Filosofía de la ciencia: qué es el conocimiento científico

Objetivo didáctico

Al terminar esta ficha serás capaz de sintetizar y contrastar criterios filosóficos y metodológicos para evaluar qué cuenta como conocimiento científico, relacionando falsacionismo, paradigmas, demarcación, valores y replicabilidad para formular juicios críticos sobre afirmaciones científicas reales.

Introducción

Decir que algo está “científicamente comprobado” parece cerrar una discusión. Filosóficamente, sin embargo, suele abrirla. ¿Qué significa comprobado? ¿Que una observación coincide con una predicción? ¿Que la mayoría de especialistas acepta una teoría? ¿Que un resultado sobrevivió a intentos de refutación? ¿Que otros laboratorios pueden obtenerlo de nuevo? Ninguna de esas condiciones, tomada aisladamente, describe toda la práctica científica.

Durante buena parte del siglo XX, filósofos como Karl Popper y Thomas Kuhn transformaron la pregunta. Popper desplazó la atención desde la acumulación de confirmaciones hacia la posibilidad de someter las teorías a pruebas riesgosas. Kuhn, especialmente desde 1962, mostró que la ciencia histórica real no vive intentando destruir sus teorías fundamentales todos los días: la mayor parte del tiempo trabaja dentro de marcos compartidos que orientan problemas, instrumentos y criterios de solución.

A estas discusiones clásicas se añadieron problemas más recientes. La frontera entre ciencia y pseudociencia resultó más difícil de trazar de lo que sugería un solo criterio. Además, el ideal de una ciencia completamente “libre de valores” fue cuestionado cuando filósofos analizaron decisiones donde equivocarse en una dirección tiene consecuencias muy distintas que equivocarse en la otra: salud pública, contaminación, seguridad tecnológica o regulación ambiental.

Finalmente, los grandes proyectos de replicación del siglo XXI mostraron que publicar un hallazgo no equivale a estabilizarlo como conocimiento. Esto no convierte a la ciencia en una actividad arbitraria. Obliga a observarla de otra manera: no como una fábrica que entrega verdades terminadas, sino como una institución colectiva que construye grados de confianza y, cuando funciona bien, deja visibles las condiciones bajo las cuales esa confianza debe cambiar.

Desarrollo del tema

Conocimiento científico: una arquitectura de corrección

La filosofía de la ciencia contemporánea desconfía de la idea de que exista una receta universal llamada “el método científico”. La astronomía observacional, la epidemiología, la física de partículas, la biología evolutiva y las ciencias del clima no producen evidencia del mismo modo. Sin embargo, comparten una exigencia más profunda: las afirmaciones deben poder exponerse a razones, observaciones, métodos y críticas que no dependan únicamente de la autoridad de quien las formula.

Dos fechas resumen una transformación intelectual del siglo XX. La obra de Popper apareció inicialmente en alemán en 1934 y su versión inglesa, The Logic of Scientific Discovery, en 1959. En 1962, Kuhn publicó The Structure of Scientific Revolutions. Entre ambos desplazaron el foco desde “¿cómo demostramos que una teoría es verdadera?” hacia preguntas sobre prueba, error, comunidad científica y cambio histórico.

Una analogía útil no es imaginar la ciencia como una enciclopedia que cada generación vuelve más gruesa, sino como un mapa topográfico mantenido por equipos independientes. Cada medición añade detalle, pero también puede revelar que una coordenada estaba mal calculada, que el instrumento tenía un sesgo o que una zona necesita volver a levantarse. El mapa es útil precisamente porque conserva mecanismos para corregirse.

Esta diferencia importa fuera del laboratorio. Cuando una persona en México encuentra afirmaciones sobre contaminación atmosférica, nutrición, sequía, vacunas o riesgo sísmico, la pregunta madura no es solo “¿lo dijo un científico?”, sino “¿qué evidencia restringe esta afirmación, cómo se obtuvo, qué incertidumbre conserva y qué mecanismos existen para descubrir si está equivocada?”. Ese cambio de pregunta es una competencia ciudadana.

Popper: falsacionismo, riesgo y corroboración

El falsacionismo de Karl Popper parte de una asimetría lógica. Mil observaciones compatibles con una afirmación universal no la convierten en una verdad demostrada; una observación incompatible, si las condiciones de prueba son adecuadas, puede plantear un problema decisivo. Para Popper, una teoría científica valiosa debe hacer afirmaciones suficientemente precisas como para correr el riesgo de resultar equivocada. La ciencia avanza mediante conjeturas y pruebas críticas, no coleccionando únicamente ejemplos favorables (Popper, 2002).

Esto introduce el concepto de corroboración. Una teoría que supera pruebas exigentes queda corroborada hasta ese momento, pero Popper insistía en que esto no equivale a asignarle una probabilidad de verdad. La actitud relevante es mantener abierta la posibilidad de error. En la vida cotidiana ocurre lo contrario con muchas afirmaciones dudosas: cada éxito se presenta como confirmación y cada fracaso recibe una explicación adicional diseñada para evitar que la creencia corra algún riesgo real.

La historia también complica una versión ingenua del falsacionismo. Durante el siglo XIX, la órbita observada de Urano no coincidía perfectamente con las predicciones basadas en la mecánica newtoniana. En lugar de desechar inmediatamente la gravitación de Newton, Urbain Le Verrier y John Couch Adams calcularon que podía existir otro planeta. En 1846, Johann Galle observó Neptuno cerca de la posición predicha. Una hipótesis auxiliar había “protegido” temporalmente la teoría, pero lo hizo generando una predicción nueva y arriesgada.

Este caso revela el problema: una predicción científica casi nunca depende de una sola teoría. También intervienen supuestos sobre instrumentos, condiciones iniciales, medición y modelos auxiliares. Cuando el resultado falla, no siempre es evidente qué pieza debe modificarse. Popper ofrece una ética poderosa de la crítica, pero la práctica científica exige decidir cuándo una anomalía justifica corregir un componente auxiliar y cuándo obliga a reconsiderar algo mucho más profundo.

Kuhn: paradigmas, ciencia normal y revoluciones

Thomas Kuhn observó que la imagen de científicos intentando falsar constantemente las teorías fundamentales no coincidía con buena parte de la historia de la ciencia. En 1962 propuso que las disciplinas maduras trabajan durante largos periodos dentro de un paradigma; posteriormente refinó la noción mediante la idea de una matriz disciplinaria: compromisos teóricos, modelos, instrumentos, valores y ejemplos compartidos que permiten reconocer qué cuenta como problema y qué cuenta como solución.

La mayor parte de esa actividad es ciencia normal. El investigador no comienza cada mañana preguntándose si debe abandonar todo el marco de su disciplina; resuelve “rompecabezas” que el paradigma vuelve inteligibles. Las anomalías aparecen, pero no producen automáticamente una revolución. Solo cuando algunas se vuelven persistentes, relevantes y difíciles de absorber puede desarrollarse una crisis en la que propuestas rivales empiezan a reorganizar los problemas de otra manera (Kuhn, 2012).

De aquí surge otro concepto importante: la inconmensurabilidad. Los cambios de paradigma pueden modificar no solo respuestas, sino categorías, problemas y estándares de comparación. Eso no significa que Kuhn creyera que “todo vale” o que los científicos elijan teorías sin razones. Significa que no existe necesariamente un algoritmo neutral capaz de resolver toda transición histórica con una sola regla. Factores como precisión, alcance, simplicidad y fecundidad pueden ser valorados de manera diferente por científicos razonables.

Esta perspectiva ayuda a interpretar titulares sobre supuestas “revoluciones científicas”. Un estudio que contradice un resultado previo no suele significar que “todo lo que sabíamos era falso”. Con frecuencia representa un rompecabezas dentro de ciencia normal. Una transformación kuhniana requiere cambios más profundos en los problemas, conceptos y prácticas de una comunidad. Reconocer esa escala evita tanto el dogmatismo como la exageración mediática de cada novedad.

Demarcación: ciencia, pseudociencia y zonas grises

El llamado problema de la demarcación pregunta cómo distinguir ciencia de pseudociencia. Popper convirtió la falsabilidad en su criterio más conocido: una teoría que se adapta a cualquier resultado posible no arriesga suficiente contenido empírico. El criterio sigue siendo extremadamente útil para detectar afirmaciones inmunizadas contra la crítica. Sin embargo, la discusión posterior mostró que no basta para clasificar todas las prácticas reales.

En 1983, Larry Laudan llegó a hablar de “la desaparición del problema de la demarcación” entendido como la búsqueda de una frontera universal basada en condiciones necesarias y suficientes. Su argumento no era que ciencia y pseudociencia fueran indistinguibles. Cuestionaba que una sola propiedad lógica permitiera separarlas siempre. Algunas afirmaciones pseudocientíficas pueden formular predicciones comprobables; a la vez, ciencias legítimas pueden atravesar periodos en los que sus teorías centrales se conservan frente a anomalías mientras la comunidad investiga qué ocurre.

Por eso conviene evaluar conductas epistémicas además de etiquetas. Ante una terapia que usa vocabulario “cuántico”, una predicción astrológica o un producto que promete efectos biológicos extraordinarios, preguntar únicamente “¿esto es falsable?” es un comienzo. También importa saber qué evidencia aceptaría su comunidad como fracaso, si publica resultados negativos, si compara explicaciones rivales y si modifica sus afirmaciones cuando los datos las contradicen.

El contraste es especialmente importante en América Latina, donde información científica, publicidad, medicina alternativa y mensajes virales circulan en los mismos canales digitales. Una bata blanca, una gráfica o palabras como “frecuencia”, “energía” y “estudio clínico” no convierten una afirmación en científica. La pregunta decisiva es qué sistema de investigación, exposición al error y corrección sostiene aquello que se afirma.

Ciencia y valores: objetividad no significa ausencia de decisiones

El ideal tradicional de ciencia libre de valores pretendía proteger los resultados frente a preferencias políticas, religiosas o económicas. Esa defensa sigue siendo crucial: ninguna preferencia convierte un dato débil en fuerte. Pero filósofas como Heather Douglas mostraron que existe otra cuestión. En 2000 formuló su análisis del riesgo inductivo: cuando la evidencia no elimina toda incertidumbre, aceptar o rechazar una conclusión supone correr el riesgo de equivocarse, y las consecuencias de cada tipo de error pueden ser muy distintas.

Conviene separar valores epistémicos —precisión, consistencia, alcance explicativo, adecuación empírica— de valores sociales o contextuales como protección de la salud, equidad, costo económico o precaución ambiental. Estos últimos pueden influir legítimamente en qué preguntas se investigan y en cuánto riesgo de error resulta aceptable en determinadas decisiones. Lo problemático comienza cuando se oculta esa influencia o cuando un valor sustituye la evaluación de la evidencia.

El punto no es autorizar que cada grupo elija los “hechos” que prefiere. Es reconocer dónde existen decisiones legítimamente discutibles. Dos equipos pueden aceptar exactamente los mismos datos sobre un contaminante y discrepar sobre el umbral regulatorio porque ponderan de manera diferente las consecuencias de un falso positivo y de un falso negativo. La objetividad mejora cuando esas decisiones se vuelven explícitas y criticables, no cuando se ocultan bajo la palabra “neutral”.

En la práctica, esto exige instituciones que separen con claridad estimaciones empíricas, incertidumbres y recomendaciones; declaren conflictos de interés; hagan visibles supuestos; permitan revisión independiente e incorporen perspectivas relevantes cuando las consecuencias recaen de forma desigual. La ciencia puede informar qué probablemente ocurre y con qué incertidumbre. Decidir qué riesgos debe asumir una sociedad añade una dimensión normativa que no desaparece por utilizar estadísticas.

La crisis de replicabilidad: cuando la ciencia se examina a sí misma

La palabra “replicación” suele usarse de manera imprecisa. Un informe de las National Academies publicado en 2019 propuso distinguir dos operaciones. Reproducibilidad significa obtener los mismos resultados computacionales usando los mismos datos, código y pasos analíticos. Replicabilidad significa estudiar de nuevo una pregunta similar utilizando datos nuevos. La primera pregunta “¿puedo reconstruir su análisis?”; la segunda pregunta “¿aparece nuevamente el fenómeno?”.

El debate adquirió enorme visibilidad en psicología y ciencias sociales. En 2015, la Open Science Collaboration intentó replicar 100 estudios. En 2018, Camerer y colaboradores replicaron 21 experimentos de ciencias sociales publicados en Nature y Science; 13 mostraron un efecto estadísticamente significativo en la misma dirección y los tamaños de efecto de las réplicas fueron, en promedio, aproximadamente la mitad de los originales. Estos resultados no ofrecen una “tasa universal” de confiabilidad científica: describen muestras y criterios concretos.

Un fracaso de replicación tampoco equivale automáticamente a fraude ni a una falsación popperiana limpia. Puede intervenir baja potencia estadística, sesgo de publicación, selección de análisis favorables, diferencias de población, instrumentos imperfectos, heterogeneidad real del fenómeno o errores desconocidos. Precisamente por eso una réplica negativa debe provocar investigación adicional: ¿cambió el contexto?, ¿el efecto era menor de lo estimado?, ¿dependía de una condición inadvertida?, ¿el resultado original fue una fluctuación?

Las reformas de ciencia abierta —prerregistro de hipótesis, reportes registrados, datos y código disponibles cuando es ética y legalmente posible, análisis de potencia y estudios multilaboratorio— no eliminan la incertidumbre. Cambian algo más importante: hacen más difícil esconder decisiones analíticas y más fácil aprender de los desacuerdos. Vista así, la crisis de replicabilidad no es simplemente una crisis de confianza. Es también un experimento institucional sobre cómo hacer más autocorrectiva a la ciencia.

Conclusión

El objetivo de esta ficha era construir criterios para evaluar qué cuenta como conocimiento científico. El recorrido muestra por qué ninguna palabra aislada —“experimento”, “falsable”, “paradigma”, “revisión por pares” o “replicado”— basta. Popper hace visible la necesidad de arriesgar afirmaciones frente a la evidencia; Kuhn explica por qué la investigación real necesita estabilidad temporal para resolver problemas; la discusión sobre demarcación obliga a observar sistemas de corrección; el análisis de valores revela decisiones ocultas bajo la incertidumbre; y la replicabilidad convierte resultados aislados en evidencia acumulativa.

La fortaleza de la ciencia no consiste en que quienes la practican sean inmunes al sesgo, a los incentivos o al error. Consiste en que ha desarrollado —de manera imperfecta y siempre revisable— procedimientos para hacer que algunos errores puedan ser descubiertos públicamente. Confiar racionalmente en la ciencia no exige tratar cada artículo como verdad definitiva. Exige aprender a distinguir entre una afirmación bien sostenida, una incertidumbre legítima, una controversia activa y una práctica que evita sistemáticamente las condiciones bajo las cuales podría corregirse.

Actividad de aprendizaje autónoma

Proyecto · Dictamen epistemológico de una afirmación científica

Elija una afirmación científica que haya encontrado en una noticia, informe institucional, artículo de divulgación o publicación académica relacionada con México o América Latina. Puede tratar sobre salud, ambiente, educación, alimentación, tecnología o comportamiento social. El objetivo no es decidir rápidamente si “es verdad”, sino reconstruir qué tendría que ocurrir para justificar racionalmente distintos grados de confianza.

Antes de elaborar el dictamen, complete esta breve consolidación conceptual.

Ahora produzca un dictamen argumentado de 600 a 800 palabras. No es necesario contar con tutor. Su producto debe permitir que otra persona comprenda por qué asignó cierto grado de confianza a la afirmación elegida.

1. Identifique la afirmación exacta y la fuente de la que procede. Si es una noticia, intente localizar también la investigación que le sirve de base.
2. Formule una prueba popperiana: escriba qué observación concreta contaría seriamente contra la afirmación y qué resultado la fortalecería sin convertirla en verdad definitiva.
3. Analice el marco kuhniano: identifique al menos dos supuestos, modelos o prácticas compartidas que permiten interpretar los datos. Explique si una discrepancia sería un rompecabezas normal o una anomalía más profunda.
4. Ubique el caso en la matriz de demarcación de esta ficha. Justifique su posición mediante testabilidad y capacidad pública de corrección, no mediante prestigio, autoridad o vocabulario técnico.
5. Detecte una decisión donde exista riesgo inductivo. Explique quién asumiría las consecuencias de un falso positivo y quién las de un falso negativo.
6. Distinga reproducibilidad y replicabilidad. Indique qué información necesitaría para reconstruir el análisis original y qué estudio independiente permitiría probar nuevamente el hallazgo.
7. Cierre con un grado de confianza entre 0 y 100, acompañado de una justificación. Añada qué nueva evidencia podría hacerle aumentar o disminuir ese valor.

Evidencia de logro: el dictamen identifica una condición de falsación plausible, distingue anomalía de abandono de paradigma, argumenta la demarcación con más de un criterio, explicita al menos un juicio de valor relacionado con el riesgo de error y no confunde una réplica fallida con la refutación automática de una teoría. Utilice al menos dos fuentes científicas o académicas para sostener el análisis.

Reflexión final: después de terminar su dictamen, responda en una sola frase: ¿qué tendría que ocurrir para que usted cambiara de opinión? Si no puede imaginar ninguna evidencia capaz de hacerlo, vuelva al principio de la ficha: esa imposibilidad también dice algo sobre la forma en que está razonando.

Referencias · APA 7

Camerer, C. F., Dreber, A., Holzmeister, F., Ho, T.-H., Huber, J., Johannesson, M., Kirchler, M., Nave, G., Nosek, B. A., Pfeiffer, T., Altmejd, A., Buttrick, N., Chan, T., Chen, Y., Forsell, E., Gampa, A., Heikensten, E., Hummer, L., Imai, T., … Wu, H. (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2, 637–644. DOI 10.1038/s41562-018-0399-z.

Douglas, H. (2000). Inductive risk and values in science. Philosophy of Science, 67(4), 559–579. DOI 10.1086/392855.

Kuhn, T. S. (2012). The structure of scientific revolutions (4th ed.). University of Chicago Press. (Original work published 1962).

Laudan, L. (1983). The demise of the demarcation problem. In R. S. Cohen & L. Laudan (Eds.), Physics, philosophy and psychoanalysis: Essays in honor of Adolf Grünbaum (pp. 111–127). D. Reidel.

National Academies of Sciences, Engineering, and Medicine. (2019). Reproducibility and replicability in science. The National Academies Press.

Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. DOI 10.1126/science.aac4716.

Popper, K. R. (2002). The logic of scientific discovery. Routledge. (Original work published 1959).