From Epistemic Justification to Methodological Decision: The Epistemicization of Hypotheses and the Status of H₀–H₁ in Scientific Research

La ciencia se imagina a menudo como una línea recta que conduce desde una pregunta hacia una verdad única e innegable. En el laboratorio, un investigador propone una idea, recopila datos y espera demostrar que esa idea es correcta. Durante más de un siglo, los filósofos han debatido cómo podemos estar seguros de que nuestras ideas científicas son realmente verdaderas, centrándose en conceptos como la verificación —comprobar si algo coincide con la realidad— y la falsación —intentar demostrar que algo es falso—. Estos debates han dado forma a nuestra manera de entender el conocimiento, pero han dejado un vacío en lo que respecta al trabajo diario y real de los científicos. Mientras los filósofos discuten sobre la naturaleza de la verdad, los investigadores en campos que van desde la psicología hasta la agricultura se dedican a tomar decisiones basadas en datos que nunca son perfectamente claros. Se enfrentan a la incertidumbre, a tamaños de muestra pequeños y al ruido aleatorio, y necesitan una forma de avanzar sin esperar a la certeza absoluta. Aquí es donde entran las herramientas de la toma de decisiones estadísticas, específicamente un sistema desarrollado en el siglo XX que permite a los científicos actuar incluso cuando no pueden estar 100% seguros de la respuesta.

Un nuevo artículo de Bülent Bayat, investigador de la Universidad Nuh Naci Yazgan, investiga una profunda confusión que ha crecido entre estos dos mundos: la búsqueda filosófica de la verdad y la necesidad práctica de tomar decisiones. El artículo sostiene que los científicos y los libros de texto han estado cometiendo un error fundamental al tratar las herramientas estadísticas como si fueran pruebas filosóficas. Durante décadas, los investigadores han utilizado un método estándar para probar sus ideas, etiquetando a menudo sus predicciones como "hipótesis" y declarándolas luego "probadas" o "falsadas" basándose en una prueba estadística. Bayat sugiere que esto es un error de categoría. El sistema estadístico en cuestión, conocido como la teoría de la decisión de Neyman–Pearson, nunca fue diseñado para decirnos qué es verdad en el universo. En cambio, fue construido para ayudar a grupos de científicos a tomar decisiones consistentes y racionales sobre qué hacer a continuación cuando se enfrentan a la incertidumbre.

El núcleo del problema reside en cómo hablamos de los dos actores principales en este juego estadístico. En el enfoque estándar, un investigador establece una "hipótesis nula", que es esencialmente un supuesto por defecto de que no está pasando nada interesante, y una "hipótesis alternativa", que es la propia idea del investigador de que algo está pasando. Cuando llegan los datos, el investigador decide si rechaza el supuesto por defecto en favor de su propia idea. Bayat señala que, en el diseño original de este sistema, estas dos ideas no debían ser afirmaciones contrapuestas sobre la realidad. No debían ser opuestos simétricos donde uno es verdadero y el otro es falso. En cambio, fueron diseñadas como dos caminos diferentes para un proceso de toma de decisiones. El objetivo no era encontrar la verdad, sino controlar el riesgo de cometer un error. El sistema permite a los científicos decir: "Si asumimos que no está pasando nada, la probabilidad de ver datos tan extremos es muy baja, por lo que decidiremos actuar como si algo estuviera pasando". Esta es una regla de comportamiento, no una declaración de hecho.

A pesar de este diseño claro, la forma en que se enseña y utiliza el método se ha alejado mucho de su intención original. Los libros de texto y los artículos de investigación describen frecuentemente el rechazo del supuesto por defecto como "evidencia" de que la idea del investigador es cierta. Hablan de "aceptar" una hipótesis como si hubiera sido verificada por el universo. Bayat rastrea esta confusión hasta una larga historia de debates filosóficos que se centraron intensamente en cómo justificar el conocimiento. Debido a que los filósofos pasaron mucho tiempo discutiendo sobre la verificación y la falsación, los científicos empezaron a asumir que sus pruebas estadísticas eran la aplicación práctica de esas teorías filosóficas. Empezaron a tratar el resultado estadístico como un veredicto directo sobre la verdad de sus teorías. El artículo argumenta que esto es un malentendido. La prueba estadística no le dice si su teoría es verdadera; solo le dice si los datos que recolectó son lo suficientemente inusuales como para activar una regla previamente acordada para cambiar su curso de acción.

Esta confusión ha llevado a una forma ritualizada de hacer ciencia que puede ser engañosa. Los investigadores suelen redactar largas listas de hipótesis numeradas, de H1 a H14, tratando cada una como una afirmación separada para ser probada o refutada. Utilizan un lenguaje como "la hipótesis fue apoyada" o "la hipótesis nula fue falsada", como si la prueba estadística hubiera dictado un juicio final sobre la realidad. Bayat explica que este lenguaje es peligroso porque oculta el hecho de que la prueba es, en realidad, solo una herramienta para gestionar el riesgo. Cuando un científico dice que ha "falsado" una hipótesis nula, no está diciendo que ha probado que la alternativa es verdadera. Simplemente está diciendo que ha decidido seguir un camino específico porque los datos eran improbables bajo el supuesto por defecto, y está dispuesto a aceptar una pequeña probabilidad predefinida de que pueda estar equivocado. El sistema está diseñado para funcionar bien a lo largo de muchos, muchos estudios, asegurando que el grupo de científicos en su conjunto cometa pocos errores, no para garantizar que cualquier estudio individual haya encontrado la verdad absoluta.

El artículo también analiza cómo esta confusión afecta la comprensión del papel del investigador. En la visión filosófica, el científico es un buscador de la verdad, que intenta construir una imagen del mundo que sea lo más precisa posible. En la visión de la teoría de la decisión, el científico es un gestor de riesgos, que intenta tomar una decisión que mantenga baja la tasa de error a largo plazo. Estos son dos trabajos diferentes. Al mezclarlos, pedimos a las herramientas estadísticas que hagan un trabajo para el que no fueron construidas. Pedimos a una regla de decisión que nos diga qué es real, cuando solo fue diseñada para decirnos cuándo actuar. Esto conduce a una situación en la que exigimos más de nuestros datos de lo que pueden dar, y terminamos con conclusiones científicas que parecen ciertas pero que son, en realidad, el resultado de un proceso mecánico.

El trabajo de Bayat no sugiere que debamos dejar de usar estas herramientas estadísticas. Al contrario, el artículo sostiene que estas herramientas son esenciales para la ciencia moderna porque nos permiten avanzar a pesar de la incertidumbre. El problema no es la herramienta en sí, sino cómo interpretamos sus resultados. La solución propuesta es dejar de intentar forzar las decisiones estadísticas dentro de la caja de la verdad filosófica. En su lugar, debemos reconocer que estas herramientas pertenecen a una categoría diferente: son métodos para regular cómo actuamos cuando no conocemos la respuesta. Si podemos separar la pregunta de "qué es verdad" de la pregunta de "qué debemos hacer a continuación", podremos utilizar estas herramientas de manera más efectiva. Podemos dejar de pretender que una prueba estadística ha probado una teoría y empezar a comprender que simplemente nos ha ayudado a tomar una decisión racional en condiciones difíciles.

El artículo concluye que la historia de la ciencia ha creado una división entre los filósofos que se preocupan por el significado del conocimiento y los estadísticos que se preocupan por la mecánica de la toma de decisiones. Durante mucho tiempo, estos dos grupos se han estado hablando sin entenderse, lo que ha llevado a la confusión actual donde los científicos creen que sus pruebas estadísticas son pruebas filosóficas. Bayat sugiere que el camino a seguir no es intentar arreglar la estadística para que sea más filosófica, sino distinguir claramente entre ambos niveles. Necesitamos entender que la estructura H0 y H1 es un método para organizar nuestras decisiones, no un mapa de la realidad. Al aceptar esta distinción, los científicos pueden utilizar sus herramientas con más honestidad y claridad, reconociendo que están tomando decisiones basadas en el riesgo y la incertidumbre, en lugar de afirmar haber descubierto verdades absolutas. Este cambio de perspectiva no debilita la ciencia; la fortalece al alinear nuestros métodos con su propósito real.