Pensandum

Bitácora Pensandum No. 5

Pensandum — Sat, 22 Aug 2026 17:38:17 GMT

En estas bitácoras periódicas recopilo y conecto las breves reflexiones en nuestras notas y artículos recientes.

Sistemas

Educación

Ciencia

Sociedad

Suscríbete ahora

El arte de formular hipótesis

Pensandum — Wed, 19 Aug 2026 23:33:36 GMT

¿En un entorno saturado de datos y dogmas, es la duda metódica nuestro activo más valioso? Formular una hipótesis rigurosa no es un simple formalismo académico; representa un compromiso con el pensamiento crítico y la exploración sistémica frente a las respuestas preconcebidas que entorpecen el avance del conocimiento. En la línea de lo analizado en entregas previas sobre las diferencias entre opinión, creencia y saber genuino, este artículo examina cómo la estructura de una buena hipótesis o pregunta científica define la frontera entre el descubrimiento real y la simple recopilación desordenada de información. A través de criterios de falsabilidad y modelación de variables, abordaremos la hipótesis no como una afirmación rígida, sino como una brújula dinámica para conectar puntos en problemas complejos de la ciencia y la tecnología.

Formalmente, una hipótesis de investigación es una proposición tentativa, clara y precisa de la relación observable, medible y verificable entre variables del fenómeno investigado. La hipótesis se puede reemplazar por una pregunta de investigación, pero debe tener las mismas exigencias. Aunque podemos formular múltiples hipótesis, lo recomendable es formular una sola hipótesis que dirija nuestro trabajo y de la cual se desprenden diversos objetivos.

Una hipótesis o pregunta de investigación surge, generalmente, del conocimiento previo obtenido en una revisión bibliográfica pertinente, de la experiencia adquirida en el tema en particular o de la simple intuición. Formular hipótesis resulta más valioso que aferrarse a certezas, ya que éstas en realidad obstaculizan el avance del conocimiento, aunque puedan brindar una falsa sensación de seguridad.

“Yo prefiero tener preguntas que no se puedan responder a respuestas que no se puedan cuestionar“ (Richard Feynman).

Aspectos generales de una hipótesis

Al formular una hipótesis debemos tener en cuenta aspectos como los siguientes:

Requiere de trabajo, maduración reflexiva y familiaridad con el problema.
Se basa en la teoría previa y no contradice datos de la ciencia.
Tiene todas las características, clasificaciones, requisitos y nivel de clasificación de cualquier pregunta bien formulada.
Utiliza conceptos comprensibles, verosímiles y concretos.
No usa juicios de valor ni calificativos.
La debemos formular antes de la investigación: si la formulamos al final de la investigación no podemos estar seguro de utilizar los métodos adecuados ni analizar las relaciones pertinentes entre las variables para confirmarla. La hipótesis define el enfoque de los experimentos y recursos; un pequeño cambio en una hipótesis afecta los métodos propuestos.
Debe ser verificable y falsable: podemos diseñar experimentos o reunir datos que permitan refutar la idea en cuestión.
Orienta nuestra investigación e incrementa la probabilidad de descubrir algo: nos proporciona algo para verificar en lugar de tratar de descubrir algo por ensayo y error, y nos garantiza que obtendremos unos resultados organizados y consistentes en lugar de un acopio de datos.
Permite desarrollar nuestra intuición al proponer respuestas tentativas que luego podemos confirmar o rechazar: sin hipótesis desaprovechamos la oportunidad de comprender mejor un problema y de desarrollar la intuición para la solución de problemas similares.
Perfila el tipo de respuestas que debemos dar al final de nuestra investigación.
Establece una relación entre una variable dependiente (VD) y una variable independiente (VI) medibles: la variable independiente es la que se puede manipular y se aísla de otros factores del estudio, mientras que la variable dependiente está influenciada por el cambio en la variable independiente.
La debemos traducir al lenguaje matemático cuando sea posible.
No necesariamente es verdadera al final de la investigación.

“Hay dos posibles resultados: si el resultado confirma la hipótesis, entonces has hecho una medición. Si el resultado va en contra de la hipótesis, entonces has hecho un descubrimiento“ (Enrico Fermi)

Pasos para la formulación de una hipótesis

Formular una pregunta general y dar una respuesta tentativa.
Delimitar el problema: fenómeno, área específica, contexto, suposiciones, limitaciones, alcances, etc.
Identificar la variable independiente (VI): debe ser clara, manipulable o clasificable, medible o verificable.
Identificar la variable dependiente (VD): debe ser observable, medible, derivable de los documentos.
Definir el contexto o condiciones (C): período, tipo de fuente, nivel educativo, idioma, región, número de muestras, condiciones experimentales, tipo de población, limitaciones, suposiciones, etc.
Verificar que cumple con la falsabilidad y capacidad de prueba.
Redactar con una estructura formal utilizando conceptos comprensibles, verosímiles y concretos, sin usar juicios de valor ni calificativos.

Estructura general de una hipótesis

En general, una hipótesis debe tener la siguiente estructura:

[VI] + [verbo relacional medible] + [VD] + [condición o contexto]

Sin embargo, no todas las hipótesis encajan perfectamente en el esquema causal clásico anterior (VI → VD). Por ejemplo, en matemáticas puras o investigación documental, a veces la estructura puede ser de uno de los siguientes tipos:

Comparativa:

[Método A] presenta mayor frecuencia que [Método B] en [condición o contexto]

Relacional:

Existe correlación entre [Variable A] y [Variable B] bajo [condición o contexto]

Ejemplos de hipótesis

El ajo repele a los vampiros (no es una hipótesis).
- No es falsable: no se puede realizar un experimento con vampiros.
El chocolate es mejor que el café (no es una hipótesis).
- No hay variables claramente definidas.
El sobreimpulso máximo es directamente proporcional a la masa en la respuesta temporal de un sistema masa-resorte sometido a una fuerza constante no muy grande que no deforme el resorte (sí es una hipótesis).
- Se basa en la física mecánica.
- Variables: masa (independiente, se puede manipular), sobreimpulso máximo (dependiente).
- Contexto: problemas con fuerza constante no muy grande.
- Es falsable: se pueden realizar pruebas cambiando la masa y midiendo la amplitud máxima del movimiento en diversas condiciones para intentar refutarla (temperatura, altura sobre el nivel del mar, fluido, cambio de resorte, etc.).
El entrenamiento de una red neuronal recurrente (RNN) con regularización dropout en un modelo de series de tiempo económicas no lineales reduce el error cuadrático medio (MSE) en la predicción del PIB trimestral de un país en al menos un 10 % en comparación con un modelo ARIMA optimizado (sí es una hipótesis).
- Se basa en una teoría previa y no contradice datos de la ciencia: existen estudios en estadística y aprendizaje automático que muestran que las RNN son efectivas en problemas secuenciales y que la regularización dropout ayuda a prevenir sobreajuste. Además, la comparación con modelos ARIMA está ampliamente documentada en economía y análisis de series temporales.
- Utiliza conceptos comprensibles y concretos: se habla de RNN, dropout, MSE, PIB trimestral y modelo ARIMA, todos términos definidos en literatura científica y técnica.
- No usa juicios de valor ni calificativos: no se afirma que uno sea “mejor” en un sentido subjetivo, sino que se plantea una mejora medible (≥10 % de reducción del error).
- Establece una relación clara y verosímil entre una variable dependiente y una independiente medibles: la variable independiente es el tipo de modelo usado para predecir (RNN con dropout vs ARIMA); la variable dependiente es el MSE en la predicción del PIB trimestral. Ambas son cuantificables y la relación es plausible por la teoría y evidencias previas.
- Es comprobable y falsable: se puede entrenar una RNN con y sin dropout, medir el MSE y comparar los resultados con los de un ARIMA optimizado. Si el error no se reduce en un 10 % o más, la hipótesis queda refutada.
Las redes neuronales profundas son la mejor herramienta para predecir la economía de un país (no es una hipótesis).
- No utiliza conceptos comprensibles y concretos: “mejor herramienta” es un concepto ambiguo y subjetivo, no técnico.
- Usa juicios de valor y calificativos: contiene un juicio de valor (”a mejor…”) que depende de opiniones y no de mediciones objetivas.
- No establece una relación clara y verosímil entre variables dependientes e independientes medibles: no se menciona una variable independiente (tipo de modelo, parámetros) ni dependiente (métrica de error, exactitud). La relación entre conceptos es vaga.
- No es comprobable ni falsable: no se establece un experimento claro que pueda confirmar o refutar la afirmación.
El flujo cuántico-macroeconómico se optimiza al maximizar la entropía sociofinanciera del sistema mediante algoritmos de inferencia holística (no es una hipótesis).
- No utiliza conceptos comprensibles ni concretos: los términos son vagos, inventados o excesivamente técnicos sin definición clara (flujo cuántico-macroeconómico, entropía sociofinanciera, inferencias holísticas), no son comprensibles ni operativos para el lector general ni para un especialista sin explicaciones previas.
En un modelo de optimización de flujos de capital internacional basado en ecuaciones diferenciales parciales de transporte y difusión, la maximización de la entropía de Shannon de la distribución de inversiones entre sectores económicos reduce en al menos un 8 % la volatilidad anual promedio del índice bursátil del país (sí es una hipótesis).
- Formulación correcta del ejemplo anterior.
- Conceptos comprensibles y concretos: entropía de Shannon, ecuaciones diferenciales parciales, volatilidad anual promedio e índice bursátil son conceptos técnicos definidos y medibles.
- Variable independiente: entropía de Shannon de la distribución de inversiones entre sectores económicos.
- Variable dependiente: volatilidad anual promedio del índice bursátil del país.
- Es falsable: se puede construir el modelo de ecuaciones diferenciales parciales (EDP), correr la simulación o analizar series de tiempo de un país, y obtener un resultado contrario a la predicción; la distribución de máxima entropía puede no mantener relación con la volatilidad; se puede obtener una reducción menor al 8 %.
Un algoritmo de inteligencia artificial entrenado con suficientes datos siempre puede mejorar indefinidamente la precisión en la predicción de la inflación anual de un país (no es una hipótesis).
- Está basada en teoría previa y no contradice datos de la ciencia: está inspirada en la idea de que más datos pueden mejorar el rendimiento de un modelo.
- Utiliza conceptos comprensibles y concretos: habla de algoritmo de IA, predicción de inflación anual y precisión, que son conceptos definidos en el ámbito técnico.
- No usa juicios de valor ni calificativos: no hay adjetivos subjetivos como “mejor” o “eficiente”, sino afirmaciones técnicas.
- Establece una relación clara y verosímil entre una variable dependiente y una independiente: cantidad de datos usados para el entrenamiento (independiente) y precisión de la predicción de inflación anual (dependiente).
- No es comprobable ni falsable: no hay una condición concreta que permita demostrar que es falsa, dado que la frase “mejorar indefinidamente” no es clara.
Un algoritmo de inteligencia artificial entrenado con un conjunto de datos históricos de inflación anual de al menos 30 años logra mejorar en un 5 % o más la precisión de la predicción de la inflación anual de un país en comparación con un modelo ARIMA optimizado, usando validación cruzada en ventanas temporales (sí es una hipótesis).
- Esta es una versión falsable de la propuesta anterior: si se entrena el modelo con el conjunto especificado y no se obtiene al menos un 5 % de mejora frente a ARIMA, la hipótesis queda refutada. Hay un criterio cuantitativo y un procedimiento de validación claro.

Hipótesis correcta vs. incorrecta

Hipótesis en la investigación documental

En el caso de una investigación documental, una hipótesis es una proposición clara, verificable y fundamentada en la teoría que establece una relación entre variables observables en la literatura académica (por ejemplo, la frecuencia de uso de un método, aparición de un concepto, evolución temporal de una técnica) y que puede ser confirmada o refutada mediante el análisis crítico y sistemático de fuentes bibliográficas; no se prueba con experimentos de laboratorio, sino contrastando la proposición con evidencia documental (conteo de ocurrencias, análisis comparativo, evolución temporal en artículos/libros, etc.).

El siguiente es un ejemplo de una hipótesis de una investigación documental que nos obliga a estudiar los métodos para poder identificar y comparar los enfoques en los documentos: “En la literatura publicada entre 2000 y 2025, los métodos de cálculo de grupos de homología mediante complejos simpliciales se presentan con mayor frecuencia que los métodos basados en complejos celulares, lo cual indica una preferencia metodológica hacia enfoques combinatorios en la enseñanza y desarrollo de la topología algebraica”. Veamos las características que cumple:

Está basada en teoría previa: los grupos de homología pueden calcularse tanto con complejos simpliciales como con complejos celulares; ambos son métodos clásicos en topología algebraica.
Es comprobable y falsable: se deben revisar manuales, artículos y libros, clasificar los métodos utilizados y verificar si efectivamente predominan los complejos simpliciales (si no predominan, la hipótesis queda refutada).
Existe una relación clara entre variables: la variable independiente es el periodo de publicación (2000–2025) y la variable dependiente es la frecuencia del uso de métodos (simpliciales vs. celulares).
Se usan conceptos comprensibles y concretos: se centra en “grupos de homología”, “complejos simpliciales” y “complejos celulares”, conceptos claros en topología algebraica que debemos estudiar matemáticamente para entender la diferencia.
No hay juicios de valor: no se dice que un método sea mejor que otro, sólo que uno aparece más en la literatura (se podría precisar ese porcentaje para darle una mayor objetividad a la hipótesis).

Palabras de cierre

La construcción de hipótesis verificables y falsables nos exige abandonar la falsa comodidad de las certezas y asumir la incertidumbre como motor del aprendizaje continuo. En la era del procesamiento masivo de datos, esta disciplina mental cobra una relevancia aún mayor cuando interactuamos con sistemas complejos. Para llevar esta reflexión a la práctica y profundizar en el tema utilizando inteligencia artificial, podemos probar el siguiente prompt de estudio:

Contexto: Actúa como un mentor de metodología científica.
Tarea: Analiza la siguiente afirmación [insertar idea o supuesto] y ayúdame a transformarla en una hipótesis de investigación formal que cumpla con los criterios de falsabilidad, identificación explícita de variable independiente y variable dependiente, delimitación de contexto o condiciones, y sin juicios de valor.
Formato: una única frase de la hipótesis, seguida de una explicación de cumplimiento de cada criterio.

Suscríbete ahora

De la idea al manuscrito: la anatomía de un reporte de investigación

Pensandum — Thu, 13 Aug 2026 00:55:03 GMT

¿Es la ciencia un territorio reservado para una élite académica o una arquitectura metodológica accesible para conectar el pensamiento crítico con la toma de decisiones cotidiana? En un mundo hipersaturado de información, donde la prisa por publicar a menudo invisibiliza el rigor, comprender la estructura formal del conocimiento deja de ser un mero requisito académico para convertirse en una competencia de alfabetización ciudadana. El formato IMRAD (Introducción, Métodos, Resultados y Discusión) opera como la columna vertebral de la comunicación científica, conectando directamente con los métodos formales de investigación, la epistemología del descubrimiento y el auge de la inteligencia artificial en la redacción de saberes. Analizar el reporte científico nos invita a preguntarnos: ¿cómo garantizamos la reproducibilidad y la veracidad de lo que afirmamos en una era dominada por algoritmos y publicaciones aceleradas?

Este artículo trata sobre el reporte final de un trabajo de investigación científica, el cual tiene una estructura y estilo particulares (escritura académica) que pueden materializarse en forma de un artículo científico, documento general, libro de investigación sobre un tema específico, capítulo de libro de investigación, tesis o disertación, póster, resumen de conferencia o presentación en conferencias. Un artículo científico presenta la información en forma muy sintética y con un número mínimo de secciones, mientras que los otros tipos de documentos contienen, además, una dedicatoria, tabla de contenido, listas especiales (figuras, tablas, etc.), nomenclatura, lista de acrónimos e índice. El artículo científico es la obra final del “artista” (científico), por lo que toda investigación debería concretarse en un artículo científico para bien de la humanidad.

La escritura científica tiene unos propósitos muy particulares, entre los cuales están:

Difusión de los resultados de la investigación
Validación y contrastación de afirmaciones científicas
Avance del conocimiento científico
Información sobre políticas y toma de decisiones
Promoción del pensamiento crítico y la alfabetización científica

Dado el extenso uso de la IA en la redacción científica en la actualidad, les recomiendo revisar siempre las instrucciones de los diversos medios en relación con su posible aplicación. En general, se permite la IA en los siguientes casos:

Edición y formateo
Traducción
Refinamiento o formateo de código
Asistencia en la recolección de fuentes bibliográficas
En algunos casos, generación de figuras de carácter meramente ilustrativo

A continuación, explico el formato más utilizado en la redacción científica (formato IMRAD) y algunos consejos para su elaboración y proceso de publicación. La información la tomo directamente de las recomendaciones de revistas y asesores en publicación.

Formato IMRAD

La mayor parte de revistas y organizaciones sugieren presentar el reporte final de investigación utilizando el formato IMRAD (Introduction, Methods, Results, and Discussion), excepto cuando se trata de investigaciones en matemáticas, las cuales suelen manejar otro estilo de presentación.

El formato IMRAD consta de los siguientes elementos (en este enlace hay una descripción detallada del formato y las recomendaciones):

1. Título

Para seleccionar títulos atractivos de manuscrito debemos tener en cuenta las siguientes recomendaciones:

Empezar por dar todas las palabras clave relevantes al trabajo.
Seleccionar las palabras clave críticas para aumentar su visibilidad.
Utilizar un título simple y conciso: elegir palabras absolutamente esenciales.
Mantener el número de palabras entre 5 y 15 para garantizar el interés y el enfoque de los lectores.
No utilizar puntos, siglas, acrónimos, abreviaturas, números romanos, fórmulas químicas, signos de interrogación, exponentes numéricos, palabras poco comunes o símbolos que no sean estándar y conocidas universalmente.
Utilizar títulos breves, pues son los más citados.
Cumplir con los requisitos de la revista: límite de caracteres, pautas de formato, etc.
Incluir de manera efectiva los hallazgos clave para el público objetivo.

Podemos utilizar la siguiente fórmula al escribir un título con un buen impacto:

[Resultado]: Un [estudio, método, modelo, caso de estudio, revisión, ...] sobre [tema] en [contexto]

Donde, en [Resultado] ponemos el logro más significativo de la investigación, en [tema] se incluye el área específica de estudio y en [contexto] se dan los detalles específicos en los que se obtuvo el resultado. Lo más importante es el [Resultado], pues si desarrollamos un programa de cómputo que implementa un nuevo método matemático, por ejemplo, debemos pensar si nuestro mayor resultado es el método o el programa.

El siguiente es un ejemplo de un título: “Los descansos mejoran el rendimiento de las enfermeras: estudio cualitativo sobre estudiantes de enfermería alemanes”. Ver otros ejemplos en este enlace.

2. Autores

La inclusión de personas como autores de un trabajo científico no es un asunto trivial, por lo cual se sugiere tener en cuenta los siguientes aspectos (ver también la información en este enlace):

Un autor debió realizar contribuciones significativas a la concepción y diseño del estudio, u obtención e interpretación de los datos.
Un autor debió participar en la redacción del manuscrito o su revisión crítica con aportaciones relevantes de naturaleza intelectual.
Un autor debió aprobar la versión final del manuscrito a publicar.
Un autor debe estar dispuesto a responder públicamente por cada detalle del informe.
No tiene sentido incluir a las personas que realizaron su trabajo habitual y rutinario (hicieron lo que se les dijo que hicieran) sin ofrecer ningún tipo de contribución intelectual o aportar algún grado de ayuda técnica adicional: programadores, encuestadores, digitadores, asistentes, patrocinadores, etc. A estas personas se les puede mencionar en la sección de reconocimientos.
El orden de los autores debería quedar claramente determinado antes de empezar a redactarse el primer borrador del manuscrito. Existen hojas de cálculo para determinar el orden según el trabajo realizado.
No incluir ni citar la IA como autor o coautor.
Identificarse desde nuestra primera publicación de la misma forma en todos los manuscritos y, en caso de tener un apellido muy común, utilizar una composición entre el primer y segundo apellidos, siempre unidos por un guion: J. Martínez-Queralt, por ejemplo.

3. Resumen

El resumen (abstract) es un párrafo en el que incluimos de manera resumida los antecedentes del problema, los métodos utilizados, los principales resultados y contribuciones, y las implicaciones del estudio. No debemos incluir referencias ni debemos interpretar los resultados.

En el resumen se utiliza el tiempo presente para datos generales (“los trabajos previos implican...”) o cuando se hace referencia al trabajo en sí (”en este artículo se muestra que…”). Sin embargo, cuando se menciona una observación real se utiliza el tiempo pasado (”los datos fueron recuperados a partir de...”).

En este enlace nos dan recomendaciones para escribir el resumen, junto con diversos ejemplos.

4. Palabras clave

Entre tres y diez palabras clave (keywords) permiten clasificar correctamente un manuscrito y facilitan su hallazgo en bases de datos e Internet. Debemos precisar las palabras clave del título (sin repetirlas) y el área de interés para generar el mayor impacto posible para atraer a lectores interesados en nuestro trabajo. Algunas revistas y editoriales tienen una clasificación de sus áreas de interés y podemos basarnos en ellas:

Teniendo en cuenta que la mayor parte de nuestras búsquedas las realizamos directamente en Internet (lo más habitual es usar Google), podemos usar alguna de las siguientes plataformas para la búsqueda de palabras clave que sean tendencia en Internet:

5. Introducción

La primera parte de una investigación corresponde a la introducción o planteamiento del problema, donde dada una revisión bibliográfica sobre un tema se identifica o argumenta un vacío o incoherencia en el conocimiento existente, se plantea una hipótesis o pregunta de investigación que da una respuesta esperada al problema identificado y se formulan unos objetivos que deben cumplirse para lograr afirmar la hipótesis (la cual puede ser rechazada). Al final de la introducción se recomienda explicar la estructura del trabajo con un resumen del enfoque propuesto para el cumplimiento de los objetivos. De los detalles de cada elemento de la introducción se hablará en otro artículo.

6. Métodos y materiales

La sección de métodos y materiales contiene todas las técnicas, estrategias, herramientas, procedimientos y materiales empleados por un investigador para responder las preguntas de investigación, alcanzar los objetivos y analizar la certeza de las hipótesis (el cómo). De los detalles de esta sección se hablará en otro artículo.

7. Resultados

En esta sección se consignan, sin interpretación, los principales resultados de un trabajo científico: gráficos, figuras, tablas, estadísticas, nuevos modelos, cálculos matemáticos y ecuaciones, algoritmos, etc. De los detalles de esta sección se hablará en otro artículo.

8. Discusión de resultados

La discusión de los resultados es la explicación de la razón o porqué del comportamiento de algo observado en un proceso que incluye los siguientes elementos: análisis (búsqueda de patrones), síntesis (obtención de una nueva idea, patrón, regularidad o relación a partir de ideas o resultados intermedios), interpretación (explicación en un lenguaje diferente al original), entre otros aspectos. De los detalles de esta sección se hablará en otro artículo.

9. Referencias bibliográficas

En el informe de investigación debemos citar todas las referencias bibliográficas que utilizamos, para evitar de esa manera que nos acusen de plagio. En este proceso debemos evitar los sitios de Internet e información difícil de verificar, por lo cual es fundamental buscar y citar la fuente primaria.

Existen diversos estilos de citación, por lo cual debemos identificar el utilizado en cada medio específico de difusión. Los estilos más utilizados son los siguientes: American Psychological Association (APA), Modern Language Association (MLA), Chicago Manual of Style (CMOS), Vancouver, IEEE. En particular, debemos prestar atención a la citación de sitios web (aunque deben evitarse) y recursos de IA.

Propuesta de investigación

Antes de iniciar un proyecto de investigación debemos elaborar una propuesta de investigación (documento del proyecto o anteproyecto), la cual concreta y aclara el problema para que los evaluadores y patrocinadores del proyecto puedan entender el problema y decidir si vale la pena apoyar la investigación.

Generalmente, la propuesta incluye una primera versión de la introducción y los métodos (se consolidan luego en el informe final), junto con otros elementos, de manera que, como mínimo, debe contener lo siguiente:

Datos generales: título, autores, departamento académico, institución, grupos de investigación, palabras claves.
Antecedentes del problema: estado del arte con referencias bibliográficas.
Vacíos, limitaciones o incoherencias de conocimiento.
Objetivos de la investigación: uno general y varios específicos.
Justificación: originalidad, valor teórico, transferencia y aplicabilidad, utilidad metodológica, viabilidad, consecuencias, conveniencia (necesidad), relevancia social (sectores beneficiados), relevancia científica, implicaciones prácticas y académicas (impacto institucional y docente).
Métodos y materiales: delimitación del problema (cuándo y dónde), tipo de investigación, área del conocimiento, riesgos y dificultades, consideraciones éticas.
Resultados esperados
Productos esperados: artículos, ponencias, prototipos, otros proyectos, guías, software, equipos, hardware, etc.
Cronograma de actividades con tareas y responsables, para lo cual se usan técnicas como las siguientes:
- Diagrama de Gantt
- Microsoft Project y Microsoft Planner: software para el desarrollo de planes, asignación de recursos a tareas, seguimiento al progreso, administración del presupuesto y análisis de las cargas de trabajo.
- Trello: software de administración de proyectos y trabajo en equipo por medio de un tablero general de medios (tarjetas, listas, archivos, eventos, comentarios, etc.).
- PERT (Program Evaluation and Review Techniques): técnica estadística en la administración y gestión de proyectos para analizar las tareas de proyecto, determinar el tiempo para completar cada tarea e identificar el tiempo mínimo necesario para completar el proyecto total.
Presupuesto: recursos humanos y su rol, recursos físicos.

Los evaluadores de la propuesta tienen en cuenta los siguientes aspectos:

Relevancia y originalidad
Rigor metodológico
Impacto científico y social
Viabilidad y factibilidad
Transferencia y aplicabilidad
Capacidad del equipo investigador
Gestión del riesgo e incertidumbre
Presupuesto

Proceso de publicación

La idea es publicar los resultados de nuestro trabajo investigativo en algún medio: revista, memorias de un evento científico, trabajo de grado, tesis, informe de proyecto, proyecto de curso, informe de consultoría, preimpresos (preprints), etc. En cada caso, debemos revisar con cuidado las instrucciones para los autores, además de las recomendaciones dadas en este artículo.

Una vez enviamos nuestro trabajo, un comité editorial aprueba el tema y la forma adecuada del informe, y luego lo pasa a una revisión por parte de pares (expertos en el tema concreto del tema). Si tenemos suerte, nos pueden aceptar el trabajo sin observaciones, pero pueden hacernos recomendaciones o rechazarnos el trabajo.

Si nos dan la oportunidad de corregir los errores, lo cual indica que el trabajo está en el camino de ser aceptado, es importante responderle a cada evaluador con cortesía, exhaustividad y precisión, con agradecimientos por leer el manuscrito y hacer las recomendaciones, con enfoque a la respuesta de cada recomendación (sin eludirla) y con la paciencia para revisar, precisar o repetir un experimento de ser necesario. Si, finalmente y en última instancia, no estamos de acuerdo con algunos de los comentarios y no podemos hacer cambios mínimos para atenderlos, debemos dar claramente las razones y apoyarlas con la bibliografía adecuada.

Un trabajo puede ser rechazado por algunas de las siguientes razones:

No cumple con los objetivos planteados: esto puede ocurrir con los informes de proyectos de investigación o consultoría que reciben financiación.
No entradentro de los objetivos y el alcance de la publicación o programa.
No proporciona una visión sobre un tema importante que genera más preguntas.
No es un estudio completo: presenta resultados parciales con la clara intención de esconder algo o publicar los resultados por partes (salami slicing o publicación fragmentada), se trata de una pequeña extensión de un trabajo diferente (a menudo de los mismos autores).
Tiene errores de forma: no hay una narrativa clara y coherente de investigación (estructura desordenada alejada del formato IMRAD), mal manejo del idioma, figuras sin la información necesaria para entenderlas, figuras borrosas, referencias incompletas, mezcla de contenidos, redacción extraña o descuidada, incumplimiento de las normas establecidas.
La revisión bibliográfica es limitada y entrega un contexto insuficiente que oscurece la relevancia del estudio.
Los procedimientos o análisis de los datos son defectuosos o ambiguos: el estudio carece de grupos de control claros u otras métricas de comparación, los métodos y materiales son inapropiados o incompletos, el estudio no se basa en teorías conocidas y aceptadas.
Los resultados (figuras y tablas, por ejemplo) parecen haber sido manipulados (frecuentemente con IA).
La discusión y las conclusiones no se pueden justificar con base en los resultados: se hacen afirmaciones sin indicar uno o varios resultados.

Entre los errores de escritura se tienen los siguientes:

Errores gramaticales: violación de las reglas del idioma, puntuación, concordancia de género y número.
Errores ortográficos: palabras mal escritas, acentuación, mayúsculas, abreviaturas, prefijos, signos de interrogación y admiración, etc., por lo cual se recomienda utilizar un asistente adecuado.
Errores de cohesión y coherencia: para evitarlos, cada párrafo debe contener una sola idea comprensible (coherencia) y estar conectado adecuadamente con otros por medio de conectores (por lo tanto, sin embargo, de esta manera, etc.).

Revistas científicas

De todos los medios de publicación, las revistas científicas son las de mayor peso, pues las exigencias y la revisión por pares es más estricta, además de ser leídas de manera más amplia por parte de expertos, lo cual ayuda a revisar el conocimiento generado, probar su eficacia en contextos similares y afianzar o rechazar las verdades difundidas.

Si un artículo pasa la revisión por pares (evaluadores), esto no significa que los métodos, los resultados, las interpretaciones y las conclusiones sean correctas, pues sólo se entiende que se ha superado un obstáculo crítico y que es el momento en el que empieza la verdadera ciencia: un artículo adquiere el mérito para hacer parte del discurso científico y se justifica su lectura; ninguna de las conclusiones del trabajo puede considerarse absoluta. A pesar de esta limitación, esta es el mejor hacia la comprensión de la realidad que nos rodea.

Si queremos dar un paso hacia delante y publicar nuestro trabajo en una revista respetada y confiable, podemos utilizar alguna de las siguientes plataformas para buscar la revista adecuada con una clasificación acorde con nuestras expectativas (Q1, Q2, Q3 O Q4):

Tradicionalmente, las revistas han existido en formato de papel, pero hoy en día predomina el formato digital, lo cual ha llevado al surgimiento de las llamadas revistas de acceso abierto (open access journals), muchas de las cuales las podemos encontrar en plataformas como DOAJ (Directory of Open Access Journals) o una lista especial en Wikipedia. Entre las ventajas de este tipo de revistas está su alta visibilidad (cualquiera puede leer los artículos sin pagar por el acceso), facilitando el intercambio de conocimientos. Estas revistas exigen, generalmente, un dinero por el procesamiento de artículos (APC) para cubrir los costos asociados con el proceso de publicación. El acceso abierto gratuito se refiere, entonces, al acceso gratuito en línea, aunque en algunas puede haber un período de embargo en el cual el artículo no está disponible abiertamente. Existen diversos tipos de licenciamiento en revistas de acceso abierto:

Diamante o platino: publicación con revisión por pares y sin pago por parte de los autores, lo cual es posible debido a que las revistas tienen financiación externa.
Dorado: los autores deben pagar por publicar su artículo y el acceso es gratuito bajo licencias Creative Commons o similares.
Híbridos: el acceso a los artículos es cerrado y se exige una suscripción al lector, pero se puede abrir el acceso si el autor paga una tarifa (pocos autores lo usan).
Verde: los autores no pagan por la publicación y el acceso es gratuito en repositorios de preimpresión o preprints, pero no hay revisión por pares.

Muchas revistas han utilizado la modalidad de pago por parte de los autores para aprovecharse de ellos y hacerles creer que se tiene una revista de calidad (los títulos de las revistas son bastante llamativos); las pseudociencias también las utilizan y patrocinan. Estas son las llamadas revistas depredadoras (predatory journals), las cuales tienen una dudosa revisión por pares (utilizan IA o revisores inexistentes) y cuentan con poco o nulo reconocimiento por parte de la comunidad científica. Debemos huir de este tipo de publicaciones, pues es muy fácil caer en ellas.

Repositorios de preimpresión de artículos (preprints)

Los repositorios de preimpresión de artículos (preprints) son plataformas que contienen trabajos y estudios que aún no han sido revisados por pares y no han sido publicados en una revista académica. Los artículos se examinan para detectar plagio, pero no se someten a un proceso de edición, y son considerados originales, pero se consideran como “no publicados”. Entre los repositorios más famosos está ArXiv.

Los preprints sirven para establecer la prioridad de descubrimientos e ideas, aunque no protegen su uso comercial o industrial. Por ejemplo, si enviamos a revisión un trabajo con un algoritmo novedoso, podemos publicar primero un preprint con la idea, descripción y detalles del algoritmo, dejando en el artículo su aplicación. De esta manera, si el artículo es rechazado por alguna razón, nuestra idea y algoritmo quedan protegidos. Los investigadores pueden publicar, entonces, primero la idea y luego los artículos en un momento posterior: la información reutilizada de un preprint propio no es considerada redundante.

Los beneficios de los preprints son múltiples:

Son una forma de evitar las revistas depredadoras.
Dan al investigador más tiempo para recibir comentarios sobre su trabajo y mejorarlo.
Muestran el conocimiento y experiencia del investigador (creando un nombre y una historia en su campo de investigación).
Permiten que los resultados de una investigación estén disponibles para muchos.
Incentivan nuevas colaboraciones.
Proporcionan evidencia pública de los resultados a las agencias de financiación y a los evaluadores.
Pueden citarse en nuestras hojas de vida como una manera de mostrar nuestra capacidad de escribir y armar investigaciones formales.

Palabras de cierre

Aprender a estructurar el pensamiento científico no solo nos capacita para comunicar hallazgos, sino para ejercitar un escepticismo saludable frente a los relatos y certezas simplistas que nos rodean. La verdadera ciencia no concluye con la publicación de un manuscrito; por el contrario, inicia una conversación pública sujeta al escrutinio, la duda metódica y la revisión entre pares.

Para profundizar en la construcción de su propio marco analítico o evaluar la coherencia de sus borradores de investigación, le proponemos interactuar con la IA mediante el siguiente prompt:

Contexto: actúa como un evaluador de una revista científica estricta. Analiza el texto del archivo anexo utilizando el marco IMRAD.
Tarea: identifica vacíos en la justificación de los métodos, posibles saltos lógicos en la discusión de resultados y sugiere mejoras sintácticas y de cohesión sin alterar el tono académico.

Suscríbete ahora

Visión sistémica del control dinámico de una barra vertical

Pensandum — Tue, 04 Aug 2026 19:49:10 GMT

Mantener una barra vertical en equilibrio sobre la palma de la mano parece una simple destreza física, pero en realidad es un fascinante acto de procesamiento de información y control en tiempo real. En la era actual de la robótica avanzada y la inteligencia artificial, comprender cómo el cerebro humano actúa como un controlador cibernético ante la incertidumbre resulta ser una lección clave de pensamiento sistémico. Como hemos explorado en otros artículos de Pensandum, al examinar la relación entre la mente, la ciencia y la tecnología, los principios de realimentación no solo rigen las máquinas, sino también nuestras decisiones cotidianas y nuestras interacciones sociales. ¿Somos conscientes de las variables, sensores y retardos que determinan la estabilidad de los sistemas complejos que intentamos dirigir a diario?

En el sistema del presente artículo tenemos una barra sobre la mano y queremos que permanezca en posición vertical (el objetivo del sistema de control es mantener un ángulo igual a cero). Supondremos que sólo hay movimiento a lo largo del eje paralelo a la mano (la barra no cae hacia los lados). Si la barra cae hacia delante debemos mover la mano hacia delante para recuperar el equilibrio; si cae hacia atrás, movemos la mano hacia atrás. La tarea de control la realiza nuestro cerebro por medio de un actuador (la mano) y un sensor (los ojos). Este modelo es la base de sistemas más complejos, como el control de la posición de un cohete, el mantenimiento de la posición vertical de una persona o un robot mientras camina, o un péndulo invertido.

Barra vertical sobre la mano

Aplicaremos los siguientes pasos, comunes en la solución de problemas similares: (1) planteamos una de las tantas posibles propuestas de un esquema general de control con base en la figura de abajo; (2) asignamos nombres a los subsistemas y los precisamos; (3) definimos las posibles variables que conectan los bloques, prestando atención a una definición que dé cuenta de sus unidades (el uso de niveles es común en problemas sociales); (4) contextualizamos y resaltamos algunos conceptos y principios sistémicos; (5) revisamos y discutimos la solución.

Sistema de control en lazo cerrado

Proceso: barra

El proceso de interés es una barra que puede sostenerse en la mano (un palo de escoba, por ejemplo). Existen muchos tipos de barras, las cuales se diferencian por sus parámetros (cualidades que permanecen constantes durante el tiempo de estudio):

Longitud
Masa (para el movimiento de traslación)
Momento de inercia (para el momento de rotación)
Color (puede incidir en la determinación de su posición y velocidad)
Aceleración de la gravedad (el movimiento es diferente en la Tierra que en la Luna)
Coeficiente de fricción viscosa del medio (no es igual si la barra está en el vacío, aire o agua)

El estado de la barra está formado por los valores que toman las variables que describen completamente su comportamiento (variables de estado). Las condiciones iniciales corresponden a los valores de dichas variables de estado al inicio del tiempo de estudio. Vamos a considerar las siguientes variables de estado, aunque sólo nos interesa medir el ángulo (salida):

Posición angular (en radianes)
Velocidad de rotación (en radianes por segundo)

Las entradas del proceso corresponden a las variables de control y son:

Posición horizontal de la base de la barra
Velocidad horizontal de la base de la barra

Las variables de perturbación son aquellas que afectan el estado del proceso (barra), las cuales pueden ser:

Velocidad del viento
Fuerza sobre la barra por parte de otra persona

Controlador: cerebro

La tarea de control la realiza el cerebro de la persona, el cual funciona como un procesador digital y cuyos principales parámetros son:

Nivel de respuesta ante un cambio en el ángulo de la barra con relación a la posición vertical (0 a 1)
Nivel de concentración (0 a 1)
Nivel de entrenamiento en dicho problema (0 a 1)

Entre las perturbaciones que actúan directamente sobre el cerebro (no sobre la barra o la mano) están:

Nivel de luz (si se oscurece el control puede ser más difícil)
Nivel de distracción externa
Características del suelo (si se tropieza o desliza, el control es más difícil)

El sensor (ojos) mide el ángulo, pero no la velocidad angular, pero un cerebro entrenado podría estimarla indirectamente (estimación del estado). ¿Será por eso que algunas personas tienen mayor habilidad en esta tarea al realizarla con menor esfuerzo y menos oscilaciones? Es claro que los ojos junto con una estimación de velocidad angular facilitarían el problema de control, pues se tendría mayor información (a mayor información, mejor es el control).

El cerebro realiza la tarea de control para minimizar el impacto de las perturbaciones que actúan sobre la barra con base en un algoritmo interior basado en la experiencia (modelo de control). Un cerebro experimentado sabe cómo realizar la tarea de control de la mejor manera, al menos que el modelo del proceso (barra vertical en equilibrio) difiera significativamente de una barra de referencia (modelo nominal) con la que ha sido entrenado (barra muy gruesa o muy flexible o no muy corta). Además, el control será más difícil si la forma de actuar del cerebro es más sensible a las desviaciones de la barra promedio esperada; es decir, hay más incertidumbre. Un cerebro con métodos robustos de acción (menos sensible) se adapta mejor a los diferentes tipos de barras y condiciones cambiantes del entorno. Sin embargo, perturbaciones graves sobre la barra pueden obligar al cerebro a tomar acciones y movimientos más extremos, lo cual puede llevar a la pérdida de estabilidad de todo el proceso de control, es decir, a un crecimiento de su entropía y a la caída final de la barra.

Actuadores, sensores y variables de entrada, salida y referencia

Por medio de los ojos (sensor) el cerebro estima el ángulo de desviación (variable de error) y aplica un desplazamiento horizontal (variable de control) con la mano (actuador) en la dirección y velocidad adecuadas.

Los parámetros del sensor (ojos) son:

Nivel de visión, incluyendo la miopía y astigmatismo (0 a 1)
Nivel de sensibilidad a la luz

Los parámetros del actuador (mano) incluyen:

Tamaño
Calidad de los músculos (0 a 1)
Fuerza hacia arriba (no consideramos el movimiento vertical de la mano, pero la fuerza necesaria para sostener la barra es importante)

La variable controlada debe ser la misma en número y dimensión que la variable de referencia, pero la primera cambia durante el proceso de control, mientras que la segunda tiene un valor fijo igual a cero. La diferencia entre las dos variables (variable de error) influye en la toma de decisiones del cerebro y, con un buen controlador, debería permanecer en un valor cercano o igual a cero. El ángulo deseado en el control (variable de referencia) es igual a cero, pero podría tomarse otro valor, en cuyo caso la persona debería moverse horizontalmente de manera continua.

Principios sistémicos en contexto

Un poco de perturbación en el entrenamiento es bueno para la adaptación a problemas más complicado: esto hace referencia al principio de autoorganización (todos los sistemas aislados, obedeciendo a leyes inmutables, desarrollarán entidades que se adaptan a sus entornos).

Debemos comprender las limitaciones del cerebro en relación con su forma de actuar dependiente de la representación promedio que debe hacer de cada problema similar, lo que corresponde al principio del conocimiento incompleto: el modelo incorporado en un sistema de control es necesariamente incompleto. Los efectos de esta limitación se discuten arriba.

En todo el proceso, un buen controlador (cerebro) debe tener una amplia capacidad de acción (variables de control) para mantener estable el proceso. Entre mayor sea la variedad de la acción de control (mayor movilidad), mejores serán los resultados: esta es la ley de variedad necesaria (a mayor variedad en la salida de un controlador, mayor es la variedad de las perturbaciones que puede compensar).

Palabras de cierre

Comprender la dinámica de control de una barra vertical trasciende la física elemental: es una ventana al modelado de cualquier sistema donde interactúan la información, la percepción y la acción. El diagrama de control descrito anteriormente define las variables, parámetros y subsistemas de un problema básico de control de la posición angular de una barra sobre una mano. Los elementos del sistema son físicamente claros y concretos como para generar soluciones distintas por parte de diferentes modeladores, como ocurre en sistemas sociales como el de la relación de un profesor y un alumno. Posiblemente otro modelador podrá precisar mejor el modelo, pero las diferencias serían mínimas. La comprensión de este modelo y de los conceptos inherentes es fundamental para la solución de los problemas de control.

Suscríbete ahora

Metodología de la Investigación en Contexto

Pensandum — Mon, 03 Aug 2026 22:52:25 GMT

¿Qué separa a una simple creencia de una certeza construida con rigor? En una era dominada por la saturación informativa y el sesgo de confirmación, la metodología de la investigación deja de ser una materia académica formal para convertirse en una herramienta de supervivencia intelectual. En artículos anteriores de Pensandum hemos abordado el pensamiento crítico frente a la desinformación y la necesidad de conectar puntos en sistemas complejos; en esta ocasión, exploramos cómo la investigación científica y tecnológica nos ofrece una brújula estructurada para transformar la curiosidad pura en conocimiento útil, ético y aplicable a nuestra realidad cotidiana. Investigar no es acumular datos, sino hacer las preguntas correctas y dudar sistemáticamente de nuestras certezas.

Los temas de este artículo los iré publicando paulatinamente en las próximas semanas.

1. Introducción a la investigación

1.1. Qué es la ciencia y cómo se concreta en el conocimiento científico

1.1.1. Qué es la ciencia

1.1.2. Principales atributos de la ciencia que la distinguen de una pseudociencia

1.1.3. Qué es el conocimiento científico y cómo se distingue de uno que no lo es

1.1.4. Qué son las pseudociencias

1.1.5. Qué son las teorías de la conspiración y las noticias falsas

1.1.6. Por qué tendemos a creer en todo

1.1.7. Saber, creencia y opinión: ¿cuáles son las diferencias?

1.1.8. Guía para enfrentar la desinformación

1.2. El método científico: ¿cómo pasamos de la curiosidad a la certeza verificable?

1.2.1. Condiciones de la investigación científica

1.2.2. Método científico y metodología de la investigación

1.2.3. Tipos de investigación científica: básica, aplicada, de desarrollo experimental, de innovación tecnológica, documental.

1.3. El método científico en la investigación en matemáticas

1.4. Hitos históricos del método científico

1.4.1. Razonamiento inductivo-deductivo (Aristóteles)

1.4.2. Empirismo y racionalismo (Bacon vs. Descartes)

1.4.3. Criticismo (la síntesis de Kant)

1.4.4. Auge del positivismo y cientificismo (Comte, Círculo de Viena y la reacción antipositivista)

1.4.5. Falsacionismo (Popper responde al Círculo de Viena)

1.4.6. Evolución por paradigmas (Kuhn enriquece a Popper aportando la visión social)

1.5. El pensamiento científico y su aporte a nuestras vidas

1.5.1. Pensamiento crítico vs. pensamiento científico

1.5.2. Cómo seleccionar un problema de investigación

1.5.3. Competencias que se desarrollan con la investigación científica

1.5.4. Consejos para investigadores principiantes

1.5.5. Aspectos éticos de la investigación científica

1.5.6. Sobre los asesores de investigación

1.5.7. Trabajo en equipo

2. REPORTE FINAL DE INVESTIGACIÓN

2.1. Ideas generales

2.2. Formato IMRAD

2.2.1. Título

2.2.2. Autores

2.2.3. Resumen

2.2.4. Palabras clave

2.2.5. Introducción

2.2.6. Métodos y materiales

2.2.7. Resultados

2.2.8. Discusión

2.2.9. Referencias bibliográficas

2.3. Propuesta de investigación

2.4. Proceso de publicación

2.5. Revistas científicas

2.6. Repositorios de preimpresión de artículos (preprints)

3. INTRODUCCIÓN DEL TRABAJO DE INVESTIGACIÓN

3.1. Revisión bibliográfica: ¿Cómo estructurar el conocimiento sin perder el juicio crítico en la era de la IA?

3.1.1. Qué es una revisión bibliográfica

3.1.2. Fases de la revisión bibliográfica

3.1.3. Herramientas IA

3.2. Preguntas o hipótesis de investigación

3.2.1. Aspectos generales de una hipótesis

3.2.2. Pasos para la formulación de una hipótesis

3.2.3. Estructura general de una hipótesis

3.2.4. Ejemplos de hipótesis

3.2.5. Hipótesis en la investigación documental

3.3. Objetivos de la investigación

4. MÉTODOS Y MATERIALES DE INVESTIGACIÓN

5. RESULTADOS DE LA INVESTIGACIÓN

6. DISCUSIÓN DE RESULTADOS

Suscríbete ahora

Visión sistémica del proceso de aprendizaje profesor-estudiante

Pensandum — Mon, 27 Jul 2026 17:52:00 GMT

¿Es posible traducir la compleja dinámica del aula de clase a un diagrama de bloques similar al que regula el piloto automático de un avión o un termostato inteligente? En la era de los algoritmos y la automatización, tender puentes entre la teoría del control clásico y los procesos sociales no es sólo un ejercicio conceptual, sino una necesidad para comprender cada proceso desde un enfoque sistémico y estructurado. Como hemos explorado en Pensandum al analizar cómo estructuramos los modelos de conocimiento y la toma de decisiones, la realidad rara vez es lineal. En este artículo abordamos el proceso de enseñanza-aprendizaje bajo la lente del pensamiento sistémico, desglosando los roles de profesor y estudiante en términos de controladores, procesos, variables de estado y perturbaciones externas. Una mirada reflexiva para descubrir hasta qué punto la ingeniería de control nos ayuda a entender la mente humana en el aula y dónde yacen sus inevitables fronteras.

En este sistema, el profesor realiza tareas de medición para establecer el correcto control del cumplimiento de las competencias (conocimientos y habilidades) establecidas en un programa académico (microcurrículo), y actúa sobre el estudiante para incentivar el aprendizaje y lograr dichas competencias.

Proceso: estudiante

El proceso es el sistema sobre el cual concentramos nuestros esfuerzos para lograr un mejor desempeño de acuerdo con los objetivos trazados (variables de referencia). En este ejemplo, el proceso corresponde al estudiante. Cada estudiante tiene sus parámetros (cualidades que permanecen constantes durante el tiempo de estudio), entre los cuales están, para el problema de aprendizaje, los siguientes:

Nivel de cumplimiento de los prerrequisitos del curso
Nivel de capacidad de lectura
Nivel de formulación de preguntas
Nivel de salud física
Nivel de salud mental
Nivel de atención
Nivel de concentración
Nivel de empatía
Nivel de responsabilidad
Nivel de disciplina

En nuestro modelo asumimos un intervalo de observación donde las anteriores características permanecen más o menos constantes. Si cambian mucho en el tiempo, los debemos incluir como estados del sistema. A todos los parámetros les asignamos un nivel (0 a 1) para convertirlos en magnitudes, pues la “atención” (a secas), por ejemplo, no es una magnitud, pero sí lo es el “nivel de atención”.

El estado de un estudiante está formado por los valores que toman las variables (de estado) que describen completamente su comportamiento. Las condiciones iniciales corresponden a los valores iniciales de dichas variables de estado. Vamos a considerar las siguientes variables de estado:

Nivel de conocimiento de los temas del curso
Nivel de habilidades desarrolladas en el curso
Nivel de motivación
Nivel de valores

De las anteriores, posiblemente sólo podemos medir los conocimientos y habilidades.

Las variables de perturbación son aquellas que afectan el estado del sistema, las cuales en el caso del estudiante pueden ser:

Nivel de distracción externa
Nivel de información innecesaria
Nivel de condiciones ambientales

Controlador: profesor

En el diagrama, el profesor es también un sistema que podemos caracterizar por parámetros como los siguientes:

Nivel de formación
Nivel de manejo de grupo
Nivel de manejo de conceptos y métodos
Nivel de experiencias vividas para compartir
Nivel de exigencia
Nivel de empatía
Nivel de tolerancia
Nivel de valores
Nivel de capacidad de escucha

Suponemos que los parámetros anteriores son constantes durante un lapso de tiempo determinado.

El estado del profesor está determinado por variables (de estado) como las siguientes, algunas de las cuales las convertimos en variables de control que aplicamos al estudiante (proceso):

Nivel de didáctica
Nivel de preguntas
Nivel de incentivos
Nivel de comunicación
Nivel de motivación
Nivel de refuerzo
Nivel de respeto

Entre las variables de perturbación que afectan al profesor podemos considerar las siguientes:

Nivel de condiciones ambientales
Nivel de condiciones locativas
Nivel de desinformación sobre el curso por fuera de este (chismes)
Nivel de presiones por parte de la institución educativa

Actuadores, sensores y variables de entrada, salida y referencia

El papel del profesor es comparar las variables de referencia del desempeño deseado con la del comportamiento observado por medio de los sensores. Por medio de actuadores el profesor realiza los correctivos del caso. Los actuadores y sensores son sistemas que le permiten al profesor, respectivamente, cambiar las variables del estudiante (variables controladas) por medio de acciones concretas (variables de control). En el análisis omitimos, por razones de simplicidad, los parámetros, condiciones iniciales, variables de estado y perturbaciones de los sensores y actuadores.

Entre los actuadores del profesor (relacionados con sus variables de estado), correspondientes a sistemas, podemos nombrar los siguientes:

Tablero y marcadores para expresar un nivel de didáctica
Las cuerdas vocales que concreta el nivel de preguntas y nivel de comunicación
Sistema electrónico de preguntas para mejorar el nivel de preguntas
Cuerpo que transmite gestos y señales para mejorar el nivel de comunicación
Ejercicios con nota como expresión de un nivel de incentivo
Mensajes de correo electrónico para mejorar el nivel de comunicación

Cada actuador convierte una variable de control del profesor en una acción concreta. Por ejemplo, si quiere aumentar el nivel de incentivos, el profesor debe asignar una tarea más sencilla o demandante, o si quiere formular una pregunta, debe usar la voz o escribir con un marcador en el tablero.

El profesor identifica las variables controladas del estudiante por medio de sensores, entre los cuales incluimos los siguientes:

Examen escrito para medir el nivel de conocimiento
Proyecto para medir el nivel de habilidades
Correos electrónicos recibidos para medir el nivel de actitud
Ojos y oídos para la detección visual y sonora del nivel de motivación

Los sensores miden las variables controladas, pero queda mucha otra información del estudiante que el profesor no puede conocer directamente por falta de tiempo, pero que son importantes y podrían estimarse indirectamente (nivel de motivación o nivel de valores, por ejemplo). De otro lado, una evaluación mal diseñada o susceptible a plagio puede dar información sobrevalorada de una variable, distorsionando los logros alcanzados y llevando a suposiciones incorrectas.

Las variables controladas deben ser las mismas en número y dimensión que las variables de referencia, pero las primeras cambian durante el proceso formativo y las segundas tienen valores fijos que el profesor tiene como objetivos desde el inicio. La diferencia entre las dos variables (variable de error) influye en la toma de decisiones del profesor y, en un buen proceso formativo, debería permanecer en un valor muy bajo.

El profesor realiza las tareas de control para minimizar el impacto de las perturbaciones que actúan sobre el estudiante con base en un algoritmo interior basado en su experiencia y conocimientos (modelo de control). Un profesor experimentado sabe cómo realizar la tarea de control de la mejor manera, al menos que el modelo del proceso (estudiante) se aleje mucho del estudiante promedio (modelo nominal) con el que ha trabajado el profesor. Además, el control será más difícil si la forma de actuar del profesor es más sensible a las desviaciones del estudiante promedio; es decir, hay más incertidumbre. Un profesor con métodos robustos (menos sensibles) de enseñanza se adapta mejor a los diferentes tipos de estudiantes y condiciones cambiantes del entorno, pero no siempre es el caso. Sin embargo, perturbaciones graves sobre el estudiante pueden obligar al profesor a tomar acciones más extremas, lo cual puede llevar a la pérdida de estabilidad de todo el proceso, es decir, a un crecimiento de su entropía.

Puede darse el caso que los valores de referencia varíen con el tiempo, lo cual exige de un control adaptativo que tenga en cuenta, desde una visión más global y externa, otros criterios y condiciones. Por ejemplo, un profesor puede considerar bajar o subir el nivel de una referencia de acuerdo con una condición específica en un momento dado, compensándola con el valor deseado de otras referencias.

Principios sistémicos en contexto

En el proceso de enseñanza, el profesor debe tener en cuenta que un estudiante se puede ajustar al estilo del profesor, pero otro estudiante puede no hacerlo y tratará de cambiar los niveles de exigencia del profesor o buscar su reemplazo utilizando diversas artimañas. Lo anterior hace referencia al principio de mínimo esfuerzo: un sistema tratará de adaptarse a su entorno o cambiarlo para satisfacer sus necesidades, lo que sea más fácil.

La relación entre el profesor y el estudiante es la base para la creación de un sistema que a su vez hace parte de una institución educativa y ésta de una sociedad (principio de jerarquía), y una relación simplista o regida por intereses y limitaciones no académicos puede llevar a problemas mayores en instancias superiores. Además, el profesor y estudiante contienen, a su vez, sistemas de control interno (ética, conciencia, integridad, disciplina, etc.) que se desarrollan a partir de lo que ellos aprenden, por lo que las malas prácticas de uno de ellos pueden llevar a un problema estructural del otro.

El profesor debe explicarle al estudiante que un poco de conflicto e insatisfacción en el curso es bueno para promover su crecimiento personal e intelectual, y su adaptación a otros procesos sociales: esto hace referencia al principio de autoorganización (todos los sistemas aislados, obedeciendo a leyes inmutables, desarrollarán entidades que se adaptan a sus entornos). La adaptación es inherente a los seres humanos, quienes deben resolver entre ellos los problemas y desacuerdos que surjan para no desestabilizar todo el proceso: esto está relacionado con el principio de subsidiariedad (los problemas se resuelven mejor en el subsistema de donde surgen, sin necesidad de informar a una autoridad superior).

El estudiante debe, con empatía, comprender las limitaciones del profesor en relación con su forma de actuar dependiente de la representación promedio que debe hacer de cada estudiante, lo que corresponde al principio del conocimiento incompleto: el modelo incorporado en un sistema de control es necesariamente incompleto. Los efectos de esta limitación se discuten arriba.

En todo el proceso, un buen profesor tiene un “arsenal” de buenas prácticas (variables de control) para mantener estable el proceso de enseñanza-aprendizaje. Entre mayor sea la variedad de dichas prácticas (mayores recursos pedagógicos), mejores serán los resultados: esta es la ley de variedad necesaria (a mayor variedad en la salida de un controlador, mayor es la variedad de las perturbaciones que puede compensar).

Palabras de cierre

Modelar el aprendizaje humano mediante esquemas de control revela tanto la potencia explicativa de la teoría de sistemas como la irreducible complejidad de la naturaleza humana. Reconocer las perturbaciones, adaptar las referencias y desplegar una amplia variedad de recursos didácticos son pasos esenciales para un proceso formativo robusto y consciente.

La solución anterior representa sólo una opción entre muchas otras posibles. Seguramente con un mejor entendimiento del proceso podemos definir mejor los actuadores, sensores y las diferentes variables. Lo importante es que verifiquemos que a cada una de las variables le corresponda una unidad de medición o un porcentaje. Dado el carácter social del problema, todas las variables se miden en un nivel entre 0 y 1, donde debemos definir claramente qué significa un nivel de 0 o 1 (esto no lo hacemos en este ejercicio).

En este ejemplo tan cualitativo, debemos tener en cuenta que nuestro proceso de modelación puede tener sesgos y prejuicios cognitivos y sociales, los cuales debemos identificar y eliminar (o reducir). Esto es lo que ocurre en modelos de IA, donde el modelo puede dar mayor o menor peso a variables de acuerdo con un ajuste que es programado, dirigido y supervisado por un ser humano. Dejo al lector la tarea de identificar en la solución anterior los posibles sesgos y errores, y también proponer una solución diferente o mejorar la presentada aquí.

Por supuesto, en problemas físicos con leyes más objetivas, los problemas mencionados son mucho menores.

Para profundizar en estas ideas y explorar nuevas perspectivas, te invito a interactuar con la IA como un socio de debate epistémico. Puedes utilizar el siguiente prompt para someter este modelo a prueba y expandir tu análisis:

Contexto: Actúa como un experto en teoría general de sistemas y pedagogía crítica. Analiza el modelo de control estudiante-profesor propuesto y señala tres limitaciones éticas y conceptuales de reducir características humanas (como la empatía o la motivación) a variables cuantitativas entre 0 y 1.
Tarea: Sugiere un esquema alternativo basado en sistemas adaptativos complejos.

Suscríbete ahora

Bitácora Pensandum No. 4

Pensandum — Thu, 09 Jul 2026 23:04:40 GMT

En estas bitácoras periódicas recopilo y conecto las breves reflexiones hechas en nuestras notas y artículos recientes.

Educación

Ciencia

Evolución de la visión humana
La ciencia es una subcultura: así como no podemos alfabetizarnos sin tutorías, no podemos convertirnos en científicos sin intervención cultural.
Los diez tipos de olores
Sobre reproducibilidad, replicabilidad y robustez analítica en las ciencias sociales
Efecto de la IA en las ciencias sociales
¿Qué aporta el pensamiento científico a nuestras vidas?
Hay 17 partículas elementales
La ciencia estadounidense está en caos
¿Cómo estructurar el conocimiento sin perder el juicio crítico en la era de la IA?
La formalización del argumento científico: el lenguaje no es suficiente ni neutral para llegar al conocimiento científico, aunque sea su herramienta fundamental.
Sobre la confianza en la ciencia

Sociedad

La dependencia del turismo en el mundo
Principios para pensar con claridad entre tanto ruido
Principio antrópico: si en el universo se deben verificar ciertas condiciones para nuestra existencia, dichas condiciones se verifican ya que nosotros existimos.
Evolución del teléfono móvil desde 1973
Consciencia vs. Conciencia
El modelo económico y social nórdico: un equilibrio complejo
Lo que la gente piensa sobre los científicos
El ESCEPTICISMO es la filosofía antigua que necesitamos hoy
¿Tendemos naturalmente los seres humanos a la corrupción?
Silenciar sin prohibir, cuando el censor somos todos
Condiciones para decir que hay democracia
Cómo influye la desinformación en las elecciones
Características de los países más felices del mundo
Cómo los ‘patrones oscuros’ en las aplicaciones de apuestas deportivas mantienen a los usuarios apostando
Lecciones norteamericanas sobre la legalización del cannabis recreativo
Diagrama con las posiciones políticas (Gráfico de Nolan)
Soñar en la época de la IA: “soñar puede ser uno de los pocos rasgos que nos quedan para distinguir lo real de lo simulado, lo vivo de lo imaginario….”

Suscríbete ahora

Guía para la formulación de buenas preguntas

Pensandum — Sun, 05 Jul 2026 00:28:14 GMT

¿Por qué nos da tanto miedo levantar la mano en un auditorio lleno? A menudo, el silencio colectivo en una conferencia se debe a nuestra creencia de que todos saben más que nosotros, de que nuestras preguntas son tontas o muy simples, o de que vamos a quedar en ridículo. Otras veces, nos abstenemos de preguntar porque no estamos al día con los temas y eso va a quedar en evidencia (por ejemplo, si no estudiamos un tema visto anteriormente en una clase). Finalmente, también existe la idea de que preguntar es políticamente incorrecto, pues al preguntar supuestamente molestamos al conferencista, sobresalimos, hacemos quedar en ridículo a los demás o abrimos otros temas con más exigencias.

Sin embargo, no todo lo anterior es cierto, pues en realidad pasan cosas muy interesantes e importantes en el proceso de generar preguntas para aprender:

Los demás no juzgan nuestra ignorancia tanto como creemos: no todos están pendientes para burlarse o juzgar, y todos están en condiciones muy similares a nosotros.
Los demás esperan que alguien se atreva a preguntar para confirmar que realmente el tema es interesante o complejo.
Quedarnos con la duda penaliza más nuestro aprendizaje a largo plazo que el “riesgo” de hacer una pregunta simple o “tonta”.
No hacer preguntas es señal de que no estamos involucrados en un aprendizaje sustancial.
Una pregunta no aumenta el número de temas a tratar, sino que ofrece nuevas perspectivas de solución y escenarios de aplicación.
Una pregunta estratégica genera movimiento y opciones, profundiza, evita respuestas de sí o no, genera un diálogo, aborda perspectivas no establecidas previamente y establece las condiciones para un aprendizaje basado en la indagación (ABI).
La calidad de nuestras preguntas influye directamente en nuestro pensamiento crítico: preguntar significa pensar, y el pensamiento se manifiesta en forma de preguntas.

Por todo lo anterior, es claro que debemos preguntar, pero ¿cómo hacerlo de la mejor manera para lograr una respuesta puntual o abrir una discusión? De eso hablaremos en este artículo, pero no desde el punto de vista de un conferencista (posiblemente con su mayéutica o método socrático), sino de alguien que atiende una conferencia con el deseo real de aprender. Veremos los diferentes tipos de preguntas (lo cual nos ayuda a entender el tipo y la forma de la respuesta que obtendremos), las mejores técnicas para formular preguntas y cómo utilizar la IA para formular mejores preguntas.

En otro artículo abordaremos las preguntas de investigación y su concreción en forma de una hipótesis de investigación: las preguntas de más alto nivel para la ciencia.

Tipos de preguntas

Existen muchas clasificaciones de los tipos de preguntas, por lo que aquí mencionaré algunos tipos básicos con el fin de tenerlos en cuenta a la hora de formular nuestras preguntas y esperar la forma más adecuada de respuesta.

Respecto al tipo de la respuesta deseada, existen dos tipos de preguntas:

Pregunta cerrada o convergente: requiere de una respuesta específica o de sí o no para ayudar a aclarar puntos y solidificar los hechos.
Pregunta abierta o divergente: requiere más que una respuesta de sí o no, animando a explorar diferentes facetas de un tema, al diálogo y a aplicar el pensamiento crítico. Una pregunta abierta puede ser del siguiente subtipo:
- Pregunta aclaratoria: valida conceptos, pasos o supuestos. Ejemplos: ¿podría repetir los pasos?, ¿a qué se refiere?
- Preguntas conectivas: vincula otros temas de la conferencia, otras conferencias u otras áreas. Ejemplo: ¿cómo conecta esto con el tema X?
- Pregunta especulativa o hipotética: explora los límites de la teoría, fomentando la imaginación y la exploración de opciones. Ejemplo: ¿qué pasa si se cambia o elimina el supuesto?
- Pregunta de profundización: profundiza en un tema para encontrar más detalles o motivos. Ejemplos: ¿por qué pasa eso?, ¿en qué se basa el método?

Respecto a la taxonomía de Bloom, una pregunta puede ser de uno de los siguientes seis tipos:

Pregunta de conocimiento: ¿cuál es la definición de ese concepto?, ¿qué sabemos sobre el tema?, ¿cuál es el método de solución?, ¿qué fórmula utilizamos?, ¿cuál es el mecanismo que permite eso?
Pregunta de comprensión: ¿puedes resumir la idea principal?, ¿cómo se relaciona este tema con el tema X?, ¿qué pasa si hacemos otra cosa?, ¿qué pasa si tenemos en cuenta los errores?, ¿qué quieres decir?, ¿cuáles son los objetivos del método?
Pregunta de aplicación: ¿cómo usar eso en la vida real?, ¿cómo utilizar eso para programar la solución?, ¿cómo se resuelve el problema si tiene más incógnitas?, ¿dame otro ejemplo?, ¿cómo calcular la solución?
Pregunta de análisis: ¿cuál es la diferencia entre los dos métodos?, ¿cuáles son las características de cada solución?, ¿cuál es la causa y cuál es el efecto?, ¿por qué sucedió eso?, ¿cómo ocurrieron los hechos?, ¿cuáles son las razones para que suceda eso?, ¿por qué es así?, ¿es eso relevante?, ¿eso implica esto otro?
Pregunta de síntesis: ¿cuál es el método de solución del problema?, ¿cómo puede hacerse de otra manera?, ¿cuál es la conclusión?, ¿cuál es su explicación?, ¿qué pasaría si lo hago de otra forma?
Pregunta de evaluación: ¿cuál sería la mejor solución?, ¿qué resultó desafiante de esa solución? ¿cómo afecta eso la solución?, ¿está de acuerdo o no?, ¿hay alguna prueba para explicar lo que sucede?

Dificultad de las preguntas

Como puede verse, la dificultad de la pregunta es mayor a medida que aumenta el nivel de la taxonomía de Bloom: es más fácil formular (y responder) una pregunta de conocimiento que una de evaluación. La ubicación de la pregunta también depende del interrogativo (qué, dónde, cuándo, cuál, quién, por qué, cómo) y del tiempo de conjugación del verbo: una pregunta del tipo “¿Qué es?” (evento presente) es generalmente más fácil de formular y responder que una pregunta del tipo “¿Cómo podría?” (simulación de un proceso creativo). La siguiente tabla, llamada “Matriz de tipología de preguntas”, ilustra los posibles casos al combinar interrogativo y tiempo de conjugación (los nombres de cada una de las 42 celdas los obtuve con ayuda de IA y necesitan una mejor depuración).

Matriz de dificultad de las preguntas: una pregunta del tipo “¿Qué es?” (evento presente) es generalmente más fácil de formular y responder que una pregunta del tipo “¿Cómo podría?” (simulación de un proceso creativo)

Habilidades para formular buenas preguntas

Ya vimos los diversos tipos de preguntas, pero para formular buenas preguntas requerimos de tres habilidades:

Curiosidad
- Queremos realmente aprender sobre algo que ya tenemos identificado, tenemos una comprensión fundamental y crítica de los antecedentes de la pregunta (estudiamos la bibliografía necesaria) y somos conscientes de nuestra ignorancia.
- Tenemos interés en el proceso de generación de conocimiento y prestamos atención a los siguientes detalles: veracidad de los datos, precisión de la información, peso de los supuestos, métodos aplicados y razonamientos lógicos, alcance de los resultados y las conclusiones, entre otros. Tenemos preguntas como estas: ¿los datos son suficientes?, ¿qué se da por hecho aquí?, ¿por qué presume eso?, ¿no debemos asumir otras cosas?, ¿el método es el adecuado?, ¿cuáles son las implicaciones de eso?
- Buscamos conectar el conocimiento con los asuntos y problemas prácticos de nuestra vida: ¿para qué sirve?, ¿sirve para otra cosa?, ¿cómo lo aplico a mi caso?, ¿qué debo tener en cuenta para aplicar eso a mi caso?
- Incluimos procesos metacognitivos, donde en lugar de preguntar por cosas específicas formulamos preguntas más orientadas a descubrir la intención detrás de la pregunta: ¿por qué preguntó eso?, ¿por qué eso es importante para el tema?, ¿qué pasos siguió para resolver el problema?, ¿cómo enlazó los conceptos?, ¿qué hizo para obtener ese cuadro sinóptico?, ¿cómo se llegó a esa conclusión a partir de la información?, ¿cómo obtuvo la hipótesis?, ¿qué experiencia lo convenció sobre eso?, ¿qué tipo de preguntas se formulan en el área?, ¿cómo conecta las ideas?
Concentración
- Debemos construir sobre lo que el otro dice: muchas veces estamos construyendo la pregunta mientras el otro habla y realmente no escuchamos al otro.
- Depende del entendimiento de los prerrequisitos de la conferencia: si no estamos mínimamente preparados, seguramente nos vamos a desmotivar y distraer.
Inteligencia emocional
- Somos conscientes de nuestras fortalezas, debilidades, oportunidades y amenazas para no echarle la culpa a otros de nuestro temor a preguntar. Es decir, no aplicamos el principio de mínimo esfuerzo: si no somos capaces de algo, trataremos de cambiar aquello que no nos beneficia.
- Debemos ir directamente al asunto con valor (asumimos las consecuencias), seguridad y decisión.
- Evitamos los preámbulos largos que sólo intentan demostrar que sabemos mucho: no necesitamos lucirnos con lo que ya sabemos.
- Hacemos preguntas sin malas intenciones.
- No nos rendimos cuando no entendemos y pedimos ejemplos y casos de estudio más simples: ¿puede darnos un ejemplo más sencillo?
- Formulamos preguntas que la otra persona disfrutará respondiendo, pues conocemos la hoja de vida del conferencista.
- Sentimos empatía y tolerancia con el sentir y lenguaje verbal y no verbal del conferencista.
- Nuestra participación e interés no dependen exclusivamente de las dotes pedagógicas del conferencista.
- Nos cuidamos de formular preguntas con prejuicios o basadas en creencias o juicios de valor: ¿por qué dios hizo el cielo azul?
- Queremos aprender a preguntar, por lo cual hacemos preguntas como estas: ¿es esta pregunta la mejor pregunta en este momento?, ¿existe otra pregunta más importante?, ¿debemos hacer la pregunta de otra manera?, ¿qué información necesito para formular la pregunta?, ¿por qué respondió de esa manera?

De esta manera, las buenas preguntas son claras, respetuosas, enfocadas y decididas, provocan la reflexión, descubren suposiciones, conducen a nuevas ideas y obligan a profundizar en el tema y los conceptos. Este proceso conduce a un pensamiento crítico en el que cada respuesta es un estímulo para nuevas preguntas y descubrimientos.

Preguntas en la era de la IA

Todos usamos la IA en nuestras vidas por medio de detalladas preguntas (prompts), donde el reto está en la formulación de la pregunta en sí para potenciar el pensamiento original y la pasión por aprender, posiblemente utilizando las recomendaciones dadas anteriormente. Por lo tanto, la IA debe entenderse como provocadora de preguntas, no como dispensadora de respuestas: la IA como un “tutor socrático” digital. Integrar la IA de este modo promueve activamente la mentalidad de crecimiento y desarrolla habilidades como la curiosidad, la resiliencia y la creatividad.

Para ilustrar la idea anterior, en el campo científico el 81 % de los científicos ya utiliza la IA en casi todas las fases de su trabajo, pero el peligro es utilizarla para formular las preguntas de investigación directamente y no en un proceso interactivo de mejoramiento del prompt, pues podemos llegar a un problema de la creatividad perdida (homogeneización), es decir, a la reproducción de las mismas preguntas por todos, sin ideas novedosas y con la replicación de los enfoques dominantes del momento. Este problema está relacionado con la paradoja de la complacencia cognitiva (sesgo de automatización): tendencia psicológica a aceptar la primera respuesta de la IA para ahorrar esfuerzo mental.

Por lo tanto, requerimos de guías para hacer preguntas valiosas y dirigidas a la IA para aprender y no sólo para copiar y pegar resultados de la IA en un archivo. En particular, es importante darle a la IA un contexto en el que piense como cada uno de nosotros lo hace y discuta consigo misma, y no de una manera estándar de IA, y plantee en el proceso perspectivas opuestas (escéptico, pragmático, teórico, implementador con recursos limitados, etc.). Recordemos que la IA carece de experiencias vividas, conciencia ética o empatía real, mientras que las mejores preguntas humanas suelen nacer de una “incomodidad intuitiva” o de observar una necesidad en el entorno; por lo tanto, el usuario debe aportar este núcleo empático como el insumo inicial para que la discusión socrática con la IA tenga un propósito real.

Debemos, entonces, especificarle a la IA que formule preguntas como las que se mencionan arriba en la sección de tipos de preguntas, haciendo énfasis en nuestros gustos, experiencias e intuiciones, pidiéndole ejemplos, analogías, contrastes sobre un concepto, uso o no de algo, atención a supuestos no explícitos y a la falta de evidencias, especificación de contraargumentos, aplicaciones en diversos contextos, etc. En cualquier caso, debemos tomar la propuesta de la IA como un punto de partida y pedirle a la IA que nos haga más preguntas para construir mejor la pregunta central, lo cual realizamos en dos fases: 1) una fase de divergencia donde la IA nos bombardea con analogías, contrastes y supuestos ocultos para expandir el campo mental, y 2) una fase de convergencia donde actuamos como filtro crítico para destilar y afilar una única pregunta final.

A continuación, presento un prompt diseñado para que interactuemos con una IA siguiendo los principios expuestos anteriormente:

Actúa como mi Tutor Socrático Digital. Tu único objetivo en esta interacción NO es darme respuestas o soluciones directas, sino actuar como un provocador de preguntas que me ayude a formular, refinar y pulir una “Pregunta Central” poderosa, original y profunda, potenciando mi pensamiento original y evitando enfoques dominantes del momento. Para lograrlo, aplicaremos de forma estricta las siguientes pautas en cada uno de tus turnos:
1. Debate Interno y Perspectivas Opuestas: antes de formularme preguntas, discute contigo mismo simulando un panel de expertos que analice mi idea desde las siguientes perspectivas opuestas:
- El Escéptico: cuestionará mis supuestos no explícitos, la falta de evidencias, los contextos y los contraargumentos de mi planteamiento.
- El Pragmático / Implementador con recursos limitados: se enfocará en la viabilidad, la utilidad práctica y las restricciones reales del entorno.
- El Teórico: buscará abstracciones, modelos conceptuales y conexiones con leyes generales del conocimiento.
- El Pensador Lateral: romperá el enfoque estándar proponiendo analogías disruptivas, ejemplos inusuales y contrastes sobre el concepto.
2. Reglas de Interacción Socrática:
- Está estrictamente prohibido dar soluciones, resúmenes pasivos o respuestas definitivas. Tu rol es provocar mi aprendizaje y curiosidad.
- En cada intervención, muestra de forma muy breve (un par de líneas) la tensión o contraste de opiniones entre tus perspectivas internas.
- Inmediatamente después, plantéame un bloque de 3 a 4 preguntas desafiantes basadas en ese debate para que yo no solo copie y pegue, sino que profundice en el concepto.
3. Fase de Construcción Interactiva: toma siempre mis respuestas como un nuevo punto de partida. Hazme más preguntas orientadas a acotar el tema hasta que, de mutuo acuerdo, logremos destilar y redactar la Pregunta Central perfecta para mi investigación o proyecto.
Para iniciar el proceso, mi tema, idea preliminar o intuición inicial es: [INSERTA AQUÍ TU TEMA O IDEA]

Palabras de cierre

Afilar nuestras habilidades de interrogación es el único antídoto contra la complacencia cognitiva y la homogeneización del pensamiento en un entorno saturado de respuestas automatizadas. La llegada de la IA no desplaza el intelecto humano; por el contrario, eleva los estándares y nos obliga a ser diseñadores de contextos y dinamizadores de debates profundos. Si delegamos la incomodidad intuitiva de la duda a un algoritmo, corremos el riesgo de perder la chispa de la creatividad divergente. Te invito a pasar de la teoría a la práctica y empezar a preguntar y convertir a la IA en tu sparring intelectual más exigente.

Suscríbete ahora

¿Cómo estructurar el conocimiento sin perder el juicio crítico en la era de la IA?

Pensandum — Tue, 23 Jun 2026 23:36:28 GMT

¿Cómo saber si estamos construyendo conocimiento sobre roca firme o sobre castillos de naipes informativos? En la era de la sobrecarga informativa y el auge de las herramientas automatizadas, la investigación científica y la curación de contenidos se enfrentan a un desafío sin precedentes: conectar los puntos de manera rigurosa sin ahogarse en un océano de datos. Este artículo aborda la revisión bibliográfica no como un trámite burocrático o un simple listado de antecedentes, sino como un proceso sistémico, crítico e histórico esencial para la honestidad intelectual y el progreso científico. Al igual que hemos discutido en Pensandum sobre la importancia de la arquitectura del pensamiento crítico y los métodos formales frente a la curiosidad informal, explorar el "estado del arte" requiere de un método claro que se centre en la esencia y descarte los detalles irrelevantes. A continuación, desgloso las fases fundamentales de este proceso y las herramientas de inteligencia artificial que, lejos de reemplazar nuestro juicio humano, actúan como copilotos estratégicos en nuestra búsqueda de la verdad.

Qué es una revisión bibliográfica

La revisión bibliográfica (antecedentes del problema, estado del arte) es un resumen completo y relevante que realizamos sobre una pregunta de investigación y sus soluciones actuales en diversos contextos (institucional, regional, nacional e internacional) a partir de la búsqueda de información en diversas fuentes relacionadas con el tema. La falta de una buena revisión bibliográfica demuestra una pobre fundamentación de nuestro trabajo y es causal de rechazo por parte de la comunidad científica y de nuestros colegas.

Entre los objetivos de la revisión bibliográfica están:

Extraer y recopilar la información relevante y necesaria para el proyecto de investigación.
Dar una visión histórica que se tiene del problema en diferentes contextos (institucional, regional, nacional e internacional).
Justificar la posición de la investigación propuesta al descartar soluciones existentes y mostrar las diferencias con investigaciones previas.
Identificar vacíos o inconsistencias del conocimiento en el tema de estudio.
Desarrollar una estructura convincente del trabajo de investigación dentro de un cuerpo general de conocimiento.
Dar contexto a la crítica de cualquier material publicado anteriormente.
Proporcionar nuevas perspectivas sobre el tema de investigación
Fundamentar los métodos que se utilizarán en el proyecto.
Formar una credibilidad del investigador con la ampliación de las perspectivas teóricas y aplicadas del trabajo hacia el futuro.

Fases de la revisión bibliográfica

Para realizar la revisión de manera sistemática se deben tener en cuenta las siguientes fases:

1. Etapa de búsqueda

Debemos empezar consultando a uno o varios expertos en el tema, pues eso nos dará una mejor visión de dónde buscar y nos ahorrará tiempo de búsqueda al ubicarnos en unas fechas y revistas de mayor interés. Luego, debemos escribir un listado de palabras clave optimizadas relacionadas con la pregunta de investigación, pues no podemos revisar todo lo que aparezca (posiblemente miles o millones de fuentes).

La búsqueda de fuentes bibliográficas la debemos realizar en bases de datos bibliográficas especializadas y confiables de artículos y patentes, sin necesidad de ir a la web de cada revista o conferencia. Nos debemos enfocar a los artículos de revisión (review papers) de calidad y recientes, si los hay, dado que nos evita tener que hacer lecturas de artículos de fechas muy lejanas. También podemos usar plataformas como Scimago para consultar la calidad de las publicaciones.

Las siguientes son las principales bases de datos bibliográficas en Internet:

Web of Sciences: estándar de oro histórico para la evaluación de la ciencia y los análisis bibliométricos, proceso de selección de revistas sumamente riguroso, datos históricos de citación con mayor antigüedad y limpieza, cobertura de revistas regionales o no anglófonas (más selectiva que Scopus), fuente oficial del Journal Citation Reports (JCR). Suscripción institucional obligatoria.
Scopus (propiedad de Elsevier): mayor base de datos de citas y resúmenes de literatura revisada por pares en el mundo, alta velocidad de actualización, herramientas métricas muy potentes, cobertura equilibrada entre ciencias exactas, biomédicas, ingeniería y ciencias sociales. Suscripción institucional indispensable.
Google Scholar: masivo, rastreo automático de repositorios (universitarios, preprints, patentes y revistas), cobertura total, carece de control de calidad estricto, indexa documentos no arbitrados por pares. Totalmente gratuito
PubMed: artículos de medicina.
EBSCOhost (INSPEC): ultraespecializada en física, ingeniería eléctrica, electrónica, computación, tecnologías de la información y sistemas de control, indexación detallada de datos numéricos y de clasificación temática experta. Suscripción institucional obligatoria.
OpenAlex: motor detrás de muchas IA modernas de revisión bibliográfica. Gratuito.

Una vez tenemos las palabras claves y las bases de datos, realizamos la búsqueda y obtenemos una gran cantidad de artículos, lo cual puede ser agobiante. Por lo tanto, debemos realizar una clasificación inicial por medio de la lectura del título, resumen, palabras clave, discusión y conclusiones. Es decir, no leemos detalladamente todavía cada fuente, sino que depuramos el listado y descargamos cada fuente para leerla más adelante (algunas bases de datos lo permiten o vamos a una biblioteca). Aquí es fundamental utilizar herramientas para la organización de archivos y subrayado, tales como:

Zotero: potente conector de navegador para capturar metadatos con un clic, organización jerárquica por colecciones/etiquetas, excelente motor de lectura y subrayado de PDFs integrado, complementos para “chatear” usando Claude, Gemini o ChatGPT. Totalmente gratuito, sólo cobra si se quiere más almacenamiento en la nube para sincronizar PDFs entre dispositivos más allá de los 300 MB iniciales gratis.
Mendeley: organización de PDFs, extracción de metadatos, sincronización en la nube, visor nativo para subrayar y añadir notas. Versión gratuita (2 GB de almacenamiento en la nube sin costo, planes de pago para mayor almacenamiento).
EndNote: robusto para miles de referencias y flujos de trabajo en grandes grupos de investigación institucional, anotación avanzada de PDFs, reglas de organización muy estrictas, interfaz rígida y tradicional. De Pago.
Raindrop.io (no es un gestor bibliográfico): organizador de marcadores, captura de páginas web, subrayado. Versión gratuita.

Si somos juiciosos usando una de las herramientas anteriores, generaremos nuestra propia biblioteca (con clasificaciones orientadas a nuestros intereses científicos o culturales) y podremos reutilizar material en informes futuros sin necesidad de leer de cada artículo. Además, garantizamos que material es procesado correctamente por nosotros, dado que copiar y pegar las revisiones de otros investigadores, sin el debido procesamiento, se notará cuando sustentemos nuestro trabajo.

2. Etapa de análisis

En esta fase es necesario leer profundamente la introducción, resultados y discusión de cada fuente bibliográfica para identificar las de mayor calidad y eliminar la información irrelevante (pero convincente), poco confiable o que ya está contenida en un material más reciente o de mejor nivel, con base en criterios previamente establecidos de inclusión o exclusión de fuentes, los cuales expondremos al inicio de la revisión bibliográfica, junto con una descripción de las herramientas utilizadas. No debemos borrar las fuentes no utilizadas, sino dejarlas y clasificarlas con etiquetas como: superficial, incorrecto, gris, contradictorio, retador, etc. Utilizamos para esta tarea una de las herramientas de organización (como Zotero).

Al analizar y resumir cada fuente debemos incluir aspectos como: tipo de resultado (teórico, práctico, desarrollo, innovación, comercial, documental, etc.), pertinencia y validez de la fuente, relación entre datos y resultados, errores o falta de evidencias, inconsistencias, limitaciones, vacíos, alcance (local, nacional o internacional), aportes, diferencias y similitudes con la investigación en curso, oportunidades para la aplicación de mejores métodos.

Al finalizar esta fase, se puede considerar la necesidad de buscar más fuentes.

3. Etapa de síntesis

Esta es la etapa final de escritura de un texto original, crítico, coherente y sistémico que aporte conocimiento e interpretación, la cual debe iniciar con la especificación de la metodología utilizada en la revisión bibliográfica y terminar con la identificación de un vacío, inconsistencia o limitación del conocimiento que justifica la investigación.

De esta manera, la sección de revisión bibliográfica contiene:

Método de revisión bibliográfica: bases de datos utilizadas, palabras claves, criterios de búsqueda, criterios de inclusión y exclusión de fuentes bibliográficas, entre otros detalles.
Resumen de las teorías y conceptos clave.
Desarrollo histórico del problema de interés.
Resaltado de las principales preguntas en la actualidad sobre el tema de investigación.
Identificación de un vacío, inconsistencia o limitación de estudios previos.
Justificación de la investigación.

Podemos clasificar la información utilizando tablas y diagramas para un mayor impacto y claridad.

Herramientas IA

Es fundamental comprender que no debemos confiar en la IA para escribir reseñas científicas: la IA es una valiosa herramienta de apoyo y no de reemplazo del juicio y la experiencia de las personas. Las siguientes son algunas herramientas de IA especializadas que podemos utilizar para revisiones bibliográficas, teniendo en cuenta sus limitaciones, sesgos y uso ético:

Semantic Scholar: identifica las citas más influyentes, analiza las tendencias de la investigación a lo largo del tiempo y ofrece resúmenes en una sola frase de millones de artículos académicos. Totalmente gratuita.
Elicit: revisiones sistemáticas, búsqueda en una base de datos de más de 200 millones de artículos, extrae de forma automatizada detalles metodológicos, tamaños de muestra o resultados, y organiza los hallazgos en tablas interactivas. Versión gratuita (créditos iniciales limitados, suscripción mensual para uso intensivo)
Consensus: responde preguntas de investigación basándose directamente en la evidencia científica, muestra el grado de consenso (ej. “el 80% de los estudios dicen que sí”) y extrae afirmaciones validadas. Versión gratuita (consultas limitadas al mes, planes premium).
NotebookLM: procesamiento y análisis de PDFs, notas y enlaces. Genera resúmenes, guías de estudio, cronologías y notas estructuradas citando estrictamente las fuentes proporcionadas. Totalmente gratuito (integrado en el ecosistema de Google).
SciSpace: explica ecuaciones, tablas y textos complejos dentro de los PDFs anexados, compara múltiples papers de forma paralela y extrae datos de literatura. Versión gratuita (uso básico limitado, planes de suscripción para funciones avanzadas).
Research Rabbit: colecciones de papers, mapas interactivos de citas y autores compartidos, alertas semanales con nueva literatura basada en nuestras redes de mapas. Totalmente gratuito para académicos e investigadores.
Connected Papers: árbol visual de artículos relacionados a partir de un único “artículo semilla”. Versión gratuita (hasta 5 mapas interactivos al mes, plan académico de pago ilimitado).
Litmaps: mapas de citas con ejes cronológicos, evolución de un tema de investigación a lo largo del tiempo, conexión de artículos clave, automatización de búsqueda de literatura mediante “búsquedas en segundo plano”. Versión gratuita (mapas básicos, planes de pago para visualizaciones avanzadas y monitoreo continuo).
VOSviewer: mapas bibliométricos, procesamiento de grandes volúmenes de datos extraídos de Web of Science o Scopus para analizar redes de coautoría, emparejamiento bibliográfico y co-ocurrencia de palabras clave. Totalmente Gratuito (software libre de escritorio).
Open Knowledge Maps: mapas visuales temáticos basados en los 100 artículos más relevantes sobre una palabra clave, organización de los resultados en burbujas conceptuales, identificación de las subáreas de un tema desconocido. Totalmente gratuito (iniciativa de ciencia abierta).
Paper Digest: resúmenes automatizados de artículos científicos en formato de “píldoras de información” (en menos de 3 minutos de lectura), extrae de forma fija qué hace el artículo, qué encuentra y cuál es su impacto real. Versión gratuita (permite procesar ciertos artículos Open Access gratis, requiere créditos de pago para otros).
Enago Read: organiza la biblioteca de PDFs, sugiere lecturas críticas relacionadas, analiza secciones complejas y toma notas estructuradas vinculadas a las citas del documento. Versión gratuita (prueba gratuita y planes premium para investigadores o instituciones).
SciSummary: condensación masiva de documentos científicos largos, realiza resúmenes ejecutivos, análisis de secciones específicas y resúmenes por lotes directamente al correo electrónico. Versión gratuita (límite de palabras mensual gratuito, planes de pago).
Scite.ai: evaluación cualitativa de citas, indica si una mención posterior sirve para respaldar, mencionar de forma neutral o refutar las conclusiones del estudio original. De pago (prueba gratuita de 7 días, requiere suscripción obligatoria).
InCiteFul: conexión de la literatura científica, búsqueda de artículos similares creando una red en torno a un artículo, análisis de la estructura de citación entre dos grupos de papers diferentes. Totalmente gratuita.
AI co-scientist: formulación hipótesis nuevas en biología y ciencias de la vida, formulación de hipótesis biológicas novedosas, diseño de flujos de verificación experimental. Acceso restringido, en desarrollo (disponible bajo registro de interés para laboratorios académicos seleccionados).

Kit esencial para la revisión bibliográfica

Palabras de cierre

La revisión bibliográfica es, en última instancia, un ejercicio de humildad y rigor: una declaración de que nuestro conocimiento actual “se apoya en hombros de gigantes”, pero también una búsqueda activa de las grietas que esos gigantes dejaron sin cubrir. En un mundo fragmentado, conectar estos nodos conceptuales requiere que mantengamos el control ético y el juicio crítico, especialmente al integrar tecnologías emergentes. La Inteligencia Artificial no debe redactar nuestras reflexiones ni suplantar la lectura profunda, pues su verdadero valor radica en optimizar el mapeo de redes y acelerar el descubrimiento de evidencias.

Para llevar este aprendizaje a la práctica y experimentar críticamente con el diseño de prompts para el estudio sistémico, te invito a interactuar con tu IA preferida utilizando la siguiente instrucción estructurada: “Actúa como un revisor metodológico experto en pensamiento sistémico. Analiza el siguiente resumen de mi tema de investigación: [Inserta aquí tu tema o hipótesis]. Identifica posibles sesgos conceptuales, vacíos históricos o inconsistencias teóricas que deba considerar al estructurar mi revisión bibliográfica, y sugiéreme tres subáreas críticas o enfoques interdisciplinarios poco comunes para profundizar mi búsqueda en bases de datos”.

Suscríbete ahora

¿Qué aporta el pensamiento científico a nuestras vidas?

Pensandum — Thu, 18 Jun 2026 23:52:20 GMT

¿Vivimos en una época saturada de información, pero huérfana de certezas? En un entorno digital dominado por la inmediatez de las redes sociales, los sesgos cognitivos y la proliferación de noticias falsas, distinguir la realidad de la ficción se ha convertido en una competencia de supervivencia intelectual. En artículos anteriores de Pensandum hemos explorado cómo el pensamiento sistémico nos ayuda a conectar los puntos en un mundo fragmentado y de qué manera la educación actual debe transformarse para responder a estos retos organizacionales. Sin embargo, surge una pregunta obligatoria: ¿basta con una actitud crítica cotidiana para desentrañar la complejidad del entorno actual, o requerimos un andamiaje metodológico mucho más estricto? Esta entrega profundiza en la transición crucial desde el pensamiento crítico (nuestro filtro mental diario) hacia el desarrollo formal del pensamiento científico, una disciplina que no sólo cuestiona los dogmas existentes, sino que produce conocimiento nuevo, verificable y con un impacto social transformador.

Empezaré hablando de la relación de la investigación científica con el pensamiento crítico y luego expondré de dónde surgen los problemas para investigar, cuáles competencias desarrollamos con la aplicación de la investigación científica, qué consejos debemos seguir para iniciarnos en el método científico, qué aspectos éticos nunca debemos olvidar y, finalmente, qué nos aporta el trabajo en equipo (fundamental en los procesos actuales de obtención de nuevo conocimiento).

Pensamiento crítico vs. Pensamiento científico

Todos hemos investigado sobre algo en nuestras vidas, pero no todos hemos realizado una verdadera investigación científica, con todas sus etapas y requisitos. Sin embargo, todos podemos aplicar el pensamiento científico de alguna manera para obtener un conocimiento nuevo, tomar mejores decisiones y diferenciar la realidad de la fantasía en casi cualquier campo: política, mercadeo, crecimiento personal, selección de un producto entre muchos, desarrollo de software, etc. Para el desarrollo de dicho pensamiento científico debemos, simplemente, tener en cuenta de manera más consciente las etapas del método científico: observar detenidamente lo relacionado con lo que nos interesa, detectar un patrón a partir de múltiples casos observados, plantear una posible solución como una hipótesis, recoger evidencias y exponer nuestra idea en varios escenarios, y llegar a una conclusión.

Por ejemplo, si tenemos una inquietud política podemos obtener información de varias fuentes (prensa, expertos, personajes, redes, etc.), identificar una idea clara, proponer una posible verdad, someter esa idea a una crítica en diversos escenarios (copartidarios, rivales políticos, redes sociales, otros contextos, etc.) y llegar a una conclusión. Por supuesto, este proceso es largo, tedioso y generalmente se omite la experimentación exhaustiva (sometimiento de la idea), con lo cual nos acercamos más al concepto de pensamiento crítico, suficiente en la mayoría de nuestras tareas en el mundo. Sin embargo, si nos interesa llegar a una aproximación más confiable y generalizable a una verdad, debemos invertir más tiempo y esfuerzo a todas las etapas descritas.

Para entender mejor la relación entre pensamiento crítico y pensamiento científico, ayuda mucho contrastar los alcances de cada enfoque:

Definición: mientras el pensamiento crítico es el proceso mental enfocado en evaluar la validez de afirmaciones, argumentos o situaciones de la vida cotidiana, el pensamiento científico busca la producción de conocimiento nuevo y verificable sobre el mundo natural o social.
Ámbito: el pensamiento crítico es universal (se aplica al leer las noticias, resolver un dilema ético o jugar al ajedrez), mientras que el pensamiento científico es más especializado (sigue un protocolo estricto dentro de una disciplina del saber).
Experimentación: en el pensamiento crítico es opcional o se basa en la lógica, buscando la evaluación de la consistencia interna, los sesgos y la evidencia existente; de otro lado, en el pensamiento científico la experimentación es sustancial y obligatoria, ya que requiere pruebas empíricas, reproducibilidad, replicabilidad y control de variables.
Objetivo: el pensamiento crítico se enfoca a tomar decisiones razonadas o formarse una opinión justificada, mientras que el pensamiento científico busca descubrir leyes, patrones o teorías generales.

De esta manera, el pensamiento crítico es el prerrequisito intelectual de la ciencia, dado que un científico no puede diseñar un buen experimento si primero no aplica el pensamiento crítico para detectar sesgos en investigaciones previas, cuestionar dogmas o supuestos no demostrados, y formular hipótesis equilibradas y sin sesgos que valga la pena testear. En pocas palabras, todo buen científico necesita ser un pensador crítico, pero un pensador crítico no necesita ser un científico en su día a día: el pensamiento científico es el pensamiento crítico en su máxima expresión. La ciencia toma las herramientas del pensamiento crítico (la duda metódica, la exigencia de evidencia, la lógica) y las lleva a su máxima expresión institucional añadiendo un andamiaje metodológico: instrumentación (equipos que vayan más allá de las limitaciones de los sentidos humanos), reproducibilidad (otros laboratorios del mundo obtienen lo mismo), replicabilidad (aplica a problemas similares) y revisión por pares (búsqueda activa de fallas en el razonamiento o en el diseño experimental).

Imaginemos, por ejemplo, que una persona afirma algo como: “Tomar infusión de jengibre previene el resfriado”. El pensador crítico evaluará la afirmación preguntando: ¿quién lo dice?, ¿qué evidencia tienen?, ¿hay un sesgo comercial?, ¿es una correlación o una causa?, y si no encuentra pruebas sólidas, suspende el juicio o rechaza la afirmación basándose en la lógica y la literatura existente; no necesita montar un laboratorio. El pensador científico va más allá y diseña un estudio clínico, toma un grupo de control (con placebo) y un grupo experimental (aislando variables como la edad, clima, dieta), mide los biomarcadores inmunológicos durante meses y analiza los resultados estadísticamente antes de afirmar nada.

Con un buen pensamiento crítico nos acercamos a la sabiduría: podemos diferenciar el conocimiento de las creencias, opiniones y antijuicios, propios de las pseudociencias y teorías de la conspiración. Lo contrario a la sabiduría es la estupidez, es decir, la incapacidad o la falta de voluntad para aprender de los errores.

Una vez tenemos claros los conceptos de pensamiento crítico y pensamiento científico, podemos tratar de ser más estrictos en nuestras vidas y aplicar con más detalle el método científico, con lo cual ganamos en el camino unas competencias muy interesantes e importantes. En el ámbito académico, en pregrado y, sobre todo, en posgrado, aprendemos la manera de realizar una correcta investigación científica en cursos de metodología de la investigación, donde se abordan problemas reales de las organizaciones. Sin embargo, con las facilidades de Internet y el uso de la IA, podemos aprender la manera de aplicar el método científico para aclarar nuestras inquietudes más grandes y mejorar nuestras tareas laborales.

Para tener en cuenta, en el proceso de formación en investigación científica debemos cubrir al menos los siguientes cuatro aspectos:

La identificación y adquisición de una metodología por medio de cursos, seminarios, estudio de material bibliográfico y discusiones en grupo.
El planteamiento de un problema concreto que permita poner en contexto lo que se aprenda de metodología de la investigación.
La realización de un proyecto real aplicando todo lo visto durante el aprendizaje de la metodología de la investigación.
La comunicación de los descubrimientos y experiencias con colegas y expertos.

Selección del problema

Un problema que requiera de investigación científica puede surgir en diversos escenarios:

Conversaciones con personas que comparten nuestros intereses (amigos, colegas, expertos, empresarios, grupos o semilleros de investigación, laboratorios de investigación, redes y comunidades académicas, cursos, conferencias), donde las discusiones conectan con una pregunta o interés personal.
Durante la revisión bibliográfica de algún tema de interés, sobre todo cuando leemos las conclusiones de artículos científicos o informes de proyectos de investigación, y encontramos preguntas abiertas que coinciden con las nuestras.
Durante la observación de hechos.
Por presentimientos.
Consultando patentes.

Es importante considerar detenidamente los siguientes aspectos cuando estamos buscando un problema de investigación:

Relacionar nuestros intereses, conocimientos, experiencia y visiones personales con intereses generales: un problema que no requiera de nuestras principales competencias no deberíamos considerarlo de interés. Si somos matemáticos o ingenieros matemáticos, ¿deberíamos aceptar un problema que no requiera de matemática importante?
Preferir los problemas con impacto social, pues finalmente queremos que lo que encontremos le sea útil a alguien.
Tomarse el tiempo para escoger un problema y no seleccionar el primer problema que venga a la mente (que generalmente trae frustraciones y amarguras).
Tener en mente las oportunidades reales de comunicación y publicación de los resultados, pues no queremos que algo quede sólo para nosotros (no hay nada como compartir y discutir nuestros hallazgos con otras personas).
Buscar un equilibrio entre viabilidad e interés del problema: un investigador principiante necesita un problema sencillo para ganar retroalimentación positiva rápidamente y reforzar la confianza, aunque no se genere mucho conocimiento nuevo.
No hay que pensar en el camino hacia la solución de un problema como una línea recta, ya que cualquier desviación conllevaría estrés. Es mejor pensar que en el camino pueden surgir nuevos problemas y preguntas, muchos de los cuales pueden ser más interesantes y viables que el problema original. Es decir, el serpenteo es visto como parte del proceso más que una molestia.

Competencias que se desarrollan con la investigación científica

Curiosidad.
Humildad intelectual: reconocer los límites del propio conocimiento es una señal de madurez y experiencia, tan valiosa como los logros y la confianza. La humildad incluye el respeto y consideración de la perspectiva de otros, la participación activa en la resolución de conflictos y la reducción del dogmatismo.
Desarrollo del pensamiento crítico, liberándonos de enfoques incoherentes y adoptados inconscientemente, obrando con cautela en un terreno nuevo y extremando las exigencias de la verificación.
Planteamiento de soluciones factibles previas (hipótesis) como fundamento para la adquisición de experticia e intuición.
Planteamiento formal de problemas: revisión del conocimiento y soluciones previos, ordenamiento sistémico de las ideas.
Desarrollo de habilidades comunicativas: lectura y presentación de informes, argumentación adecuada.
Aprendizaje del trabajo en equipo y de las normas de comportamiento en ambientes de investigación.
Desarrollo de habilidades para estudios de posgrado.

Consejos para investigadores principiantes

Cuando empezamos a investigar y a aprender cómo hacerlo, generalmente creemos que tenemos todo claro y que hay un camino directo para obtener buenos resultados, y omitimos las recomendaciones de los expertos. Pensar así nos puede traer múltiples problemas y sinsabores, por lo que las siguientes recomendaciones, tomadas de varias fuentes, no las deberíamos pasar por alto:

Investigar es excitante y adictivo, pero es difícil, pues el mundo es complejo de entender y describir: no debemos permitir que la ansiedad nos deprima.
Mantener intereses amplios que permitan beneficiarse de otras áreas del conocimiento, pero enfocarse al menos en un área.
Reconocer la injerencia de los elementos de nuestra vida afectiva en los procesos de conocimiento: aunque nos ayudan a definir lo qué es relevante para nosotros, también generan sesgos en nuestro enfoque investigativo.
No buscar completar todo el conocimiento posible de un tema antes de iniciar una investigación, pero sí entender que algo ya puede estar inventado y no podemos despreciar el trabajo de otros.
Contar con la tutoría de un experto y el apoyo de un equipo de trabajo, cuyas ideas deben ser siempre tenidas en cuenta, pero sin abandonar las ideas propias: una persona sabia puede aprender de cualquier otra persona.
Hacer lo correcto cuando se tengan dudas éticas o morales: la moralidad requiere de valor.
Los computadores, la IA y la simulación son sólo parte de la investigación, ya que únicamente dan respuestas, mientras que la investigación se enfoca más a las preguntas: son herramientas útiles para ganar confianza en la aplicación de un método, pero la intuición se logra básicamente con el entendimiento profundo del problema.
Escribir con una notación clara y sistemática mientras se investiga y no dejar todo para lo último, pues este proceso ayuda a detectar de manera temprana errores, vacíos e inconsistencias: no enfadarse demasiado por las evaluaciones desfavorables, dado que invitan a una revisión exhaustiva y nuevos enfoques del trabajo realizado.
Practicar la coherencia (armonía entre lo que pensamos, lo que decimos y lo que hacemos): no ser coherente genera en el entorno de la persona desconfianza, desengaño y recelo.
Desarrollar la intuición y el sentido común por medio de la formulación precisa y clara de las posibles soluciones (hipótesis): sin una hipótesis se pierde una gran oportunidad de poner a prueba nuestro entendimiento del mundo.
Detallar muy bien los nuevos métodos y, en particular y de manera muy clara, identificar, exponer y cuestionar los supuestos ocultos de los métodos utilizados.
Tener en cuenta que todo resultado tiene cierto grado de incertidumbre o error, por lo que es mejor asumir que un resultado es incorrecto y buscar sus fallas o límites de aplicación.
Considerar las incoherencias y anomalías como oportunidades.
En caso de complicaciones, buscar un problema más simple o quitar los detalles innecesarios y resolverlo, pues ayuda a entender el problema más complejo.
Tener presente que no todo resultado tiene valor y que un resultado negativo es realmente un camino para nuevas ideas y enfoques.
Buscar la generalización y simplificación de los resultados: cada vez que hacemos pruebas, escribimos, analizamos o concluimos, debemos pensar extrapolar todo a casos más generales.
Identificar y apreciar la elegancia y la belleza de los resultados: si lo hacemos, disfrutamos más de lo que obtenemos y somos más críticos y estrictos con su presentación clara y sin ambages. El pensamiento elegante tiene en cuenta la hermosura, la idea y el modo en el que esta se manifiesta.
Participar en sociedades científicas afines a nuestra área de investigación y asistir a sus eventos científicos como asistente o ponente, recordando siempre que se está representando un grupo de trabajo e institución: es muy valioso interactuar productivamente con personas que tengan enfoques y expectativas diferentes a la nuestra.
Escoger desde el inicio un nombre único como investigador en la plataforma ORCID y mantener actualizado un curriculum vitae (CV) académico en alguna plataforma web. Una opción muy utilizada en el mundo hispano es: Sánchez-Pérez, L. M.

Las siguientes son algunas de las fuentes que utilicé para escribir esta sección y que recomiendo leer:

Aspectos éticos de la investigación científica

Como en toda actividad humana, las exigencias externas, nuestro orgullo o nuestra vanidad nos seducen a tomar “atajos” para el logro de nuestros objetivos, pero debemos saber que dicha práctica tarde o temprano nos “pasa factura” y puede acabar con nuestra reputación y futuro. Por esta razón, los invito a pensar en los siguientes aspectos éticos, los cuales nunca debemos olvidar en nuestra actividad investigativa (son más que un adorno):

Eliminar el plagio y autoplagio respetando los derechos de autor.
Citar correctamente el material y resultados de terceros que se utilice, así hayan caducado los derechos de autor.
Dar todos los reconocimientos y créditos necesarios a patrocinadores y coautores, sin caer en el error de agregar coautores que no han aportado nada significativo.
No fabricar, manipular, falsificar o plagiar los datos, gráficos y tablas.
Eliminar los sesgos ideológicos y los sesgos cognitivos en la interpretación de los resultados. Ejemplos de sesgos ideológicos: superioridad de razas o de un sexo, ideas religiosas o políticas, vegetarianismo o veganismo, fatalismo, optimismo, etc. Ejemplos de sesgos cognitivos: confirmación, anclaje, aversión a la pérdida, efecto de arrastre, efecto de encuadre, del experimentador, negación de la probabilidad, teoría de la identidad social, obediencia a la autoridad.
Manejar bien los recursos asignados a la investigación.
No dividir un trabajo que tiene entidad propia (las hipótesis y los resultados son prácticamente iguales) en pequeñas unidades publicables que se envían a diferentes revistas, lo que se conoce como fragmentation, salami publication, salami slicing. La publicación redundante ocurre cuando varios artículos de un mismo proyecto de investigación comparten similares hipótesis, datos, discusión o conclusiones, sin explicar la relación entre los trabajos.
Respetar los acuerdos de confidencialidad.
Citar los conflictos de interés.
Reconsiderar y citar los métodos con posibles riesgos de daño en personas y animales.
Evitar las “fábricas de artículos científicos” (paper mills): empresas que ofrecen la autoría en artículos a personas ajenas a la obra a cambio de una contraprestación económica
Usar la inteligencia artificial (IA) sólo en los siguientes casos (indicando explícitamente su uso): mejora de la legibilidad y el lenguaje de la obra, y como asistente para la revisión bibliográfica. No la debemos usar para crear o alterar imágenes, o para producir elementos gráficos, por ejemplo.

Si quieren saber más sobre este tema, los invito a leer los siguientes artículos, en los cuales me basé para escribir esta sección:

Sobre los asesores de investigación

Los asesores de investigación realizan tareas muy importantes en nuestra formación y, de hecho, son fundamentales para que nuestro camino investigativo transcurra de manera feliz. Es primordial mantener con ellos una buena relación basada en el respeto, tolerancia y empatía para aprovechar al máximo sus experiencias y conocimientos. Entre las tareas de un asesor de investigación están:

Establecer un plan del trabajo independiente y revisarlo periódicamente, evitando desvíos inoficiosos del tema central.
Establecer las reglas y requerimientos de trabajo y de una relación eficiente.
Identificar sus capacidades y limitaciones.
Aclarar conceptos y dudas, y remitir a fuentes de información.
Orientar los ejemplos, ejercicios, casos de estudio y métodos.
Enseñar a formular preguntas y a hacer aportes.
Orientar en las reglas y ventajas del trabajo en equipo.
Desarrollar habilidades del proceso de publicación.

Los asesores tienen diferentes tipos de estilos de asesoramiento, los cuales exigen una comprensión y respeto totales (si confiamos en el asesor), siendo los más comunes los siguientes:

Estilo fuerte maestro/aprendiz: el asesor es un maestro y tiene un dominio bien especificado de experiencia y un conjunto de problemas.
Estilo colegial maestro/aprendiz: el asesor es un experto que limita el asesoramiento a sus problemas, pero puede trabajar en el problema del alumno.
Estilo de desarrollo colegial: el asesor es un colega experto que responde al problema de investigación del alumno y extiende su dominio para incluir nuevos problemas y nuevas habilidades.
Estilo de orientación y sugerencia: el asesor es un colega experto que brinda una buena orientación general sobre una amplia gama de problemas y métodos, pero no tiene habilidades en todos ellos.
Estilo pasivo de manos libres: el asesor realiza un control de calidad y sólo responde a las solicitudes específicas, realizando una revisión general del proceso.

Trabajo en equipo

Un equipo de trabajo es un conjunto de personas con habilidades complementarias comprometidas con un propósito común, una serie de metas de desempeño y un método de trabajo del cual todos son responsables. De otro lado, un grupo de trabajo busca la realización de una misma tarea, generalmente compartiendo información y bajo la coordinación de un líder.

Ventajas del trabajo en equipo:

Complementariedad de habilidades y conocimientos.
Oportunidad de aprendizaje mutuo: aceptación de la crítica, desarrollo de la autocrítica, posibilidad conocerse a sí mismo, desarrollo de la flexibilidad, tolerancia por la opinión disidente, aprender a escuchar, vencer temores y debilidades.
Identidad con un grupo de personas.
Agilidad en la solución de problemas en los proyectos.
Favorecimiento de acciones más eficaces y creativas.
Visión desde diferentes puntos de vista de los problemas y las soluciones.

Características de una reunión de trabajo del equipo:

Objetivo concreto y bien definido.
Orden del día claro y concertado por todos.
Inicio puntual, reuniones no muy largas (1 a 1.5 hora).
Conocimiento e interés de todos por el tema a tratar.
Uso de información como apoyo a la toma de decisiones.
Uso de herramientas en la web (foros, repositorios, wikis, blogs).
Adecuada interacción y participación de todos los miembros.
Confianza entre los miembros del grupo.
Reconocimiento del esfuerzo.
Buen manejo de los conflictos.
Acuerdos y conclusiones al final de las reuniones.
Decisiones claras y sin contradicciones.
Impresión de que la reunión ha sido productiva.
Redacción y publicación de las actas de las reuniones.

Palabras de cierre

Apropiarse de la formación investigativa no es un camino lineal ni exclusivo de quienes habitan laboratorios cerrados; es una postura ética, humilde y rigurosa ante los problemas de la sociedad. En un mundo redefinido por las tecnologías emergentes, los investigadores actuales cuentan con un aliado sin precedentes en la Inteligencia Artificial, la cual puede potenciar la revisión bibliográfica y refinar la legibilidad de la producción académica, siempre y cuando se use con criterios de transparencia, responsabilidad y estricto apego ético.

Suscríbete ahora

Hitos históricos del método científico

Pensandum — Thu, 04 Jun 2026 17:18:49 GMT

¿Es el método científico una receta inmutable o un sistema de ideas que evoluciona con la historia? Tendemos a imaginar la ciencia como un edificio sólido y estático, pero su verdadera historia está hecha de disputas intelectuales radicalmente opuestas. La ciencia no avanzó por acumular certezas de forma definitiva, sino por cuestionar los dogmas establecidos con ideas como la duda metódica, el falsacionismo o los paradigmas.

La duda estructurada y sistemática es, de hecho, el motor del método científico. En un mundo fragmentado que suele confundir los datos con la sabiduría, comprender cómo el criticismo de Kant, el falsacionismo de Popper y las revoluciones de paradigmas de Kuhn transformaron nuestra forma de generar conocimiento científico no es un mero ejercicio académico, sino una necesidad sistémica.

Conectando con nuestras reflexiones previas sobre qué es la ciencia y cómo se concreta en el conocimiento científico y la relación Opinión - Creencia - Saber, los invito a un breve viaje en el tiempo para revisar los principales cimientos de lo que llamamos “verdad”, y a pensar bajo qué paradigma estamos construyendo el conocimiento en la era de la posverdad. Omití muchos detalles, corrientes y personajes, pero espero que este resumen y los enlaces les permita profundizar más en el tema.

Razonamiento inductivo-deductivo (Aristóteles)

Para empezar, debemos remontarnos a la antigüedad con Aristóteles (Gracia, 384-322 a. C.), quien introdujo el razonamiento inductivo-deductivo con dos procesos complementarios y circulares, esenciales en la adquisición del conocimiento científico y la comprensión de la realidad: desde las observaciones se ascendía hasta los principios generales (inducción) para volver a las observaciones (deducción). En particular, identificó el silogismo: forma de argumentación en la que una conclusión se deduce necesariamente de dos premisas. Esta es la base del método científico. Entonces, para Aristóteles una ciencia determinada es un grupo deductivamente organizado de enunciados y un saber demostrativo, lo cual fue un gran avance incluso con estándares modernos.

Ejemplo de inducción: veo que las piedras, la madera y las manzanas caen al suelo; infiero el principio de que “todos los objetos pesados tienden al centro de la Tierra”.

Ejemplo de deducción: si tengo un objeto nuevo pesado en la mano y lo suelto, deduzco de la teoría de gravitación que caerá al suelo.

Empirismo y racionalismo (Bacon vs. Descartes)

En tiempos más recientes, Francis Bacon (Inglaterra, 1561-1626), en los albores de la revolución científica (siglos XVI y XVII, al final del Renacimiento e inicio de la Ilustración), formuló explícitamente, junto a pensadores como Thomas Hobbes (Inglaterra, 1588-1679), John Locke (Inglaterra, 1632-1704) y David Hume (Escocia, 1711-1776), las etapas del método científico basado en la inducción y la observación meticulosa de la naturaleza, sentando las bases del empirismo moderno: énfasis en el papel de la experiencia y la evidencia, es decir, en el razonamiento inductivo. Ejemplo de un enfoque empirista: para saber a qué velocidad caen los cuerpos, no teorizo en mi mente; dejo caer 100 objetos diferentes desde una torre, mido los tiempos con un reloj, registro los datos en una tabla y calculo la regularidad empírica.

En contraposición, el racionalismo de René Descartes (Francia, 1596-1650), Baruch Spinoza (Países Bajos, 1632-1677) y Gottfried Leibniz (Alemania, 1646-1716) defendía que la razón era la fuente principal del conocimiento, haciendo hincapié en el razonamiento deductivo. Ejemplo de un enfoque racionalista: no confío en lo que mis ojos ven al mirar caer una hoja o una piedra, pues el aire y otros factores interfieren, por lo que diseño mejor un modelo matemático puro de la gravedad en el vacío usando ecuaciones diferenciales y de ellas deduzco el movimiento real del objeto, el cual verifico experimentalmente.

En particular, Descartes propuso en El discurso del método (1637) la duda metódica como herramienta radical: debemos suspender el juicio sobre todo aquello que genere la más mínima incertidumbre hasta hallar una verdad primera y autoevidente que sirva de cimiento inamovible para la razón. La duda metódica es precisamente la herramienta que utiliza Descartes para justificar por qué no se puede confiar en los sentidos (empirismo) y por qué se debe recurrir a la estructura pura de la razón. Al radicalizar la duda y destruir toda certeza externa, llega a su primera verdad absoluta e inmune a toda duda: el Cogito ergo sum (Pienso, luego existo). La razón se convierte así en la única roca sólida para construir el edificio del conocimiento.

Descartes estableció cuatro reglas fundamentales para la búsqueda del conocimiento verdadero y seguro (método cartesiano):

Evidencia: aceptar como verdadero solo aquello que se presente de manera clara y distinta, sin dejar lugar a la duda.
- Ejemplo en la crisis universitaria: ante afirmaciones absolutas y comunes en la web como “La universidad tradicional ha muerto por culpa de las clases virtuales” o “Los títulos universitarios ya no sirven para nada”, la regla de la evidencia exige suspender el juicio y dudar de inmediato. No se aceptan estos dogmas ni los sesgos de las opiniones populares. En su lugar, se examina críticamente qué parte de esa premisa es una generalización apresurada y qué datos duros (como tasas reales de empleabilidad o encuestas de deserción cualitativa) resisten un análisis libre de prejuicios.
Análisis: dividir el problema en tantas partes simples como sea posible para entenderlo mejor.
- Ejemplo en la crisis universitaria: se fragmenta el problema en sus variables mínimas esenciales para estudiarlas por separado: costo de las matrículas frente al retorno de inversión de los graduados, desfase entre los currículos rígidos tradicionales y las competencias dinámicas que exige el entorno actual, impacto de las plataformas de educación virtual, irrupción de la IA en los procesos de evaluación, salud mental de los docentes y la crisis de atención o falta de propósito de los estudiantes.
Síntesis: ordenar los pensamientos y conocimientos, empezando por los más simples y fáciles de conocer, para ascender gradualmente hacia los más complejos.
- Ejemplo en la crisis universitaria: tras comprender cada pieza por separado, se reconstruye el rompecabezas de abajo hacia arriba. Se parte de la base más simple: el estudiante individual necesita herramientas para construir su conocimiento en un entorno digital. A partir de ahí, se deduce lógicamente el siguiente nivel: si el estudiante busca flexibilidad, las plataformas virtuales ganan terreno. Esto nos lleva a un peldaño más compuesto: las universidades pierden el monopolio del saber. Finalmente, se llega a la conclusión superior: la crisis universitaria no es un evento aislado, sino el resultado de un modelo institucional rígido que choca contra una sociedad interconectada y líquida.
Comprobación: realizar revisiones y recuentos generales para asegurarse de no haber omitido nada ni cometido errores.
- Ejemplo en la crisis universitaria: se realiza una auditoría holística y minuciosa de todo el diagnóstico, se repasa la cadena causal completa para verificar que no se hayan dejado cabos sueltos. Nos preguntamos si olvidamos incluir el factor de la brecha digital en regiones vulnerables, si tuvimos en cuenta la regulación legal y los ministerios de educación o si se omitió el impacto de la IA generativa en la redefinición de los exámenes. Sólo cuando el inventario de variables está completamente limpio y verificado, se da por válido el mapa del conocimiento construido.

De otro lado, Leibnitz trató de mecanizar todo el conocimiento científico con la creación de una characteristica universalis, un idioma simbólico global donde cada idea tuviera un signo propio y cualquier deducción lógica se ejecutara aplicando reglas formales a dichos símbolos (este sistema permitiría resolver las disputas intelectuales mediante el cálculo matemático, dejando de lado la persuasión retórica o los argumentos de autoridad). No logró su objetivo, dado que las matemáticas y la lógica de su época no eran adecuadas para la tarea. Más adelante, George Boole y Gottlob Frege sí materializaron en la Lógica Formal o Matemática muchas de las ideas Leibnitz, transformando la forma en que la inferencia científica podía ser entendida y evaluada: fue posible plantear la validez de un argumento (la conclusión se deduce necesariamente de las premisas) y la verdad y reproducibilidad de un argumento (las premisas están respaldadas por evidencias, coherentes con resultados establecidos).

Criticismo (la síntesis de Kant)

Este debate histórico encontró un punto de equilibrio gracias a Immanuel Kant (Prusia, 1724-1804), el primero y más importante representante del criticismo. En la Crítica de la razón pura en 1781 (punto de inflexión en la historia de la filosofía y el inicio de la filosofía contemporánea), Kant realiza una síntesis del racionalismo y el empirismo: el conocimiento del mundo real se obtiene dando un peso determinante a las estructuras de la razón (donde se llevan a cabo las principales operaciones para organizar la experiencia) en íntima relación con los sentidos (indiscutiblemente importantes para percibir el mundo). Según Kant, el conocimiento humano está limitado al mundo empírico natural y a las matemáticas; las operaciones llevadas a cabo por la razón para procesarlo son el concepto (representación mental), el juicio (afirmación o negación) y el raciocinio (obtención de un conocimiento nuevo).

Ejemplo de un enfoque criticista: los datos de la caída de un objeto entran por mis ojos (experiencia), pero la noción de “tiempo”, “espacio” y “causa-efecto” no son superfluos, sino que son las bases que mi mente ya posee (razón) para poder entender la caída.

Auge del positivismo y cientificismo (Comte, Círculo de Viena y la reacción antipositivista)

A las puertas del siglo XX, la reflexión dio un giro radical hacia el positivismo de Auguste Comte (Francia, 1798-1857), en el cual se afirmó que el único conocimiento auténtico es el saber científico derivado de la experiencia positiva, lo cual impulsó el auge de las ciencias naturales, donde encajarían los aportes de Charles Darwin (Inglaterra, 1809-1882). El problema del positivismo es que puede volverse frío y quedarse sólo en los síntomas externos.

Aún más estricto, en el siglo XX surgió el neopositivismo o empirismo lógico del Círculo de Viena, un grupo de reconocidos científicos y filósofos que se reunieron entre 1924 y 1936 con una gran influencia en la lógica y filosofía de la ciencia. El neopositivismo agregó el principio de verificación, argumentando que una afirmación sólo tiene sentido si puede verificarse empírica (empirismo) o lógicamente (logicismo). No obstante, el neopositivismo enfrentó su mayor cuestionamiento debido a las limitaciones del principio de verificación (opuesto a la falsación, descrita más abajo y que hoy en día es parte incuestionable del método científico): al rechazar la posibilidad de derivar leyes universales a partir de observaciones particulares, esta postura desató profundas críticas por su incompatibilidad con múltiples disciplinas científicas que dependen, precisamente, de la inducción para la construcción de conocimiento válido.

El positivismo causó múltiples controversias que llevaron al concepto de cientificismo, el cual considera que el método científico es la única vía válida para obtener conocimiento y comprender la realidad, descartando o restando valor a otras disciplinas humanas. Existen dos tipos de cientificismo: el fuerte (la ciencia es la única forma de conocimiento legítimo) y el débil o moderado (la ciencia no es la única forma de conocimiento legítimo, pero sí la mejor); el segundo tipo es el más común hoy en día, mientras el primer tip ya es prácticamente descartado. El problema del cientificismo es que cae en el dogmatismo al negar el valor de las humanidades y la filosofía si no utilizan la medición de forma clara y definida.

Frente a ellos, el antipositivismo emergió en las ciencias sociales, considerando que se debe rechazar el empirismo y el método científico estricto cuando se trata del desarrollo de teorías sociales e investigación humana. El antipositivismo se podría equiparar con la investigación cualitativa, la cual tiene un enfoque interpretativo (y sin hipótesis a priori) basado, por ejemplo, en entrevistas, encuestas, grupos de discusión, grupos focales, estudios de casos, observación participante, técnicas proyectivas, entre otras técnicas. El problema del antipositivismo es que carece de la capacidad de generalizar sus hallazgos a leyes universales.

Como ejemplo de los enfoques anteriores, imaginemos el siguiente caso de estudio: un aumento drástico en las tasas de criminalidad y violencia en una comuna o barrio vulnerable de una gran ciudad. Veamos cómo abordaría el problema cada postura, qué solución propondría y cómo se enfrentan entre sí:

La postura del Positivismo (enfoque empírico-cuantitativo): el positivista aborda la criminalidad tratándola exactamente igual que a un fenómeno de la física o la biología, es decir, como un hecho observable que debe medirse con precisión. Utiliza el mismo método científico de las ciencias naturales aplicable a la sociedad. Recopila datos duros, estadísticas policiales, censos socioeconómicos y mapas de calor del delito. Busca establecer leyes de causa y efecto: “A mayor tasa de desempleo y menor escolaridad, se incrementa en un N % la probabilidad de delitos de hurto”. Si las variables medibles muestran que la falta de iluminación pública y la escasez de patrullas correlacionan con el delito, la solución es instalar luminarias, cámaras con reconocimiento facial y aumentar el pie de fuerza según modelos matemáticos de optimización.
La postura del Cientificismo (la radicalización del método): el cientificista lleva el positivismo al extremo normativo. No sólo usa los datos duros, sino que descalifica activamente cualquier otra forma de comprensión que no pase por el laboratorio o la estadística matemática. Su método es reduccionista. Para el cientificista, la sociología o la psicología comunitaria son disciplinas “blandas” o pseudociencias si no se apoyan en bases biológicas, genéticas o neurocientíficas cuantificables. Afirma que la filosofía, la ética, la literatura o los testimonios subjetivos de los habitantes del barrio no tienen ningún valor real para resolver el problema porque carecen de rigor científico. Su frase de cabecera es: “Si no se puede medir y replicar en un experimento controlado, no es conocimiento válido; es solo opinión”.
La postura del Antipositivismo (el enfoque comprensivo-cualitativo): el antipositivista reacciona con fuerza contra los dos anteriores. Afirma que el ser humano no es una molécula ni una roca; tiene conciencia, intencionalidad, cultura y significado, cosas que no se pueden meter en una probeta o reducir a una gráfica estadística. Rechaza el método científico estricto de las ciencias naturales (dualismo metodológico). En lugar de buscar leyes universales de causa y efecto, busca comprender (Verstehen) el significado de la acción social. El investigador antipositivista va al barrio, realiza entrevistas en profundidad, historias de vida y grupos focales. Le interesa saber cómo viven los jóvenes la exclusión, qué significa para ellos la “lealtad a la banda” o cómo la falta de oportunidades destruye su sentido de identidad y dignidad humana. Acusa al positivismo y al cientificismo de deshumanizar el problema.
En resumen, el positivismo propone un método válido pero limitado, el cientificismo se vuelve dogmático al pretender que ese método es el único dueño de la verdad, y el antipositivismo rescata la subjetividad y la especificidad de las ciencias humanas frente al imperialismo de las ciencias naturales, pero carece de poder de generalización.

Falsacionismo (Popper responde al Círculo de Viena)

Fue en este contexto donde Karl Popper (Austria, 1902-1994) reaccionó contra el neopositivismo y propuso el criterio de falsabilidad: contrastar una teoría no significa verificarla, sino intentar refutarla mediante un contraejemplo; si no es posible hacerlo, se corrobora provisionalmente. Es decir, si una teoría es falsable, es decir, si se puede demostrar su falsedad en caso de que lo sea, entonces es científica; si no es falsable, no es ciencia. En resumen, la ciencia avanza a través de conjeturas y refutaciones, y el verdadero científico trata de falsar las hipótesis una a una hasta quedarse con la que mejor resista la crítica; la ciencia no persigue la verdad absoluta, sino que huye de la falsedad.

Ejemplos de falsación:

La afirmación “Dios existe” no es científica (es un acto de fe) porque no hay manera de diseñar una prueba experimental que pueda refutarla.
La afirmación “Todos los cuervos son negros” sí es científica porque es falsable: bastaría encontrar un solo cuervo de otro color para refutarla.
La afirmación “La Tierra es plana” sí es científica porque puede someterse a falsación; de hecho, mediante experimentos simples y contraejemplos geodésicos y astronómicos se demostró hace mucho que es falsa. Por ello, la astronomía avanzó descartándola, mientras que los pseudocientíficos la defienden enfocándose únicamente en sus supuestas pruebas aisladas e ignorando los contraejemplos que ya la refutaron.

Evolución por paradigmas (Kuhn enriquece a Popper aportando la visión social)

Por otra parte, Thomas Kuhn (EEUU, 1922-1996) propuso que las ciencias no evolucionan mediante una aplicación lineal y continua del método científico, sino que pasan por varias fases: (1) un consenso de la comunidad científica sobre los avances del pasado (ciencia normal), (2) un breve episodio de ruptura, (3) un cambio de paradigma (ciencia revolucionaria) y (4) un nuevo periodo de ciencia normal. Un paradigma es un sistema de leyes, modelos, valores y ejemplos que definen una disciplina científica durante un lapso de tiempo específico, demostrando que la ciencia es también un hecho social e histórico.

Ejemplo de evolución por paradigmas:

Ciencia normal (paradigma inicial): durante más de mil años la comunidad científica aceptó el modelo de Ptolomeo: la Tierra está fija en el centro del universo y el Sol, la Luna y los planetas giran a su alrededor en órbitas circulares perfectas. Los astrónomos usaban este sistema de leyes y modelos matemáticos para predecir los eclipses y la posición de los astros. Si las predicciones fallaban un poco, no dudaban del paradigma, sino que simplemente hacían ajustes matemáticos secundarios (llamados “epiciclos”).
Crisis del paradigma: a medida que los instrumentos de medición mejoraron, los astrónomos empezaron a notar que el comportamiento real de planetas, como Marte, no coincidía con los cálculos del paradigma geocéntrico. Marte parecía frenar, retroceder y luego continuar (movimiento retrógrado). Para explicar estas anomalías, los científicos tuvieron que añadir capas y capas de matemáticas complejas al modelo geocéntrico. El sistema se volvió tan enredado, inestable y artificial que la comunidad científica entró en crisis: el paradigma tradicional ya no era capaz de resolver los problemas de forma limpia.
Cambio de paradigma (ciencia revolucionaria): en el siglo XVI, Nicolás Copérnico propuso una idea radicalmente distinta que rompía las reglas del juego: ¿Y si la Tierra no es el centro, sino un planeta más que gira alrededor del Sol? Al principio, la comunidad científica tradicional rechazó la idea porque cambiaba las leyes de la física de la época, los valores teológicos y la forma misma de entender el cosmos. Durante un tiempo, coexistieron dos formas incompatibles de ver el universo.
Retorno a la ciencia normal (nuevo paradigma): con los aportes posteriores de Galileo (observaciones con el telescopio) y Kepler (órbitas elípticas), el modelo heliocéntrico demostró ser mucho más simple, elegante y exacto para predecir el movimiento de los astros. La comunidad científica abandonó por completo el modelo geocéntrico y se estableció un nuevo consenso (un nuevo paradigma). A partir de ese momento, los científicos volvieron a hacer “ciencia normal”, pero ahora bajo las reglas, leyes y herramientas de la astronomía copernicana.

Palabras de cierre

La ciencia no es una representación completa del conocimiento científico, sino una expresión parcial y poderosa, pero siempre incompleta (lo demostró Kurt Gödel). Entender, además, que la ciencia no persigue verdades inmutables, sino que avanza mediante la eliminación deliberada del error a través de refutaciones implacables (como bien demostró Popper) o mediante profundas revoluciones sociales y epistémicas (al estilo de Kuhn), nos dota de un blindaje crítico indispensable para el pensamiento en el siglo XXI. Hoy, la IA amenaza con instaurar un nuevo “neopositivismo automatizado” donde los datos parecen hablar por sí mismos. Para evitar caer en el dogmatismo cientificista y aprender a mirar genuinamente más allá de la superficie, debemos interrogar a las herramientas que usamos actualmente y que redefinen nuestra realidad, como es el caso de la IA.

Suscríbete ahora

Bitácora Pensandum No. 3

Pensandum — Fri, 29 May 2026 20:49:41 GMT

En estas bitácoras periódicas recopilo y conecto las breves reflexiones en nuestras notas y artículos recientes.

Sistemas

Educación

Ciencia

Sociedad

Suscríbete ahora

¿Es la computación cuántica la última frontera de la simulación o un espejismo tecnológico?

Pensandum — Tue, 26 May 2026 22:11:10 GMT

¿Estamos a las puertas de la mayor revolución tecnológica desde la invención del transistor, o ante un fascinante callejón sin salida de la ingeniería? La computación cuántica promete un salto tan vasto que redefiniría nuestra capacidad para modelar la realidad, desde la creación de fármacos hasta la optimización de economías enteras. ¿Cómo comprender una tecnología que habla el idioma de los átomos y que, a la vez, lucha contra la inestabilidad de su propia naturaleza? Vamos a conectar los diversos conceptos físicos y los desafíos monumentales que separan la teoría de la práctica.

Introducción

La computación cuántica es un paradigma emergente de computación que permite un salto sustancial en la velocidad de procesamiento con respecto a la computación convencional: se espera que los cálculos sean un millón (o mil millones) de veces más rápidos y con un consumo energético muy pequeño. Sin embargo, su alcance se da en esferas muy especializadas y su comprensión puede requerir un conocimiento profundo de la física cuántica. En este artículo trataré de aclarar, lo mejor que pueda, cuáles son las bases y conceptos de este nuevo paradigma y para qué sirve. No soy experto en el tema, pero eso no evita que quiera hacer un resumen para entender mejor la computación cuántica, y eso es lo que quiero compartir ahora.

Computador cuántico. Photo by Planet Volumes on Unsplash

Un computador normal intenta simular la naturaleza haciendo dibujos en una pantalla (como una fotocopia), pero la naturaleza es cuántica y no se deja copiar bien. Un computador cuántico no simula la naturaleza, sino que funciona igual que ella, y por eso es capaz de descubrir fármacos o materiales nuevos, dado que habla el mismo “idioma” que los átomos.

Empresas como IBM, Google, Microsoft, IonQ y Quantinuum lideran las millonarias inversiones actuales (acompañadas por fuertes subsidios gubernamentales), enfocándose en sectores piloto como las finanzas y la farmacéutica (donde corporaciones como Moderna ya realizan simulaciones experimentales). En cuanto a los plazos, las proyecciones apuntan a un punto de inflexión comercial hacia 2030, año en el que se espera que los primeros computadores cuánticos resuelvan problemas industriales reales de forma eficiente. Sin embargo, para que la tecnología alcance una madurez masiva y una rentabilidad generalizada, los expertos prevén que la industria tendrá que recorrer un camino largo y complejo que se extenderá varios años, más allá de 2030, debido a los inmensos retos de ingeniería que aún quedan por resolver. Se espera que tengamos computadores cuánticos a mayor escala hacia 2040 con ganancias entre 450,000 y 850,000 millones de dólares.

Para medir la efectividad de la computación cuántica existen algoritmos, como el algoritmo de Shor para descomponer en factores un número cualquiera: un computador cuántico podría calcular los factores de números muy grandes en varios días, mientras que a un supercomputador no cuántico requeriría de millones de años. También están el algoritmo de Grover (búsqueda en una secuencia no ordenada de datos con N componentes) y el algoritmo de Deutsch-Jozsa.

Los algoritmos cuánticos se programan en lenguajes como Qiskit (desarrollado por IBM Research y basado en el lenguaje de programación Python), Cirq (de Google) o Q# (de Microsoft), entre otros.

Qubits

Un computador cuántico es un sistema de computación que utiliza bits cuánticos (qubits o cúbits), en lugar de sólo 1 y 0, los cuales pueden estar en cualquier superposición de 0 y 1, y los cuales se conectan para realizar cálculos con ellos. Es así como un conjunto de dos qubits puede representar una superposición de valores: 00, 01, 10 y 11 a la vez. Si con dos qubits se tienen 4 estados a la vez, con 30 qubits se logran 1000 millones de estados, con una mayor capacidad de representación de información. Los qubits pueden fabricarse de muchos materiales y arquitecturas, pero la estrategia preferida es la construcción de qubits a partir de átomos individuales. Se utilizan generalmente unos cientos de qubits.

El desafío en el funcionamiento de un computador cuántico es comprender cómo los estados existen al mismo tiempo y por qué eso hace que el poder del computador crezca de forma tan impresionante, para lo cual debemos comprender los conceptos de superposición, entrelazamiento y colapso, y traducirlos a conceptos visuales y cotidianos.

Superposición cuántica

Un qubit es como una moneda girando en el aire. Mientras está girando no se sabe si es cara o sello: es una combinación de ambas cosas a la vez, tiene el potencial de ser cualquiera de las dos. Sólo cuando ponemos la mano encima y la detenemos (medimos el estado), la moneda se ve obligada a decidirse por un 0 o un 1. En la computación tradicional, si tenemos dos bits podemos escribir el número 00, 01, 10 o 11, pero sólo uno a la vez., y si queremos probar los cuatro, tenemos que hacerlo en cuatro turnos diferentes. En la computación cuántica, dos qubits (dos monedas girando en el aire) representan las cuatro combinaciones al mismo tiempo. Cada vez que añadimos un qubit no estamos sumando poder, estamos duplicando su capacidad.

El comportamiento del qubit se puede visualizar mejor como una esfera. En un computador normal, el bit sólo puede estar en dos lugares: en el Polo Norte (que llamaremos el 0) o en el Polo Sur (que llamaremos el 1). La flecha está obligada a apuntar rígidamente hacia arriba o hacia abajo y no hay más opciones. Un qubit, en cambio, puede mover su flecha hacia cualquier punto de la superficie de la esfera, de manera que si la flecha apunta a un punto intermedio (por ejemplo, en la línea del Ecuador), el qubit está en superposición. Estar en el Ecuador significa que es un 50% “Polo Norte” y un 50% “Polo Sur” al mismo tiempo. Al tener toda la esfera disponible, el computador puede usar la posición de la flecha para representar muchísima más información que un simple “arriba o abajo”. Entonces, el procesamiento consiste en mover la flecha por el mapa: cuando el computador cuántico está calculando, lo que hace en realidad es rotar la flecha por la superficie de la esfera. Al conectar muchos qubits, estamos moviendo muchas flechas a la vez en sus respectivas esferas. Esto es lo que nos permite “procesar múltiples posibilidades simultáneamente”: cada posición de la flecha en la esfera aporta una parte de la solución al problema.

Entrelazamiento cuántico

La conexión de qubits, es decir, el entrelazamiento cuántico, se comprende si usamos una analogía con dados mágicos. Si tenemos dos dados normales y lanzamos uno en Madrid y otro en Boston, el resultado de uno no afecta al otro: son independientes. Si esos dados estuvieran entrelazados cuánticamente, se volverían “gemelos telepáticos” y si lanzamos uno y sale un 6 en una ciudad, de forma instantánea y automática, aparecerá un 6 en la otra ciudad (o en su opuesto exacto). El entrelazamiento es el “pegamento” que conecta a los qubits para que trabajen en equipo, pero si tenemos 50 qubits girando en superposición, pero sin entrelazamiento, tenemos 50 problemas individuales. Al entrelazarlos bajo un control estricto, creamos una sincronización perfecta: lo que le pasa a un qubit modifica el estado de los demás al instante, permitiendo resolver acertijos lógicos complejos a una velocidad increíble. Si ese control se pierde lo más mínimo (por el “ruido” o calor del ambiente), los dados mágicos dejan de hablarse, las monedas caen al suelo y el computador cuántico se apaga, volviéndose inútil.

Colapso cuántico

El colapso cuántico es el proceso de detener el mapa con el dedo, con lo que llegamos a la parte del “resultado probabilístico”: la física cuántica dicta que nadie puede ver la flecha mientras está en el Ecuador, pero en el momento en que intentamos mirar el qubit (medirlo), la magia se rompe. El dedo va a caer en una ciudad concreta y con eso se da el colapso: la flecha, que estaba viajando libremente por la superposición, es obligada a saltar instantáneamente al Polo Norte (0) o al Polo Sur (1).

En resumen, un bit normal es un interruptor que sólo apunta al Polo Norte (0) o al Polo Sur (1). Un qubit es una esfera donde la flecha puede apuntar a cualquier país del mundo (superposición) para hacer cálculos matemáticos complejos, pero cuando el computador termina y medimos el resultado, la flecha es obligada a ‘colapsar’ (caer) de inmediato en el Polo Norte o en el Polo Sur. Diseñamos, entonces, el viaje de la flecha para que, por probabilidad, caiga exactamente en el polo que tiene la respuesta correcta a nuestro problema.

Un computador tradicional es como un explorador que, para salir de un laberinto, tiene que probar un camino, chocar contra las paredes, devolverse y probar el siguiente (uno por uno). Un computador cuántico es como una inundación de agua: entra al laberinto y recorre todos los caminos posibles a la vez para encontrar la salida en un solo segundo. La superposición le permite dividirse y el entrelazamiento hace que todas las gotas de agua sepan lo que hacen las demás. El colapso corresponde al momento en que toda esa inundación desaparece en un instante y el agua se materializa en una única gota justo en la salida correcta. ¡Increíble!

Qubit vs. Bit. El qubit existe en una “superposición”, permitiendo procesar múltiples posibilidades simultáneamente y “colapsar” rápidamente en una solución óptima mediante un resultado probabilístico.

Dificultades en la construcción de computadores cuánticos

A pesar de los enormes avances en el campo, seguimos sin saber cómo construir un ordenador cuántico funcionalmente útil y ni siquiera si tal cosa es posible: se han construido qubits físicos (llenos de errores por el “ruido” ambiental), pero no qubits lógicos (útiles y limpios, trabajando en perfecta armonía). La idea es similar a un avión de papel: demuestra que las leyes de la aerodinámica funcionan y que “se puede volar”, pero no sirve para transportar pasajeros.

Para mantener un control sobre los qubits y su entrelazamiento, el computador cuántico debe estar aislado del resto del mundo mientras realiza su trabajo, lo cual es muy difícil de conseguir. También se debe mantener muy frío (casi al cero absoluto, unos -273°C) porque el calor, debido al movimiento aleatorio de los átomos, crea entrelazamientos no intencionados. Pero incluso así, sigue cometiendo errores constantemente en los cálculos cuánticos debido a otros efectos cuánticos no deseados. Para corregir los errores de un solo qubit lógico (bueno), se necesitan miles de qubits "defectuosos" (físicos) trabajando de respaldo, por lo que los sistemas actuales se deben escalar hasta millones de qubits físicos para corregir estos errores, lo cual es un gran problema. No obstante, algunos expertos piensan que se puede hacer esto con menos qubits (unos 10,000), lo cual puede resolver el problema, pero aún no se está seguro de eso. Además, se requieren sofisticados métodos matemáticos para reconocer que hay un error y corregirlo, una tarea extremadamente difícil, pero que progresa todo el tiempo. Por estas razones, algunos investigadores creen que no se podrán construir computadores cuánticos útilmente grandes. ¡Pero se sigue investigando!

Hay que decir que aún no existe un computador cuántico ideal que corrija los errores. Hoy en día, mantener bajo control unos pocos cientos ya es una pesadilla de ingeniería, pero escalar eso a millones, manteniendo la temperatura extrema y el aislamiento, es un reto tan monumental que algunos físicos teóricos argumentan que la naturaleza podría tener leyes aún no descubiertas que impidan que un sistema tan complejo se mantenga estable. Hay mucho pesimismo, ¡pero se sigue investigando!

Aplicaciones de la computación cuántica

Se tiene claro que la computación cuántica no superará la computación convencional en la mayoría de las tareas y, lo que es más interesante, no es del todo claro lo que se podría hacer con ella, pero existen algunos problemas que tienen una estructura interna concreta en los cuales sí puede ser clara su aplicación:

Simulación de sistemas cuánticos (idea inicial): uso de la física cuántica para simular la propia física cuántica, dado que las herramientas actuales no pueden modelar con precisión cómo interactúan los átomos y las partículas subatómicas.
Criptografía: un computador cuántico del futuro podría descifrar en minutos las claves de seguridad de internet y, para evitarlo, se está creando la “criptografía postcuántica”, un sistema de seguridad basado en leyes físicas que detecta si alguien está espiando los datos.
Fármacos: hoy en día, crear un medicamento toma unos 10 años y miles de millones de dólares probando químicos a ciegas, pero con la computación cuántica se podrían simular trillones de combinaciones moleculares en un computador en pocas horas para hallar la cura exacta contra un virus.
Ciencia de los materiales: descubrimiento o invención de materiales con propiedades físicas que hoy parecen de ciencia ficción, al entender cómo se enlazan sus moléculas. Por ejemplo, aplicación en el diseño de cables conductores que transporten electricidad sin perder nada de energía a temperatura ambiente (superconductores), o creación de baterías para vehículos eléctricos que se carguen en segundos y duren semanas.
Predicción meteorológica: paso de los pronósticos actuales de unos tres días a pronósticos con semanas de anticipación, cálculo de la trayectoria de un huracán o cómputo de los efectos locales del cambio climático.
Industria financiera: creación de portafolios de inversión perfectos que equilibren el riesgo y la ganancia en tiempo real, o la predicción de crisis financieras simulando cómo reaccionaría la economía mundial ante un evento inesperado.
Optimización logística y de transporte: diseño de rutas en tiempo real de todos los barcos de carga del planeta para ahorrar combustible o coordinación del tráfico de flotas de aviones sin retrasos, por ejemplo.
Optimización de procesos industriales y energía: rediseño de la red eléctrica de todo un país para evitar apagones o mejoramiento en la producción de fertilizantes consumiendo una fracción de la energía actual, por ejemplo.
Inteligencia artificial y aprendizaje automático (Quantum ML): uso de procesamiento cuántico para que los algoritmos de IA se entrenen y piensen muchísimo más rápido. Por ejemplo, puede ser el caso del procesamiento de bases de datos médicas gigantescas en segundos para detectar patrones de enfermedades antes de que aparezcan los síntomas.

Palabras de cierre

El camino hacia una computación cuántica madura y generalizada es largo y complejo, extendiéndose mucho más allá de esta década debido a los inmensos retos de ingeniería que aún debemos resolver. Sin embargo, la investigación no se detiene y las proyecciones de su impacto económico para 2040 son asombrosas. Este análisis no debe ser el final, sino una invitación a profundizar en cómo esta tecnología redefinirá nuestra relación con la información y la simulación de la naturaleza.

Desde el punto de vista ético, la llegada de una computación cuántica plenamente funcional amenaza con fracturar el equilibrio geopolítico y social a través de una asimetría de poder sin precedentes. Si un estado o una corporación monopoliza esta tecnología antes de que el resto del mundo adopte la criptografía poscuántica, adquirirá la capacidad de exponernos digitalmente: podrá descifrar secretos de estado, transacciones financieras y comunicaciones ciudadanas.

Como herramienta de estudio, te invitamos a usar la Inteligencia Artificial para visualizar estos conceptos abstractos con prompts como el siguiente: “Genera una analogía visual, diferente a la de las monedas girando o la inundación del laberinto, para explicar la superposición y el entrelazamiento cuántico a un público no experto”.

Suscríbete ahora

¿Se puede aplicar el método científico en la investigación en matemáticas?

Pensandum — Tue, 19 May 2026 00:14:31 GMT

¿Alguna vez te has preguntado si el método científico, ese pilar fundamental de la investigación empírica, se aplica de la misma manera en el abstracto mundo de las matemáticas? En este blog hemos explorado temas como la ciencia y la investigación, analizando cómo el pensamiento crítico nos permite mirar más allá de la superficie. En esta ocasión, nos adentramos en un debate interesante: ¿es el método científico aplicable a las matemáticas? Vamos a reflexionar sobre los argumentos a favor y en contra, conectando con ideas previas sobre la naturaleza del conocimiento y la búsqueda de la verdad. ¿Serán las matemáticas una ciencia como las demás, o su naturaleza deductiva las sitúa en un plano distinto? Vamos a descubrirlo juntos.

Entre los argumentos en contra están:

Naturaleza deductiva: en matemáticas, la verdad se determina mediante deducciones lógicas basadas en axiomas (proposiciones evidentes que se admiten sin demostración), no por experimentación o verificación empírica como en las ciencias naturales. Una vez que un teorema se demuestra, se considera verdadero en todos los contextos posibles dentro del sistema de axiomas correspondiente y no se considera temporal como sucede en las ciencias naturales (física, química y biología). Por ejemplo, si suponemos que dos líneas rectas no se tocan en ningún punto, llegamos, junto con otros axiomas, a la geometría euclidiana, siempre verdadera bajo los mismos supuestos; si no se asume ese axioma, podemos llegar a una geometría no euclidiana, como la geometría de Riemann (base de la teoría de la relatividad de Einstein).
Ausencia de falsabilidad empírica: el método científico requiere la posibilidad de falsabilidad, es decir, la capacidad de que una teoría o hipótesis pueda ser sometida a pruebas que la contradiga (de esto hablaremos en un próximo artículo), pero las proposiciones matemáticas no dependen de observaciones del mundo natural y por eso la falsabilidad no es una característica relevante para la matemática pura, la cual busca verdades abstractas independientes del mundo físico. Sin embargo, algunos opinan que un matemático sí puede falsar una conjetura mediante el hallazgo de un contraejemplo.
Diferencia en la validación de teorías: en ciencias, una teoría debe ser verificada experimentalmente y se enfrenta al riesgo de ser refutada por nuevos datos. En cambio, en matemáticas, los resultados se verifican por medio de pruebas lógicas rigurosas. Un teorema demostrado es definitivo, dentro de sus axiomas y contexto lógico, sin necesidad de “experimentos”.

Entre los argumentos a favor están:

Matemáticas aplicadas y modelos: cuando se desarrollan modelos matemáticos para describir fenómenos reales (economía, biología, física), estos modelos sí son validados empíricamente. Aquí, el método científico es relevante porque la matemática actúa como herramienta descriptiva y predictiva. Los modelos matemáticos de sistemas reales pueden ajustarse o mejorarse en función de la evidencia experimental. Por ejemplo, un modelo matemático de propagación de una enfermedad epidemiológica como el Covid debe ejecutarse en una simulación para ajustar sus características matemáticas y describir así sucesos anteriores y, de esta manera, dar una mayor confianza a las predicciones futuras y explicaciones de propagación y prevención.
Conjeturas y experimentación matemática: en ciertas áreas, como la teoría de números, los matemáticos utilizan experimentación numérica y computacional para explorar patrones, formular conjeturas o detectar contraejemplos potenciales. En estos casos, el método exploratorio puede asemejarse al método científico, aunque la validación definitiva sigue siendo formal y deductiva.
Desarrollo y prueba de hipótesis: aunque no se basen en observaciones naturales, los matemáticos frecuentemente desarrollan hipótesis (o conjeturas) y diseñan “experimentos” conceptuales o computacionales para investigar su plausibilidad. La prueba formal representa la etapa final, pero el proceso exploratorio inicial es similar al método científico.
Evolución de axiomas y fundamentos: históricamente, el sistema axiomático de las matemáticas ha evolucionado a medida que se encuentran limitaciones o contradicciones, lo que refleja un tipo de “ajuste” basado en la experiencia acumulada de la disciplina. La teoría de conjuntos y el desarrollo de nuevas áreas como la topología responden a necesidades y problemas que emergen, en un proceso análogo al ajuste de teorías científicas.

Como podemos ver, la ciencia no tiene todo definido y la discusión está siempre abierta en su interior, lo cual es sano y deseable. En el caso del método científico, nos damos cuenta de que definitivamente no lo aplicamos en matemáticas de la misma forma que en las ciencias naturales, debido a su naturaleza abstracta y deductiva, pero sí encontramos algunas similitudes con el método científico en contextos donde las matemáticas interactúan con el mundo real o se exploran a través de experimentación y conjeturas, especialmente en las matemáticas aplicadas y en las áreas exploratorias que emplean herramientas computacionales. En matemáticas puras, sin embargo, la aplicación estricta del método científico genera dudas, dado que el conocimiento matemático se construye y valida a través de demostraciones lógicas dentro de un sistema axiomático definido. De esta manera, la respuesta a la pregunta del artículo no es definitiva, pero su discusión refuerza las ideas básicas acerca de la importancia de las hipótesis, experimentación y falsabilidad, entre otras, en la adquisición del conocimiento científico.

Para profundizar en este fascinante tema, los invito a explorar el uso de la Inteligencia Artificial (IA) en la investigación matemática. Por ejemplo, podríamos plantearle un prompt a una IA como: "Explora ejemplos de cómo la inteligencia artificial está siendo utilizada para generar conjeturas en matemáticas, y cómo estas conjeturas son posteriormente probadas o refutadas".

Suscríbete ahora

Bitácora Pensandum No. 2

Pensandum — Mon, 18 May 2026 01:02:17 GMT

En estas bitácoras periódicas recopilo y conecto las breves reflexiones en nuestras notas y artículos recientes.

Sistemas

Educación

Ciencia

Sociedad

Suscríbete ahora

El método científico: ¿cómo pasamos de la curiosidad a la certeza verificable?

Pensandum — Wed, 13 May 2026 19:41:09 GMT

Todos poseemos un impulso natural por comprender el mundo que nos rodea, un proceso al que a menudo llamamos “investigación”: búsqueda de satisfacer una curiosidad inmediata sin detenernos demasiado en los detalles. Pero, ¿cómo podemos estar seguros de que ese conocimiento que adquirimos es realmente correcto, verificable y útil para otros? En la era de la información, donde las tendencias en la web nos empujan hacia respuestas rápidas y a menudo superficiales, resulta fundamental distinguir entre la simple búsqueda de datos y la verdadera investigación científica: proceso sistémico, sistemático, ordenado y repetible para demostrar la validez de algo que consideremos factible según nuestra experiencia (hipótesis). En este artículo, vamos a sumergirnos en los pilares que sustentan el conocimiento científico, explorando sus características esenciales y el método sistémico que nos permite pasar de las creencias u opiniones al saber riguroso. Entender esta diferencia no sólo es crucial para la academia, sino que es una herramienta vital para el desarrollo de nuestro pensamiento crítico en todos los aspectos de la vida.

Condiciones de la investigación científica

La investigación científica tiene y exige, por lo tanto, unas condiciones que la diferencian de cualquier otra investigación o pseudociencia:

Recoge conocimiento o datos de fuentes confiables que ya los pasamos por un riguroso proceso de revisión. Estamos hablando de artículos científicos, principalmente.
Obtiene resultados generales: sus resultados los podemos aplicar a todos los objetos, procesos y fenómenos similares. Es decir, no nos interesa descubrir algo para un tigre en particular, sino para todos los tigres de la misma especie y en las mismas condiciones.
Es objetiva: elimina nuestros prejuicios personales, es decir, lo hallado no depende de nuestras creencias, opiniones, gustos o lenguaje, sino que es un hecho observable en la naturaleza, por fuera de nuestros cerebros y del cerebro de los demás, por medio de instrumentos que sabemos que funcionan correctamente.
Es metódica: requiere que realicemos una planeación, recolección, registro y análisis de datos, tal y como lo indica el método científico (ver abajo).
Es sistémica: debemos considerarla como un sistema, dado que sus partes (sujeto, problema y objeto de la investigación) deben estar coordinadas y en interacción para lograr el objetivo de logro de un nuevo conocimiento; además, debemos tener en cuenta el entorno de la investigación, sus recursos y mecanismos de control.
Es útil para el desarrollo tecnológico, social, económico, físico, espiritual, psicológico, etc.
Es gradual: tiene lugar un desarrollo de lo simple a lo complejo y nunca espera un resultado definitivo, sino una explicación bajo ciertas circunstancias, las cuales se van ampliando con el tiempo. Por ejemplo, las leyes de Newton de la mecánica son útiles en un contexto de los problemas de la época, caracterizados por velocidades normales de movimiento, pero si aumentamos la velocidad a valores cercanos a la velocidad de la luz, la teoría falla; sin embargo, la seguimos utilizando con mucho éxito en nuestros problemas de ingeniería.
La práctica se utiliza como criterio de verdad: ninguna teoría científica la podemos aceptar de manera definitiva si sus explicaciones y predicciones no coinciden con lo que observamos en la naturaleza bajo las condiciones asumidas. Por ejemplo, aceptamos que una vacuna es efectiva si funciona en un porcentaje alto de la población (70 % o más) y no sólo en un 5 o 10 %, por más que nos guste (no es del 100 % porque las condiciones no coinciden siempre en todas las personas y regiones).
Expertos revisan los resultados y finalmente los resultados se publican en forma de un artículo científico en una revista reconocida y arbitrada por la comunidad académica: un informe sintético del proceso de investigación con la información necesaria para entender por qué la solución obtenida se diferencia de otras, cuáles métodos se utilizaron y cuáles son los principales resultados y qué significan. Los artículos utilizan, generalmente, un formato IMRAD.

Método científico y metodología de la investigación

Para la ejecución de una investigación científica aplicamos el método científico, de cuyo estudio se encarga la metodología de la investigación. Son entonces tres cosas diferentes, pero relacionadas, y no debemos confundirlas. La siguiente figura muestra la relación entre los tres conceptos anteriores:

La investigación científica y su método

El método científico es la metodología usada en la ciencia para la obtención de nuevo conocimiento científico y su comunicación, aplicando los siguientes pasos (relacionados con los de la solución de problemas):

Observación: identificación y planteamiento del problema.
Inducción: extracción de principios fundamentales.
Hipótesis (antes de la tesis): planteamiento de una solución factible, comprobable y falsable.
Experimentación: pruebas y falsación de la hipótesis.
Demostración: análisis, interpretación, tesis y conclusiones.

Visión sistémica del método científico

Si observamos detenidamente, podemos observar que el método científico está relacionado con el desarrollo del pensamiento crítico en la vida cotidiana, pues en ambos casos adquirimos un conocimiento aplicando un razonamiento estricto para la búsqueda de claridad, exactitud y soporte de nuestras propias conclusiones. Sin embargo, hay personas con pensamiento crítico y sin metodología de la investigación, y lo contrario, lo cual es lamentable (sobre todo lo segundo) dado que la sabiduría en la investigación formal no sólo implica el conocimiento de hechos, sino la capacidad de aplicar el conocimiento de manera prudente.

Tipos de investigación científica

Existen diversos criterios para clasificar la investigación científica, siendo la siguiente una de las taxonomías más aceptadas, basada en sus objetivos y el tratamiento de la información:

Investigación básica

Enfoque teórico orientado a la generación de nuevo conocimiento fundamental en un área del saber. Ejemplos: teoría de la relatividad, estructura del ADN, principios cuánticos.

Investigación aplicada

Utilización del conocimiento teórico previo para la solución de problemas prácticos específicos. Ejemplos: desarrollo de nuevas vacunas, mejora de cultivos agrícolas, diseño de paneles solares más eficientes, aplicación de las ecuaciones diferenciales al pronóstico del clima, determinación de qué combinación química o principio biológico inhibe la replicación de un virus.

Investigación de desarrollo experimental

Creación y ensayo de prototipos, así como la mejora sustancial de productos o procesos existentes. Mientras la investigación aplicada busca saber cómo resolver un problema práctico, el desarrollo experimental busca construir o probar algo material o funcional (un prototipo o modelo) a partir de dicha solución, con énfasis en la viabilidad técnica, rendimiento y optimización del diseño. Ejemplos: prueba de nuevos materiales de construcción, creación y prueba de una batería de estado sólido en un entorno experimental, optimización de algoritmos de IA, fabricación y prueba de los primeros lotes de la vacuna en ensayos de laboratorio para ajustar su estabilidad y dosis.

Investigación de innovación tecnológica

Introducción efectiva de nuevos productos, servicios o procesos al mercado o a entornos sociales. Mientras que el desarrollo experimental ocurre dentro de un laboratorio o entorno controlado (creando o perfeccionando la tecnología), la innovación tecnológica ocurre en el entorno real (mercado o sociedad), logrando que esa tecnología sea implementada y adoptada efectivamente por los usuarios, generando un impacto económico, comercial o valor social. Ejemplos: lanzamiento de un nuevo teléfono inteligente con funciones únicas, implementación de una plataforma de telemedicina innovadora, implementación de software de realidad virtual para educación, comercialización del primer vehículo eléctrico masivo con una batería de estado sólido.

Investigación documental

Análisis y síntesis rigurosa de información existente mediante la aplicación del método científico: definición de un problema, planteamiento de hipótesis, extracción de nueva información fundamental (resultados tangibles), pruebas y falsación, análisis y conclusiones. La investigación documental eleva el estudio de fuentes a la categoría de ciencia, utilizando los documentos como su “laboratorio” para validar o refutar proposiciones teóricas. Ejemplos: análisis de tendencias demográficas históricas, estudio comparativo de políticas públicas en diferentes países, estudio comparativo para la generalización de las restricciones de los métodos de optimización.

De una manera más concreta, si debemos leer un capítulo de un libro sobre la aplicación de la mecánica cuántica en economía y finanzas, para que dicha lectura trascienda la simple revisión o resumen de texto y se convierta en una investigación documental rigurosa, no debemos limitarnos a resumir lo que dice el autor, sino que debemos tratar el texto (y las referencias teóricas asociadas) como un objeto de estudio o laboratorio, aplicando la lógica del método científico formal: en lugar de preguntarnos “Qué dice el capítulo sobre la economía cuántica”, la pregunta de investigación debe apuntar a los límites, alcance o consistencia del modelo, por ejemplo, “Hasta qué punto el formalismo de la ecuación de Schrödinger o la superposición de estados supera las limitaciones de la teoría del comportamiento del consumidor clásico”. Debemos plantear una hipótesis que pueda ser falsada mediante el análisis lógico de las fuentes y el desarrollo matemático analítico en diversos ejercicios (a lápiz y papel sin simulación que requiera código, variables aleatorias o ejecución numérica por computadora, pues en ese caso tendríamos una investigación aplicada). Las etapas del método científico son: 1) Formulación del problema: delimitar el cruce disciplinar. Ejemplo: inconsistencias de la teoría de decisión clásica analizadas desde la teoría de la probabilidad cuántica. 2) Planteamiento de hipótesis: “El modelo de decisión basado en espacios de Hilbert justifica el efecto de orden en las encuestas económicas con mayor precisión formal que el modelo Bayesiano tradicional. 3) Extracción e integración documental: sistematización de las ecuaciones base, supuestos macro/microeconómicos y formalismo matemático expuesto en el capítulo y literatura complementaria. 4) Pruebas, demostraciones y falsación: solución de los ejercicios teóricos del capítulo. Aquí debemos realizar deducciones algebraicas y verificar si los teoremas se sostienen bajo restricciones económicas reales. 5) Análisis crítico y conclusiones: evaluar las restricciones del método: ¿El modelo analítico aporta verdadero valor explicativo o es solo una analogía matemática forzada entre física y finanzas?

Palabras de cierre

Comprender que la investigación científica es un proceso sistémico, gradual y metódico nos invita a abordar la información con un rigor crítico mucho mayor en nuestra cotidianidad. No debemos esperar resultados definitivos, sino explicaciones válidas bajo ciertas circunstancias que se van ampliando y perfeccionando con el tiempo. En otros artículos hablaré y daré más ejemplos de muchos de los conceptos e ideas dados aquí.

Suscríbete ahora

Bitácora Pensandum No. 1

Pensandum — Fri, 08 May 2026 23:53:37 GMT

En estas bitácoras periódicas recopilo y conecto las breves reflexiones en nuestras notas y artículos recientes

Sistemas

Educación

Ciencia

Sociedad

Suscríbete ahora

¿Cómo usamos la realimentación para lograr nuestros propósitos?

Pensandum — Tue, 05 May 2026 13:21:42 GMT

¿Alguna vez nos hemos detenido a pensar qué es lo que realmente mantiene el equilibrio en nuestras relaciones, en nuestro trabajo o incluso en el funcionamiento de una simple cafetera? A menudo vivimos inmersos en procesos que fluyen o se interrumpen sin que comprendamos los hilos invisibles que los gobiernan. En artículos anteriores de Pensandum, exploramos cómo la interacción entre elementos define un sistema; en este artículo damos un paso más allá para entender la arquitectura de esa interacción. ¿Qué sucede cuando la información que generamos vuelve a nosotros para transformarnos? Conectar los puntos en un mundo fragmentado requiere entender el control no como una imposición, sino como un mecanismo de ajuste hacia un propósito compartido. Vamos entonces a sumergirnos en la anatomía de los sistemas de control y descubrir cómo conceptos técnicos como la realimentación (feedback) o las perturbaciones son, en realidad, los mismos que definen nuestra convivencia social y nuestro crecimiento personal.

En términos sistémicos, a la acción de utilizar información del sistema para tomar una acción de corrección (a veces de destrucción) la llamamos realimentación (feedback, en inglés), y al subsistema o dispositivo que mide algo de nuestro estado lo llamamos sensor. Con esa información otro subsistema puede tomar una decisión que afecte todo el sistema, es decir, ejerce un control por un medio que llamamos actuador. El control, entonces, es el proceso de ajustar nuestras acciones y recursos para que nuestra realidad se alinee con nuestros propósitos.

A un nivel más técnico, controlar es saber qué botones, palancas u otros elementos ajustar en una máquina o proceso para que el resultado final sea el deseado, y un sistema de control es el conjunto de piezas (cerebros electrónicos o biológicos, motores, válvulas, acciones correctivas, ojos digitales o biológicos, encuestas, etc.) que trabajan juntas para lograr ese objetivo. En la Figura 1 de abajo, cada pieza es un cuadro y cada instrucción es una flecha que indica el camino.

Figura 1. Elementos de un sistema de control

La Figura 2 es un diagrama más simplificado de la Figura 1.

Figura 2. Versión simplificada de un sistema de control

Si observamos detenidamente, la representación de las figuras anteriores la podemos llevar a la forma más simple de un sistema dado en la Figura 3, donde la entrada es el comportamiento deseado (que puede ajustarse con el tiempo), la salida es el comportamiento realmente logrado y los parámetros y condiciones iniciales corresponden a los de cada subsistema.

Figura 3. Representación de un sistema con un diagram de bloques

Vamos ahora a detallar mejor los elementos y flujo de información (variables) de las figuras de arriba. Un sistema de control es un engranaje dinámico diseñado para alcanzar un objetivo o referencia específico, también conocido como setpoint. En el corazón de este proceso se encuentra el controlador, que actúa como el centro de decisión (puede ser desde un cerebro humano hasta un algoritmo o un organismo estatal), cuya misión es aplicar la variable de control adecuada para que la variable controlada (nuestro objeto de interés) se comporte según lo planeado. Este ajuste es necesario porque todo proceso está sujeto a perturbaciones, es decir, a influencias externas no deseadas que, de no existir, harían innecesario cualquier problema de control (necesitamos del control porque las perturbaciones alejan el sistema del comportamiento deseado). Para que el controlador sepa cómo actuar, debe medir constantemente la variable de error, que es la diferencia real entre el objetivo deseado y el resultado obtenido. Aquí es donde entra en juego la realimentación o feedback: el mecanismo esencial que cierra el lazo del sistema al reutilizar la información de salida para corregir el rumbo. Dependiendo de su naturaleza, esta realimentación puede ser negativa, cuando busca reducir el error y estabilizar el sistema frente a las perturbaciones (negativa no significa mala, sino con signo negativo en la realimentación de la Figura 1 o 2), o positiva, si tiende a aumentar la desviación respecto al objetivo inicial, algo que es poco común, pero ocurre (positiva no significa buena, sino con signo positivo en la realimentación de la Figura 1 o 2). Al final, este ciclo continuo es lo que determina la estabilidad y capacidad de reacción de cualquier sistema dinámico, permitiéndole adaptarse y cumplir con sus requerimientos establecidos.

Podemos aplicar el control y el esquema anterior de la Figura 1 a diversos problemas como los siguientes: control político, control social, control de inventarios, control del estrés, control de máquinas, control de temperatura en el cuarto, control de acceso, control biológico de plagas, control parental en una familia, control de conocimiento en un aula de clase, control de crucero en vehículos, entre muchos otros. En otros artículos aplicaremos estas ideas a esos y otros casos concretos de la vida, pero un ejemplo sencillo es el de convivencia en comunidad (barrio, ciudad, nación), en el cual un conjunto de personas, acuerdos y herramientas (corresponden a elementos o subsistemas) interactúa para alcanzar un bienestar común (objetivo), donde cada diálogo es una señal y cada experiencia es un aprendizaje que nos permite recalibrar el camino expresado como un deseo o meta. Hay una buena comunidad si ante eventos externos (conflictos, desinformación, cambio del clima, problemas económicos, etc.) el comportamiento deseado de la comunidad permanece estable.

En los seres vivos, los sistemas de control se configuran en un fenómeno llamado homeostasis: proceso de autorregulación en un organismo mediante el cual puede mantener su condición esencial dentro de límites aceptables cuando se enfrenta a perturbaciones o cambios en su estructura. Ejemplos de homeostasis en el cuerpo humano: termorregulación (ajuste de la circulación y la sudoración para mantener la temperatura ideal), regulación de la glucosa (combinación de glucagón e insulina), equilibrio hídrico (sed y ajuste renal para controlar la cantidad de agua y sales), control de la presión arterial (mediante vasoconstricción y vasodilatación de las arterias), entre otros.

¿No podríamos aplicar estas ideas a otros casos si hacemos la tarea de identificar cuidadosamente sus elementos e interacciones? ¿Nos ayudaría eso a determinar la importancia del respeto por cada herramienta, ley o grupo social?

No quiero terminar este artículo sin hablar de la realimentación positiva, la cual es más confusa por ser menos habitual. Resulta que en la vida y en la ingeniería la realimentación negativa es la que utilizamos frecuentemente, pues buscamos reducir el error entre el comportamiento esperado y el logrado, y mejorar la estabilidad, pero hay casos donde lo ideal es obtener inestabilidad (raro, ¿no?). Veamos algunos ejemplos: 1) Parto humano: cuando éste comienza la presión del bebé sobre el cuello uterino envía señales al cerebro, el cerebro libera oxitocina, lo que provoca contracciones más fuertes; a más contracciones, más presión; a más presión, más oxitocina; en lugar de volver al equilibrio (realimentación negativa), el sistema acelera el proceso hasta lograr el evento final: el nacimiento. 2) Crecimiento de redes sociales (efecto de red): cuantos más usuarios se unen a una plataforma, más valiosa se vuelve para los demás y ese valor atrae a nuevos usuarios de forma acelerada; el objetivo es lograr una masa crítica de interacción que convierta a la herramienta en un estándar de comunicación. 3) El chillido agudo y molesto cuando usamos un micrófono cerca de un parlante (retroalimentación acústica): el micrófono recibe un sonido ambiental pequeño y la señal viaja al amplificador que la hace mucho más potente y la envía a los parlantes; si el micrófono está muy cerca de los parlantes o el volumen es muy alto, el sonido que sale del parlante vuelve a entrar por el micrófono y el sistema vuelve a amplificar ese sonido ya amplificado; este ciclo ocurre cientos de veces por segundo.

De esta manera, el control, lejos de ser una estructura rígida de mando, es el proceso constante entre nuestra intención y la realidad, mediado por la información que somos capaces de procesar. Entender si estamos operando bajo una realimentación que nos estabiliza o una que nos acelera hacia el caos es fundamental para nuestro desarrollo personal y social. Sigamos estudiando, pues sólo quien comprende el lazo de control puede decidir cuándo ajustar las acciones o cuándo cambiar el objetivo.

Para profundizar en esta mirada sistémica podemos probar con el siguiente prompt de IA: “Actúa como un experto en pensamiento sistémico. Analiza la dinámica de comunicación en una familia (o equipo de trabajo) e identifica cuáles son los sensores, los actuadores y si las respuestas habituales ante los conflictos representan una realimentación positiva o negativa. Especifica formas de ajustar el setpoint para mejorar la estabilidad emocional del grupo”.

Suscríbete ahora

Valores humanos para mejorar el mundo

Pensandum — Sat, 02 May 2026 20:48:41 GMT

¿Qué es aquello que verdaderamente sostiene el tejido de nuestras interacciones diarias y define nuestro propósito colectivo? En un mundo que a menudo parece fragmentado por la inmediatez, vamos a reflexionar sobre los cimientos de nuestra condición social: los valores. Este artículo no es sólo un catálogo, sino una invitación a explorar la axiología como herramienta sistémica para dejar un mundo mejor. Esta mirada complementa nuestras discusiones previas sobre el impacto de las ideas en la educación y cómo la filosofía moldea nuestra realidad. Nos preguntamos: ¿son los valores absolutos o conceptos en constante evolución? A través de esta lista, nos podemos conectar con la esencia de lo que nos hace humanos, integrando esta visión con temas ya tratados en el blog sobre pensamiento crítico y la ética en la era tecnológica. Por ejemplo, valores como el criterio, la investigación y la conciencia son los que nos permiten transformar la duda en una herramienta para ser mejores seres humanos.

Afecto
Alegría
Amistad
Amor
Ánimo/Energía/Entusiasmo/Vitalidad
Aprendizaje
Armonía
Arte
Atención
Austeridad
Autenticidad
Autodominio
Autoestima
Autonomía
Aventura
Ayuda/Colaboración
Benevolencia
Bien común
Bondad
Calidad/Excelencia
Cambio
Carácter
Caridad
Cariño
Civismo
Claridad
Coherencia
Compasión
Competencia
Comprensión
Compromiso
Comunicación
Comunidad/Trabajo social
Conciencia
Confianza
Conocimiento
Consejo
Constancia
Continencia
Convicción
Convivencia
Cooperación
Cordialidad/Cortesía
Creatividad
Criterio
Crítica constructiva
Cultura
Decencia
Decisión
Democracia
Desprendimiento
Diálogo
Dignidad
Disciplina
Discreción
Diversidad/Variedad
Docilidad
Ecología
Educación
Eficacia
Eficiencia
Empatía
Emprendimiento
Enseñanza
Entereza
Entusiasmo
Equidad (género, racial, etc.)
Equilibrio
Esfuerzo/Laboriosidad
Esperanza
Espiritualidad
Espontaneidad
Estabilidad
Estética
Experiencia
Felicidad
Fidelidad/Lealtad
Firmeza
Flexibilidad
Fortaleza
Fuerza de voluntad
Generosidad
Gozo
Gratitud
Honra
Honestidad
Humanidad
Humildad
Identidad
Imaginación
Independencia
Integridad
Intimidad
Inteligencia
Intuición
Investigación
Justicia
Libertad
Liderazgo
Madurez
Manejo del tiempo libre
Moderación
Obediencia
Objetividad
Observación
Optimismo
Orden
Originalidad
Paciencia
Participación
Pasión
Patriotismo
Paz
Perdón
Pericia
Perseverancia
Pertenencia
Placer
Plenitud
Positivismo
Productividad
Progreso
Prudencia
Pulcritud
Puntualidad
Pureza
Receptividad
Reconocimiento
Rectitud
Reflexión
Resiliencia
Resistencia
Respeto
Responsabilidad
Riesgo
Sabiduría
Sacrificio
Salud
Sana diversión
Satisfacción
Seguridad
Sencillez
Sensibilidad
Serenidad/Tranquilidad
Servicio
Simpatía
Sinceridad/Franqueza/Verdad
Sobriedad
Sociabilidad
Solidaridad
Superación
Templanza
Ternura
Tolerancia
Trabajo
Transparencia
Valentía
Voluntad

Suscríbete ahora

Guía para enfrentar la desinformación

Pensandum — Fri, 01 May 2026 02:03:11 GMT

Vivimos inmersos en un océano de datos donde las corrientes de la desinformación, las teorías conspirativas y las pseudociencias amenazan constantemente nuestra capacidad de juicio. En un entorno digital saturado, ¿cómo podemos discernir la verdad entre tanto ruido? Tras haber explorado en una entrega anterior los mecanismos mediante los cuales somos engañados, es imperativo dar un paso al frente y equiparnos con herramientas prácticas para defendernos. Este artículo es una invitación a cultivar un escepticismo saludable y un pensamiento crítico riguroso como escudos fundamentales. Abordaremos este reto no desde la confrontación emocional, sino desde el reconocimiento de nuestras propias vulnerabilidades cognitivas. Los invito a sumergirnos en estas estrategias esenciales para navegar con seguridad en la era de la información.

En todo este proceso de detección de mentiras y desinformación es importante que tengamos en cuenta qué es difícil que cambiemos fácilmente nuestras creencias y que logremos que otros las cambien, por lo que es necesario partir de un enfoque basado no en las emociones sino en una mentalidad de crecimiento que nos invite a mejorar y admitir nuestras limitaciones y vulnerabilidades psicológicas: a diferencia de la mentalidad fija, si tenemos una mentalidad de crecimiento pensamos que siempre tenemos margen de mejora y confiamos en que podemos desarrollar habilidades. Cada vez que salimos de nuestra zona de confort para comprender algo que genera dudas, las neuronas de nuestro cerebro pueden formar nuevas conexiones y nuestros miedos e incertidumbres disminuyen .

A continuación, veremos algunas ideas para enfrentar el reto de la desinformación, las cuales complementan el famoso decálogo de Sagan y otra serie de ideas.

Para empezar, debemos impedir lo antes posible que la desinformación se arraigue en nosotros, pues una vez establecida en nuestro cerebro y sentimientos es difícil erradicarla. Para esto, debemos creer en la ciencia y en el método científico. No debemos ser soberbios, pues la ciencia también se equivoca, pero sabemos que esos errores terminan por descubrirse, pues en el interior de la ciencia hay libre discusión y siempre se revisan los hallazgos dudosos o incompletos: la crítica en la ciencia transcurre siempre dentro de los cauces de la racionalidad, argumentación rigurosa y reproducibilidad de los resultados. La ciencia siempre resalta las limitaciones y suposiciones, lo cual no sucede en las pseudociencias que siempre presentan sus verdades como absolutas. Aquí, el pensamiento sistémico ayuda a ver mejor el panorama por medio de una identificación de las ideas y de la relación entre ellas (en un próximo artículo mostraremos un ejemplo sobre esto). Por ejemplo, en medicina la ciencia siempre menciona los estudios que se hicieron para concluir que un tratamiento determinado es efectivo o no (con grupos de control y experimentales), incluyendo una descripción detallada de los experimentos que se hicieron en un proceso que puede durar meses o años. Por supuesto que las compañías farmacéuticas ganan dinero, pero eso no significa que los medicamentos sean malos para nosotros. De otro lado, las pseudociencias presentan sus tratamientos medicinales sin ese rigor científico y defendiendo siempre lo bueno sin mencionar las fuentes científicas serias y atacando otros tratamientos no con bases científicas sino con base en supuestas engaños globales.

No debemos olvidar nunca que es el proponente de una idea alternativa quien debe proporcionar las pruebas científicas y arbitradas (publicadas en revistas de nivel comprobado) que permitan comprobar su veracidad (muchos proponentes alternativos muestran publicaciones en revistas de dudosa calidad).

Afirmaciones extraordinarias requieren evidencia extraordinaria (Carl Sagan)

La ciencia no tiene por qué demostrar que una pseudociencia no funciona y nunca encontraremos un estudio científico serio con la siguiente conclusión: “Por tanto, demostramos que la homeopatía no funciona”. La ciencia debe abandonar de una vez por todas la evaluación de las pseudociencias, dado que se está desperdiciando tiempo y dinero en la lucha contra las enfermedades, tiempo y dinero que estarían mejor invertidos en investigar lo que realmente puede funcionar.

Con un pensamiento crítico, cuando tengamos dudas sobre algo debemos buscar el argumento contrario más fuerte y trabajar en él, pues generalmente esa idea engloba muchas otras dudas de menor peso. Por ejemplo, si nos hablan de las bondades de la homeopatía, busquemos ideas contrarias y, sobre todo, identifiquemos cuáles no mencionan o esquivan sus defensores. Por lo tanto, dudemos de la información en la que no se citen evidencias y argumentos contrarios, y se citen sin cuestionar evidencias y testimonios de celebridades que sólo apunten a defender dicha afirmación. Tampoco pensemos que algo es cierto simplemente porque la mayoría lo cree o un personaje famoso lo dice: sólo se debe someter a votación lo que debemos hacer con los hechos y no los hechos mismos (de estos se encarga la ciencia). Identifiquemos las frases demagógicas y los insultos que eliminan o reducen pensamientos contrarios y evitan así una defensa con altura basada en el método científico; en estos casos normalmente hay un interés económico o político de interés personal y no social.

Para no crear conflictos internos o con otras personas, debemos expresar en lenguaje neutral las posiciones de quienes piensan diferente y articular de la forma más positiva posible las razones que sostienen estos puntos de vista. Este es el principio de caridad: voluntad de desarrollar nuestros argumentos teniendo en cuenta la mejor versión de la posición de nuestros oponentes. Pensemos que las personas que no piensan como nosotros no son malvadas ni idiotas ni están mal informadas, sino que, como nosotros, quieren lo mejor para la sociedad en sus términos.

También ayuda que aprendamos la manera cómo funcionan las técnicas de manipulación y se las enseñemos a otros, lo cual funciona de una manera similar al combate de los virus: advertencia y dosis debilitada de la desinformación con información de cómo refutar la. A esto se le llama la inoculación psicológica. Existen incluso modelos matemáticos qué permiten estudiar la propagación de la desinformación y definir las mejores maneras de combatirla.

Los invito a que veamos los siguientes ejemplos de la manera como se combaten las mentiras y la desinformación:

Desarrollar una mentalidad crítica no es un destino, sino un proceso continuo de autocorrección y aprendizaje. Las herramientas presentadas aquí son fundamentales para defendernos, pero requieren práctica constante. Los invito a reflexionar sobre nuestras propias fuentes de información y a aplicar activamente estas estrategias en nuestra navegación diaria. Además, consideremos cómo la Inteligencia Artificial puede ser nuestra aliada en este camino: podemos utilizar prompts para que una IA actúe como un “abogado del diablo”, desafiando nuestros argumentos y los de otros, y presentándonos la “mejor versión” de las posturas contrarias, ayudándonos así a robustecer nuestro propio pensamiento y a identificar sesgos escondidos. La tecnología, bien utilizada, es un amplificador de nuestra capacidad de razonamiento.

Suscríbete ahora