Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
La diversidad metodológica en los ámbitos epistémicos y educativos es un hecho que la filosofía, especialmente la filosofía de la ciencia, ha analizado durante las últimas décadas. El método inductivo, siempre importante en la vida cotidiana y en las fases no tan teóricamente avanzadas de la ciencia empírica, presenta cierta incapacidad para crear conceptos nuevos y no puramente empíricos (Bunge, 1963, p. 141). Las alternativas deductiva y abductiva se han convertido en ingredientes clave para comprender los tipos de argumentación en epistemología y en los ámbitos educativos, pero comportan sus propias debilidades. Todas estas propuestas son copartícipes de los nuevos métodos y procedimientos de obtención y creación de creencias y conocimiento, ya que, como es bien sabido, la inducción se emplea al formular ciertas hipótesis -formales o fácticas- en ciencia y a la hora de validar las teorías fácticas. Como señalaba Bunge (1963, p. 149), la mera mención de la inferencia estadística debería ser suficiente.1
Los procedimientos epistémicos actualizados a las nuevas necesidades científicas y tecnológicas son, como decíamos, diversos. En medicina (Sackett et al., 1996), farmacología, nutrición (Bengoetxea & Todt, 2021) o educación (Cartwright, 2015; Cartwright & Hardy, 2012), amén de en casi todas las ciencias reguladoras, es habitual recurrir a procedimientos basados en evidencias y que emplean herramientas formales de inferencia. Cuentan con sus propias jerarquías metodológicas (organizadas en función de su fiabilidad y de otros valores epistémicos) y con sus normas predilectas. Un procedimiento crucial es el denominado “ensayo controlado aleatorizado” o “ensayo clínico” (RCT, en inglés), enraizado inicialmente en la experimentación en medicina y farmacología, aunque extendido a otros ámbitos. En un contexto así caracterizado, es importante distinguir las ciencias más tradicionales o académicas, en las cuales las condiciones de estudio y conocimiento se aproximan más a estándares experimentales de laboratorio, de las ciencias orientadas a la toma de decisiones, a veces denominadas “ciencias reguladoras” o “ciencias orientadas a la toma de decisiones” (Bengoetxea & Todt, 2021, p. 43). Ambos ámbitos son básicos para obtener conocimiento, proyectar creencias y motivar acciones que, cuando menos, puedan ser caracterizadas como razonables.2 La metodología dirigida a obtener conocimiento en ciencia, como señalábamos, no solo es inductiva, aunque esta sea habitual en la ciencia empírica. Incidir en esto en las aulas parece ser un aspecto pedagógico crucial en una época en la que el escepticismo infundado y los diversos “negacionismos” avanzan a su antojo, tal y como, por ejemplo, muestra acertadamente Adrian Bardon (2020) mediante su estudio del “razonamiento motivado” vinculado a las creencias y a las actitudes del “negar”.
Por el contrario, la configuración experimental idealizada de los RCT no parece ser una base suficiente para tomar decisiones regulatorias definitivas. Ya se han detectado ciertas carencias procedimentales (Trusswell, 2001), amén de un sesgo fuertemente reduccionista que insiste en la primacía de la experimentación RCT como ideal aplicable a todo ámbito de investigación. Esto genera un problema práctico (muchos RCT no son viables) que nos obliga a sugerir alternativas metodológicas aplicables a otros ámbitos del conocimiento. Un objetivo directo de este texto es mostrar un procedimiento metodológico relacionado con las operaciones de modelar y razonar, especialmente en el ámbito de la lingüística. Para su posible elucidación, proponemos analizarlo con el fin de entender la generación de conocimiento y ciertas formas de razonamiento en este ámbito de las ciencias humanas. Lo denominaremos “razonamiento basado en la modelación”. Los modelos, también los científicos, pueden ser de muchos y diversos tipos (materiales, abstractos, a escala, analógicos, etc.). En este texto, partimos de una noción general, según la cual, un modelo es aquella herramienta construida por los científicos con la cual la teoría (sus leyes, sus principios, sus conceptos) se pone en contacto (por mediación e interacción) con el ámbito empírico del que trata, con el fin de actuar sobre este o aprender de este representacionalmente. Subyace a esto, ante todo, la noción mediadora de modelación que encontramos en Morgan y Morrison (1999) y en las propuestas de Nancy Cartwright (2022). Esta idea de razonar en términos de modelación exigirá confrontar y analizar dos concepciones epistemológicas fundamentales en los debates actuales, en el seno de las disciplinas empíricas, la investigación en enseñanza de la ciencia y la filosofía: el representacional y el pragmático.
La modelación experimental en el estudio del lenguaje es una actividad de enorme pertinencia en la medida que el lenguaje se ve influido por diversas funciones cognitivas con un valor crucial para la educación y la enseñanza, desde la memoria y la percepción hasta el control y la monitorización del sujeto y las acciones de este. Somos testigos desde hace décadas de un avance sin precedentes en las hipótesis científicas acerca de la metodología lingüística (McKinley & Rose, 2020), de modo que, desde el prisma de la epistemología y de la filosofía de la ciencia, resulta apremiante examinar este tipo de hipótesis desde un enfoque naturalista y pragmático (Schulz, 2014), más allá de conjeturar hipótesis de manera intuitiva (McMullin, 2014). La modelación científica es, por lo tanto, el tema crucial subyacente al texto. En particular, se trata de la modelación general elaborada en las disciplinas que se ocupan del estudio del lenguaje, pero enfocadas desde una perspectiva pragmática que posibilite concebir los modelos como herramientas epistémicas generadas en prácticas experimentales y cuyo objetivo apunta parcialmente a la mejora de los procedimientos de aprendizaje en las aulas o en los manuales. Tanto la comprensión de contenidos materiales (científicos, lingüísticos) como el aprendizaje de mejores métodos y prácticas de razonamiento constituyen una empresa imprescindible que alumnos, profesores e investigadores deberían desarrollar si la enseñanza en ciencias es realmente un objetivo fundamental de la educación reglada.
En tal sentido, es necesario entender que la práctica científico-lingüística es tanto empírica como conceptual (Bunge, 1984, p. 163). Esto hace interesante procurar indagar acerca de si los datos y las evidencias experimentales de la adquisición, comprensión y producción de lenguaje contribuyen o no de alguna manera a la modelación y a sus hipótesis de trabajo (Baggio et al., 2012; Glymour, 2000). El método presente, por ello, consistirá en el empleo de ciertos avances de la propia lingüística empírica con el fin de proponer dos conceptos filosóficos (modelación y representación) dentro de un marco en el que examinar prácticas científicas reales,3 no meramente prototipos idealizados que, supuestamente, tendrían que “respetar” ciertos códigos normativos de la propia filosofía. El estudio de dichos conceptos, sobre la base de referencias bibliográficas vinculadas a ellos, tiene por objetivo final mostrar la validez, importancia y realidad del uso de modelos científicos para ayudar a enseñar y educar en las aulas, seminarios y laboratorios.
El texto se estructura en cinco secciones, incluida esta introducción (sec. 1). En la sec. 2 incidimos en la importancia del estudio de la modelación en lingüística basado en evidencias (LBE, en adelante), de carácter empírico y experimental en ocasiones. La sec. 3 está dedicada a contraponer dos enfoques filosóficos fundamentales de la modelación científica distinguidos por sus correspondientes tratamientos y usos de la noción de representación: el representacional y el pragmático. Exponemos como aplicación un breve caso de la lingüística (“análisis sintáctico del lenguaje”) dirigido a examinar la modelación con evidencias y mediante herramientas representacionales (sec. 4). La conclusión enfatiza el interés de los dos enfoques filosóficos desarrollados previamente para el razonamiento científico basado en modelos y para la enseñanza de las ciencias (sec. 5).
Datos y evidencias frente a intuiciones en lingüística
Desde mediados del siglo XX, la gramática generativa y la semántica formal comienzan a señalar un aspecto arriesgado de las teorías de la competencia lingüística: estas aparecían rodeadas de un cinturón protector frente a los datos proporcionados por ciertas disciplinas empíricas (neurociencia, psicología experimental) (Baggio et al., 2012; Derwing, 1979). Se suponía que la lingüística generativa se ocupaba principalmente de un modelo específico del habla real -el modelo más general (lenguaje)- que no atendía a las circunstancias particulares (fisiológicas y sociales) de las acciones lingüísticas concretas ni a su “complejidad” (Bunge, 1984, p. 165). Hoy sabemos que esto no es correcto del todo ni aconsejable. Chomsky no se opuso a esta objeción y lo que él y otros generativistas hicieron en realidad fue clarificar y defender que es el componente sintáctico (opuesto, por ejemplo, al pragmático) el que más y mejor luz arroja sobre las características de lo que denominaban “facultad del lenguaje” (Chomsky & Miller, 1963).
Esto no preocupa a la filosofía de la lingüística. Lo que sucede es que la tensión que siempre ha motivado y fortalecido esta idea de la gramática generativa puede que sea algo problemático en la medida en que ha inhibido, relativamente, el avance de la lingüística experimental. Dado que la lingüística pretende dar cuenta de la competencia conceptualizada a partir de información acerca de la actuación (performance) -es decir, mediante registros normalizados de conducta lingüística- los chomskianos aceptaron que dichos datos sí eran pertinentes para la actividad lingüística teórica. Ahora bien, lo importante de ello consistía en averiguar a partir de qué tipo de actuación se podía derivar la base empírica de “las teorías de la competencia” (Baggio et al., 2012, p. 328).
Bajo el prisma generativista, la base probatoria de la lingüística sería la formada básicamente por juicios introspectivos. Parecía que los enfoques chomskianos rechazaban las intuiciones propias del hablante y exigían información performativa con el objetivo de imponer ciertas constricciones a la teoría de la competencia (Baggio et al., 2012). Quedaba en suspenso, sin embargo, la pregunta acerca de la base empírica de las teorías de la competencia: ¿cómo tendríamos que obtener información sobre la competencia de un hablante-oyente? Según Chomsky (1976, p. 20), la obtendríamos en virtud de la actuación lingüística y de la introspección de un hablante nativo o de un lingüista nativo. Estos serían los medios que proporcionarían al lingüista los datos con los que mostrar la adecuación de la hipótesis acerca de la estructura lingüística subyacente a la facultad del lenguaje.
Parece claro que los generativistas no tomaron en consideración los datos obtenidos mediante la observación controlada (experimental) y la inferencia estadística. Según ellos, estas metodologías eran ineficaces para los propósitos de una teoría de la competencia lingüística. Definitivamente, los tipos de datos que podrían influir en una teoría de este tipo quedaban reducidos a ser intuiciones perspicaces del lingüista.4 Supuestamente, la investigación experimental buscaba alcanzar evidencias que en último término se referían a datos de introspección. Por ello, defendían que la teoría lingüística se basaba en las intuiciones de hablantes nativos (Baggio et al., 2012, p. 331).
La lingüística no modela ni realiza experimentos del mismo tipo ni diseño que los de las ciencias naturales (en términos generales), pero esto tampoco le es necesario. En los casos de la fonología de Ilse Lehiste (Bunge, 1984, p. 167), de la psicolingüística (Prideaux, 1979), de los estudios comparativos multivariados (Fine et al., 2011) o del ámbito de las redes complejas (Bengoetxea, 2024) no se intenta evaluar una supuesta naturaleza ideal de la experimentación ni de la modelación (Radder, 2003). Más bien se asume que el rasgo básico genuino de estas dos actividades es la modificación de variables (modificar el tono y la velocidad del habla, por ejemplo, para ver si la comprensión depende críticamente de alguno de los cambios realizados) y su comparación con los grupos de control (Bunge, 1984; De Regt, 2017; Knuuttila & Merz, 2009). Es decir, es una actividad experimental modeladora.
Desde este prisma, la pregunta emergente es esta: ¿proporciona LBE algo a nuestra comprensión de la modelación científica? ¿Aporta algo la lingüística al esquema general de la cientificidad y a los ámbitos filosófico y educativo científicos? La filosofía de la ciencia acepta que la lingüística a veces sí contribuye a entender mejor la modelación científica, si bien con un matiz no desdeñable: la filosofía de la ciencia sigue considerando que la inmadurez de la lingüística -debido a su carencia de leyes y a una supuesta falta de explicaciones (Egré, 2015)- es lo que la ubica en un segundo plano si se compara con las ciencias naturales. Sin embargo, exigir el manejo de leyes propias y una oferta de explicaciones es un criterio heredado de una concepción excesivamente positivista de la ciencia, por no decir controvertido. La noción de ley se podría entender en términos de la filosofía de Hume, como regularidad (un patrón sistemático) y, por ende, como vía posible a un establecimiento de leyes (probabilistas) en la lingüística. Además, hasta no hace mucho tiempo la noción de explicación en filosofía había recibido un tratamiento bastante sesgado a favor de las ciencias naturales (Bengoetxea, 2023). Por ello, sugerimos focalizar aspectos de la lingüística que proyecten una imagen manejable y alternativa a la de las ciencias naturales con el objetivo de entender mejor cómo se puede razonar mediante el uso de modelos integrados en prácticas reales de la lingüística. Tal y como se ha señalado, la modelación y la representación son dos nociones cruciales aquí, siendo esta última el origen de la bifurcación teórica entre corrientes pragmáticas, más próximas a las disciplinas empíricas, y las más ontológicas y epistemológicas, más próximas a actividades propiamente filosóficas.
Modelación y representación para el razonamiento en ciencias
Un modelo se puede construir de muchos modos. El modelo no es una copia del fenómeno sometido a examen o descripción, sino una abstracción, más o menos elevada, de este. Un modelo de los hablantes ecuatorianos del español no está formado por todos los hablantes. Los modelos son incompletos porque se idealizan. Hay quien los considera “falsedades” (Bokulich, 2012) o verdades tan solo “parciales” (Bueno & French, 2018). Este rasgo de los modelos ha motivado diversas cuestiones filosóficas acerca de sus virtudes epistémicas, como son su fiabilidad, su capacidad de replicación y su validez (Magnani & Bertolotti, 2017; Abbuhl et al., 2013, p. 116). Más allá de estas virtudes interesantes, aquí nos ocuparemos únicamente de las posibilidades que abre considerar la naturaleza instrumental versus la naturaleza puramente representacional de la modelación en las prácticas científicas y educativas, así como en la filosofía.
Lo que normalmente sirve de modelo de un dominio empírico (un fenómeno o sistema diana) es un sistema construido mediante abstracciones, idealizaciones, analogías o simulaciones computacionales. El fenómeno o sistema diana puede ser algo existente o no empíricamente, pues cabe la posibilidad de que sea ficcional o simulado.5 Y en el caso de que exista, puede que a su vez sea algo construido -por ejemplo, mediante tecnologías- sin necesidad de ser un hecho propio de un género natural (Bird, 1998). En cualquier caso, la construcción del modelo del fenómeno atravesará al menos dos fases distintas (Weisberg, 2013; Bailer-Jones, 2009; Bokulich, 2012; Bokulich, 2017; Bueno & French, 2018):
1. La modelación se lleva a cabo mediante un proceso constructivo específico. Los científicos buscan acceder a sistemas empíricos del mundo de una manera que les permita generar razonamiento y obtener conocimiento (o creencias para la acción). La especificidad es crucial aquí. Esta se consigue porque los modelos son constituidos de forma constreñida para proporcionarnos conocimiento dirigido a estudiar o examinar cuestiones (o hipótesis) de interés. Es en este sentido que se puede afirmar que los modelos son herramientas dirigidas al razonamiento, sistemas artificiales, construidos y constreñidos, orientados a responder a preguntas fundamentales de la investigación.
Esta imagen de los modelos es pragmática y no insiste en la representación de un sistema diana o de fenómenos empíricos externos al modelo, pues los modelos no se conciben como entidades separadas que haya que conectar a los sistemas de fenómenos del mundo mediante una relación de representación. En este sentido, ya aparecen inmersos en nuestro conocimiento del mundo. En consecuencia, es importante enfatizar que la propia construcción de un modelo puede facilitar (por analogía o por alguna otra relación entre la estructura de ese modelo en construcción y los fenómenos del mundo real estudiado) el examen que se haga de los distintos elementos (y las relaciones y funciones posibles establecidas entre ellos) postulados o dados en una configuración experimental.
La constricción es crucial y está relacionada con la idealización en la modelación. Sin idealización, algunos sistemas empíricos serían intratables matemática o computacionalmente -los fenómenos sociales son sistemas complejos con muchas variables, por ejemplo- (Thagard, 1993) y no se podrían diseñar con el fin de aislar ciertos rasgos pertinentes o diferenciales del sistema diana mediante el rechazo del resto (Mäki, 2011). En lingüística, las poblaciones de hablantes se tratan idealmente porque no todas las propiedades de una población son susceptibles de tenerse en cuenta. Por ejemplo, al trabajar con muestras de habla, los lingüistas no atienden a todas las relaciones sintácticas entre palabras (Buchstaller & Khattab, 2013). Los investigadores seleccionan un subconjunto científicamente importante de las propiedades de un fenómeno estudiado y es este el que constituirá el sistema diana.6
No obstante, la regulación de los tipos de idealizaciones admisibles no es un asunto de respuesta simple (Weisberg, 2013). Para evitar la arbitrariedad, se proponen principios generales (en realidad, constricciones) adaptados al trabajo empírico de la disciplina. Estos principios guían un proceso continuo y dinámico de afinación gradual en el proceso modelador (Zielińska, 2007), el cual se erige parcialmente a través de recursos ya establecidos (teóricos, empíricos, matemáticos, computacionales y representacionales) y es el resultado de la triangulación de distintos medios: otros modelos, experimentos, observaciones, teorías de fondo.
2. Desde una perspectiva teórica, se defiende que el modelo debe tener capacidad representacional. Hay dos maneras de entender esta capacidad. La más filosófica (enfoque representacional) la concibe como un ajuste general entre modelo y sistema diana. Esto se plantea una vez que el sistema diana ha sido esbozado o diseñado (una muestra poblacional, por ejemplo)7 con una serie de elementos seleccionados y con alguna pregunta e hipótesis a mano en la configuración experimental. Una dificultad potencial de este proceder radica en que, aunque el sistema empírico diana sea una entidad abstraída, las propiedades del sistema en realidad son concretas -como sucede con las muestras de corpus de hablantes (Stubbs, 2006)-. Si los modeladores emplean herramientas matemáticas y/o computacionales es importante saber si se puede comparar de algún modo el modelo con su diana. ¿Se puede establecer alguna analogía o semejanza? (Eco, 1995, p. 59). La manera estándar de responder a esto es reconstruir el fenómeno mismo en términos formales (matemáticos, computacionales) para posteriormente compararlo con el modelo empírico. Es decir, se confrontan dos modelos para detectar alguna posible semejanza mutua (o un isomorfismo, un homomorfismo parcial, etc.). De esta manera, un modelo computacional, por ejemplo, también adoptará cierta naturaleza material (en una computadora), autónoma y concreta (Hausser, 2006). Modelo y diana se distinguirán gracias a que el modelador elige libremente la estructura del modelo formal (o computacional), mientras que el sistema diana es una entidad constreñida perteneciente al mundo.8
La otra manera de entender la capacidad representacional es la pragmática. La modelación es un proceso de interacción con las herramientas representacionales disponibles para los científicos. El modelo se diseña con un propósito y sirve de herramienta epistémica artificial. Es habitual que al científico -lingüista- no le interese en absoluto una descripción realista de ningún sistema particular de hablantes, sino que simplemente prefiera examinar una serie de interacciones entre elementos y causas internos al propio modelo.
Entre las herramientas representacionales están, en las matemáticas, el cálculo diferencial, los grafos, las redes o los diagramas, y en la computación ciertos programas informáticos. El autor ha desarrollado esta cuestión, aplicada al estudio del lenguaje, en otros lugares (Bengoetxea, 2023); allí especificaba el uso de recursos y herramientas representacionales en la labor modeladora de los lingüistas experimentales, por ejemplo, ante la cuestión de cómo se puede comparar el desarrollo del lenguaje en niños sin problemas lingüísticos detectados y niños con algún síndrome (Down, Williams), la modelación experimental y el uso de herramientas representacionales incluía corpus recogidos de la base de datos CHILDES (http://childes.psy.cmu.edu/), conversaciones transcritas de tres subcorpus de lenguaje (alemán, neerlandés y español), la herramienta SAN (red local de alta velocidad formada por dispositivos de almacenamiento) para resolver problemas pendientes en modelaciones previas que combinaban scripts materiales con software, el software Netlang -plataforma de integración que opera como servicio para agilizar el proceso de conexión de aplicaciones (www.netlang.com)- para recoger datos y evidencias de muestreos de habla, y con el fin de modelar computacionalmente el experimento, el software de red Cytoscape (Shannon et al., 2003) gracias al cual se procesan los datos recogidos en diversas fases de la modelación experimental.
Este caso sirve para ilustrar el hecho de que concebir los modelos como herramientas puede ser algo altamente recomendable para la enseñanza de las ciencias y del razonamiento con modelos. Los modelos pueden ser herramientas que motiven a los estudiantes a reflexionar sobre fenómenos existentes, aunque también sobre fenómenos nuevos, en lugar de entenderlos como proyecciones literales de cómo es en realidad un fenómeno empírico. De esta manera, incluso se promovería la construcción de múltiples modelos de fenómenos relacionados mutuamente con el objetivo de solventar problemas que el profesor plantease inicialmente en torno a alguna teoría, conocimiento previo e hipótesis de trabajo (Reith y Nehring, 2020).9
Representación formal y representación pragmática
Los apartados previos permiten establecer el estado de la cuestión filosófica en torno a la modelación científica sobre la base de un debate actual: o bien los modelos se emplean como herramientas dirigidas a razonar y solventar problemas prácticos que surjan en un contexto científico, o bien se usan con propósitos más filosóficos y ontológicos en busca de alguna realidad que los modelos supuestamente representan. Desmerecer cualquiera de ambas opciones, algo que se hace a menudo, constituiría en realidad negar la propia valía de la disciplina que realizase el análisis de tal tarea modeladora.
En la filosofía de la ciencia, estas dos formas generales de interpretar la representación (Contessa, 2011) han adoptado un registro formal, cuyo objetivo ha sido identificar y elucidar la naturaleza de los modelos científicos (concepción sintáctica y concepción semántica) (Chakravartty, 2010), y otro pragmático, según el cual hay que examinar los roles que los modelos desempeñan en las prácticas científicas reales y en el razonamiento (generación de creencias y conocimiento, resolución de rompecabezas).10 Ambos registros han empleado estudios de casos reales. Por ejemplo, Bueno (2014; Bueno & French, 2018) proyectan la modelación mediante un enfoque de estructuras parciales, mientras que Suárez (2015) propone una concepción inferencial en la que los modelos construidos son máquinas productoras de inferencias. Sin embargo, desde el prisma pragmático, estas propuestas han sido criticadas por no enfatizar suficientemente que analizar el proceso de construcción y manipulación de los modelos -como ya hemos mencionado previamente- es un requisito indispensable del estudio de la modelación orientada a obtener conocimiento y a razonar.11 Tal y como Knuuttila y Voutilainen (2003) señalan:
Mientras que los defensores de la concepción semántica procuran representar los modelos de la ciencia como entidades relativamente estables y prefabricadas, los proponentes de la concepción orientada a las prácticas están interesados en el proceso modelador y en explicar por qué y cómo se emplean los modelos en el trabajo científico (p. S 1485) (traducción propia).
La alternativa pragmatista de Knuuttila (2006) presenta un caso de modelación enfrentado al meramente representacional y sirve para ilustrar la idea de los modelos como herramientas para el estudio del lenguaje. Se trata del “análisis sintáctico del lenguaje”.12 Knuuttila propone concebir los modelos como herramientas epistémicas que destacan la naturaleza material y el papel instrumental (herramientas) de los modelos. Esta forma de concebir los modelos busca identificar cómo se construyen, se usan y se “imaginan” realmente en las diversas actividades científicas -entre ellas, las dedicadas a la enseñanza de cómo se hace ciencia- puesto que la variedad de modelos existente en las ciencias es muy amplia. En este sentido, es correcta la apreciación de Knuuttila de que el intento de parte de la filosofía de la ciencia (concepciones sintáctica y semántica, ante todo) de proporcionar una teoría general de la representación basada en la modelación es una empresa titánica y poco realista.13 Compatibilizar este deseo con un proyecto naturalizado y pragmático sería algo más recomendable.
La idea de una construcción de modelos (que sean la base del razonamiento) es crucial aquí porque la noción dinámica y continuada de un modelo en la práctica científica apenas se tuvo en cuenta en la filosofía de la ciencia del siglo XX (Rost & Knuuttila, 2022). Los modelos no son entidades estables, detenidas, que solo actúan como mediadores (quietos) entre un constructo formal y otro empírico (Morgan & Morrison, 1999). El problema radica en que los modelos de las ciencias son más complejos de lo que Morgan y Morrison admiten, lo cual se debe en parte a que los fenómenos que representan son ellos mismos también entidades complejas. Los primeros no están formados únicamente por teoría, datos y evidencias empíricas, sino también por analogías, metáforas, nociones teóricas, conceptos matemáticos, técnicas formales y otros ingredientes pragmáticos (Boumans, 1999). Es decir, la triangulación de la tarea de modelación es una empresa compleja y ardua. Por ello, allende la imagen más común del modelador como un agente teórico, podríamos proyectar la imagen del investigador como un agente enriquecido con características más propias del “conocer-cómo” (Stanley, 2011), tales como las habilidades y la experiencia o pericia.
Esta nueva concepción de la modelación y del agente modelador nos hace ver con buenos ojos el enfoque productivo y dinámico de los modelos entendidos como “artefactos epistémicos” (Knuuttila & Merz, 2009), aunque sin aprobar el rechazo de toda noción de representación sustancial filosófica que los pragmatistas profesan. Es conveniente no concebir la modelación como una actividad que representa pasivamente, es cierto, pero la filosofía de la ciencia siempre tendrá derecho a defender un espacio de reflexión más profunda acerca de la naturaleza de los propios modelos. Esto, obviamente, no es muy útil en lo que respecta al entendimiento de las prácticas reales ni a los planteamientos educativos de las ciencias. De ahí que separemos ambos objetivos. Desde un prisma práctico, insistimos, aceptamos que la modelación es parte sustancial de un proceso de comprensión y conocimiento de los procedimientos epistémicos que interesan a los científicos (lingüistas, químicos, físicos, economistas), dado que la práctica de crear modelos y de usarlos puede ayudar a comprender más profundamente esas mismas prácticas (Svetlova, 2015). En este sentido, afirmar que los modelos son artefactos epistémicos equivale a decir que son cosas concretas que tienen su propia manera de funcionar, sin necesidad de representar (ontológicamente) con rigurosidad ninguna estructura empírica diana, ningún fenómeno empírico (Baird, 2004). En definitiva, son “modelos concretos” (Knuuttila & Merz, 2009, p. 150). Esto encaja bien en la idea de los procesos de modelación en términos de herramientas ubicadas en el seno de ensamblajes diseñados experimentalmente (Rouse, 2015) o “agregados sociales” Latour (2008, p. 57).
Herramientas modeladoras en torno al lenguaje
Desde un prisma próximo al enfoque pragmático antes expuesto (Knuuttila, 2021; Rost & Knuuttila, 2022), se puede sugerir que en la modelación la supuesta distinción entre representar y producir sin necesidad de un ajuste entre modelo y fenómeno diana se hace borrosa (Boon & Knuuttila, 2009). La labor con modelos computacionales, por ejemplo, es un trabajo parcialmente virtual en el que se emplean sustitutos (surrogates) mediante los cuales los investigadores tienen la opción de razonar y construir inferencias. Aunque se hubiese reexaminado el valor representacional de la modelación en términos pragmáticos (Bailer-Jones, 2009; French, 2013; Giere, 2004), mejorando con ello los modelos previos de representación per se (noción realista ingenua) (Hughes, 2010; Teller, 2001), esta perspectiva “mixta” seguiría sin estimar suficientemente la gran importancia de los aspectos productivos (creadores), prácticos y dinámicos de la modelación y del razonamiento generado por ella (Humphreys, 2004), dirigidos a actuar y a obtener conocimiento (Knuuttila & Loettgers, 2012). Este aspecto debe ser tenido en cuenta porque es clave para enseñar al alumnado a razonar y a producir inferencias con modelos para responder a preguntas planteadas por hipótesis iniciales vinculadas a las teorías manejadas.
Esto se puede observar claramente en el caso de los modelos computacionales, ante todo cuando se diseñan y aplican simulaciones. Las aproximaciones, las idealizaciones e incluso las “falsificaciones” de la modelación están vinculadas a ciertas constricciones y affordances aplicados a un objeto material y concreto: la computadora (Zuidema & de Boer, 2013). El género de representación implementado en la modelación computacional se puede ver, ante todo, en los resultados de la modelación y no tanto en la estructura pasiva de los modelos que, supuestamente, reflejan la estructura del fenómeno empírico estudiado (Rost & Knuuttila, 2022). En el caso de los análisis sintácticos del lenguaje, el criterio para su valoración es más pragmático que representacionalista, dado que el lingüista y el programador computacional representan cosas completamente diferentes, a pesar de estar construyendo el mismo artefacto. El lingüista busca representar el mundo lo más fielmente posible; el programador, en cambio, valora el programa-analizador (parser) por lo que este produce (Knuuttila, 2006, p. 42). En consecuencia, parece adecuado sostener que los modelos prefabricados, prefinalizados, que supuestamente representan (stand for) fenómenos no configuran el concepto de modelo ni de modelación más interesante en los procesos de producción modelar dirigidos a generar razonamiento, creencias-conocimiento y acciones.
Un análisis sintáctico mediante modelación artefactual
El análisis sintáctico es un procedimiento lingüístico que ha recibido muestras abiertas de interés teórico en la filosofía de la modelación científica. Desde una filosofía que mira a las prácticas científicas y no a prototipos ideales de ciencia, Knuuttila (2006) se ha dedicado a analizar la tarea computacional-experimental que rodea a la construcción tecnológica de modelos de análisis sintáctico (Karlsson et al., 1995). Se puede sugerir, por ende, que esta línea de investigación es altamente interesante para entender algunas prácticas de razonamiento y generación de conocimiento lingüístico dirigidas a la enseñanza en ciencias.
El análisis sintáctico (parsing) es un procedimiento gramatical de descripción de palabras u oraciones, o de partes de un discurso constituidas por palabras con sus propios rasgos gramaticales compartidos (sustantivos, verbos, adverbios, adjetivos, conjunciones, etc.). Este tipo de análisis asigna automáticamente una estructura morfológica y sintáctica -sin una interpretación semántica- a textos de entrada (input) de extensión y complejidad diversas (Knuuttila, 2006, p. 43; Karlsson et al., 1995). Constituye, por lo tanto, un dispositivo tecno-lingüístico o programa orientado a producir un texto analizado sintácticamente, y sirve de ilustración para ver cómo la construcción de modelos puede ayudar tanto a entender científicamente los fenómenos estudiados como a producir resultados útiles.
Hay dos enfoques generales del análisis sintáctico: por un lado, el basado en la gramática, de naturaleza lingüística y descriptiva; por otro, el enfoque orientado por datos, de naturaleza estadística y probabilista, el cual incluye reglas de aprendizaje basadas en corpus, modelos ocultos de Markov y concepciones del aprendizaje con máquinas (Knuuttila & Merz, 2009, p. 160). El caso particular del “análisis de gramática de constricción” (CGP, en inglés) -bien desarrollado en la filosofía de la modelación en lingüística- combina una base gramatical con el manejo de características experimentales, y se fundamenta en corpus lingüísticos. Se mantiene completamente en el nivel de la estructura superficial y, en lugar de estipular reglas para expresiones bien formadas (como hacía la gramática generativa universal chomskiana durante sus primeros años), se constituye según constricciones que rechazan oraciones inadecuadas (Knuuttila, 2006, p. 43). Ahora bien, el análisis sintáctico no describe o “representa” de forma realista una competencia lingüística humana, ni lo pretende. La comprensión científica que proporciona no se deriva de una supuesta imagen “real” de un sistema empírico, sino más bien es algo dinámico e inherente a la pericia del lingüista en el proceso de construcción del modelo -pericia con el manejo y conocimiento del lenguaje, de elementos cognitivos y de los “artefactos tecnológicos” empleados en la práctica- (Knuuttila & Merz, 2009, p. 159).
El análisis sintáctico tiene por objetivo modelar computacionalmente algún aspecto del lenguaje mediante una herramienta consistente en un programa computacional. La gramática de constricción es un formalismo del análisis sintáctico que suministra una interpretación gramática correcta de cada palabra de un texto funcional, amén de enriquecer cada palabra con información sintáctica adicional. De esta manera, el CGP se erige a partir de un análisis metodológico previo realizado mediante un analizador morfológico y sintético (Knuuttila, 2006, p. 43; Knuuttila & Merz, 2009, p. 160).
Las palabras normalmente empleadas por los hablantes son tales que su forma (por ejemplo, “cuadrado”) se interpreta de distinta manera en función del contexto de su uso. Es decir, muchas palabras arrastran una naturaleza ambigua. El CPG entonces busca seleccionar cuál de las interpretaciones es la apropiada en el contexto de la ocurrencia léxica, normalmente en un texto o en un discurso hablado. A esto se lo denomina “desambiguación” (DeRose, 1988; Knuuttila, 2006, p. 44). Esta búsqueda de alguna interpretación es una de las formas más interesantes de modelar el lenguaje y de obtener resultados relativamente satisfactorios y ajustables al mundo (Eco, 1995).
Un CGP procede en tres etapas (Knuuttila, 2006), en las cuales lo que se expresa como “interpretación” puede ser traducido a “modelación” en nuestro léxico más filosófico:
• Una vez que el analizador morfológico ha proporcionado todas las interpretaciones morfológicas admisibles, el CGP comprueba o chequea cuáles son las apropiadas. Lo hace mediante la aplicación de constricciones morfológicas que aprovechan el conocimiento contextual o vecindad de cada palabra. Por ejemplo, si una palabra cuenta con una interpretación sustantiva y otra verbal, y si está precedida por un artículo, las constricciones pertinentes restan las interpretaciones verbales acerca de esa palabra.
• Una vez elucidado el carácter de las palabras morfológicamente ambiguas, es el momento de analizarlas superficial y sintácticamente. El resultado del módulo de desambiguación morfológica se convierte en input para el siguiente módulo: a saber, será un mapeo sintáctico. Este asignará todas las funciones sintácticas superficiales posibles a cada interpretación morfológica aceptada. Nuevamente, la forma de una palabra puede tener distintas funciones sintácticas (sujeto, objeto o complemento directo, objeto o complemento indirecto, etc.), de modo que, para conceder a cada palabra su interpretación sintáctica correcta, el lingüista aplicará constricciones sintácticas tras realizar el mapeo y descartará asignaciones a las funciones sintácticas contextualmente incorrectas o ilegítimas.
• La etapa final es consecuencia directa de CGP, a saber, es un texto en el que, en el mejor de los escenarios, cada palabra será asignada con sus correspondientes interpretación morfológica correcta y función sintáctica apropiada.
Dos tareas cruciales aquí son la forma de representar “conjuntos de reglas” del lenguaje (Knuuttila, 2006, p. 45; Karlsson et al., 1995) y la implementación de la gramática a modo de programa computacional. Este reto es muy delicado, puesto que el lingüista genera los modelos con el objetivo de describir el mundo y de computar intentos por producirlo, construirlo y modificarlo de una manera dinámica e intervencionista (Knuuttila, 2006; Hacking, 1983, p. 220). Esta construcción del modelo es un proceso continuado de modelación que involucra distintas capas (representacionales) y comprobaciones replicadas de corpus varios (Knuuttila, 2006, p. 45). Tres pasos necesarios de este tipo de modelación activa y productiva que emplea herramientas representacionales son los siguientes:
• La escritura de la gramática CG para un corpus. Se parte de un texto analizado morfológicamente, para el cual se establecen las constricciones que desambigüen sus palabras.
• Tras aplicar la gramática resultante a un corpus desambiguado manualmente (tarea empírica del lingüista), el software del sistema genera una estadística aplicativa para cada una de las constricciones.
• A partir de esta estadística y tras identificar las predicciones equivocadas, el lingüista (gramático) o bien corrige y, o, descarta constricciones previas, o bien crea otras nuevas. Este ciclo se repite mediante el empleo de las evidencias de nuevos corpus hasta que la gramática resulte lo suficientemente próxima a la “actuación humana” (Knuuttila & Merz, 2009, pp. 160).
Como se puede observar, la construcción de un análisis sintáctico de este tipo abre una vía interesante a las nociones de modelación y de representación, que se alejan de la idea tradicional y estática propia de la filosofía de la ciencia, más bien ocupada de la relación entre un tipo de modelo prefabricado y un sistema diana real. Según ese tipo de filosofía de la ciencia y de epistemología, un modelo es epistémicamente útil si proporciona una imagen amplia del objeto o fenómeno estudiado. Pero si se adopta un enfoque, si cabe, más próximo a la idea productiva y pragmática de Knuuttila -y aunque el análisis sintáctico sea resultado de ciertos usos de herramientas representacionales- dicho enfoque será valorado básicamente por lo que produce según lo que los agentes se hayan propuesto (preguntas), y no según el reflejo ontológico de una realidad postulada.
Razonar, creer y conocer mediante modelos para educar en ciencias
Es conveniente matizar analíticamente la función de la empresa modeladora. Por un lado, cabe destacar que en la investigación científica los modelos se conciben sin necesidad de asignaciones ontológicas; esto es, como herramientas epistémicas dirigidas a resolver problemas. Es la forma más radicalmente pragmatista. En el campo educativo de la ciencia también convendría proyectar el carácter pragmático de la modelación para que los estudiantes aprendieran a razonar con vistas a metas: responder a preguntas científicas prácticas, resolver rompecabezas, etc. Sin embargo, cabe también dejar un espacio a las cuestiones filosóficas vinculadas con la modelación, de tal modo que no resulte tan enigmático, dada la milenaria tradición filosófica occidental, preguntarse por la naturaleza de aquello que se procura modelar. No permitir esto tendría una consecuencia nefasta para muchos filósofos en ámbitos próximos a la filosofía de la ciencia, a saber, su impericia y falta de preparación en actividades empíricas en las que, a menudo, actuarían como meros invitados. El supuesto rol de sociólogo, politólogo, experto en políticas científicas, regulador o pedagogo, que muchos filósofos se arrogan so pretexto de que las cuestiones propiamente filosóficas no interesan en un campo como el de la modelación, debería -si encomiamos la sinceridad- enviarlos al desempleo.
Fox-Keller (2000), así como Gouvea y Passmore (2017, p. 50), entre otros, distinguen dos interpretaciones interesantes: los “modelos de” y los “modelos para”. Sostienen que los “modelos de”, ubicados en un entorno de representación filosófica sustantiva, siempre aparecen acompañados de “modelos para” porque los modelos científicos son herramientas para entender, explicar y predecir, y no solo en la investigación propiamente dicha, sino también en la enseñanza en las aulas. Consideran que los “modelos de” son menos capaces de respaldar la agencia epistémica de los experimentadores y de los alumnos a la hora de hacer ciencia, ya que tienden a tratar los modelos como representaciones de lo que ya conocemos, en lugar de actuar como herramientas que se usen para generar conocimiento y razonamientos nuevos (Gouvea & Passmore, 2017).
No obstante, analizar filosóficamente las prácticas también tiene su razón de ser. Debe reconocerse que concebir los modelos como herramientas y artefactos construidos para razonar y generar conocimiento no es algo que tenga que partir necesariamente de asumir que tiene que haber una representación directa de un sistema empírico. Puede darse el caso, y a menudo se da, de que si un profesor quisiera presentar cómo funciona la modelación científica, el razonamiento subrogado basado en una correspondencia simplificada entre, por ejemplo, moléculas y un modelo material de bolas y palos, o entre el lenguaje y una facultad inherentemente humana del lenguaje, no añadiría ningún valor al entorno de aprendizaje (el aula o el laboratorio) a menos que el profesor elaborase mucho mejor esa supuesta correspondencia. En un caso así, la clave del ejercicio sería entender el carácter hipotético y práctico del modelo. Sin embargo, desde un ángulo más filosófico y propio de las humanidades, la comprensión y la interpretación de la noción de representación puede ser fuente de preguntas interesantes para entornos científicos y educativos.
Conclusiones
En el texto se ha procurado exponer los dos polos del debate y respetar en cierta medida las posibilidades que cada uno abre. Para ello, se ha considerado que el trabajo de modelación ha de partir de cuestiones de interés, conocimiento teórico previo y conocimiento empírico, amén de una recogida de datos y evidencias que permitan construir modelos sucesivos, continuadamente, del sistema (idealizado) elegido como objeto de estudio. Un examen filosófico de esta práctica dirigida al razonamiento y que sea útil en la investigación científica y en la enseñanza de las ciencias ha permitido distinguir los conceptos de modelación y de representación, y proyectar, dentro del debate filosófico actual, dos enfoques básicos, el representacional y el pragmático, así como sus conexiones mutuas. Por último, se ha sugerido un esbozo de aplicación de las reflexiones propuestas al estudio modelador del lenguaje y, en especial, al caso del análisis sintáctico. La conclusión final, por lo tanto, pretende dejar sitio a la reflexión propiamente filosófica, sin menoscabo de la pragmática, en la que las diversas herramientas representacionales (recursos simbólicos, semióticos o materiales) también desempeñen un rol educativo con carácter propio.
