Etiqueta: research

Cuando la IA desnaturaliza la ciencia

Publicada el por lindacq@um.es

En varias disciplinas (genética, neurociencia, ciencias sociales, computacionales) se ha señalado un riesgo: si la IA se usa solo para acertar, sin buscar mecanismos, terminamos haciendo estadística que “parece” ciencia, pero no la explica. La ciencia no se agota en los umbrales que la estadística nos muestra; su razón de ser es explorar, comprender, proponer mecanismos, inferir causas, generar hipótesis refutables y diseñar intervenciones que funcionan fuera del dataset.

Este debate tiene mucha historia. Por mencionar dos autores que han hablado de ello, diremos que Breiman habló de las dos culturas (predicción vs. inferencia). En paralelo, y esto es clave, no basta con mirar al algoritmo: también hay que mirar la infraestructura que lo hace creíble. También Williamson et al. (2024) explican por ejemplo, cómo consorcios, arquitecturas de datos y aparatos técnicos instauran una epistemología centrada en datos que reencuadra fenómenos educativos como asociaciones moleculares “descubribles” por bioinformática. Esa coreografía sociotécnica otorga autoridad a lo algorítmico, desplaza teorías sociales y produce una ontología donde los sujetos aparecen como completamente encuestables y predecibles. Pero no solo pasa en lo social, pasa en la comprensión del medio natural, y de casi cualquier contexto sociomaterial complejo.

Cómo integrar la IA sin “desnaturalizar” la ciencia

Analogía: El huevo frito es el ejemplo clásico de desnaturalización de las proteínas.
  1. Declara el papel de la IA en una frase.
    “Genera hipótesis”, “sirve de modelo sustituto para acelerar simulaciones”, “prioriza experimentos”. Si escribes “descubre causa”, sostén diseño causal (no solo performance).
  2. Sitúa tu trabajo en la escalera científica.
    Descripción → predicción → mecanismo → intervención/contrafactual. Especifica dónde estás y qué falta para subir (experimentos, instrumentos, DAGs/diagramas causales, variables de control).
  3. Triangula con teoría.
    Que el patrón dialogue con marcos existentes: ¿confirma, contradice, extiende? Si contradice, di qué se revisa y cómo lo probarás fuera de distribución (otra cohorte, otro sitio, otro equipo).
  4. Diseña explicación apta para decidir.
    No basta con que sea una característica «importante». ¿Qué mecanismo plausible sugiere? ¿Qué experimento/cuasi-experimento harías mañana para intentar falsarlo?
  5. Usa híbridos cuando proceda.
    Física/teoría-informados, restricciones biológicas/organizativas en la arquitectura, o pipelines IA → hipótesis → experimento. Menos “oráculo”, más ciencia acumulativa.

Señales de alerta de “desnaturalización”

  • Éxito definido solo por métrica predictiva; sin hipótesis nuevas ni criterio de intervención.
  • No hay plan de validación externa/causal; todo vive en cross-validation.
  • La “explicación” es prosa, no mecanismo comprobable.
  • Cambias de proveedor/modelo y cambia “la verdad”.
  • Tu diseño adopta sin crítica la infraestructura dominante (datos/protocolos) y relega teorías del campo.

Cómo reencauzar (pasos mínimos)

  • Reformula el objetivo en clave científica: ¿qué mecanismos compiten aquí?
  • Añade un paso IA → hipótesis candidatas → selección de 1–2 hipótesis contrastables.
  • Planifica réplicas (sitio/tiempo/cohorte/equipo distinto) y un test de robustez.
  • Documenta límites: esto es predictivo; no infiere causalidad. Decirlo ubica la pieza, no la devalúa.
  • Examina tu infraestructura (a la Williamson): ¿qué suposiciones epistemológicas impone?, ¿a quién beneficia?, ¿qué perspectivas desplaza?

La IA puede ser microscopio (patrones que abren hipótesis) o oráculo (predicciones que clausuran preguntas). Lo primero nutre a la ciencia; lo segundo la desnaturaliza. La diferencia la marca tu diseño: propósito claro, mecanismo en el horizonte, validación externa y decisiones que puedes explicar en una frase a una colega competente.

Para leer más sobre esta preocupación…

Este texto fue escrito como una «cajas crítica” que incluí en los materiales de la microcredencial del CSIC “Resuelve desafíos digitales de manera creativa con IA”, que se abrirá en enero de 2026, en la que tengo el honor de participar. También participo en la microcredencial hermana, “Crea contenidos digitales de calidad con ayuda de IA”, abierta desde noviembre de 2025. Ambas forman parte del itinerario de microcredenciales del CSIC sobre inteligencia artificial y buscan fomentar una mirada ética, crítica y creativa sobre cómo integrar la IA en la práctica científica y profesional. Más info en la web del CSIC Aprende https://aprende.csic.es/,

What is Educational Research for?

Publicada el por lindacq@um.es

En el pasado congreso de la Asociación Europea de Investigación Educativa (EERA), una de las conferencias plenarias fue la del profesor António Nóvoa, Catedrático del Instituto de Educación de Lisboa y antiguo rector de su Universidad titulada What is Educational Research for?.

Esta mañana he accedido al texto (os animo vivamente a su lectura que os aseguro que será rápida y fluida, pues como él mismo lo dice, no es un artículo, es una conferencia) y he tenido la necesidad imperiosa de compartirlo y de suscribir (aunque sea con el rabo de paja y la boca pequeña) sus cuatro NOes:

«Four times “no”. To excellence. To entrepreneurship. To employability. To Europeanization. Not because of the words, but because of the ideologies that lie behind them.»

  • No a la Excelencia medida en peso a razón de: paper/»indice de impacto», la cultura del publish or perish, a la tiranía de la bibliometría ciega; sí a volver a renovar nuestros canales de discusión, debate y crecimiento, de la participación en eso que Novoa llama la «conversación Intelectual».
  • No al Emprendimiento y a las teorías gerencialistas que manejan las universidades. No a entender que la universidad es un negocio que debe reducir al máximo sus costes y producir lo máximo posible (volvemos al problema de la medida de la excelencia). Yo quiero tener tiempo para pensar, no creo que el ritmo de publicación actual dé tiempo para leer, pensar y hacer cosas intelectualmente interesantes, y quiero -como resalta Novoa, tiempo incluso para fallar. Yo también quiero una investigación de convergencia, interdisciplinar, rica en metodologías y narrativas y no ahogada en números y evidencias que no son tales.
  • No a la Empleabilidad como mantra, la educación no es un deber, es un DERECHO, y el objetivo es la ciudadanía plena -que puede incluir a la empleabilidad, pero no se satisface con ella-. Frente a ella necesitamos entender la investigación educativa como una campo abierto, que entienda la publicación como un modo de expresión y la educación como un campo de conocimiento para divulgar y compartir.
  • y NO a la europeización de primera y segunda fila, sí a una apuesta conjunta y respetuosa en la organización de la ciencia europea.

¿Y por qué digo que suscribo todo con rabo de paja y boca pequeña? Pues porque yo no soy mucho, soy un «double gamer» que diría mi amiga Cristina Costa.

Me debato entre la fascinación por lo que hago y el desenfreno de lo que tengo que hacer; entre lo que me pide el cuerpo para la investigación y la necesidad -ineludible para alguien en mi situación- de asegurar mis castañas al final del curso; entre la ilusión de cada paso y proyecto por intentar y la desilusión del que se sabe despreciado y vituperado por sus conciudadanos; entre la esperanza de poder seguir e imprimir un sello más social y más educativo a lo que hacemos, y el descorazonamiento del que juega un juego que no es el suyo (como decían Ball y Olmedo, yo también hago el neoliberalismo en mi universidad, aunque me pese), el de las E’s de las que habla Novoa…

Y encima, 10 años después, ni jugando a ese juego tienes la impresión de ganar…

¿Qué queréis que os diga? tiempos duros para la investigación y para querer ser investigador y profesor de universidad.

Y no hemos hablado de España….