Explicar y comprender en la era de la IA

Nada hay que temer en la vida, todo hay que comprenderlo. Ahora es el momento de comprender más para temer menos.

Explicar y comprender sin IA

En el contexto de la investigación, los términos "explicar" y "comprender" se utilizan a menudo para describir distintos aspectos del análisis y la interpretación de los fenómenos. Wilhelm Dilthey, filósofo e historiador alemán, contribuyó en gran medida a la distinción entre estos dos conceptos.

En su opinión, explicar (erklären) está más relacionado con las ciencias naturales, mientras que comprender (verstehen) es específico de las ciencias humanas (Dilthey, 1883).

• Explicar implica aportar razones o causas que justifiquen o den cuenta de un fenómeno. Se refiere a la identificación de los mecanismos o procesos subyacentes que conducen a la aparición de ese fenómeno.
  
  En investigación, explicar un fenómeno suele significar determinar las relaciones causales entre distintas variables. Por ejemplo, un estudio puede tratar de explicar por qué una determinada política pública ha conducido a un aumento de las tasas de vacunación identificando los factores específicos, como una mayor concienciación o un acceso más fácil a las vacunas, que han contribuido a este resultado.
  
  Los trabajos de Carl Hempel y Paul Oppenheim también llevaron más lejos esta noción al desarrollar el modelo deductivo-nomológico de explicación científica (Hempel & Oppenheim, 1948).
  
  
• La comprensión, por su parte, se refiere a la capacidad de captar el sentido, el significado o las implicaciones de un fenómeno. Implica una apreciación más holística y contextual del fenómeno.
  
  En la investigación, la comprensión va más allá de la identificación de las causas e incluye una apreciación de las percepciones, los significados y las experiencias subjetivas asociadas al fenómeno estudiado. Por ejemplo, entender por qué una comunidad es reacia a vacunarse requiere no sólo identificar los factores que contribuyen a ello, sino también comprender los miedos, las creencias culturales y los valores que influyen en el comportamiento de los individuos de esa comunidad.
  
  Los trabajos de Erving Goffman y Max Weber son especialmente pertinentes en este sentido, ya que destacan la importancia de los significados sociales y las interacciones simbólicas (Goffman, 1959; Weber, 1922).

La distinción entre explicar y comprender también puede verse en términos de objetividad frente a subjetividad. La explicación tiende a ser más objetiva y cuantitativa, a menudo basada en datos mensurables y análisis estadísticos. La comprensión, en cambio, suele ser más subjetiva y cualitativa, y requiere métodos como entrevistas, observaciones y estudios de casos para captar matices y significados más profundos. Esta distinción es crucial en las ciencias sociales, donde se hace hincapié en la interpretación del comportamiento humano y las estructuras sociales (Geertz, 1973).

En cuanto al enfoque analítico frente al holístico, la explicación se centra en elementos específicos y aislados del fenómeno, como las variables independientes y dependientes. La comprensión adopta una visión global, teniendo en cuenta el contexto general y las complejas interacciones entre diversos factores. Los trabajos de Clifford Geertz, en particular sobre etnografía, ilustran este enfoque global, cuyo objetivo es dar cuenta de la "densidad" de los significados culturales (Geertz, 1973).

Por último, los fines y objetivos de estos dos enfoques difieren. El objetivo de la explicación suele ser predecir y controlar. Por ejemplo, al explicar los factores que influyen en el éxito académico, podemos desarrollar intervenciones para mejorar los resultados de los alumnos. El objetivo de la comprensión es dar sentido e informar, a menudo enriqueciendo la perspectiva de las partes interesadas u orientando la formulación de nuevas preguntas de investigación.

Esta distinción se destaca especialmente en la obra de Thomas Kuhn, que exploró cómo los paradigmas científicos influyen en la forma en que los investigadores perciben e interpretan los datos (Kuhn, 1962).

Explicar y comprender con IA

El impacto de la inteligencia artificial (IA) en este contexto está cambiando profundamente los enfoques explicativos y comprensivos. La IA, con su capacidad para procesar enormes cantidades de datos e identificar patrones complejos, refuerza la dimensión explicativa al permitir análisis causales más sofisticados y predictivos. Los algoritmos de aprendizaje automático, por ejemplo, pueden revelar relaciones ocultas entre variables que los métodos tradicionales podrían pasar por alto (Russell y Norvig, 2020).

Sin embargo, la comprensión, tal y como la definen Dilthey y otros, sigue siendo un reto para la IA. La máquina, aunque eficaz en el análisis de datos, tiene dificultades para captar los significados culturales y contextuales con la misma profundidad que los enfoques cualitativos humanos. Los trabajos sobre la interpretabilidad de los modelos de IA tratan de colmar esta laguna haciendo que las decisiones algorítmicas sean más transparentes y comprensibles para los humanos (Lipton, 2016).

La IA puede automatizar la recopilación y el análisis de grandes cantidades de datos cualitativos, facilitando una comprensión más rápida y quizás más detallada de los fenómenos sociales. Por ejemplo, el software de análisis de texto basado en IA puede identificar temas y sentimientos en grandes cantidades de datos textuales, lo que sería extremadamente laborioso para los investigadores humanos (Manning et al., 2008).

Sin embargo, la naturaleza contextual y matizada de la comprensión humana plantea un reto importante para la IA. Las herramientas de IA pueden carecer de la sensibilidad necesaria para captar las sutilezas de la interacción humana y los significados culturales. Esta limitación pone de relieve la importancia de combinar los enfoques cuantitativos de la IA con los métodos cualitativos tradicionales para obtener una imagen completa y matizada de los fenómenos objeto de estudio.

Por último, la integración de la IA en los procesos de investigación plantea cuestiones éticas y metodológicas. ¿Cómo garantizar que los algoritmos de IA no reproduzcan los sesgos humanos presentes en los datos de entrenamiento? ¿Cómo garantizar que las conclusiones extraídas por la IA sean interpretadas de forma correcta y contextualizada por los investigadores humanos? Estas preguntas ponen de relieve los retos y responsabilidades asociados al uso de la IA en la investigación (Vayena et al., 2018).

En resumen, el impacto de la inteligencia artificial, aunque poderoso en la explicación, pone de relieve la complejidad de la comprensión en el análisis de los fenómenos humanos y sociales. Las contribuciones de Dilthey, Kuhn, Goffman y otros investigadores en humanidades y ciencias sociales muestran que ambos enfoques son esenciales para una comprensión completa y matizada de los fenómenos estudiados.

Preguntas para el futuro

1. ¿Cómo pueden los avances en IA mejorar nuestra capacidad para comprender los significados culturales y contextuales con tanta profundidad como los métodos cualitativos humanos?
   
   
2. ¿Qué nuevas metodologías están surgiendo que combinen eficazmente los puntos fuertes de la IA y los enfoques cualitativos tradicionales en la investigación?
   
   
3. ¿Cómo podemos mitigar los sesgos y las limitaciones inherentes a los algoritmos de IA al tiempo que aprovechamos sus avanzadas capacidades explicativas?
   
   
4. ¿Qué implicaciones éticas hay que tener en cuenta cuando se utiliza la IA para comprender y explicar fenómenos sociales complejos?

Imagen de Alexandra_Koch de Pixabay

Fuentes

Dilthey, W. (1883). Introducción a las ciencias humanas. Leipzig: Duncker & Humblot.

Geertz, C. (1973). La interpretación de las culturas. París: Éditions Gallimard.

Goffman, E. (1959). La puesta en escena de la vida cotidiana. París: Éditions de Minuit.

Hempel, C. G., y Oppenheim, P. (1948). Studies in the Logic of Explanation. [No se conoce traducción directa al francés.]

Kuhn, T. S. (1962). La estructura de las revoluciones científicas. París: Flammarion.

Lipton, Z. C. (2016). El mito de la interpretabilidad de los modelos. [Disponible en prepublicación en arXiv].

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. [No se conoce traducción al francés].

Russell, S., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). [No known French translation].

Vayena, E., Blasimme, A., & Cohen, I. G. (2018). Aprendizaje automático en medicina: abordar los desafíos éticos. PLOS Medicine.

Weber, M. (1922). Ensayos sobre la teoría de la ciencia. París: Plon.