💻 computer science

A Communication-First Account of Explanation

Este artículo propone un modelo formal de la explicación causal centrado primero en la comunicación, fundamentado en la pragmática conversacional y la teoría intervencionista, demostrando cómo este marco genera naturalmente virtudes explicativas reconocidas y patrones empíricos respecto a las normas, integrando eficazmente los conocimientos de la ciencia cognitiva en el análisis filosófico.

Autores originales: Jacqueline Harding, Tobias Gerstenberg, Thomas Icard

Publicado 2026-06-30

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jacqueline Harding, Tobias Gerstenberg, Thomas Icard

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de averiguar por qué tu coche no arranca. Le preguntas a un mecánico: "¿Por qué no arranca?".

Si el mecánico dice: "Porque el universo es vasto y complejo", es técnicamente cierto, pero es una explicación pésima. Si dice: "Porque la batería está muerta", es útil. Pero ¿qué pasa si ya sabías que la batería estaba muerta? ¿Diría ellos: "Porque la batería está muerta, y además el alternador está roto"?

Este artículo de Jacqueline Harding, Tobias Gerstenberg y Thomas Icard argumenta que la explicación no consiste solo en encontrar la causa "verdadera" en el mundo; se trata de una conversación entre dos personas.

Proponen un enfoque de "Comunicación Primero". En lugar de tratar la explicación como un hecho estático esperando ser descubierto, la tratan como un juego de Actos de Habla Racionales. Piensa en ello como un juego de alta tensión de "Adivina qué estoy pensando", pero con un giro: el objetivo es ayudar a la otra persona a tomar una mejor decisión.

Aquí está el desgón de sus ideas utilizando analogías cotidianas:

1. La Configuración: El Hablante, el Oyente y el Objetivo

Imagina a un Hablante (que conoce la verdad) y a un Oyente (que está confundido y tiene un objetivo específico).

El Objetivo del Oyente: El oyente no solo está pidiendo datos triviales. Por lo general, tienen un "problema de decisión". Tal vez necesitan arreglar su techo, disculparse con un amigo o comprar la pintura adecuada para una paloma.
El Trabajo del Hablante: El trabajo del hablante no es solo volcar datos. Su trabajo es elegir la única pieza de información que ayudará al oyente a resolver su problema específico de la manera más efectiva.

La Analogía: Imagina que estás jugando un videojuego en el que tienes que navegar por un laberinto. Tú eres el Oyente. Tu amigo es el Hablante. No conoces el mapa.

Si tu amigo dice: "El laberinto es enorme", es cierto, pero inútil.
Si tu amigo dice: "Gira a la izquierda en la puerta roja", eso es útil si necesitas llegar a la salida rápidamente.
Si tu amigo dice: "Gira a la izquierda en la puerta roja, pero también, el techo es de cristal", eso podría ser demasiada información si solo necesitas llegar a la salida.

El artículo sostiene que una "buena explicación" es simplemente el mensaje que ayuda al oyente a ganar su juego (tomar la mejor decisión) de la mejor manera.

2. Por qué el "Contexto" Importa Más que la "Verdad"

Los autores utilizan un modelo llamado Modelo Causal Estructural. Piensa en esto como un diagrama de flujo de cómo funciona el mundo.

El Ejemplo del "Techo": Imagina que una casa se incendia. ¿Fue porque el techo era de paja? ¿O fue debido a una sequía?
- Si tu objetivo es prevenir futuros incendios, saber que el techo era de paja es crucial (deberías reemplazar tu techo). Saber que fue una sequía es menos útil (no puedes controlar el clima).
- Si tu objetivo es determinar quién tiene la culpa, tal vez la sequía sea el factor clave.
La Percepción: El "mejor" la explicación cambia dependiendo de lo que el oyente quiera hacer. El artículo muestra que si construyes un modelo computacional que intenta maximizar el éxito del oyente, este elige naturalmente la explicación que se ajusta al objetivo del oyente, incluso si el hablante conoce ambas causas.

3. El Factor de la "Sorpresa" (Por qué no explicamos lo que ya sabes)

Podrías pensar que una buena explicación siempre debe ser algo que el oyente no sabe. El artículo dice: No necesariamente.

El Ejemplo de la "Reunión Tardía": Bob llega tarde. Él sabe que llega tarde. También sabe que Charlie está enojado. Bob pregunta: "¿Por qué está enojado Charlie?".
- Bob ya sabe que "llegar tarde" es una causa.
- Pero Bob no sabe si llegar tarde fue la única causa, o si también olvidó el cumpleaños de Charlie.
- Si Alice dice: "Porque llegaste tarde", Bob podría pensar: "Ah, entonces es solo porque llegué tarde. No necesito disculparme por el cumpleaños".
- Si Alice dice: "Porque olvidaste el cumpleaños", Bob sabe que metió la pata dos veces.
La Percepción: Incluso si el oyente conoce un hecho (llegar tarde), escucharlo como una explicación puede seguir siendo útil porque le dice al oyente cuál historia causal es la verdadera. La explicación no trata sobre el hecho; trata sobre reducir las posibilidades.

4. La Regla de lo "Normal" vs. lo "Anormal"

El artículo explica una peculiaridad extraña en la psicología humana:

Si dos cosas deben ocurrir juntas para causar un resultado (como un techo de paja Y una sequía para iniciar un incendio), tendemos a culpar a la cosa extraña (la sequía, porque las sequías son raras).
Si cualquiera de las dos cosas por sí sola puede causar un resultado (como un cortocircuito O una fuga de gas causando un incendio), tendemos a culpar a la cosa normal (el cortocircuito, porque ocurren con frecuencia).

El modelo de los autores predice esto perfectamente. Calcula que citar la "cosa extraña" en el primer escenario ayuda al oyente a entender las condiciones específicas necesarias para detener el incendio. Citar la "cosa normal" en el segundo escenario ayuda al oyente a entender el riesgo más común. El modelo no necesita que se le diga esta regla; la deduce al intentar ser útil.

5. Simplicidad y "Costo"

Finalmente, el artículo aborda por qué preferimos las explicaciones cortas y simples.

El Costo de Hablar: Decir "El cortocircuito causó el incendio" es más fácil que decir "El evento más notable del año causó el incendio", aunque signifiquen lo mismo.
El Intercambio: El modelo incluye un "costo" para mensajes largos o confusos. Si un mensaje largo no ofrece al oyente significativamente más ayuda que uno corto, el "buen hablante" elegirá el corto para ahorrar energía y evitar la confusión.

La Visión General

Los autores dicen que durante siglos, los filósofos han intentado encontrar la "explicación perfecta" mirando los hechos duros del mundo. Ellos argumentan que esto es al revés.

La explicación es una herramienta para la comunicación.

Esta surge de la dinámica entre un hablante que intenta ser útil y un oyente que intenta resolver un problema.
Cuando se acierta en la comunicación (conociendo los objetivos del oyente y lo que ya sabe), las "virtudes" de una buena explicación (ser simple, ser sorprendente, ser relevante) simplemente ocurren de forma natural. No necesitas forzarlas; son el resultado de una buena conversación.

En resumen: Una buena explicación es la que ayuda al oyente a ganar su juego.

Problema
El problema filosófico de la explicación se enmarca tradicionalmente en la localización de relaciones explicativas objetivas en el mundo, tratando los intereses humanos y los contextos comunicativos como elementos periféricos o meramente "pragmáticos" que deben filtrarse para revelar los hechos explicativos centrales. Si bien los filósofos reconocen que los factores pragmáticos (como el conocimiento de fondo y los intereses derivados) influyen en los juicios explicativos, a menudo relegan estos al margen del proyecto explicativo. Por el contrario, aunque la investigación psicológica se ha visto influenciada por los relatos filosóficos, los filósofos han mostrado reticencia a incorporar las perspectivas de la ciencia cognitiva y la pragmática formal en sus teorías. Los enfoques formales de la explicación existentes, incluidos los enfoques intervencionistas, a menudo no logran comprometerse profundamente con la manera en que las personas producen e interpretan explicaciones, o tratan los factores pragmáticos como restricciones en lugar de elementos constitutivos. La pregunta central que motiva este artículo es: ¿Qué sucede si ponemos "la comunicación primero" en el desarrollo de un modelo de explicación?

Metodología
Los autores desarrollan un modelo formal de explicación causal basado en una teoría de la pragmática conversacional, utilizando específicamente el marco de los Actos de Habla Racionales (RSA, por sus siglas en inglés). Este marco modela la comunicación como una jerarquía de agentes:

El Oyente Literal ( $L_0$ ): Actualiza su estado epistémico basándose en el contenido semántico de un enunciado.
El Hablante ( $S$ ): Elige un enunciado para maximizar la utilidad esperada del oyente en un problema de decisión, teniendo en cuenta la interpretación del oyente literal y los costes de producción/procesamiento.
El Oyente Pragmático ( $L$ ): Infiere la intención del hablante razonando sobre por qué el hablante eligió ese enunciado específico, actualizando sus creencias basándose en la estrategia de optimización del hablante.

Los autores integran esto con Modelos Causales Estructurales (SCM) para formalizar el contenido causal de las explicaciones. Asumen que las preguntas de tipo "¿por qué?" solicitan información causal y que las afirmaciones con "porque" comunican relaciones de dependencia causal real. El problema de decisión del oyente se formaliza como un juego de manipulación, donde el objetivo es identificar variables que, al ser intervenidas, puedan cambiar el valor del explanandum a través de diversas condiciones de fondo.

El modelo evalifica la "bondad" de una explicación no por propiedades intrínsecas de la relación causal, sino por la medida en que la explicación actualiza las creencias del oyente para mejorar su desempeño en problemas de decisión posteriores (por ejemplo, manipulación, control o atribución de responsabilidad).

Contribuciones Clave y Resultados
El artículo demuestra que varias "virtudes explicativas" ampliamente reconocidas y patrones empíricos de selección causal emergen naturalmente de la dinámica de este modelo de "la comunicación primero", sin necesidad de estipularse como axiomas:

Intereses Derivados: El modelo muestra que las explicaciones son mejores cuando son útiles para los problemas de decisión específicos del oyente. En casos donde un oyente enfrenta una decisión hacia el futuro (por ejemplo, reemplazar un tejado), citar una causa que sea sensible a esa decisión (por ejemplo, el material del tejado) es preferible a una causa menos relevante (por ejemplo, la sequía), incluso si ambas son causas verdaderas.
Conocimiento de Fondo: El modelo da cuenta de la intuición de que las explicaciones deben citar información desconocida. Sin embargo, también predice que citar causas conocidas puede ser una buena explicación si la elección de esa causa conocida por parte del hablante (sobre una alternativa conocida) permite al oyente inferir estructuras causales ocultas (por ejemplo, inferir que una causa es suficiente en lugar de conjuntiva).
Invarianza y Selección Causal: Utilizando el juego de manipulación, el modelo reproduce hallazgos empíricos en los que los hablantes prefieren citar causas "anormales" en estructuras conjuntivas y causas "normales" en estructuras disyuntivas. Además, predice que los oyentes pueden inferir la normalidad de las causas o la estructura del modelo causal basándose en qué causa elige citar el hablante.
Minimalidad y Simplicidad: El modelo incorpora costes de producción y procesamiento. Explica por qué se prefieren a menudo las explicaciones mínimas (debido a menores costes), pero también predice que las explicaciones más largas e informativas son preferibles cuando la diferencia de coste se ve compensada por la ganancia de utilidad (por ejemplo, identificar múltiples culpables en un escenario de robo). También da cuenta de la "proporcionalidad" (por ejemplo, preferir "rojo" sobre "escarlata" en ciertos contextos) al modelar el compromiso entre la especificidad de la información y el coste cognitivo de procesarla.
Nivel de Abstracción: El modelo explica por qué las explicaciones en el "nivel adecuado" de abstracción son mejores. Muestra que citar una causa más abstracta (por ejemplo, "rojo") puede ser superior a una específica (por ejemplo, "escarlata") si el detalle específico no es invariante a través de los problemas de decisión relevantes del oyente, o si el coste de procesar el detalle específico es demasiado alto.

Significado
El artículo sostiene que un enfoque de "la comunicación primero" es un prerrequisito necesario para el trabajo filosófico sobre la explicación. Al formalizar la explicación como un acto de comunicación cooperativa destinado a ayudar al oyente a alcanzar metas derivadas, los autores muestran que las virtudes explicativas no son arbitrarias o periféricas, sino consecuencias naturales de la interacción entre la estructura causal, los estados epistémicos del oyente y los problemas de decisión.

La importancia de este trabajo radica en su capacidad para cerrar la brecha entre los relatos filosóficos de la explicación y los hallazgos empíricos de la ciencia cognitiva. Proporciona un marco simple pero poderoso que incorpora las perspectivas de las ciencias cognitivas (específicamente la cognición causal y la pragmática) en la filosofía. Los autores afirman que este enfoque ofrece un relato unificado donde las virtudes explicativas emergen de la dinámica de la conversación, en lugar de ser impuestas como reglas externas. Esto sugiere que clarificar la dimensión comunicativa de la explicación es esencial para comprender la naturaleza misma de la explicación. El artículo concluye señalando que, si bien el modelo actual es un punto de partida, abre vías para trabajos futuros sobre la explicación científica, la búsqueda de explicación individual (no comunicativa), la introducción de variables y dominios no causales como la explicación matemática.