investigadores. Estos benecios optimizan el proceso
de investigación y amplían las posibilidades de descubrimiento y comprensión
en el estudio de fenómenos sociales complejos.
A pesar de los numerosos benecios que ofrece el software de inteligencia
articial (IA) en la investigación cualitativa, su implementación no está exenta
de restricciones. Estos obstáculos pueden variar desde problemas técnicos hasta
consideraciones éticas y es crucial abordarlos para maximizar el potencial de
estas herramientas en el ámbito investigativo.
Los modelos de IA se entrenan con conjuntos de datos que, si no son
representativos o están inuenciados por prejuicios sociales, pueden perpetuar
y amplicar esos sesgos. Esto es especialmente crítico en la investigación
cualitativa, donde la interpretación subjetiva de los datos es fundamental. Los
sesgos en la IA pueden llevar a conclusiones erróneas o a la exclusión de voces
importantes, afectando la validez y la credibilidad de los hallazgos. Por lo tanto,
es esencial que los investigadores sean conscientes de estos riesgos y trabajen
para mitigar el sesgo en el diseño y la implementación de sus herramientas de
IA.
La integración de software de IA en la investigación cualitativa también
presenta retos en términos de requerimientos técnicos y de formación. La
mayoría de las herramientas de IA requieren un nivel considerable de
conocimiento técnico para su implementación y uso efectivo. Esto puede incluir
la necesidad de habilidades en programación, manejo de datos y comprensión
de algoritmos complejos (Alvarez et al., 2024). Es decir, muchos investigadores
en el campo de las ciencias sociales pueden no estar familiarizados con estas
tecnologías, lo que puede limitar su capacidad para aprovechar al máximo las
herramientas disponibles. La formación adecuada y el acceso a recursos
educativos son fundamentales para superar esta barrera y garantizar que los
investigadores puedan utilizar ecazmente el software de IA en sus proyectos.
28
- Dicultades en la interpretación de resultados
Mientras que los algoritmos pueden identicar patrones y tendencias en
grandes volúmenes de datos, la interpretación de estos hallazgos a menudo
requiere un contexto cualitativo que las herramientas de IA no pueden
proporcionar por sí solas. Los investigadores deben ser capaces de combinar la
información cuantitativa producida por la IA con un análisis cualitativo
profundo y reexivo. Esta necesidad de integración puede ser complicada y
requiere un recorrido crítico y reexivo por parte de los investigadores para
asegurar que las conclusiones sean coherentes y relevantes en el contexto de la
investigación cualitativa.
Ahora bien, el software de inteligencia articial tiene el potencial de
transformar la investigación cualitativa, su implementación conlleva
adaptaciones signicativas relacionadas con el sesgo algorítmico, la necesidad
de formación técnica y la interpretación de resultados. Abordar estos escenarios
de manera proactiva es esencial para maximizar los benecios de la IA y
garantizar que su aplicación en la investigación cualitativa sea ética, válida y
signicativa.
El futuro del software de inteligencia articial en la investigación cualitativa
se presenta como un campo emocionante y en constante evolución. Con el
avance de la tecnología y la creciente disponibilidad de datos, se espera que las
herramientas basadas en inteligencia articial se integren aún más en los
procesos de investigación, transformando la manera en que los investigadores
abordan sus estudios.
Una de las tendencias más destacadas es la evolución de los algoritmos de
aprendizaje automático, que están mejorando en su capacidad para procesar y
analizar grandes volúmenes de datos cualitativos. Se prevé que las nuevas
técnicas de procesamiento del lenguaje natural (NLP) permitan a los
investigadores extraer información más rica y contextualizada de entrevistas,
grupos focales y otros datos no estructurados (Berryhill et al., 2019). En
consecuencia, las herramientas de visualización de datos impulsadas por
inteligencia articial facilitarán la interpretación de resultados, permitiendo a
los investigadores presentar sus hallazgos de manera más clara y efectiva.
29
- Integración con otras herramientas de investigación
El futuro también apunta hacia una mayor integración del software de
inteligencia articial con otras herramientas de investigación. Las plataformas
de gestión de datos y los sistemas de análisis estadístico están comenzando a
incorporar funcionalidades de inteligencia articial, lo que permitirá a los
investigadores combinar paradigmas cualitativos y cuantitativos de manera
más uida. Esta sinergia enriquecerá los análisis, además, proporcionará un
marco más holístico para entender fenómenos complejos.
A medida que la inteligencia articial se convierte en un componente
integral de la investigación cualitativa, surgen importantes consideraciones
éticas. La transparencia en el uso de algoritmos, la protección de la privacidad
de los participantes y el manejo de sesgos inherentes en los modelos son temas
que demandan atención. Los investigadores deberán establecer directrices
claras sobre cómo utilizar estas herramientas de manera responsable,
asegurando que la integridad de la investigación cualitativa se mantenga
durante el proceso (Araya, 2021). Desde la ética se fortalecerá la conanza en los
resultados obtenidos y proporcionará un diálogo crítico sobre el papel de la
inteligencia articial en la investigación social.
El futuro del software de inteligencia articial en la investigación cualitativa
promete una transformación signicativa en la manera en que se llevan a cabo
los estudios. Con la continua innovación tecnológica y un análisis ético sólido,
estas herramientas tienen el potencial de enriquecer la investigación,
proporcionando a los investigadores nuevas formas de explorar y comprender
la complejidad del comportamiento humano y social.
La integración del software de inteligencia articial en la investigación
cualitativa representa un cambio signicativo en la manera en que los
investigadores abordan el análisis de datos. En este capítulo, hemos explorado
cómo estas herramientas mejoran la eciencia del análisis, la identicación de
patrones ocultos y fomentan la colaboración entre equipos de investigación. Aun
cuando, también hemos destacado las críticas que acompañan su
implementación, tales como los problemas de sesgo, las exigencias técnicas y las
dicultades en la interpretación de los resultados.
30
A medida que avanzamos hacia el futuro, es evidente que el papel de la
inteligencia articial en la investigación cualitativa seguirá creciendo. Las
tendencias emergentes en tecnología, como el aprendizaje automático y el
procesamiento del lenguaje natural, están revolucionando la forma en que se
recopilan y analizan los datos. La posibilidad de integrar software de
inteligencia articial con otras herramientas de investigación, como plataformas
de análisis de datos y software de visualización, promete enriquecer aún más el
proceso investigativo.
En este contexto, resulta crucial que los cientícos enfrenten con prudencia
los retos éticos que emergen de esta integración. La claridad en la aplicación de
algoritmos, la reducción de prejuicios y la capacitación apropiada en la
utilización de estos instrumentos serán esenciales para asegurar que la
inteligencia articial actúe como un aliado en la exploración del saber y no como
un impedimento en la comprensión de los datos.
El futuro del software de inteligencia articial en la investigación cualitativa
es prometedor, pero también requiere un análisis crítico y reexivo. Al adoptar
estas tecnologías de manera responsable, los investigadores pueden ampliar sus
capacidades analíticas y contribuir a un avance más signicativo y ético en el
campo de la investigación social. La clave estará en encontrar un equilibrio entre
la innovación tecnológica y la integridad de la investigación, asegurando que la
inteligencia articial complemente y no reemplace el juicio humano en el
proceso de investigación.
31
Capítulo II
El método cientíco de Mario Bunge, acceso abierto e
inteligencia articial
El método cientíco es un conjunto de procedimientos y principios que
guían la investigación en busca de conocimientos válidos y conables. Se
fundamenta en la observación, la formulación de hipótesis y la experimentación,
lo que permite a los cientícos entender y explicar fenómenos naturales y
sociales de manera sistemática (Sabino, 1992). Este camino riguroso busca la
acumulación de datos, establece un marco para la vericación y la refutación de
teorías, convirtiéndose en una herramienta esencial para el avance del
conocimiento.
La importancia del método cientíco radica en su capacidad para
proporcionar una base sólida para la investigación. A medida que la humanidad
enfrenta contextos complejos, desde el cambio climático hasta enfermedades
emergentes, la aplicación del método se vuelve crucial para desarrollar
soluciones efectivas y sostenibles. Al seguir un proceso sistemático, los
investigadores pueden minimizar sesgos y errores, lo que aumenta la
credibilidad de sus hallazgos y contribuye a una comprensión más profunda de
la realidad.
Mario Bunge, un destacado lósofo y cientíco argentino, jugó un papel
fundamental en la sistematización y defensa del método cientíco en el siglo
XX. Su obra abarcó diversas disciplinas y se caracterizó por una defensa
inquebrantable de la racionalidad y la objetividad en la investigación. En un
mundo donde las pseudociencias y las creencias infundadas amenazan la
integridad del conocimiento, el legado de Bunge se maniesta como un faro que
guía a investigadores y pensadores hacia un apunte más riguroso y
fundamentado en la búsqueda de la verdad (Valero y Muñoz, 2017). A través de
su trabajo, Bunge contribuyó a la losofía de la ciencia e inspiró a generaciones
de cientícos a adoptar un método que prioriza la evidencia y la lógica.
El método cientíco formulado por Mario Bunge se basa en una serie de
principios fundamentales que buscan garantizar la validez y la efectividad de la
32
investigación cientíca. Estos principios son esenciales para asegurar que los
resultados obtenidos sean conables y útiles.
La objetividad sostiene que la investigación debe llevarse a cabo sin
prejuicios ni sesgos personales que puedan distorsionar los resultados. La
objetividad implica que los cientícos deben esforzarse por observar y analizar
los fenómenos tal como son, independientemente de sus creencias o
sentimientos personales (Sabino, 1992). De igual forma, Bunge enfatiza la
importancia de la racionalidad en el proceso cientíco, lo que signica que las
conclusiones deben basarse en razonamientos lógicos y evidencias empíricas,
en lugar de opiniones o suposiciones infundadas. De esta manera, se busca
construir un conocimiento que sea universal y que pueda ser compartido y
vericado por la comunidad cientíca.
Otro principio fundamental del método cientíco de Bunge es la
sistematicidad. Este concepto se reere a la necesidad de seguir un plano
ordenado y coherente en la investigación. Bunge argumenta que la ciencia no
puede ser un proceso aleatorio ni caprichoso, sino que debe llevarse a cabo de
manera metódica y estructurada. La sistematicidad implica que cada etapa de
la investigación debe estar interconectada y ser parte de un todo coherente. Esto
facilita la comprensión de los fenómenos estudiados, consiente la replicación de
los experimentos y la vericación de los resultados por otros investigadores
(Bunge, 1983).
Por último, Bunge introduce el principio de la falsabilidad como una
característica esencial de las teorías cientícas. Según este principio, una teoría
debe ser susceptible de ser refutada mediante la observación o la
experimentación. En otras palabras, debe existir la posibilidad de que un nuevo
dato o experimento demuestre que una teoría es incorrecta. Este punto de vista
es fundamental para el avance del conocimiento cientíco, ya que fomenta la
revisión y el ajuste constante de las teorías en función de nueva evidencia. Bunge
sostiene que la ciencia progresa a través de la crítica y la eliminación de teorías
erróneas, lo que contribuye a la construcción de un conocimiento cada vez más
preciso y conable.
Así, los principios fundamentales del método cientíco de Mario Bunge
—la objetividad y racionalidad, la sistematicidad en la investigación y la
falsabilidad de las teorías— son elementos clave para el desarrollo de una
33
ciencia sólida y progresiva. Estos principios sientan las bases para la
investigación cientíca, promueven un análisis crítico y analítico hacia la
comprensión del mundo que nos rodea.
2.1 Etapas del método cientíco según Bunge
El método cientíco es un proceso sistemático que permite a los
investigadores formular y comprobar teorías sobre el mundo que les rodea.
Mario Bunge propuso una tesis particular para este método, dividiéndolo en
etapas claras y denidas que facilitan la investigación. A continuación, se
describen las etapas del método cientíco según Bunge (2023).
i. Observación y formulación de hipótesis
La primera etapa del método cientíco según Bunge comienza con la
observación. Esta fase implica la recopilación de datos a través de la percepción
directa o el uso de instrumentos que amplían nuestras capacidades sensoriales.
Es en este momento cuando el investigador comienza a identicar patrones,
fenómenos o problemas que requieren una explicación. A partir de las
observaciones, se procede a la formulación de hipótesis, que son conjeturas
fundamentadas que buscan ofrecer una posible explicación a los fenómenos
observados. Las hipótesis deben ser claras y precisas, permitiendo que sean
sometidas a prueba en las siguientes etapas del proceso.
ii. Experimentación y recopilación de datos
Una vez que se han formulado las hipótesis, la siguiente etapa es la
experimentación. En esta fase, el investigador diseña experimentos controlados
que permiten probar la validez de las hipótesis planteadas. La experimentación
es crucial, ya que proporciona un marco para la recolección de datos empíricos.
Bunge subraya la importancia de que estos experimentos sean reproducibles; es
decir, otros investigadores deben ser capaces de replicar los experimentos y
obtener resultados consistentes. La recopilación de datos debe llevarse a cabo
con rigor y precisión, utilizando métodos estadísticos y técnicas adecuadas que
aseguren la abilidad de los resultados obtenidos.
iii. Análisis y conclusión
La etapa nal del método cientíco según Bunge consiste en el análisis de
los datos recopilados y la formulación de conclusiones basadas en los resultados
34
de la experimentación. En esta fase, el investigador evalúa si los datos apoyan o
refutan la hipótesis inicial. Si los resultados son consistentes con la hipótesis,
esta puede ser aceptada provisionalmente; de lo contrario, puede ser necesario
revisarla o descartarla. Bunge enfatiza que este análisis no es un proceso
meramente mecánico, sino que implica una reexión crítica y racional sobre los
resultados, así como la capacidad de situar las conclusiones en un contexto más
amplio, integrando los hallazgos dentro del corpus del conocimiento existente.
Entonces, las etapas del método cientíco según Mario Bunge ofrecen un
marco claro y sistemático para la investigación. Desde la observación inicial
hasta el análisis nal, cada etapa contribuye a la construcción de un
conocimiento cientíco sólido y fundamentado, reejando la objetividad y
racionalidad que caracterizan la obra del lósofo argentino.
2.1.1 Aplicaciones del método cientíco en diversas disciplinas
El método cientíco propuesto por Mario Bunge se extiende más allá de
la losofía de la ciencia, inuenciando una amplia gama de disciplinas. Su
perspectiva sistemática y rigurosa ha sido adoptado en diversas áreas, cada una
de las cuales se benecia de sus principios. En las ciencias naturales, el método
cientíco es la columna vertebral de la investigación. Desde la física hasta la
biología, los cientícos emplean este método para formular teorías que
expliquen fenómenos observables.
Como muestra, en la física, la formulación de hipótesis sobre las fuerzas
fundamentales que rigen el universo se basa en la observación y
experimentación. La teoría de la relatividad de Einstein y la evolución de las
especies de Darwin son ejemplos claros de cómo el método cientíco puede ser
utilizado para desarrollar teorías que son coherentes, objetivas y susceptibles de
ser falsadas por nuevas evidencias. En este sentido, el método de Bunge refuerza
la importancia de la objetividad y la racionalidad en la búsqueda del
conocimiento.
El método cientíco de Bunge ha sido igualmente inuyente en las
ciencias sociales, es decir, su aplicación presenta panoramas únicos debido a la
complejidad de los fenómenos humanos. Las disciplinas como la sociología, la
psicología y la economía utilizan el método cientíco para investigar
comportamientos, tendencias y estructuras sociales. La formulación de hipótesis
35
sobre el impacto de políticas públicas, como muestra, se basa en la observación
de datos empíricos y su análisis sistemático. Bunge enfatiza la necesidad de un
trabajo de campo crítico y reexivo, que permita a los investigadores desarrollar
teorías que sean explicativas, prácticas y aplicables en las ciencias sociales.
En el ámbito de la tecnología y la innovación, el método cientíco se
maniesta a través de la investigación y el desarrollo (I+D). Las empresas
tecnológicas y los institutos de investigación aplican la sistematización de Bunge
para diseñar nuevos productos, mejorar procesos y resolver problemas
complejos. La experimentación juega un papel crucial en este contexto, donde
las ideas se ponen a prueba mediante prototipos y ensayos controlados. La
capacidad de generar datos ables y analizarlos críticamente permite a los
innovadores adaptarse a las necesidades del mercado y realizar ajustes basados
en evidencia. Así, el método cientíco impulsa el avance tecnológico y garantiza
que las innovaciones sean efectivas y sostenibles (Bunge, 2023).
El método cientíco de Mario Bunge se revela como una herramienta
poderosa y versátil, aplicable en diversas disciplinas. Su énfasis en la
objetividad, la sistematicidad y la falsabilidad permite a los investigadores
abordar problemas complejos y contribuir al avance del conocimiento en
campos como las ciencias naturales, las ciencias sociales y la tecnología.
2.2.2 Aspectos clave sobre el legado de Mario Bunge
El legado de Mario Bunge en el ámbito del método cientíco es innegable
y se extiende más allá de sus contribuciones teóricas. Su teoría sistemática y
rigurosa ha dejado una huella profunda en la manera en que comprendemos y
aplicamos la investigación en diversas disciplinas. Bunge defendió la
importancia de la objetividad y la racionalidad en la ciencia, enfatizó la
necesidad de un pensamiento crítico que permita cuestionar las teorías
existentes y buscar constantemente la verdad.
El legado más impactante de Bunge radica en su empeño por demostrar
que el método cientíco no es simplemente un conjunto de normas, sino un
proceso activo que se ajusta a las demandas de la investigación actual. La
sistemática propuesta por Bunge ha motivado a varias generaciones de
cientícos y académicos a adoptar una praxis consistente en la investigación, lo
36
que ha favorecido el progreso del saber en áreas tan diversas como la física, la
biología, la sociología y la tecnología.
También, su énfasis en la falsabilidad como criterio de demarcación de
las teorías cientícas ha promovido un ambiente de escepticismo saludable que
es esencial para el progreso del conocimiento. Esta característica del
pensamiento bungeano fomenta un diálogo crítico entre diferentes corrientes de
pensamiento y permite el surgimiento de nuevas ideas.
En la actualidad, el legado de Mario Bunge sigue vivo en la formación de
nuevos investigadores y en la práctica cientíca diaria. Su método proporciona
un marco útil para las ciencias naturales, las ciencias sociales y la tecnología,
donde la aplicación de sus principios puede resultar en innovaciones
signicativas y en una comprensión más profunda de la complejidad de la
metodología de la investigación cientíca. En su trayectoria, Mario Bunge fue
un lósofo y cientíco destacado, defensor apasionado del método cientíco
como herramienta esencial para el avance del conocimiento humano. Su legado
perdura, invitándonos a todos a valorar la ciencia como un camino hacia la
comprensión y a mantener una actitud crítica y rigurosa en nuestra búsqueda
de la verdad.
2.2.3 El Legado de Mario Bunge: Transformando la Investigación
Experimental a Través de la Filosofía y la Metodología
La obra de Bunge se caracteriza por su defensa del realismo cientíco y
su rechazo a las corrientes relativistas y constructivistas que han dominado el
pensamiento losóco en las últimas décadas. Su losofía se limita a la crítica;
no obstante, propone un conjunto de herramientas conceptuales que admiten a
los investigadores abordar problemas complejos de manera efectiva. Su énfasis
en la importancia de la experimentación como pilar del conocimiento cientíco
ha sido fundamental para el desarrollo de metodologías más robustas y precisas
(Bunge, 2023).
El impacto de Bunge en la investigación experimental es evidente en su
insistencia en la necesidad de un paradigma experimental y a la vez
documental, donde se mezcla lo cuantitativo y lo cualitativo en una sola ciencia.
Al introducir la noción de "sistemas", Bunge ¿ proporciona un marco para
analizar fenómenos complejos y establece la relevancia de las interacciones entre
37
los componentes de un sistema en la obtención de resultados experimentales.
Esta visión ha permitido a los cientícos adoptar métodos más integrados y
holísticos en sus investigaciones, mejorando la calidad y la aplicabilidad de sus
hallazgos.
A medida que exploramos más a fondo la obra de Mario Bunge, se hace
evidente que su legado reside en la teoría, en la práctica y en la experimentación,
con énfasis en la crítica a la pseudociencia. Su inuencia se extiende a diversas
disciplinas, desde la física y la biología hasta las ciencias sociales, y su idea ha
sensibilizado a las nuevas generaciones de investigadores sobre la importancia
de mantener un rigor cientíco en la experimentación. Así, la introducción a la
obra de Bunge nos sitúa en la intersección entre la losofía y la ciencia, donde
sus ideas continúan inspirando y guiando la investigación experimental
contemporánea.
La losofía de la ciencia de Mario Bunge se distingue por su guía
sistemática y compromiso con el rigor lógico y la claridad conceptual. Bunge se
dedicó a la losofía en abstracto, se preocupó por las implicaciones prácticas de
sus ideas, especialmente en el ámbito de la investigación experimental. Su obra
proporciona un marco teórico que ayuda a entender cómo funcionan las ciencias
y cuál es su relación con el mundo real.
Los principios fundamentales de la losofía de la ciencia de Bunge se
centran en la idea de que la ciencia es un sistema de conocimiento que debe ser
coherente, empírico y crítico. Sostiene que el conocimiento cientíco se
construye a partir de la observación y la experimentación, y que debe ser
susceptible de falsación (Bunge, 2023). Esto implica que las teorías cientícas no
son simplemente descripciones de la realidad, sino que deben someterse a
pruebas rigurosas y ser reevaluadas constantemente a la luz de nuevos datos.
En esa misma línea, Bunge enfatiza la importancia de la interdisciplinariedad,
postulando que el verdadero entendimiento de los fenómenos complejos
requiere un proceso que integre diversas áreas del conocimiento.
2.2.4 La noción de sistema y su relevancia
Para Bunge, la noción del sistema es un conjunto de elementos
interrelacionados que funcionan como un todo. Esta idea es crucial en la
investigación experimental, ya que permite a los cientícos analizar y
38
comprender los fenómenos en su totalidad, en lugar de fragmentarlos en partes
aisladas. La visión sistémica de Bunge promueve un teorema holístico que es
esencial para abordar problemas complejos en diversas disciplinas, desde la
biología hasta la sociología. Al considerar las interacciones entre los
componentes de un sistema, los investigadores pueden formular hipótesis más
robustas y diseñar experimentos que reejen la complejidad de la realidad.
Bunge no dudó en criticar otras corrientes losócas que, según él,
limitaban el avance del conocimiento cientíco. Se mostró especialmente crítico
con el positivismo, que consideraba excesivamente restrictivo y dogmático, así
como con el relativismo, que cuestionaba la posibilidad de un conocimiento
objetivo. Para Bunge, la ciencia debe ser empírica, racional y objetiva, lo que
implica un rechazo a las visiones que consideran el conocimiento como
meramente subjetivo o dependiente del contexto cultural. Para Bunge (1983), se
presenta como una defensa de la objetividad y la universalidad del
conocimiento cientíco, argumentando que, a pesar de las diferencias culturales
y contextuales, existen verdades que pueden ser descubiertas y vericadas a
través de métodos rigurosos.
Con base en su trayectoria, la losofía de la ciencia de Mario Bunge se
caracteriza por su énfasis en la coherencia, la sistematicidad y la crítica a
visiones limitantes del conocimiento. Su criterio proporciona una base sólida
para la investigación experimental, fomentando una comprensión más
profunda de los fenómenos y promoviendo un diálogo interdisciplinario que
sigue siendo relevante en el contexto cientíco contemporáneo.
En su prolíca carrera, Mario Bunge realizó aportes signicativos a la
metodología experimental que han inuido en la losofía de la ciencia y en la
práctica cientíca, desde diversas disciplinas. Su punto de vista sistemático y
riguroso hacia la investigación experimental ha dejado una marca indeleble en
cómo se diseñan y conducen los experimentos hoy en día.
Se interpreta a Bunge como el desarrollo de herramientas y conceptos
metodológicos que permitan a los cientícos abordar problemas complejos de
manera estructurada. Propuso una óptica que integra la teoría y la práctica
experimental, enfatizando la necesidad de una base teórica sólida para guiar la
investigación empírica. Esto incluye su famosa teoría de los sistemas, que
proporciona un marco para la comprensión de las interacciones entre diversas
39
variables en un experimento. A través de la elaboración de modelos y
simulaciones, Bunge facilitó la comprensión de fenómenos complejos, lo que
permite a los investigadores formular hipótesis más precisas y realizar
experimentos más controlados.
La visión de Bunge tuvo un impacto signicativo en el diseño de
experimentos, al abogar por la importancia de la claridad conceptual y la
coherencia lógica, su metodología anima a los cientícos a denir claramente
sus variables dependientes e independientes, así como a establecer controles
adecuados (Castillo, 2022). Su insistencia en la replicabilidad y la validez del
experimento ha promovido prácticas que aseguran que los resultados sean
conables y reproducibles. Por otra parte, propuso el uso de un plano
interdisciplinario que permite que los investigadores integren conocimientos de
diversas áreas para enriquecer sus experimentos y abordar problemas desde
múltiples perspectivas.
Las contribuciones de Bunge a la metodología experimental no se limitan
a la teoría; sus ideas han sido aplicadas en una variedad de campos, desde la
biología hasta la psicología y las ciencias sociales. Pongamos el caso de, en la
biología, sus principios han guiado el diseño de experimentos en estudios de
ecología y biología evolutiva, donde la interacción entre múltiples factores es
crucial. En psicología, su recorrido sistemático ha inuido en la creación de
protocolos experimentales que buscan comprender el comportamiento humano
a través de métodos cuantitativos y cualitativos. Asimismo, en las ciencias
sociales, Bunge ha inspirado estudios que integran teorías sociales con métodos
experimentales, permitiendo una comprensión más profunda de las dinámicas
sociales.
En teoría, las contribuciones de Mario Bunge a la metodología
experimental han sido fundamentales para el avance de la investigación
cientíca. Su encuadre sistemático y su compromiso con la claridad y la
rigurosidad han sentado las bases para prácticas experimentales más efectivas
y han inspirado a generaciones de cientícos a seguir su ejemplo.
40
2.2.5 Impacto y legado de Mario Bunge en la investigación experimental
contemporánea
Mario Bunge, dejó una impronta indeleble en el ámbito de la
investigación experimental que perdura hasta nuestros días. Su trabajo
transformó la manera en que se conciben y se llevan a cabo los experimentos y
sentó las bases para una comprensión más profunda de la ciencia como un
sistema interconectado de conocimiento. A pesar de la evolución de la ciencia y
sus métodos, las ideas de Bunge continúan siendo un referente en la
investigación experimental contemporánea.
Sus nociones sobre la importancia de los sistemas y la interrelación de los
fenómenos han encontrado eco en sistemas de ciencia actuales, como la
investigación interdisciplinaria y la ciencia de sistemas complejos. Más aún, su
crítica a las corrientes reduccionistas ha promovido un sentido más holístico en
el análisis experimental, fomentando un diálogo más enriquecedor entre
diferentes áreas del conocimiento. Esta continuidad reeja la validez de sus
teorías y su capacidad de adaptación a nuevas realidades cientícas.
El legado de Mario Bunge también puede verse en las futuras direcciones
que está tomando la investigación experimental. En un mundo donde la
innovación tecnológica y la complejidad de los problemas cientícos aumentan,
los principios de Bunge ofrecen una guía sólida para abordar temáticas
contemporáneas (Castillo, 2022). La integración de prototipos
multidisciplinarios, el uso de modelos computacionales y la importancia de la
ética en la investigación son áreas en las que sus enseñanzas pueden seguir
inuyendo. Su insistencia en la necesidad de una losofía de la ciencia rigurosa
y bien fundamentada invita a las nuevas generaciones de investigadores a
reexionar sobre el marco conceptual que guía su trabajo.
Por lo tanto, el impacto y legado de Mario Bunge en la investigación
experimental contemporánea son innegables. Su visión sistemática, su crítica a
paradigmas establecidos y su compromiso con la claridad y la objetividad han
congurado el paisaje cientíco actual, asegurando que su inuencia perdure
en las prácticas y en la reexión cientíca del futuro.
41
2.2.6 Aspectos clave de Mario Bunge en la investigación experimental
La obra de Mario Bunge ha dejado una huella indeleble en el campo de
la investigación experimental, convirtiéndose en una referencia ineludible para
cientícos y lósofos por igual. Su orientación sistemática y rigurosa ha
permitido establecer un marco teórico sólido que ha enriquecido la losofía de
la ciencia y ha proporcionado herramientas prácticas para el desarrollo de
metodologías experimentales.
Bunge, al enfatizar la importancia de la noción de sistema, ha contribuido
a una comprensión más profunda de cómo los elementos interactúan dentro de
un contexto experimental. Esta perspectiva ha sido fundamental para diseñar
experimentos que buscan validar hipótesis y comprender las dinámicas
complejas que subyacen a los fenómenos estudiados. Su crítica a panoramas
reduccionistas ha instado a los investigadores a adoptar miradas más
integradoras, favoreciendo un avance en disciplinas que requieren una
comprensión holística.
El impacto de sus ideas se reeja en la continua adaptación y aplicación
de su metodología en investigaciones contemporáneas. La comunidad cientíca
reconoce su inuencia en el diseño de experimentos y la formulación de teorías,
lo que evidencia la perdurabilidad de su legado (Castillo, 2022). Muchos
investigadores actuales encuentran en sus escritos la inspiración necesaria para
abordar problemas complejos, asegurando que su pensamiento siga vivo y
relevante en un mundo donde el conocimiento avanza a pasos agigantados.
A medida que se perlan nuevas direcciones en la investigación
experimental, las contribuciones de Bunge se presentan como una guía
invaluable. Su rumbo en la integración de la teoría y la práctica, así como su
compromiso con la claridad conceptual, continúan siendo pilares en la
formación de nuevas generaciones de cientícos. La relevancia de Mario Bunge
en la investigación experimental se maniesta en su obra, en la manera en que
sus ideas siguen alimentando el progreso del conocimiento cientíco en el siglo
XX y que se replica en la ciencia moderna (Castillo, 2022). Su legado es un
recordatorio de que la losofía de la ciencia y la investigación experimental son,
y siempre deben ser, disciplinas interrelacionadas que se nutren mutuamente
en la búsqueda de la verdad.
42
2.3 Declaración de Berlín: El Futuro del Acceso Abierto en la Era
de la Inteligencia Articial
En la era digital en la que vivimos, el acceso a la información se ha
convertido en un pilar fundamental para el desarrollo del conocimiento y la
innovación. La Declaración de Berlín, rmada en 2003, representa un hito en la
promoción del acceso abierto a la investigación y los resultados académicos,
estableciendo un marco que busca eliminar las barreras que limitan la difusión
del conocimiento. Esta declaración ha transformado la manera en que se
produce y distribuye la información académica, ha inuido en el surgimiento y
la evolución de tecnologías emergentes, como la inteligencia articial (IA) y la
aplicación de redes neuronales articiales (RNA).
La intersección entre el acceso abierto y la inteligencia articial es cada
vez más relevante, ya que la IA depende en gran medida de la disponibilidad
de datos para su entrenamiento y desarrollo. El acceso abierto proporciona el
acceso a investigaciones y publicaciones, promueve la colaboración entre
investigadores y desarrolladores en el ámbito de la IA, permitiendo un ujo de
información más dinámico y asequible (Xianghong et al., 2019). A medida que
la IA continúa avanzando, el acceso abierto se presenta como un catalizador
esencial para maximizar su potencial y asegurar que sus benecios se
distribuyan de manera equitativa.
La Declaración de Berlín, un hito en el movimiento de acceso abierto, se
originó en un contexto de creciente digitalización y democratización de la
información en el ámbito académico y cientíco. Este documento busca
promover la disponibilidad gratuita y sin restricciones de la producción
cientíca, y ha tenido un impacto profundo en la forma en que se comparte y se
consume el conocimiento.
i. Orígenes y contexto de la declaración
La Declaración de Berlín fue adoptada en octubre de 2003 durante una
conferencia organizada por la Fundación de la Biblioteca de Berlín, en
colaboración con varias instituciones académicas y cientícas. A medida que la
tecnología avanzaba, se hacía evidente que el acceso a la información cientíca
estaba siendo restringido por modelos de publicación tradicionales, que a
menudo imponían altos costos a los lectores y las instituciones. Este contexto
43
impulsó a académicos, investigadores y bibliotecarios a abogar por un modelo
más accesible que permitiera a todos, independientemente de su ubicación
geográca o situación económica, acceder a la investigación publicada.
La declaración fue rmada por más de 30 organizaciones y se inspiró en
movimientos anteriores que buscaban democratizar el acceso al conocimiento,
como el movimiento de software libre. Se fundamentó en la creencia de que el
conocimiento generado con fondos públicos debe ser accesible a todos, lo que
benecia a los investigadores y académicos y potencia el desarrollo social y
económico.
ii. Principios fundamentales de la declaración
La Declaración de Berlín se basa en varios principios clave que delinean su
visión del acceso abierto. En primer lugar, establece que el acceso abierto implica
la libre disponibilidad de la literatura de investigación en línea, sin costo ni
barreras técnicas. En segundo lugar, la declaración sostiene que el acceso abierto
es un derecho de los investigadores, es un imperativo ético que fomenta la
colaboración y la innovación. Al eliminar las barreras de acceso, se promueve
un entorno en el que el conocimiento puede ser compartido y construido
colectivamente (Velterop, 2015)
Finalmente, la Declaración de Berlín aboga por el establecimiento de
políticas y prácticas que respalden el acceso abierto en las instituciones de
investigación y en las editoriales académicas. Esto incluye la necesidad de
desarrollar modelos de negocio sostenibles que permitan a los investigadores y
las instituciones publicar su trabajo de manera abierta sin comprometer la
calidad de la investigación.
iii. Impacto en la comunidad académica
Desde su adopción, la Declaración de Berlín ha tenido un impacto
signicativo en la comunidad académica. Ha inspirado la creación de múltiples
iniciativas y repositorios de acceso abierto, así como la implementación de
políticas en universidades e instituciones de investigación alrededor del mundo.
La declaración ha fomentado un cambio cultural en la forma en que se percibe
la investigación compartida, promoviendo un tránsito más colaborativo y
accesible.
44
A medida que el movimiento de acceso abierto ha ganado fuerza, también
ha inuido en la forma en que se evalúa el trabajo académico. Las métricas de
impacto han comenzado a considerar las citas en revistas de acceso dorado, el
uso y la difusión de investigaciones a través de plataformas de acceso abierto
(índice H). Esto ha permitido a los investigadores alcanzar audiencias más
amplias y ha facilitado el intercambio de ideas y conocimientos.
La historia de la Declaración de Berlín es un testimonio del compromiso de
la comunidad académica hacia un acceso más equitativo al conocimiento. A
medida que avanzamos en una era digital, los principios y el impacto de esta
declaración continúan siendo relevantes, especialmente en un mundo cada vez
más interconectado y dependiente de la información (Velterop, 2015)
El acceso abierto ha emergido como un paradigma transformador en el
ámbito académico, ofreciendo una alternativa a los modelos tradicionales de
publicación que, a menudo, limitan el acceso al conocimiento. Este modelo
promueve la difusión libre y sin restricciones de la investigación y los resultados
académicos, permitiendo que una audiencia más amplia tenga acceso a
información valiosa.
Entre benecios más signicativos del acceso abierto es la democratización
del conocimiento. Al eliminar las barreras económicas, como suscripciones
costosas a revistas académicas, se asegura que investigadores, estudiantes y el
público en general puedan acceder a investigaciones de alta calidad. Esto
fomenta la colaboración entre investigadores de diferentes instituciones y
países, sino que aumenta la visibilidad y el impacto de las publicaciones.
Adicionalmente, el acceso abierto facilita la replicación de estudios y la
vericación de resultados, elementos cruciales para el avance cientíco. La
disponibilidad de datos y metodologías permite a otros investigadores construir
sobre el trabajo existente, lo que puede conducir a nuevas innovaciones y
descubrimientos. Asimismo, el acceso abierto contribuye a la educación y a la
formación de estudiantes, quienes pueden acceder a una gama más amplia de
recursos sin costo alguno.
Pese a sus diversas ventajas, el acceso abierto se topa con varios obstáculos,
por ello, la más destacada es la resistencia de ciertas editoriales, que todavía
mantienen modelos de negocio fundamentados en suscripciones.
45
Frecuentemente, estas editoriales sostienen que el acceso libre puede poner en
riesgo la calidad de la revisión por colegas, un procedimiento crucial para
preservar la integridad del trabajo académico.
A la vez, muchos investigadores están preocupados por la sostenibilidad
nanciera de las publicaciones en acceso abierto. Por más que algunos modelos
permiten la publicación gratuita para los lectores, a menudo requieren que los
autores paguen tarifas por artículo, lo que puede ser una carga signicativa,
especialmente para aquellos en instituciones con recursos limitados. También
existe el riesgo de que el acceso abierto se convierta en una práctica desigual,
donde solo aquellos con nanciamiento suciente puedan beneciarse
plenamente.
Con base en este escenario, muchas instituciones académicas y
gubernamentales han comenzado a implementar políticas que promueven el
acceso abierto. Estas políticas pueden variar desde la obligación de que los
investigadores depositen sus publicaciones en repositorios de acceso abierto,
hasta la nanciación de tarifas de publicación en revistas de acceso abierto. A
medida que más instituciones adoptan estas políticas, se observa un cambio
gradual en la cultura académica hacia la aceptación y promoción del acceso
abierto.
2.3.1 Relación entre acceso abierto e inteligencia articial
La intersección entre el acceso abierto y la inteligencia articial (IA) es un
campo emergente que está transformando la manera en que se produce y se
comparte el conocimiento. A medida que la IA continúa avanzando, el acceso
abierto se convierte en un componente esencial para fomentar la innovación y
la colaboración en diversas disciplinas.
El acceso abierto permite que los investigadores y desarrolladores de IA
accedan a una gran cantidad de datos y recursos que son fundamentales para el
entrenamiento de algoritmos y modelos. Sin restricciones de acceso, los
cientícos pueden utilizar conjuntos de datos amplios y diversos, lo que mejora
la calidad y la precisión de los modelos de IA. En efecto, la disponibilidad de
artículos, investigaciones y código abierto fomenta la transparencia y la
reproducibilidad en los experimentos, lo que es crucial para validar y mejorar
las tecnologías de IA. Este ecosistema abierto acelera el progreso tecnológico,
46
democratiza el acceso a las herramientas de IA, permitiendo que un mayor
número de investigadores, incluidos aquellos de instituciones menos
favorecidas, contribuyan al avance de la disciplina.
Existen numerosos ejemplos de proyectos exitosos de IA que han surgido
gracias al acceso abierto. El más destacado, TensorFlow, una biblioteca de
software de código abierto para el aprendizaje automático desarrollada por
Google. TensorFlow proporciona herramientas para desarrollar modelos de IA,
e incluye una comunidad activa que comparte modelos preentrenados y
conjuntos de datos. En este sentido, OpenAI, que ha liberado versiones de su
modelo de lenguaje, GPT, permitiendo que investigadores de todo el mundo
experimenten y construyan sobre esta tecnología. Estas iniciativas demuestran
cómo el acceso abierto puede catalizar la innovación y fomentar la colaboración
entre investigadores, empresas y la comunidad en general.
El futuro de la colaboración entre el acceso abierto y la inteligencia
articial parece prometedor. A medida que las tecnologías de IA se integran en
más áreas de la investigación y la industria, la necesidad de un acceso abierto se
volverá cada vez más evidente. Las políticas que fomenten el acceso abierto
beneciarán a los investigadores e impulsarán el desarrollo de soluciones más
equitativas y efectivas para la globalización del conocimiento. Por otro lado, la
IA puede desempeñar un papel crucial en la mejora de las plataformas de acceso
abierto, facilitando la curación de contenido, la búsqueda de información y la
personalización de la experiencia del usuario.
La relación entre el acceso abierto y la inteligencia articial es
fundamental para el avance de la investigación y la innovación. Al permitir un
ujo libre de información y recursos, el acceso abierto potencia el desarrollo de
la IA, promueve un futuro más inclusivo y colaborativo en la ciencia y la
tecnología (Ayuso del Puerto y Gutiérrez, 2022).
La Declaración de Berlín ha marcado un hito en la promoción del acceso
abierto, estableciendo un marco que benecia a la comunidad académica y se
alinea con las tendencias contemporáneas en la investigación y la innovación
tecnológica. A través de la historia, el acceso abierto ha demostrado ser una
herramienta poderosa para democratizar el conocimiento, permitiendo que una
mayor cantidad de investigadores, estudiantes y el público en general accedan
a información valiosa sin las restricciones de costos o suscripciones.
47
No obstante, a pesar de los benecios evidentes, persisten barreras que
dicultan su implementación total. La resistencia institucional, la falta de
nanciamiento adecuado y la necesidad de cambiar la cultura académica son
obstáculos que deben ser superados para que el acceso abierto se convierta en
la norma en lugar de la excepción.
La intersección del acceso abierto y la inteligencia articial presenta un
panorama emocionante para el futuro de la investigación. La disponibilidad de
datos abiertos y recursos académicos sin restricciones permite que los
algoritmos de inteligencia articial se alimenten de una cantidad masiva de
información, lo que a su vez potencia la calidad y la relevancia de los proyectos
de IA. Ejemplos de iniciativas exitosas en este ámbito demuestran cómo el
acceso abierto proporciona el desarrollo de nuevas tecnologías, fomenta la
colaboración y el intercambio de ideas entre investigadores de manera
transdisciplinar.
A medida que avanzamos hacia un futuro donde la inteligencia articial
seguirá transformando múltiples sectores, es crucial que la comunidad
académica y las instituciones apoyen y promuevan políticas de acceso abierto.
Solo mediante un esfuerzo conjunto se podrá maximizar el potencial de la
inteligencia articial y asegurar que sus benecios sean accesibles para todos,
contribuyendo así a un entorno de investigación más equitativo y colaborativo.
La Declaración de Berlín y el acceso abierto son relevantes en el contexto
académico y son fundamentales para el avance de la inteligencia articial
generativa, pero con regulaciones éticas en su aplicación en redacción de
contenidos cientícos. Es imperativo que continuemos desarrollando estas
iniciativas, garantizando que el conocimiento y la innovación se compartan de
manera abierta y accesible, para que todos podamos beneciarnos de los
avances que surgen en esta era digital.
2.4 Desenmascarando las pseudociencias: La perspectiva crítica de
Mario Bunge
Mario Bunge, un destacado lósofo de la ciencia y pensador argentino,
dedicó gran parte de su obra al análisis y crítica de las pseudociencias. Estas son
creencias o prácticas que pretenden hacer uso de un fundamento cientíco, pero
carecen de una base empírica y metodológica sólida. Según Bunge, las
48
pseudociencias representan procesos signicativos para la educación y el
pensamiento crítico en la sociedad moderna, ya que pueden conducir a la
desinformación y a la adopción de creencias infundadas que afectan tanto a
individuos como a comunidades enteras.
En sus escritos, Bunge sostiene que las pseudociencias se caracterizan por
la falta de rigor en la investigación y la ausencia de un método cientíco. A
menudo, se basan en testimonios anecdóticos, dogmas inquebrantables o teorías
no vericables, colocándolas en un plano distinto al de la ciencia auténtica, que
se fundamenta en la observación, la experimentación y la revisión por pares
(Silva, 1997). Esta distinción es crucial; Bunge enfatiza que la ciencia avanza
mediante un proceso de autocrítica y corrección, mientras que las
pseudociencias suelen resistirse a la crítica y se aferran a sus postulados a pesar
de la evidencia en contra.
Por añadidura, Bunge subraya la importancia de entender el contexto
social y cultural en el que proliferan las pseudociencias. En un mundo donde la
información es accesible a través de múltiples plataformas, las personas a
menudo se ven inundadas por armaciones que no siempre se sustentan en la
evidencia. La confusión entre lo que es ciencia y lo que no lo es puede llevar a
decisiones perjudiciales en áreas tan diversas como la salud, la educación y la
política.
La introducción a las pseudociencias desde la perspectiva de Mario
Bunge nos invita a reexionar sobre la necesidad de un criterio crítico y riguroso
hacia el conocimiento, así como a reconocer los peligros que representan las
creencias infundadas en la sociedad contemporánea (Valero y Muñoz, 2017). Su
legado nos incita a fortalecer nuestra capacidad para discernir entre la ciencia
legítima y las pseudociencias, promoviendo así un pensamiento más crítico y
fundamentado en la búsqueda de la verdad.
2.4.1 Denición y características de las pseudociencias
Las pseudociencias son sistemas de creencias o prácticas que pretenden
tener un fundamento cientíco, pero que no cumplen con los criterios y métodos
que caracterizan a la ciencia. A diferencia de la ciencia, que se basa en la
observación, la experimentación y la vericación, las pseudociencias suelen
49
apoyarse en armaciones no comprobables, razonamientos falaces y una falta
de rigor en su metodología.
La distinción entre ciencia y pseudociencia es fundamental para entender
las pautas críticas que Mario Bunge aplicó en sus análisis. En términos
generales, la ciencia se basa en el método cientíco, que incluye la formulación
de hipótesis, la realización de experimentos controlados y la revisión por pares.
Este proceso permite la acumulación de conocimiento de manera sistemática y
objetiva. Por el contrario, las pseudociencias presentan armaciones que carecen
de evidencia empírica o que no pueden ser sometidas a prueba. Esto conduce a
una falta de falsabilidad, un concepto clave en la losofía de la ciencia que
sostiene que una teoría debe ser susceptible de ser refutada por la evidencia
(Valero y Muñoz, 2017).
Las pseudociencias comparten varias características que las diferencian
de la ciencia (Bunge, 2011). Entre ellas se encuentran:
- Falta de metodología rigurosa: Utilizan métodos anecdóticos o no
sistemáticos para llegar a conclusiones, lo que impide la vericación de
sus armaciones.
- Rechazo de la crítica: A menudo, se muestran defensivas ante la crítica y
desestiman la necesidad de pruebas objetivas, defendiendo sus creencias
con argumentos emocionales o apelaciones a la autoridad.
- Armaciones grandiosas: Frecuentemente, hacen armaciones
extraordinarias, como la cura de enfermedades graves mediante métodos
no probados, sin proporcionar evidencia adecuada que respalde tales
declaraciones.
- Terminología confusa o ambigua: Utilizan un lenguaje técnico o cientíco,
pero a menudo de manera incorrecta o fuera de contexto, con el n de
dar una apariencia de legitimidad.
i. Críticas de Mario Bunge a las pseudociencias
Mario Bunge dedicó gran parte de su vida a la defensa de la ciencia y la
crítica de las pseudociencias. Sus argumentos se basan en un profundo análisis
losóco y en un compromiso con el pensamiento crítico, elementos que
considera fundamentales para contrarrestar las armaciones infundadas que
proliferan en la cultura contemporánea.
50
ii. Argumentos losócos contra las pseudociencias
Bunge sostiene que las pseudociencias se caracterizan por su falta de rigor
metodológico y por el uso de argumentos falaces. A diferencia de la ciencia, que
se basa en la observación, la experimentación y la vericación, las
pseudociencias suelen apoyarse en armaciones no comprobables y en
testimonios anecdóticos. Argumenta que la ciencia se fundamenta en un modelo
de conocimiento que puede ser revisado y corregido, mientras que las
pseudociencias tienden a aferrarse a dogmas inmutables que no son susceptibles
de falsicación. Este plano losóco resalta la importancia de la falsabilidad
como criterio distintivo entre lo que se considera una disciplina cientíca y lo
que se clasica como pseudociencia (Bunge, 2011).
iii. Impacto social de las pseudociencias
Bunge critica el impacto social de las pseudociencias, advirtiendo que su
proliferación puede tener consecuencias perjudiciales en la sociedad, desde la
promoción de tratamientos médicos inecaces hasta la desinformación sobre
temas cruciales como el cambio climático o la salud pública. Señala que las
pseudociencias engañan a las personas, socavan la conanza en la ciencia y en
las instituciones que la respaldan. Este fenómeno puede llevar a la población a
tomar decisiones mal informadas que afectan su bienestar y calidad de vida.
iv. La importancia del pensamiento crítico
Por último, Bunge enfatiza la necesidad de fomentar el pensamiento crítico
en la educación y en la cultura general. A su juicio, una población educada en el
pensamiento crítico es menos susceptible a caer en las trampas de las
pseudociencias (Bunge, 2011). Propone que la educación debiese enfocarse en
transmitir conocimientos cientícos, en desarrollar habilidades para el análisis,
la evaluación de evidencia y la argumentación lógica. Al cultivar una
mentalidad escéptica y analítica, las personas pueden aprender a distinguir
entre armaciones fundadas y especulaciones infundadas, fortaleciendo así la
base de una sociedad informada y racional.
Las críticas de Mario Bunge a las pseudociencias son, por lo tanto, un
llamado a la defensa de la ciencia y un recordatorio de la responsabilidad que
tenemos como individuos y como sociedad para promover el conocimiento
basado en evidencias. Su legado invita a reexionar sobre la importancia de la
51
ciencia en nuestras vidas y el papel que juega el pensamiento crítico en la
construcción de un futuro más racional y esclarecido.
v. El legado de Mario Bunge en la ciencia y la losofía
Mario Bunge, lósofo, físico y epistemólogo argentino, dejó un legado
profundo y duradero en el ámbito de la ciencia y la losofía, que sigue siendo
relevante en la actualidad. Su modelo riguroso y sistemático hacia el
conocimiento cientíco y su crítica a las pseudociencias han inuido en diversas
disciplinas, desde la losofía de la ciencia hasta la educación cientíca.
2.4.2 Contribuciones a la epistemología y a la educación cientíca
Bunge fue pionero en la formulación de una epistemología
fundamentada en la lógica, la coherencia y la consistencia de las teorías
cientícas. A través de su obra, promovió la idea de que la ciencia se basa en la
observación empírica, en la construcción de modelos teóricos tal que puedan ser
pueden ser constatados y validados. Su encuadre sistemático, conocido como
"sistemología", enfatiza la interconexión entre diferentes disciplinas cientícas
y la necesidad de un marco teórico sólido. Esto contrasta con las aproximaciones
más fragmentadas que a menudo se encuentran en las pseudociencias, que
carecen de este rigor y cohesión.
El legado de Bunge también se maniesta en la educación cientíca,
abogó por una enseñanza que transmitiera conocimientos, desarrollara
habilidades de pensamiento crítico y analítico. Creía que la educación debía
empoderar a los estudiantes para que pudieran discernir entre armaciones
cientícas y pseudocientícas. Sus ideas han inspirado a educadores a
implementar métodos de enseñanza que fomenten la curiosidad y el
escepticismo, herramientas esenciales para formar ciudadanos informados y
críticos en una sociedad donde las pseudociencias pueden proliferar.
Bunge también dejó una profunda reexión sobre el futuro de la ciencia
en un mundo donde las pseudociencias continúan ganando terreno. Su
preocupación por el impacto social de las creencias infundadas y su defensa de
un patrón cientíco riguroso resuenan con fuerza en la actualidad, donde la
desinformación y la falta de pensamiento crítico pueden tener consecuencias
graves (Bunge, 1983). Instó a la comunidad cientíca y a la sociedad en su
conjunto a mantenerse vigilantes y comprometidos con la promoción del
52
conocimiento basado en evidencias, enfatizando que el avance de la ciencia
depende de los descubrimientos cientícos, también de la capacidad de la
sociedad para discernir entre lo verdadero y lo falso.
El legado de Mario Bunge en la ciencia y la losofía es invaluable, ha
enriquecido nuestra comprensión de la ciencia, proporcionado un marco crítico
para comprender las pseudociencias y nos invita a seguir explorando,
cuestionando y aprendiendo en la búsqueda de la verdad.
Las enseñanzas de Mario Bunge respecto a las pseudociencias son un
llamado a la reexión crítica y al análisis riguroso en un mundo cada vez más
inundado de información y desinformación. Bunge subraya la necesidad de
distinguir entre la ciencia, que se fundamenta en la evidencia y el método
cientíco, y las pseudociencias, que a menudo se alimentan de la especulación
y la falta de rigor. Su insistencia en la importancia del pensamiento crítico se
presenta como un principio losóco, como herramienta esencial para la
formación de ciudadanos informados y responsables.
Bunge argumenta que las pseudociencias representan un desafío para el
conocimiento cientíco, que también tienen repercusiones sociales
signicativas. Su proliferación puede llevar a decisiones erróneas en ámbitos tan
cruciales como la salud, la educación y la política, perpetuando mitos y
creencias infundadas que pueden poner en riesgo el bienestar colectivo. Por
tanto, su crítica no se limita a un ámbito académico; es un llamado a la acción
para todos aquellos que valoran el conocimiento basado en la evidencia.
El legado de Bunge nos invita a adoptar una postura activa frente a la
información que consumimos y compartimos. En un contexto en el que las
pseudociencias pueden ofrecer soluciones atractivas pero infundadas a
problemas complejos, su obra resuena como un recordatorio de la importancia
de la educación cientíca y el pensamiento crítico (Valero y Muñoz, 2017). Al
fomentar una cultura de cuestionamiento y análisis, podemos contribuir a un
futuro en el que la ciencia y el conocimiento riguroso prevalezcan sobre la
desinformación y las creencias infundadas.
En general, las enseñanzas de Bunge nos instan a no bajar la guardia
frente a las pseudociencias y a mantener un compromiso constante con la
búsqueda de la verdad. En un mundo en constante cambio, la defensa de la
53
ciencia y el pensamiento crítico se convierte en una responsabilidad colectiva
que trasciende disciplinas y fronteras, asegurando así que el conocimiento siga
siendo una herramienta poderosa para el progreso humano.
54
Capítulo III
El Método Cientíco de Karl Popper: Falsacionismo y su
Impacto en la Ciencia
El método cientíco es una herramienta fundamental en la búsqueda del
conocimiento que permite a los investigadores formular preguntas, desarrollar
hipótesis y someterlas a pruebas rigurosas. Este proceso sistemático se basa en
la observación, la experimentación y el análisis crítico, y tiene como objetivo la
comprensión y explicación de fenómenos naturales y sociales. Varios
pensadores han contribuido a la evolución del método cientíco, pero uno de
los más inuyentes en el siglo XX fue el lósofo Karl Popper.
La importancia del método cientíco radica en su capacidad para
proporcionar un marco estructurado que guía la investigación. A diferencia de
otros modelos que pueden basarse en la intuición o la tradición, el método
cientíco promueve una actitud crítica y escéptica, donde las armaciones
deben ser respaldadas por evidencias empíricas. Este prototipo condesciende la
acumulación de conocimientos, sino que también fomenta la autocorrección
dentro de la comunidad cientíca, asegurando que las teorías sean
constantemente puestas a prueba y revisadas.
Karl Popper, nacido en 1902 en Viena, Austria, fue un lósofo y cientíco
que revolucionó la manera en que se entiende la ciencia. Su vida estuvo marcada
por el contexto histórico de su época, incluyendo la Primera y Segunda Guerra
Mundial, lo que inuyó en su pensamiento crítico sobre la ciencia y la losofía.
Popper se dedicó a cuestionar los métodos tradicionales de vericación y, en su
lugar, propuso el falsacionismo como un criterio clave para la demarcación de
las ciencias (Tovar, 2019). Su obra ha tenido un impacto duradero en la losofía
de la ciencia y continúa inuyendo en la forma en que se enseña y se practica la
investigación cientíca en la actualidad.
En los siguientes apartados, exploraremos en detalle el concepto de
falsacionismo, el ciclo de la ciencia según Popper y las implicaciones de su
método, así como las críticas y limitaciones que han surgido en torno a sus ideas.
55
El falsacionismo es un concepto central en la losofía de la ciencia propuesta
por Karl Popper, que establece que una teoría cientíca debe ser susceptible de
ser refutada mediante la observación o la experimentación. Esta idea representa
un cambio paradigmático en la forma en que se entiende la validación de las
teorías cientícas, alejándose de la búsqueda de pruebas que las conrmen y
centrando la atención en la capacidad de estas para ser desmentidas (González
y Santiago, 2023).
La falsabilidad es el principio que sostiene que una armación o teoría es
cientíca si es posible concebir un experimento o una observación que pueda
demostrar que es falsa. Para Popper, la ciencia avanza no acumulando
evidencias que respalden hipótesis, sino a través de la eliminación de teorías
que no resisten la prueba de la experiencia (Vásquez, 2013). Un ejemplo clásico
es la teoría de la relatividad de Einstein, que es falsable porque se pueden
realizar experimentos para comprobar si sus predicciones se cumplen o no. Si
se encontraran evidencias en contra, la teoría sería abandonada o modicada.
El falsacionismo se opone al vericacionismo, que sostiene que una teoría
es cientíca si puede ser vericada a través de la observación. Mientras que el
vericacionismo busca la conrmación de las teorías, el falsacionismo enfatiza
la importancia de la posibilidad de refutarlas. Popper argumentaba que el
vericacionismo era problemático, ya que no es posible vericar de manera
denitiva una teoría a través de un número nito de observaciones, mientras
que el falsacionismo proporciona un criterio claro y práctico para la
demarcación entre lo que es cientíco y lo que no.
Para ilustrar el concepto de falsabilidad, podemos considerar varias
teorías de diferentes campos de estudio. En el ámbito de la biología, la teoría de
la evolución de Darwin es falsable; se puede presentar evidencia fósil que
contradiga su propuesta de un proceso evolutivo gradual. En la física, las teorías
sobre la existencia de partículas subatómicas, como los neutrinos, son falsables
porque se pueden diseñar experimentos para detectarlas o demostrar que no
existen. Por otro lado, armaciones como "existen seres extraterrestres en el
universo" son difíciles de falsar, ya que no se puede diseñar un experimento que
demuestre su inexistencia. Este tipo de armaciones se considera no cientíca
según el criterio de Popper. En consecuencia, el falsacionismo de Karl Popper
redene la forma en que entendemos y evaluamos las teorías cientícas,
56
proporcionando una base sólida para la crítica y la progresión del conocimiento
cientíco a través de la refutación.
3.1 El Ciclo de la Ciencia Según Popper
La teoría de Karl Popper hacia el método cientíco se centra en un ciclo
dinámico que permite la evolución del conocimiento cientíco a través de la
formulación y prueba de hipótesis. A continuación, se desglosan las etapas clave
de este ciclo:
El proceso cientíco inicia con la formulación de hipótesis, que son
conjeturas fundamentadas sobre el funcionamiento del mundo. Según Popper,
estas hipótesis deben ser precisas y especícas, permitiendo así la posibilidad
de ser refutadas. La formulación de una hipótesis implica la propuesta de una
explicación para ciertos fenómenos y la identicación de condiciones bajo las
cuales la hipótesis podría ser considerada falsa. Este énfasis en la falsabilidad
distingue al método de Popper de pesquisas anteriores que priorizaban la
vericación.
Una vez planteada una hipótesis, el siguiente paso es someterla a pruebas
rigurosas y experimentación. Popper argumenta que los experimentos deben
ser diseñados de tal manera que puedan potencialmente refutar la hipótesis.
Esto signica que las pruebas deben ser desaantes y capaces de poner a prueba
los supuestos de la hipótesis (Vásquez, 2013). A través de la observación y la
experimentación, los cientícos recogen datos que pueden conrmar o
desmentir la hipótesis inicial. En este contexto, el objetivo no es tanto vericar
la teoría, sino buscar evidencia que la contradiga.
El ciclo de la ciencia no termina con la prueba de una hipótesis. En el caso
de que la hipótesis sea refutada, se requiere una revisión crítica y, posiblemente,
una modicación de la teoría. Esto puede llevar a la formulación de nuevas
hipótesis que sean más consistentes con los datos observados. A través de este
proceso de ensayo y error, el conocimiento cientíco avanza, renándose y
evolucionando. La capacidad de adaptarse y cambiar a la luz de nuevas
evidencias es fundamental para el progreso en la ciencia y reeja la naturaleza
provisional del conocimiento cientíco.
En conjunto, el ciclo de la ciencia según Popper enfatiza la importancia
de la crítica y la autocorrección en la búsqueda de la verdad. Este enunciado ha
57
inuido en la práctica cientíca, también ha tenido un impacto signicativo en
la losofía de la ciencia, al establecer un modelo claro y riguroso para la
investigación cientíca.
El método cientíco propuesto por Karl Popper ha tenido profundas
implicaciones en diversos ámbitos, desde la losofía de la ciencia hasta la
educación y la práctica cientíca. La obra de Popper revolucionó la losofía de
la ciencia al establecer un nuevo criterio para la demarcación entre lo que se
considera ciencia y lo que no. El énfasis en la falsabilidad permitió a los
cientícos y lósofos evaluar teorías por su capacidad de ser vericadas y por
la disposición a ser refutadas.
Esta perspectiva ha promovido un ambiente de cuestionamiento
constante y de rigor crítico, donde las teorías cientícas son vistas como
conjeturas tentativas que deben ser sometidas a prueba. Como resultado, el
falsacionismo ha inuido en el desarrollo de corrientes losócas
contemporáneas, como el empirismo y el realismo cientíco, destacando la
importancia de la crítica y la revisión en el avance del conocimiento.
El método de Popper también ha tenido un impacto signicativo en la
educación cientíca. Al enfatizar la necesidad de formular hipótesis y
someterlas a pruebas rigurosas, su tesis fomenta un pensamiento crítico entre
los estudiantes. Este método enseña a los futuros cientícos y ciudadanos a
cuestionar armaciones, a buscar evidencia y a ser escépticos ante teorías no
comprobadas (González y Santiago, 2023). En las aulas, la implementación de
actividades que promuevan la formulación de hipótesis y su posterior prueba
fortalece las competencias cientícas y analíticas de los estudiantes,
preparándolos para investigar con responsabilidad social y un compromiso
basado en la evidencia.
3.1.1 Críticas y Limitaciones del Método de Popper
A pesar de su inuencia, el método de Popper no está exento de críticas.
Algunos lósofos y cientícos argumentan que la falsabilidad puede ser un
criterio demasiado restrictivo para evaluar ciertas disciplinas, como la biología
o las ciencias sociales, donde las teorías a menudo son más complejas y no
siempre pueden ser sometidas a pruebas directas. Además, se ha señalado que
la práctica cientíca real a menudo implica un proceso más iterativo y menos
58
lineal que el ciclo propuesto por Popper, donde la formulación de hipótesis, la
experimentación y la revisión no son etapas claramente separadas. Estas críticas
han llevado al desarrollo de derivaciones complementarias y alternativas en la
losofía de la ciencia que buscan abordar las limitaciones del falsacionismo.
El sentir cientíco de Popper ha transformado la manera en que
entendemos la ciencia, su enseñanza y su práctica, al mismo tiempo que ha
suscitado un debate continuo y enriquecedor sobre la naturaleza del
conocimiento cientíco. El método cientíco propuesto por Karl Popper ha
dejado una huella indeleble en la losofía de la ciencia y en la manera en que
concebimos el proceso de investigación. El desarrollo centrado en la falsabilidad
ha desaado las nociones tradicionales de la vericación y ha promovido un
cambio de paradigma en la forma en que los cientícos abordan el conocimiento
(Tovar, 2019). Al enfatizar que una teoría debe ser susceptible de ser refutada
para ser considerada cientíca, Popper nos invita a adoptar una postura crítica
hacia nuestras creencias y a ver la ciencia no como un conjunto de verdades
inamovibles, sino como un proceso dinámico en constante evolución.
Las implicaciones de su método son vastas, en el ámbito académico y en
la educación cientíca, donde la promoción del pensamiento crítico y la
formulación de preguntas se convierten en habilidades esenciales. El modelo de
Popper nos enseña que el verdadero avance cientíco proviene de la disposición
a cuestionar, a experimentar y, en última instancia, a aceptar que algunas teorías
pueden ser incorrectas.
Aun cuando, es importante reconocer que el método de Popper no está
exento de críticas y limitaciones. Algunos argumentan que no todas las teorías
cientícas son fácilmente falsables y que el proceso de corroboración puede ser
más complejo de lo que sugiere su modelo. A pesar de esto, el legado de Popper
sigue vivo y su inuencia se reeja en la manera en que se lleva a cabo la
investigación cientíca contemporánea.
El método cientíco de Karl Popper nos ofrece una herramienta poderosa
para entender y explorar el mundo que nos rodea. Su énfasis en la crítica y la
falsabilidad enriquece la práctica cientíca, fomenta un espíritu de curiosidad y
apertura que es fundamental para el avance del conocimiento. A medida que
seguimos desentrañando los misterios del universo, el dogma de Popper nos
59
recuerda la importancia de cuestionar, experimentar y aprender en cada paso
del camino.
3.2 Explorando la Filosofía de Karl Popper: Falsabilidad, Ciencia
Abierta y su Impacto en la Investigación Contemporánea
Karl Popper, losofo representativo del siglo XX, es reconocido
principalmente por sus contribuciones a la losofía de la ciencia y su defensa de
la racionalidad crítica. Nacido en Viena en 1902, Popper se trasladó más tarde a
Inglaterra, donde desarrolló sus ideas en un contexto académico que valoraba
la tradición empírica. Se enfrentó a diversas corrientes losócas, desde el
positivismo hasta el historicismo, lo que le llevó a formular una serie de
postulados que han dejado una huella indeleble en el pensamiento cientíco y
losóco contemporáneo.
La obra de Popper se centra en la idea de que el conocimiento cientíco
avanza no a través de la vericación de teorías, sino mediante su refutación. Este
modelo radicalmente diferente a la visión tradicional del método cientíco tiene
implicaciones profundas para la forma en que entendemos la investigación y el
progreso del conocimiento (de Lira, 2015). Su rechazo a la noción de que se
puede probar una teoría de manera denitiva ha llevado a una reevaluación de
los criterios que utilizamos para considerar una idea como cientíca.
Asimismo, Popper aboga por un reconocimiento abierto en la ciencia,
donde las teorías deben ser sometidas a un constante escrutinio y crítica. Esta
postura desafía la forma en que se llevan a cabo las investigaciones, promueve
un ambiente intelectual donde la tolerancia y la crítica constructiva son
esenciales para el avance del conocimiento.
En este capítulo los autores exploran los conceptos fundamentales de la
losofía de Karl Popper, sus motivaciones losócas y cómo sus ideas continúan
inuyendo en la investigación cientíca y en la comprensión del conocimiento
en la actualidad. Al hacerlo, estableceremos las bases para una discusión más
profunda sobre sus principios de falsabilidad y la teoría de la ciencia abierta,
que son pilares en su legado intelectual.
60
3.2.1 Principios de la falsabilidad
La falsabilidad es el concepto más emblemático de la losofía de Karl
Popper y constituye un pilar fundamental en la comprensión del método
cientíco. La falsabilidad es crucial para el método cientíco, ya que promueve
un dogma dinámico y autocrítico en la investigación (de Lira, 2015). A través de
la formulación de hipótesis que pueden ser probadas y potencialmente
refutadas, los cientícos están obligados a someter sus ideas a pruebas
rigurosas. Este proceso permite el avance del conocimiento y fomenta un
ambiente de revisión constante, donde las teorías pueden ser mejoradas o
reemplazadas a medida que se acumulan nuevas evidencias. De esta manera, la
falsabilidad contribuye a la evolución del conocimiento cientíco, permitiendo
que el pensamiento crítico y el escepticismo sean partes integrales de la práctica
cientíca.
A pesar de su relevancia, la falsabilidad ha sido objeto de críticas.
Algunos lósofos de la ciencia argumentan que no todas las teorías cientícas
son fácilmente falsables. Se puede citar, en campos como la teoría de la
relatividad o la mecánica cuántica, los enunciados son a menudo tan complejos
que resulta difícil, si no imposible, realizar experimentos que puedan refutarlos
de manera directa. Otros críticos sostienen que la falsabilidad no toma en cuenta
el contexto histórico y social en el que se desarrolla la ciencia, lo que puede
inuir en la aceptación o rechazo de ciertas teorías. Aun así, a pesar de estas
críticas, la idea de falsabilidad sigue siendo un marco valioso para evaluar la
validez de las teorías cientícas y ha impulsado debates signicativos sobre la
naturaleza misma de la ciencia.
Los principios de la falsabilidad establecidos por Popper no solo han
reformulado la manera en que entendemos la ciencia, sino que también han
dejado una huella indeleble en la práctica de la investigación. Su legado persiste
en la búsqueda de un conocimiento más riguroso y crítico, desaando a
cientícos y lósofos a examinar constantemente las bases de sus teorías.
3.2.2 La teoría de la ciencia abierta
La teoría de la ciencia abierta, desarrollada por Karl Popper, propone un
sistema dinámico y crítico hacia la investigación cientíca. A diferencia de la
ciencia cerrada, que se basa en la aceptación de teorías sin cuestionamientos, la
61
ciencia abierta se fundamenta en la idea de que todo conocimiento es
provisional y sujeto a revisión.
La ciencia abierta se caracteriza por varios principios clave que establecen
un marco para el avance del conocimiento. En primer lugar, fomenta la crítica
constructiva y el debate entre cientícos, lo que permite la identicación de
errores y la revisión de teorías. Otro aspecto importante de la ciencia abierta es
su énfasis en la transparencia y la accesibilidad de los datos y métodos. Popper
argumentaba que el conocimiento cientíco debe ser compartido y puesto a
prueba por la comunidad cientíca en su conjunto (de Lira, 2015). Esto no solo
fortalece la validez de las teorías, sino que también facilita la replicación de
experimentos y estudios, un pilar esencial del método cientíco.
Por último, la ciencia abierta aboga por un quehacer interdisciplinario,
donde se promueve la colaboración entre diferentes campos del conocimiento.
Este intercambio entre disciplinas puede llevar a descubrimientos innovadores
y a la creación de nuevas teorías que trascienden las limitaciones de un único
ámbito de estudio.
i. Comparación con la ciencia cerrada
En contraste con la ciencia abierta, la ciencia cerrada se caracteriza por ser
más dogmático y menos crítico. Este modelo tiende a aceptar teorías
establecidas sin la suciente revisión o cuestionamiento, lo que puede llevar a
una falta de progreso y a la perpetuación de errores. En la ciencia cerrada, el
conocimiento se considera más jo y denitivo, lo que limita la capacidad de
evolución y adaptación ante nuevas evidencias.
Popper criticó este criterio por su tendencia a favorecer la conrmación de
hipótesis en lugar de su refutación (de Lira, 2015). En la ciencia cerrada, se busca
a menudo la prueba de las teorías existentes, lo que puede resultar en un
estancamiento del conocimiento. En contraste, la ciencia abierta promueve la
refutación como un medio para acercarse a la verdad, reconociendo que el
conocimiento es siempre provisional.
ii. Ejemplos en la práctica cientíca
La teoría de la ciencia abierta se ha manifestado en diversas áreas de la
investigación cientíca contemporánea. Un ejemplo notable es el movimiento
62
de acceso abierto en la publicación académica, que busca eliminar las barreras
económicas y de acceso a la información cientíca. Este movimiento reeja el
principio de transparencia y accesibilidad que Popper defendía, permitiendo
que un mayor número de investigadores y el público en general puedan acceder
a los resultados de la investigación. Otro ejemplo se encuentra en las iniciativas
de colaboración cientíca, como los proyectos de ciencia ciudadana, donde
individuos no académicos participan en la recolección y análisis de datos. Esto
no solo democratiza el proceso de investigación, sino que siempre amplía el
espectro de ideas y puntos de vista que pueden contribuir al desarrollo de
nuevas teorías.
Por añadidura, la ciencia abierta se ha visto reforzado por el uso de
plataformas digitales que facilitan el intercambio de datos y resultados en
tiempo real, permitiendo una revisión continua y colaborativa del conocimiento
cientíco. Estas prácticas son un testimonio del legado de Popper y su
insistencia en que la ciencia debe ser un esfuerzo colectivo y crítico. La teoría de
la ciencia abierta, tal como la formuló Karl Popper, enfatiza la importancia de la
crítica, la transparencia y la colaboración, Popper sentó las bases para una
práctica cientíca más dinámica y adaptativa, que sigue inuyendo en la forma
en que entendemos y realizamos la ciencia en la actualidad.
3.2.3 Impacto en la epistemología contemporánea
La losofía de Karl Popper ha dejado una huella profunda en la
epistemología contemporánea, transformando no solo la manera en que se
concibe la ciencia, sino también la forma en que se aborda la investigación en
diversas disciplinas. El tránsito hacia la vericación y la insistencia en la
falsabilidad como criterio de demarcación entre ciencia y no ciencia ha inuido
en una amplia gama de campos, desde las ciencias naturales hasta las ciencias
sociales.
La noción de falsabilidad ha sido fundamental para el desarrollo del
método cientíco moderno. En lugar de buscar conrmar hipótesis a través de
la acumulación de evidencias, los cientícos han adoptado una transición que
enfatiza la necesidad de someter teorías a pruebas que puedan refutarlas. Esta
perspectiva ha llevado a un mayor énfasis en la experimentación rigurosa y en
el diseño de estudios que busquen activamente evidencia en contra de las
hipótesis formuladas (Elias et al., 2007). En áreas como la física y la biología, la
63
idea de que una teoría cientíca debe ser susceptible de ser falsada ha permitido
a los investigadores desarrollar teorías más robustas y precisas.
La inuencia de Popper no se limita a las ciencias naturales; también ha
permeado las ciencias sociales, su crítica al historicismo y su defensa de una
ciencia social basada en la falsabilidad han guiado a muchos investigadores en
la formulación de teorías que puedan ser puestas a prueba. Esto ha llevado a
una orientación más crítico y menos dogmático en disciplinas como la
sociología, la economía y la psicología, donde las teorías a menudo han sido
objeto de controversia y debate. La idea de que las teorías sociales deben ser
susceptibles de falsación ha fomentado un ambiente de investigación más
dinámico y autocrítico.
A pesar de la amplia aceptación de las ideas de Popper, su losofía no
está exenta de críticas y debates en la actualidad. Algunos lósofos y cientícos
han argumentado que la falsabilidad puede ser demasiado restrictiva y que no
todas las teorías cientícas son fácilmente falsables. Más aún, la complejidad de
los fenómenos sociales y naturales ha llevado a cuestionar si la ciencia puede
realmente funcionar de manera tan simplista como lo propone Popper. Estas
críticas han dado lugar a nuevos desarrollos en la epistemología, como el
constructivismo y el pragmatismo, que buscan integrar aspectos de la losofía
popperiana con otras corrientes de pensamiento.
El impacto de Karl Popper en la epistemología contemporánea es
innegable. Su énfasis en la falsabilidad y la crítica racional ha inuido en la
forma en que se lleva a cabo la investigación cientíca, tanto en las ciencias
naturales como en las sociales, y continúa siendo un punto de referencia en los
debates sobre la naturaleza del conocimiento cientíco (Elias et al., 2007). Su
legado invita a los investigadores a adoptar una postura crítica y abierta,
fomentando un diálogo constante en la búsqueda de la verdad.
3.2.4 Aspectos clave sobre la herencia de Popper
La losofía de Karl Popper ha dejado una huella indeleble en el
pensamiento cientíco y epistemológico del siglo XX y más allá. Su énfasis en la
falsabilidad como criterio demarcatorio ha proporcionado un marco sólido para
la evaluación de teorías cientícas, desaando nociones más dogmáticas que
predominaban antes de su obra. Al rechazar el paradigma de la vericación
64
como base para la ciencia, Popper propuso una metodología en el que las
hipótesis deben ser sometidas a pruebas rigurosas y críticas constantes, lo que
fomenta un ambiente de investigación más dinámico y evolutivo.
La noción de ciencia abierta que Popper defendió ha inuido en las
disciplinas cientícas, ha permeado las ciencias sociales y humanísticas
(Velasco, 2004). Su insistencia en la provisionalidad del conocimiento y el
carácter tentativo de las teorías ha promovido un ambiente en el que el
cuestionamiento y la revisión son fundamentales para el avance del saber. Esto
ha llevado a un reconocimiento más amplio de la importancia de la crítica y el
debate en la construcción del conocimiento, proporcionando un antídoto contra
el dogmatismo.
Más, la herencia de Popper no está exenta de controversias. Sus ideas han
sido objeto de debates y críticas, lo que demuestra que su legado sigue vivo y
relevante. La losofía popperiana ha motivado a los investigadores a reexionar
sobre los límites de la ciencia, la naturaleza de la verdad y la complejidad del
conocimiento. En un mundo donde la información y las teorías surgen a un
ritmo acelerado, la perspectiva crítica que propugna Popper se mantiene como
un elemento esencial para la salud intelectual de la investigación
contemporánea.
El legado de Karl Popper reside en sus contribuciones teóricas, en la
forma en que ha moldeado la práctica cientíca y el pensamiento crítico. Su
legado invita a las futuras generaciones de investigadores a abrazar la
incertidumbre y la crítica como motores del progreso, recordándonos que el
verdadero avance del conocimiento se encuentra en la disposición a cuestionar
y a aprender en un diálogo constante con la realidad.
65
Capítulo IV
Thomas Kuhn en la investigación cientíca: Observación
y experimentación para generar conocimiento cientíco
Thomas Samuel Kuhn, lósofo y cientíco estadounidense, es reconocido
como el sociólogo en la losofía de la ciencia del siglo XX. Nacido en 1922, su
obra más emblemática, “La estructura de las revoluciones cientícas”, publicada en
1962, revolucionó la forma en que se entiende el progreso cientíco. Kuhn
desaó la visión tradicional del avance cientíco como un proceso lineal y
acumulativo, proponiendo en su lugar la idea de que la ciencia avanza a través
de "revoluciones" que transforman fundamentalmente la manera en que los
cientícos perciben y comprenden el mundo.
La obra de Kuhn se centra en el concepto de "paradigma", que se reere
a los conjuntos de creencias, valores y técnicas compartidos por una comunidad
cientíca en un periodo determinado. A través de sus análisis, Kuhn mostró
cómo estos paradigmas guían la investigación cientíca y limitan la manera en
que los cientícos interpretan los datos y resuelven problemas. Cuando un
paradigma se enfrenta a anomalías que no puede explicar, puede dar paso a una
crisis que, eventualmente, puede culminar en una revolución cientíca y en la
adopción de un nuevo paradigma.
La introducción de Kuhn a la losofía de la ciencia ha tenido un impacto
duradero, ya que sus ideas han fomentado un debate intenso sobre la naturaleza
del conocimiento cientíco, la objetividad y el papel de la comunidad cientíca
en la construcción de la realidad (Briceño, 2009). El legado histórico y
sociológico ha permitido una comprensión más rica y matizada de cómo se
desarrolla la ciencia, reconociendo la complejidad de las dinámicas sociales y
culturales que la rodean.
El término "paradigma" ha adquirido una importancia fundamental en la
discusión sobre la investigación cientíca, gracias a la obra de Thomas Kuhn. En
su libro *La estructura de las revoluciones cientícas*, Kuhn utiliza este
concepto para describir el conjunto de prácticas, teorías y normas que denen
66
una disciplina cientíca en un momento dado. Para comprender la relevancia
de los paradigmas, es crucial explorar su denición, ejemplos históricos y la
dinámica de la transición entre ellos.
Un paradigma cientíco se puede denir como un marco de referencia
que guía la investigación dentro de una disciplina. Este marco incluye no solo
teorías y modelos, sino también métodos, estándares y valores que los cientícos
comparten. Según Kuhn, los paradigmas proporcionan una estructura dentro
de la cual los cientícos pueden trabajar y resolver problemas. Pese a que,
implican cierta rigidez, ya que pueden limitar la forma en que se perciben y
abordan las anomalías que no encajan dentro del marco establecido (Briceño,
2009).
Entre los ejemplos más notables es el paradigma de la física clásica,
basado en las leyes de Newton, que dominó durante siglos. Este paradigma
permitió una comprensión coherente de muchos fenómenos naturales, desde la
mecánica hasta la astronomía. Con todo, a principios del siglo XX, la llegada de
la teoría de la relatividad de Einstein representó un cambio radical que desaaba
las suposiciones del paradigma clásico, dando lugar a la derivación en la
comprensión del espacio y el tiempo.
Durante siglos, se creía que los organismos podían surgir de manera
espontánea a partir de materia inerte. Esta idea fue desaada por las
investigaciones de Louis Pasteur y otros, que demostraron que la vida proviene
de otras formas de vida, lo que condujo a un nuevo paradigma en la biología.
La transición entre paradigmas no es un proceso sencillo ni lineal. Según Kuhn,
este cambio ocurre a través de lo que él llama "revoluciones cientícas". Durante
un periodo de ciencia normal, los cientícos trabajan dentro de un paradigma
establecido, resolviendo problemas y acumulando conocimientos. A pesar de
ello, cuando surgen sucientes anomalías que no pueden ser explicadas por el
paradigma vigente, se comienza a cuestionar su validez. Esto puede dar lugar a
una crisis, donde el viejo paradigma es incapaz de ofrecer respuestas
satisfactorias (Alcina, 2006).
Eventualmente, un nuevo paradigma puede emerger, ofreciendo una
alternativa que explica las anomalías y proporciona una nueva dirección para la
investigación. Este proceso, aun cuando puede parecer caótico, es esencial para
el progreso de la ciencia, ya que permite la evolución y el avance del
67
conocimiento. Así, el concepto de paradigma es central en la obra de Thomas
Kuhn y ofrece una nueva perspectiva sobre cómo se desarrolla la ciencia. A
través del entendimiento de los paradigmas, se pueden apreciar mejor las
dinámicas complejas que subyacen a la investigación cientíca y los cambios
que la caracterizan.
4.1 La estructura de las revoluciones cientícas
Las revoluciones cientícas son momentos cruciales en la historia del
conocimiento que marcan un cambio fundamental en la forma en que se
comprende el mundo. Thomas Kuhn, en su obra más inuyente, “La estructura
de las revoluciones cientícas”, describe cómo estas transformaciones no son
meramente acumulativas, sino que implican una reconguración completa de
los paradigmas que guían la investigación cientíca (García, 2008).
Kuhn identica varias fases en el proceso de una revolución cientíca.
Inicialmente, se encuentra el periodo de "ciencia normal", donde los cientícos
operan dentro de un paradigma establecido, resolviendo problemas y
acumulando conocimientos. Con todo, a medida que surgen anomalías que no
pueden ser explicadas por el paradigma vigente, se inicia un periodo de crisis.
Esta crisis puede llevar a la aparición de nuevas teorías que desafían el
paradigma existente, generando un debate intenso dentro de la comunidad
cientíca. Finalmente, si una de estas nuevas teorías logra ganar aceptación, se
produce una revolución cientíca, resultando en un cambio de paradigma que
redene el campo de estudio.
El impacto de las revoluciones cientícas es profundo y multifacético. No
solo se transforman las teorías cientícas, sino que cambian las prácticas, los
métodos y, en muchos casos, la estructura misma de las disciplinas. La
aceptación de un nuevo paradigma puede llevar tiempo y provocar resistencia
entre los cientícos que han invertido su carrera en el viejo paradigma (Alcina,
2006). Este proceso de aceptación no es solo intelectual; también involucra
aspectos psicológicos y socioculturales, ya que los cientícos deben recongurar
su forma de ver el mundo y su lugar en él.
A pesar de su inuencia, la teoría de las revoluciones cientícas de Kuhn
ha sido objeto de críticas. Algunos lósofos de la ciencia argumentan que la
síntesis puede llevar a un relativismo extremo, sugiriendo que cualquier
68
paradigma es tan válido como otro. Otros cuestionan la noción de que la ciencia
progresa a través de saltos discontinuos, sugiriendo que el desarrollo cientíco
es más gradual y acumulativo de lo que Kuhn propone. Pese a lo cual, estas
críticas han impulsado debates productivos que han enriquecido la losofía de
la ciencia y han llevado a una mayor exploración de cómo se desarrollan y
cambian las ideas cientícas en el tiempo.
La estructura de las revoluciones cientícas, tal como la presenta Kuhn,
proporciona un marco valioso para entender cómo se producen los cambios en
la ciencia. Al reconocer las fases de crisis y aceptación, así como el impacto en la
comunidad cientíca y las críticas a su teoría, podemos apreciar la complejidad
y la dinámica del progreso cientíco.
La obra de Thomas Kuhn ha dejado una huella indeleble en la losofía
de la ciencia, desaando y ampliando nuestras concepciones sobre cómo se
desarrolla el conocimiento cientíco. Kuhn no operaba en un vacío; su trabajo
se entrelazaba con las ideas de otros lósofos de la ciencia, como Karl Popper e
Imre Lakatos. Mientras que Popper defendía la falsabilidad como criterio para
demarcar la ciencia de la no-ciencia, Kuhn propuso que los cientícos operan
dentro de marcos teóricos que dictan lo que se considera válido en un momento
dado (García, 2008).
Esta idea contrastante generó debates sobre la naturaleza de la ciencia y
sus métodos; en concreto, la noción de que la ciencia avanza a través de
revoluciones paradigmáticas fue vista como un reto al enfoque lineal y
acumulativo que Popper abogaba. Asimismo, Lakatos introdujo el concepto de
"programas de investigación", que intentó mediar entre las posiciones de Kuhn
y Popper, sugiriendo que la ciencia avanza en etapas más complejas que
simplemente a través de la aceptación o el rechazo de teorías.
4.1.1 La relevancia contemporánea de su obra y debates actuales sobre su
paradigma
La relevancia de la obra de Kuhn se extiende más allá de su tiempo. En
un mundo donde la ciencia enfrenta cuestionamientos sobre su objetividad y su
relación con la sociedad, las ideas de Kuhn sobre la subjetividad inherente en la
elección de paradigmas cobran un nuevo signicado. En campos como la
biología, la psicología y la sociología, el concepto de paradigma se ha utilizado
69
para entender cómo las teorías dominantes pueden inuir en la investigación y
la interpretación de datos. La discusión sobre la "ciencia como un proceso social"
ha revitalizado el interés por las contribuciones de Kuhn, haciendo de su obra
un punto de referencia crucial para cualquier discusión sobre la práctica y la
losofía cientíca contemporánea.
A pesar de su inuencia, la teoría de Kuhn no ha estado exenta de críticas
y debates. Algunos lósofos y cientícos han cuestionado la idea de que los
cambios de paradigma son tan radicales y discontinuos como Kuhn sugiere.
Críticas como las de Larry Laudan argumentan que la ciencia progresa de
manera más gradual y que la continuidad en la investigación es más frecuente
que las rupturas drásticas. Por otra parte, el surgimiento de la ciencia
postnormal, que considera la ciencia en contextos donde el conocimiento es
incierto y los valores sociales juegan un papel importante, ha llevado a una
reevaluación de cómo se entiende el progreso cientíco en un mundo complejo
y globalizado. Estos debates actuales enriquecen la losofía de la ciencia y sirven
como testimonio del impacto duradero de Kuhn en la manera en que
entendemos la evolución del conocimiento cientíco.
La inuencia de Thomas Kuhn en la losofía de la ciencia es innegable.
Su visión innovadora sobre los paradigmas y las revoluciones cientícas ha
abierto nuevas vías de investigación y debate, desaando a generaciones de
pensadores a reconsiderar cómo se construye y valida el conocimiento en el
ámbito cientíco (Bird, 2012). Su legado persiste, invitando a una reexión
continua sobre el papel de la teoría, la práctica y la sociedad en el desarrollo
cientíco.
El legado de Thomas Kuhn en la investigación cientíca es innegable y
ha dejado una huella profunda en la losofía y la práctica de la ciencia
contemporánea. Su enfoque sedicioso sobre cómo se desarrollan y transforman
las teorías cientícas ha desaado la visión tradicional del progreso lineal del
conocimiento (Bird, 2012). En lugar de concebir la ciencia como un acumulado
de verdades objetivas y permanentes, Kuhn nos invita a entenderla como un
proceso dinámico, en el que los paradigmas juegan un papel crucial en la
conguración de nuestra comprensión del mundo.
Kuhn introdujo el concepto de paradigma, iluminó el proceso de cambio
de estos, lo que permite a los cientícos y lósofos de la ciencia reexionar sobre
70
las estructuras que sustentan sus investigaciones. La idea de que la ciencia
avanza a través de revoluciones paradigmáticas ha fomentado un debate crítico
sobre cómo las comunidades cientícas adoptan, adaptan o rechazan nuevas
ideas. La evolución de los postulados de Kuhn han llevado a una mayor
conciencia sobre la inuencia de factores socioculturales y psicológicos en la
práctica cientíca, enriqueciendo así el análisis crítico de la ciencia.
La obra de Kuhn ha sido objeto de numerosos debates y
reinterpretaciones. Filósofos como Imre Lakatos y Paul Feyerabend han
respondido y expandido sus ideas, lo que ha contribuido a un diálogo continuo
sobre la naturaleza de la ciencia y su desarrollo. A pesar de las críticas, el marco
kuhniano sigue siendo una herramienta valiosa para entender la ciencia en su
complejidad.
Hoy en día, el legado de Kuhn se maniesta en la forma en que
abordamos la investigación interdisciplinaria y la innovación cientíca. Su
reconocimiento de la provisionalidad del conocimiento cientíco resuena en un
mundo donde la ciencia enfrenta cuestiones globales complejas y multifacéticas.
La capacidad de adaptarse y cambiar de paradigma no es solo un rasgo de la
historia cientíca, es una necesidad en la búsqueda de soluciones a problemas
contemporáneos
En última instancia, el impacto de Thomas Kuhn trasciende la losofía de
la ciencia; su obra nos recuerda que el conocimiento es un constructo en
constante evolución, moldeado por nuestras experiencias, contextos y objetivos.
Su legado invita a las futuras generaciones de cientícos y pensadores a
mantener una mente abierta, cuestionar las certezas establecidas y estar
dispuestos a explorar nuevas fronteras del conocimiento.
El método cientíco Kuhn es un conjunto sistemático de procedimientos
y técnicas que los investigadores utilizan para adquirir conocimiento de manera
objetiva y vericable. Su objetivo principal es generar explicaciones sobre los
fenómenos naturales a través de la observación, la formulación de hipótesis y la
experimentación. En el contexto histórico, ha permitido a la humanidad
comprender mejor el mundo que nos rodea, desde las leyes de la física hasta los
procesos biológicos que rigen la vida (Bird, 2012).
71
La esencia del método cientíco radica en su naturaleza empírica, lo que
signica que se basa en la experiencia y la evidencia observacional. Esto lo
distingue de otros sistemas menos rigurosos que pueden fundamentarse en
suposiciones o creencias no comprobadas. Al seguir un proceso estructurado,
los cientícos pueden reducir la incertidumbre y aumentar la abilidad de sus
conclusiones.
El método cientíco se aplica en diversas disciplinas, desde las ciencias
naturales hasta las ciencias sociales, y es fundamental para el avance del
conocimiento y la tecnología. El método cientíco es un proceso sistemático que
permite a los investigadores abordar preguntas y problemas de manera
estructurada y, se compone de varias etapas que, aunque pueden variar en su
presentación, generalmente incluyen la observación, la formulación de
hipótesis, la experimentación y la conclusión (Morles, 2002). Cada una de estas
etapas desempeña un papel crucial en la generación de conocimiento cientíco,
permitiendo a los cientícos desarrollar teorías y principios que expliquen
fenómenos naturales.
La observación es el primer paso en el método cientíco, donde el
investigador utiliza sus sentidos o instrumentos para recoger información sobre
un fenómeno especíco. Esta fase implica la identicación de patrones,
comportamientos o eventos que despiertan curiosidad y que necesitan ser
investigados más a fondo.
Existen dos tipos principales de observación: la observación cualitativa y
la observación cuantitativa. La observación cualitativa se centra en las
características descriptivas de un fenómeno, mientras que la observación
cuantitativa se basa en la medición y el análisis de datos numéricos. Ambos tipos
son esenciales en la ciencia, ya que aportan diferentes perspectivas y enfoques
para entender un fenómeno.
La observación es fundamental en la ciencia porque proporciona la base
sobre la cual se construyen las teorías. Sin observaciones precisas y detalladas,
no sería posible formular preguntas de investigación ni desarrollar hipótesis.
Del mismo modo, la observación es un proceso continuo que se lleva a cabo
durante todo el estudio, ayudando a los cientícos a ajustar sus teorías y renar
sus preguntas a medida que avanzan en su investigación.
72
Una hipótesis es una declaración provisional que propone una posible
explicación para un fenómeno observado. Actúa como una suposición
fundamentada que se puede probar a través de la experimentación. Esta etapa
es crucial porque orienta el diseño del estudio y dene el camino que tomará la
investigación. Una buena hipótesis debe ser clara, especíca y falsable, lo que
signica que debe ser posible demostrar que es incorrecta a través de la
observación o la experimentación. De igual forma, debe estar basada en el
conocimiento existente y ser relevante para el fenómeno que se está
investigando.
En particular, si un investigador observa que las plantas crecen más
rápido en un tipo de suelo que en otro, podría formular la hipótesis de que "las
plantas en suelo rico en nutrientes crecerán más rápido que las plantas en suelo
pobre en nutrientes". Esta hipótesis puede ser probada mediante la realización
de experimentos controlados.
El diseño experimental es la fase en la que se planica cómo se llevará a
cabo la prueba de la hipótesis. Esto incluye la selección de muestras, la
denición de variables dependientes e independientes, y el establecimiento de
grupos de control. Un diseño bien estructurado es esencial para garantizar que
los resultados sean válidos y replicables. Existen varios tipos de experimentos,
entre los cuales se encuentran los experimentos de laboratorio, que se realizan
en un entorno controlado, y los experimentos de campo, que se llevan a cabo en
un entorno natural. Cada tipo tiene sus ventajas y desventajas, y la elección
depende de la naturaleza de la hipótesis y del fenómeno a investigar.
Una vez que se han recopilado los datos, es fundamental analizarlos para
determinar si apoyan o refutan la hipótesis. Este análisis puede incluir métodos
estadísticos y la comparación de resultados con los grupos de control. La
interpretación de los resultados es crucial para avanzar en la comprensión del
fenómeno estudiado.
La conclusión es la etapa nal del método cientíco, donde se sintetizan
los hallazgos y se evalúa la hipótesis. Dependiendo de los resultados, la
hipótesis puede ser aceptada, modicada o rechazada. Este paso es esencial para
el avance del conocimiento cientíco, ya que puede abrir nuevas preguntas y
líneas de investigación, contribuyendo así al ciclo continuo de la ciencia. Desde
73
la observación inicial hasta la conclusión nal, cada fase es vital para la
construcción del conocimiento y la comprensión de los fenómenos naturales.
4.1.2 El Método Cientíco en la Era de la Inteligencia Articial Generativa:
Fundamentos, Aplicaciones y Desafíos
El método cientíco es una herramienta fundamental en la búsqueda del
conocimiento, que ha permitido a la humanidad comprender y explicar
fenómenos naturales, desarrollar tecnologías innovadoras y mejorar la calidad
de vida. Este proceso sistemático y riguroso se basa en la observación, la
formulación de hipótesis, la experimentación y el análisis de datos,
garantizando así la validez y conabilidad de los resultados obtenidos.
La importancia del método cientíco radica en su capacidad para
proporcionar un marco estructurado que guía a los investigadores a través de la
complejidad del mundo que les rodea. Al seguir este lineamiento, los cientícos
pueden formular preguntas claras y precisas, diseñar experimentos que les
permitan poner a prueba sus hipótesis y analizar los resultados de manera
objetiva. Esta metodología es crucial en las ciencias naturales, en disciplinas
como la psicología, la sociología y, más recientemente, en el campo de la
inteligencia articial (IA).
En el contexto de la investigación en IA, el método cientíco se convierte
en un aliado indispensable para abordar situaciones tecnológicas en constante
evolución. La IA generativa, una rama de la inteligencia articial que permite
crear contenido nuevo a partir de datos existentes, se benecia enormemente de
la aplicación de este método. A medida que los investigadores buscan mejorar
los modelos generativos y garantizar su efectividad, la adopción de un sistema
cientíco se vuelve esencial para evaluar su desempeño, optimizar su
funcionamiento y abordar las implicaciones éticas que surgen de su uso
(Tramallino y Zeni, 2024).
Así, entender el método cientíco es vital para los investigadores en el
ámbito académico y para aquellos que participan en el desarrollo y la
implementación de soluciones de IA generativa. Esta sinergia entre el método
cientíco y la inteligencia articial generativa promete abrir nuevas fronteras en
la investigación y la innovación, garantizando que los avances sean tanto
efectivos como responsables. En las siguientes secciones, exploraremos los
74
fundamentos del método cientíco, sus aplicaciones en la IA generativa y la
relevancia en la investigación contemporánea.
El método cientíco es un proceso sistemático y estructurado que se
utiliza para investigar fenómenos, adquirir nuevos conocimientos o corregir y
ampliar los conocimientos previos. Por ende, los investigadores formulan
preguntas precisas para obtener respuestas basadas en evidencias, lo que es
fundamental para el avance de la ciencia y la tecnología.
La IA generativa tiene la capacidad para crear contenido original, desde
texto y música hasta imágenes y videos, ha transformado numerosas industrias
y ha abierto un nuevo horizonte de posibilidades creativas y funcionales. La IA
generativa se reere a un conjunto de algoritmos y modelos de aprendizaje
automático que tienen la capacidad de generar nuevos datos o contenido a partir
de patrones aprendidos en conjuntos de datos existentes.
A diferencia de la inteligencia articial tradicional, que se centra en la
clasicación y el análisis de datos, la IA generativa se enfoca en la creación. Las
aplicaciones son vastas e incluyen desde la generación de texto automatizado,
hasta la producción de arte digital y música. Asimismo se utiliza en la creación
de modelos 3D, el diseño de productos y la simulación de entornos complejos
en la investigación cientíca.
Entre las herramientas más destacadas en la IA generativa se encuentran
los modelos de redes neuronales profundas, como las Generative Adversarial
Networks (GANs) y los modelos de difusión. Las GANs funcionan mediante un
sistema en el que dos redes neuronales, un generador y un discriminador,
compiten entre sí: el generador crea contenido y el discriminador evalúa su
autenticidad. Esta competencia mejora gradualmente la calidad del contenido
generado. Los modelos de difusión, que han ganado popularidad en los últimos
años, generan contenido a partir de ruido aleatorio, renando progresivamente
el resultado hasta alcanzar una versión coherente y de alta calidad (Tramallino
y Zeni, 2024). Estas técnicas, junto con el uso de grandes volúmenes de datos y
potentes recursos computacionales, han permitido avances signicativos en la
calidad y variedad del contenido creado por la IA generativa.
A pesar de sus ventajas, la inteligencia articial generativa tiene la
posibilidad de generar contenido falso o engañoso, como deepfakes o noticias
75
falsas, lo que plantea preocupaciones sobre la desinformación y la manipulación
de la opinión pública. La propiedad intelectual de las obras generadas por IA
sigue siendo un tema de debate; la cuestión sobre quién posee los derechos sobre
el contenido creado por un algoritmo es un terreno legal poco explorado.
Incluso es crucial considerar los sesgos inherentes en los datos de
entrenamiento, que pueden llevar a la creación de contenido que perpetúe
estereotipos o discriminación. Por lo tanto, es fundamental que los
desarrolladores y los investigadores en el campo de la IA generativa adopten
regulaciones en la ética de la indagación cientíca, asegurando que los
benecios de esta tecnología se utilicen de manera justa y equitativa.
La inteligencia articial generativa representa un avance signicativo en
la capacidad de las máquinas para crear y generar contenido. Pero, a medida
que esta tecnología continúa evolucionando, es esencial abordar los aspectos
éticos y prácticos que surgen, garantizando que su desarrollo y aplicación se
realicen de manera responsable y con énfasis en el bienestar social.
4.1.3 Aplicación del método cientíco en la IA generativa
La inteligencia articial generativa ha cobrado protagonismo en diversos
campos, desde la creación de contenido hasta la simulación de modelos
complejos. Sin embargo, su desarrollo y aplicación efectiva requieren una base
sólida que garantice resultados válidos y útiles. Aquí es donde el método
cientíco se convierte en una herramienta esencial. A través de su aplicación,
podemos estructurar el proceso de creación, validación y mejora de modelos
generativos.
El desarrollo de modelos de IA generativa comienza con la formulación
de preguntas especícas y la identicación de problemas a resolver, lo cual está
en línea con la primera etapa del método cientíco. Para ilustrar, un
investigador puede preguntarse: "¿Cómo puede un modelo generar imágenes
que sean indistinguibles de fotografías reales?" A partir de esta interrogante, se
establecen hipótesis que guiarán el diseño del modelo, relacionadas con la
arquitectura, los datos utilizados para entrenarlo o las técnicas de ajuste de
parámetros.
Durante el desarrollo del modelo, se llevan a cabo experimentos que
implican la recolección y análisis de datos. En concreto, se pueden probar
76
diferentes algoritmos de entrenamiento y comparar su efectividad en la
generación de imágenes. Esta sintaxis permite identicar qué métodos
funcionan mejor y proporciona un marco para la replicación de resultados, un
principio fundamental del método cientíco.
La evaluación de resultados es una parte crucial del método cientíco y,
por ende, del desarrollo de la IA generativa. Una vez que un modelo ha sido
entrenado, es esencial realizar pruebas rigurosas para determinar su
rendimiento. Esto incluye la utilización de métricas cuantitativas, como la
precisión y la calidad de las imágenes generadas, así como la realización de
estudios de percepción donde se evalúa la capacidad de los humanos para
distinguir entre las imágenes generadas y las reales.
En esa misma línea, la retroalimentación es un componente vital en este
proceso. Los resultados obtenidos deben ser analizados críticamente para
identicar posibles áreas de mejora. Este ciclo de evaluación y retroalimentación
permite a los investigadores ajustar y renar sus modelos, asegurando que se
alineen cada vez más con las expectativas y requisitos denidos en las etapas
iniciales del proceso.
Existen numerosos estudios que ejemplican la aplicación del método
cientíco en la IA generativa. Un caso notable es el desarrollo de redes
generativas adversariales (GANs), donde los investigadores han formulado
hipótesis sobre la interacción entre dos redes neuronales: una que genera
imágenes y otra que las evalúa. A través de un proceso iterativo de
experimentación, se han logrado avances signicativos en la calidad de las
imágenes generadas. El uso de modelos de lenguaje generativo, como GPT-3,
han sido sometidos a rigurosas pruebas para evaluar su capacidad de
comprensión y generación de texto. Los investigadores han seguido el método
cientíco al establecer hipótesis sobre la relación entre el tamaño del modelo y
su rendimiento, realizando experimentos para validar estas hipótesis mediante
la recolección de datos de rendimiento en tareas especícas (Solano et al., 2024).
La aplicación del método cientíco en la inteligencia articial generativa
proporciona una estructura sistemática para el desarrollo de modelos, que
incluso asegura la validez y la relevancia de los resultados obtenidos. A medida
que esta tecnología continúa evolucionando, la integración del método cientíco
será fundamental para maximizar el potencial de la IA generativa.
77
4.1.4 Relevancia del método cientíco en la IA generativa
Empero, su desarrollo y aplicación no están exentos de retos y
complejidades. En este contexto, el método cientíco se erige como una
herramienta fundamental que guía la investigación en este ámbito y que asegura
la validez y la utilidad de los modelos generativos que se desarrollan. El método
cientíco, con su estructura sistemática y basada en la evidencia, permite a
investigadores y desarrolladores de IA generativa abordar problemas complejos
de manera ordenada. A través de la observación y la formulación de hipótesis,
se pueden identicar patrones y tendencias que informan la creación de
algoritmos y modelos. La experimentación y el análisis de datos, pilares de este
análisis, son cruciales para validar las teorías propuestas y ajustar los modelos
generativos en función de los resultados obtenidos (Díaz, 2024).
Igualmente, la aplicación del método cientíco en la IA generativa
contribuye a la transparencia y la reproducibilidad de los estudios. En un campo
donde la conanza en los resultados es esencial, seguir el método cientíco
permite a los investigadores presentar sus hallazgos de manera clara y accesible,
facilitando la colaboración y la vericación por parte de otros expertos en la
materia. Esto es especialmente relevante dado el impacto potencial de la IA
generativa en diversas industrias, desde el arte y la música hasta la medicina y
la educación (Díaz, 2024).
Por último, la consideración de la responsabilidad ética y social que
surgen con la implementación de la IA generativa a su vez se benecia de un
plano metodológico riguroso. El método cientíco permite evaluar la ecacia
técnica de los modelos e invita a una reexión crítica sobre sus implicaciones.
Al integrar la ética en cada etapa del proceso, se fomenta un desarrollo
responsable y sostenible de la inteligencia articial generativa.
El método cientíco es vital para el avance técnico en el campo de la
inteligencia articial generativa y esencial para asegurar que este avance se
realice de manera ética y responsable. Su aplicación sistemática promueve la
innovación, la colaboración y la conanza en un ámbito donde las posibilidades
son tan vastas como los dilemas que enfrenta. A medida que continuamos
explorando las capacidades de la IA generativa, el método cientíco seguirá
siendo un aliado indispensable en la búsqueda de un futuro donde la tecnología
y la humanidad coexistan de manera armoniosa.
78
La importancia del método cientíco radica en su capacidad para
proporcionar un marco estructurado que guía el proceso de investigación. A
diferencia de otros métodos de indagación, el método cientíco se basa en la
evidencia empírica y en la reproducibilidad de los resultados, garantizando que
las conclusiones alcanzadas sean conables y vericables. Esta característica es
esencial en un mundo donde la información es abundante, pero no siempre
precisa. Al aplicar el método cientíco, los investigadores pueden distinguir
entre armaciones basadas en evidencia y aquellas que carecen de fundamento.
Del mismo modo, el método cientíco fomenta un debate crítico hacia la
adquisición del conocimiento, alentados a cuestionar sus propias suposiciones
y a someter sus hallazgos a un escrutinio riguroso, lo que conduce a una
comprensión más profunda y matizada de los fenómenos estudiados. Este
proceso de revisión y análisis constante fortalece la credibilidad de la
investigación, impulsa la innovación y el avance del conocimiento en un
contexto interdisciplinario.
El método cientíco es una herramienta esencial en la metodología de
investigación que permite a los investigadores abordar preguntas complejas de
manera estructurada y fundamentada. Su aplicación en diversas disciplinas,
desde las ciencias naturales hasta las ciencias sociales, demuestra su versatilidad
y relevancia en la búsqueda del conocimiento y la resolución de problemas
(Morles, 2002). La formulación de hipótesis es un paso fundamental en el
proceso de investigación, constituyendo una declaración provisional que se
somete a prueba a través del método cientíco. Una hipótesis bien formulada
no solo guía el deber ser del investigador, establece las bases para el diseño del
estudio y la recolección de datos.
En las ciencias naturales, la formulación de hipótesis se basa en la
observación de fenómenos y en la identicación de patrones. Tal como, un
cientíco en biología podría observar que ciertas plantas crecen más en la
sombra que en la luz directa. A partir de esto, podría formular la hipótesis: "Las
plantas crecen más en condiciones de sombra que en luz directa". Esta hipótesis
puede ser probada mediante experimentos controlados que midan el
crecimiento de las plantas en diferentes condiciones de luz. La claridad y
precisión de la hipótesis son esenciales, ya que determinan la metodología a
seguir y los tipos de datos que se recolectarán.
79
La formulación de hipótesis en las ciencias sociales y humanas presenta
incertidumbres debido a la complejidad de los fenómenos estudiados. Aquí, los
investigadores deben considerar factores culturales, contextuales y subjetivos
que pueden inuir en el comportamiento humano. En concreto, un sociólogo
que estudia la relación entre la educación y el ingreso podría formular la
hipótesis: "Un mayor nivel educativo está asociado con un mayor ingreso
personal". Esta hipótesis puede ser investigada utilizando encuestas, entrevistas
y análisis de datos históricos. En este campo, las hipótesis deben ser exibles y
adaptarse a las dinámicas sociales, permitiendo así renamientos a medida que
se obtiene más información.
En el ámbito del desarrollo tecnológico y la innovación, la formulación
de hipótesis es crucial para la creación de nuevos productos y procesos. Los
ingenieros y desarrolladores tecnológicos a menudo comienzan con una idea
que se convierte en una hipótesis sobre cómo un nuevo producto puede resolver
un problema especíco. Para ilustrar, un ingeniero podría suponer que la
implementación de una nueva tecnología de batería aumentará la eciencia de
un dispositivo. La hipótesis puede ser probada a través de prototipos y pruebas
de rendimiento. En este contexto, la formulación de hipótesis impulsa la
investigación, orienta el proceso de diseño y la mejora continua de las soluciones
tecnológicas.
La formulación de hipótesis es un componente esencial del método
cientíco que permite a los investigadores en diversas disciplinas establecer
preguntas de investigación claras y orientadas. La capacidad de formular
hipótesis adecuadas y pertinentes es fundamental para el avance del
conocimiento y la aplicación práctica de los hallazgos en el mundo real.
El diseño de experimentos es una fase crucial en la investigación, ya que
proporciona la estructura necesaria para llevar a cabo un estudio riguroso y
sistemático. Un buen diseño permite a los investigadores responder preguntas
especícas y probar hipótesis de manera efectiva. Un experimento bien
diseñado se basa en varios elementos clave que garantizan la validez y abilidad
de los resultados (Pájaro, 2002). Estos elementos incluyen:
- Variables: En cualquier experimento, es fundamental identicar las
variables independientes (aquellas que se manipulan) y dependientes
(aquellas que se miden). A su vez, deben considerarse las variables
80
controladas, que son aquellas que se mantienen constantes para evitar
inuencias externas.
- Grupo de Control y Grupo Experimental: Para establecer una comparación
adecuada, es importante contar con un grupo de control que no reciba el
tratamiento experimental. Esto permite observar los efectos del
tratamiento en el grupo experimental y atribuir cualquier diferencia a la
intervención.
- Muestra Representativa: La selección de una muestra adecuada es esencial
para garantizar que los resultados sean generalizables. La muestra debe
ser representativa de la población objetivo, lo que puede lograrse a través
de métodos de muestreo aleatorio o estraticado.
El control de variables es un aspecto fundamental del diseño experimental,
ya que permite a los investigadores aislar el efecto de la variable independiente
sobre la variable dependiente. Existen varias estrategias para controlar
variables:
- Aleatorización: La asignación aleatoria de participantes a grupos
experimentales y de control ayuda a minimizar sesgos y a asegurar que
las diferencias observadas sean atribuibles a la manipulación de la
variable independiente.
- Homogeneización: En algunos casos, los investigadores pueden elegir
restringir la muestra a un grupo homogéneo, es decir, participantes que
compartan ciertas características (como edad, género o nivel
socioeconómico) para reducir la variabilidad.
- Bloqueo: Este método implica agrupar a los participantes en bloques
basados en características especícas y luego aleatorizar dentro de esos
bloques, lo que permite controlar variaciones que podrían afectar los
resultados.
La recolección de datos es otro componente crítico del diseño experimental.
Los métodos elegidos deben ser apropiados para el tipo de investigación y las
preguntas planteadas. Algunos de los métodos más comunes incluyen:
- Observación: Permite recopilar datos en situaciones naturales, ósea, puede
estar sujeta a sesgos del observador.
81
- Cuestionarios y Encuestas: Estas herramientas son útiles para obtener
información de una gran cantidad de participantes. Más, es importante
diseñar preguntas claras y evitar la ambigüedad.
- Mediciones Directas: En algunos experimentos, se pueden utilizar
instrumentos de medición para cuanticar variables especícas, como la
presión arterial, el peso o la temperatura.
- Técnicas Cualitativas: Entrevistas en profundidad y grupos focales son
métodos que permiten explorar percepciones y experiencias de los
participantes de manera más detallada.
El diseño adecuado de experimentos es vital para la investigación cientíca,
ya que establece las bases para obtener resultados válidos y conables. A
medida que se avanza en el análisis e interpretación de los resultados, es esencial
que estos fundamentos estén bien establecidos para garantizar la rigurosidad
del estudio.
4.1.5 Análisis e Interpretación de Resultados
El análisis e interpretación de resultados es una fase crucial en el proceso
de investigación, ya que permite a los investigadores extraer conclusiones
signicativas a partir de los datos recolectados. Existen diversas técnicas de
análisis de datos que varían según la naturaleza de la investigación y el tipo de
datos recolectados. En el ámbito cuantitativo, se utilizan métodos estadísticos
que permiten identicar patrones, tendencias y correlaciones. En particular,
técnicas como la regresión, el análisis de varianza (ANOVA) y las pruebas t son
herramientas comunes para analizar datos numéricos. En cambio, en el ámbito
cualitativo, se emplean métodos como el análisis de contenido, la codicación
temática y el análisis de narrativas, que permiten interpretar signicados y
contextos a partir de entrevistas, encuestas abiertas y observaciones.
Una vez que se han aplicado las técnicas de análisis, el siguiente paso es
evaluar la hipótesis inicial. Esto implica comparar los resultados obtenidos con
las expectativas planteadas en la hipótesis. Si los resultados apoyan la hipótesis,
se puede considerar que existe una relación signicativa entre las variables
estudiadas; si no, se debe reexionar sobre las posibles razones de este
desacuerdo. Es importante destacar que la evaluación de la hipótesis es un
proceso binario de aceptación o rechazo, que puede llevar a la formulación de
nuevas preguntas de investigación y a la revisión de teorías existentes.
82
La presentación de los resultados es fundamental para la comunicación
efectiva de los hallazgos. Un informe de investigación debe estructurarse de
manera clara y concisa, utilizando grácos, tablas y otros recursos visuales que
faciliten la comprensión de los datos. La redacción debe incluir una
interpretación de los resultados, destacando su relevancia en el contexto del
estudio y su implicancia en el campo correspondiente. Además, es esencial
discutir las limitaciones del estudio y sugerir vías para futuras investigaciones,
lo que contribuye a un diálogo continuo en la comunidad cientíca.
El análisis e interpretación de resultados es un acto de síntesis de la
información recolectada, proceso reexivo que impulsa el avance del
conocimiento en todas las áreas del saber. A través de la aplicación rigurosa de
técnicas analíticas y la evaluación crítica de las hipótesis, los investigadores
pueden contribuir al desarrollo de teorías, prácticas y tecnologías que impactan
la sociedad en su conjunto.
La aplicación del método cientíco en la investigación ha demostrado ser
fundamental para el avance del conocimiento en diversas disciplinas. Desde las
ciencias naturales hasta las ciencias sociales y humanas, el método cientíco se
erige como una herramienta indispensable para abordar problemas complejos y
obtener resultados conables (Nateras, 2005). La formulación de hipótesis es un
paso crucial que guía la investigación, permitiendo a los cientícos y académicos
establecer conexiones entre variables y prever resultados. En el ámbito de las
ciencias naturales, este proceso ha llevado a descubrimientos que han cambiado
nuestra comprensión del mundo. Por otro lado, en las ciencias sociales y
humanas, el método cientíco ha permitido desentrañar fenómenos sociales y
comportamentales, contribuyendo a una mejor comprensión de la sociedad y
sus dinámicas.
El diseño de experimentos, que incluye el control de variables y la
recolección de datos, es otra área en la que el método cientíco demuestra su
relevancia. La capacidad de establecer condiciones controladas y replicables
asegura que los resultados sean válidos y que se minimicen los sesgos. Esto es
especialmente importante en un mundo donde la información es abundante,
pero la calidad y precisión son esenciales para la toma de decisiones informadas.
El análisis e interpretación de resultados, junto con la evaluación de
hipótesis, son pasos nales que completan el ciclo del método cientíco. La
83
aplicación de técnicas de análisis de datos permite extraer conclusiones
signicativas, mientras que la presentación clara de estos resultados facilita la
comunicación del conocimiento a la comunidad cientíca y al público en
general.
El método cientíco es una herramienta esencial en la investigación, pilar
que sostiene el progreso cientíco y tecnológico. Su aplicación rigurosa permite
a los investigadores contribuir al desarrollo de soluciones innovadoras y a la
generación de un conocimiento más profundo y fundamentado. Por lo tanto,
fomentar su uso y entendimiento en todos los niveles educativos y profesionales
es crucial para continuar impulsando el avance del saber y la mejora de nuestras
sociedades.
84
Conclusión
La ética en la investigación con inteligencia articial (IA) constituye un
aspecto esencial que dene cómo se crean las tecnologías y su efecto en la
sociedad en general. A medida que la IA se incorpora en múltiples áreas del
saber cientíco, las consideraciones éticas se vuelven cada vez más relevantes.
En este libro se discernió en tres componentes clave de la ética: la
responsabilidad en el manejo de datos, la transparencia y reproducibilidad, así
como el impacto social y las implicaciones de las regulaciones. De hecho que
continuamos desarrollando y aplicando sistemas de IA, por lo que es crucial que
estas consideraciones éticas se integren de manera efectiva en el método
cientíco, garantizando que la tecnología sirva al bienestar de la sociedad en su
conjunto.
Mirando hacia el futuro, es probable que la integración de la inteligencia
articial generativa en la investigación continúe expandiéndose. En tanto se
desarrollen técnicas más avanzadas y se aborden los problemas éticos, es posible
que veamos una mayor colaboración entre cientícos de datos, investigadores y
expertos en ética. Esta sinergia mejorará la calidad de la investigación y ayudará
a construir una base sólida para la toma de decisiones informadas en diversas
disciplinas.
Es aquí donde entra a tallar el método cientíco como herramienta
fundamental en la búsqueda del conocimiento que permite a los investigadores
formular preguntas, desarrollar hipótesis y someterlas a pruebas rigurosas,
integrando a su vez la inteligencia articial. Este proceso sistemático se basa en
la observación, la experimentación y el análisis crítico, y tiene como objetivo la
comprensión y explicación de fenómenos naturales y sociales, según Tamayo.
En síntesis, los fundamentos del método cientíco son esenciales para la
investigación en inteligencia articial, ya que proporcionan un marco
estructurado que permite a los investigadores abordar problemas complejos de
manera sistemática. Al aplicar estos principios en la investigación moderna, se
asegura la ecacia de los modelos y algoritmos y su alineación con los
estándares éticos e impacto social.
85
En conclusión, la importancia del método cientíco radica en su
capacidad para proporcionar un marco estructurado que guía el proceso de
investigación. A diferencia de otros métodos de indagación, el método cientíco
se basa en la evidencia empírica y en la reproducibilidad de los resultados,
garantizando que las conclusiones alcanzadas sean conables y vericables.
Esta característica es esencial en un mundo donde la información es abundante,
pero no siempre precisa. Al aplicar el método cientíco, los investigadores
pueden distinguir entre armaciones basadas en evidencia y aquellas que
carecen de fundamento.
86
Bibliografía
Alsina Calvéz, J. (2006). Modelos de cambio cientíco a partir de la selección
natural: Análisis y propuestas. Llull Revista de la Sociedad Española de Historia de
las Ciencias y de las Técnicas, 29, 221-257. Recuperado a partir de
hps://dialnet.unirioja.es/descarga/articulo/2579756.pdf
Alvarez Rubio, A.M., García Juárez, H.D., Sánchez Cáceres, V., Panta Ipanaqué,
J.M., Balcázar Gallo, J.E.J., Asnate Salazar, E.J., y Baca Cornejo, J.W. (2024).
Inteligencia articial y ciencia de datos en metodología de la investigación cientíca.
Colonia del Sacramento: Editorial Mar Caribe. hps://doi.org/10.17613/rrtx1-
n2913
Araya Paz, C. (2021). Transparencia algorítmica ¿un problema normativo o
tecnológico?. CUHSO (Temuco), 31(2), 306-
334. hps://dx.doi.org/10.7770/cuhso-v31n2-art2196
Ayuso del Puerto, D., y Gutiérrez Esteban, P. (2022). La Inteligencia Articial
como recurso educativo durante la formación inicial del profesorado. RIED-
Revista Iberoamericana de Educación a Distancia, 25(2), 347–362.
hps://doi.org/10.5944/ried.25.2.32332
Berryhill, J. et al. (2019). Hello, World: Articial intelligence and its use in the public
sector, OECD Working Papers on Public Governance, No. 36. París: OECD
Publishing. hps://doi.org/10.1787/726fd39d-en
Bird, A. (2012). La losofía de la historia de la ciencia de Thomas Kuhn.
Discusiones Filosócas, 13(21), 167-185. Recuperado a partir de
hp://www.scielo.org.co/pdf/dil/v13n21/v13n21a10.pdf
Briceño, T. (2009). El paradigma cientíco y su fundamento en la obra de
Thomas Kuhn. Tiempo y Espacio, 19(52), 285-296.
Bunge, M. (1983). La investigación cientíca. Barcelona: Editorial Ariel
Bunge, M. (2011). Las pseudociencias. ¡Vaya Timo!. Pamplona: Editorial Laetoli
Bunge, M. (2023). La ciencia, su método y su losofía. Buenos Aires: Penguin
Random House Grupo Editorial
87
Castillo Santiago, R. (2022). Contributions to qualitative research: Study in the
design of Maxwell, Flick and Bunge. New Trends in Qualitative Research, 14, e624.
hps://doi.org/10.36367/ntqr.14.2022.e624
Corona Lisboa, J.L. (2018). Investigación cualitativa: Fundamentos
epistemológicos, teóricos y metodológicos. Vivat Academia, (144), 69–76.
hps://doi.org/10.15178/va.2018.144.69-76
Cortina Orts, A. (2024). ¿Ética o ideología de la inteligencia articial?. Valencia:
Grupo Planeta
de Lira Bautista, J. (2015). Karl Popper: Controversias en losofía de la ciencia.
México D.F.: Universidad Autónoma de Aguascalientes
Degli-Esposti, S. (2023). La ética de la inteligencia articial. Madrid: Consejo
Superior de Investigaciones Cientícas (CSIC)
Díaz Subieta, L.B. (2024). The Use of Articial Intelligence in Scientic Research.
Revista Historia De La Educación Latinoamericana, 26(43).
hps://doi.org/10.19053/uptc.01227238.18014
Elías Burgos, C., Retamoso, G., Cruz Agudelo, J., y Murgueitio, M.A. (2007).
Karl R. Popper. Génesis de una Teoría Educativa. Civilizar. Ciencias Sociales y
Humanas, 7(12), 151-169. Recuperado a partir de
hps://www.redalyc.org/articulo.oa?id=100220305011
Figueroa-Rodríguez, K.A., y Sangerman-Jarquín, D.M. (2022). El método en la
ciencia: origen y divergencias según Ruy Pérez Tamayo. Revista Mexicana De
Ciencias Agrícolas, 13(8), 1469–1479. hps://doi.org/10.29312/remexca.v13i8.3353
Franganillo, J. (2023). La inteligencia articial generativa y su impacto en la
creación de contenidos mediáticos. Methaodos Revista de Ciencias Sociales, 11(2),
m231102a10. hp://dx.doi.org/10.17502/mrcs.v11i2.710
García Jiménez, L. (2008). Aproximación epistemológica al concepto de ciencia:
una propuesta básica a partir de Kuhn, Popper, Lakatos y
Feyerabend. Andamios, 4(8), 185-202
González Andrade, R., y Santiago Trujillo, Y.D. (2023). El método hipotético
deductivo de Karl Popper en los estudiantes de la Educación Básica Regular en
88
Perú. Educación, 29(2), e3045.
hps://doi.org/10.33539/educacion.2023.v29n2.3045
Morles, V. (2002). Sobre la metodología como ciencia y el método cientíco: un
espacio polémico. Revista de Pedagogía, 23(66), 121-146
Nateras González, M.E. (2005). La importancia del método en la investigación.
Espacios Públicos, 8(15), 277-285. Recuperado a partir de
hps://www.redalyc.org/articulo.oa?id=67681519
Oen, T,, Manterola, C., Rodríguez-Núñez, I., y García-Domínguez, M. (2017).
La Necesidad de Aplicar el Método Cientíco en Investigación Clínica:
Problemas, Benecios y Factibilidad del Desarrollo de Protocolos de
Investigación. International Journal of Morphology, 35(3), 1031-
1036. hps://dx.doi.org/10.4067/S0717-95022017000300035
Pájaro Huertas, D. (2002). La Formulación de Hipótesis. Cinta de Moebio, (15).
Recuperado a partir de hps://www.redalyc.org/articulo.oa?id=10101506
Sabino, C. (1992). El proceso de investigación. Caracas: Editorial Panapo
Silva Aycaguer, LC.. (1997). Ciencia y pseudociencia: una distinción
crucial. Revista Cubana de Investigaciones Biomédicas, 16(2), 78-82
Solano-Barliza, A.D., Ojeda, A.D., y Aarón-Gonzalvez, M. (2024). Análisis
cuantitativo de la percepción del uso de inteligencia articial ChatGPT en la
enseñanza y aprendizaje de estudiantes de pregrado del caribe
colombiano. Formación universitaria, 17(3), 129-
138. hps://dx.doi.org/10.4067/s0718-50062024000300129
Suazo Galdames, I. (2023). Inteligencia articial en investigación cientíca.
SciComm Report, 3(1), 1-3. hps://doi.org/10.32457/scr.v3i1.2149
Tovar Samanez, C.M. (2019). El falsacionismo de Popper y sus objeciones al
marxismo. Letras (Lima), 90(131), 210-
228. hps://doi.org/10.30920/letras.90.131.9
Tramallino, C.P., y Zeni, A.M. (2024). Avances y discusiones sobre el uso de
inteligencia articial (IA) en educación. Educación, 33(64), 29-54.
hps://doi.org/10.18800/educacion.202401.m002
89
Valero-Matas, J.A. y Muñoz Sandoval, C.A. (2017). Las pseudociencias como
problema social en la era tecnocientíca. Un recorrido por la ciencia y sus
enemigos dentro y fuera. Aposta. Revista de Ciencias Sociales, 75, 8-34,
hp://apostadigital.com/revistav3/hemeroteca/javalero.pdf
Vázquez, A. (2013). Karl popper o la vigencia del proyecto clásico de ciencia
moderna: La cuestión de las ciencias sociales. Papeles de trabajo - Centro de
Estudios Interdisciplinarios en Etnolingüística y Antropología Socio-Cultural, (25),
107-128. Recuperado a partir de
hps://www.scielo.org.ar/pdf/paptra/n25/n25a06.pdf
Velasco Gómez, A. (2004). Hacia una losofía social de la ciencia en Karl R.
Popper. Signos Filosócos, 1(11), 71-84. Recuperado a partir de
hps://www.redalyc.org/articulo.oa?id=34309905
Velterop, J. (2015). ¿Qué es lo que está reteniendo la transición al acceso abierto
si no cuesta más?. SciELO en Perspectiva. Recuperado de
hp://blog.scielo.org/es/2015/09/10/que-es-lo-que-esta-reteniendo-la-
transicion-al-acceso-abierto-si-no-cuesta-mas/
Xianhong H., Bhanu, N., Flores Echaiz, L., Prateek, S., & Rivera Lam, M. (2019).
Steering AI and Advanced ICTs in Knowledge Societies: a Rights, Openness, Access and
Multi-Stakeholder Perspective. París: UNESCO
90
De esta edición de “El método científico y la ética de la investigación con
inteligencia artificial: Análisis exploratorio de Bunge, Kuhn, Tamayo y Popper”,
se terminó de editar en la ciudad de Colonia del Sacramento en la
República Oriental del Uruguay el 20 de enero de 2025.
91
