ENSAYO No 4

Titulo: CAUSALIDAD Y EXPLICACIÓN CIENTÍFICA

Curso: FILOSOFIA DE LA CIENCIA

Grupo: 3

Doctorado: CIENCIAS BIOMEDICAS

AUTORES:

• GONZALEZ BLAS MARIA VIRGINIA

• HERRERA GUTIERREZ LUIS ANTONIO

• MIRANDA LEYVA SEGUNDO MANUEL

• NORIEGA CORDOVA HUBERTO

Profesores:

• Dr. SIXTO PRADO CACERES

• Dr. PABLO AGUILAR MARIN

SECCION DE POSTGRADO DE CIENCIAS MÉDICAS

ESCUELA DE POSTGRADO

UNIVERSIDAD NACIONAL DE TRUJILLO

TRUJILLO-PERU
Junio - 2007
 I. INTRODUCCION

En el presente ensayo se ha desarrollado el tema “CAUSALIDAD Y

EXPLICACIÓN CIENTÍFICA”.

A lo largo de la historia de la ciencia han surgido diversas corrientes de

pensamiento. Sin embargo, y debido a las diferentes premisas que las sustentan,
desde la segundo mitad del siglo XX tales corrientes se han polarizado en dos
enfoques principales o aproximaciones al conocimiento: el enfoque cuantitativo y el
enfoque cualitativo de la investigación (2).

El enfoque cuantitativo usa la recolección de datos para probar hipótesis, con

base en la medición numérica y el análisis estadístico, para establecer patrones de
comportamiento y probar teorías. En el proceso se busca el máximo control para
lograr que otras explicaciones posibles, distintas (rivales) a la propuesta del estudio
(hipótesis), sean desechadas y se excluya la incertidumbre y minimice el error. Es
por esto que se confía en la experimentación y los análisis de causa-efecto (2).

Este enfoque, utiliza la lógica o razonamiento deductivo, que comienza con la

teoría y de esta se derivan hipótesis que el investigador busca someter a prueba. La
búsqueda cuantitativa ocurre en la realidad externa al individuo. Esto nos conduce a
una explicación sobre cómo se concibe la realidad; si se sigue rigurosamente el
proceso, los datos generados poseen los estándares de validez y confiabilidad, las
conclusiones derivadas contribuirán a la generación de conocimiento (2).

Caracterizando a la ciencia, Bunge sostiene que es explicativa, “Intenta

explicar los hechos en términos de leyes, y las leyes en términos de principios. Los
científicos no se conforman con descripciones detalladas; además de inquirir cómo
son las cosas, procuran responder a …: porqué ocurren los hechos como ocurren y
no de otra manera” (1).

Advenida la filosofía computacional de la ciencia (4); el principio causa-efecto

puede ser codificado junto a otros principios para buscar explicaciones científicas y
porqué no, hacer predicciones de la realidad. Como siempre, la comunidad
científica debe ser responsable del desarrollo y empleo correcto de sus
potencialidades.
 II. EL PROBLEMA DE LA CAUSALIDAD

Roberto Katayama en “Introducción a la Filosofía” (3), toma la obra de David

Hume “Investigación sobre el entendimiento humano” para realizar el análisis del
empirismo inglés clásico; como a continuación se resume:

2.1. Carácter problemático de esta relación

Para Hume, todos los objetos del conocimiento o de la investigación del

hombre podían dividirse, por su propia naturaleza, en dos clases: relaciones entre
ideas y relaciones entre hechos. Los primeros eran estrictamente formales, carentes
de todo contenido empírico, se basaría en el principio de no contradicción y sus
conocimientos “pueden descubrirse por el mero trabajo del pensamiento sin que
dependan de algo existente en alguna parte del universo. Aunque en la naturaleza
no hubiera jamás un círculo o un triángulo, las verdades demostradas por Euclides
siempre conservarían su certeza y evidencia”

Con los hechos el asunto sería distinto porque según Hume:

a) No son descubiertos por la mera intelección debido a que no son enunciados

formales sino fácticos.

b) Nuestra evidencia de su verdad es de naturaleza distinta a la anterior puesto que

no se basa fundamentalmente en el principio de no contradicción sino en la
correspondencia entre las ideas y las percepciones (hechos).

Debido a esto sería necesario, para Hume, encontrar un principio –independiente

de si es formal (racional) o fáctico (extraído de la experiencia)- distinto al de no
contradicción que sirva como garante de la validez de los juicios de hecho.

Si alguien dice, por ejemplo, “el sol no saldrá mañana”, su enunciado es tan
claro y distintamente concebible como el enunciado “el sol no saldrá mañana” sin
embargo nosotros diremos que quien sostiene lo primero está en lo cierto quien lo
segundo en lo falso crítica al criterio de certeza cartesiano); no porque lo segundo
sea contradictorio sino porque el sol sale todos los días. Si alguien nos dice que un
amigo suyo está en Francia y nosotros le preguntamos cómo es que sabe eso, él
nos dirá que eso fue lo que le dijo antes de viajar o que recibió una carta de allá.

2
 De este modo podemos observar sostiene Hume, que la gente “supone que hay
una conexión entre el hecho presente y aquel del que se infiere… relación de causa
y efecto: Sólo mediante esta relación podemos ir más allá de los datos de nuestra
memoria y sentidos”

Y así, según Hume, hemos llegado al principio en que se basan las relaciones
entre hechos o los juicios de hecho: el principio de causalidad. Lo primero será
investigar en qué consiste tal principio y luego en que se basa o cual es su
sustento.

2.2. En qué consiste el principio de causalidad

Este principio consiste según nuestro autor en relacionar un hecho o fenómeno

(conocido o desconocido) con otro hecho o fenómeno (conocido o desconocido)
espacialmente contiguos y temporalmente sucesivos:

“Por tanto, si quisiéramos quedar satisfechos en lo que respecta a la naturaleza de la

evidencia [evidence] que nos da seguridad acerca de los hechos, deberíamos investigar
cómo llegamos al convencimiento de la causa y el efecto”

2.3. En qué se basa el principio de causalidad

2.3.1. Primer intento de responder: solución negativa

Una vez que Hume ha dado con el principio en el que se basan nuestros juicios,
generalizaciones y, en general, nuestras relaciones entre hechos, intenta investigar
cómo es que llegamos al conocimiento de este principio. Pero como los objetos del
conocimiento son o formales o fácticos, en primer lugar Hume debe averiguar a cual
de estos dos campos pertenece.

Para conocer a que campo del saber pertenece este principio, Hume recurre a
un experimento mental; nos pide que imaginemos al hombre más inteligente del
mundo y le presentemos algún objeto:

“…si el objeto le es enteramente nuevo no será capaz de describir ninguna de sus

causas o de sus efectos ni siquiera mediante el más prolijo examen. Aunque se supone
que las facultades racionales de Adán eran completamente perfectas desde el primer
momento, no podría haber inferido, del agua, que podía ahogarse en ella, o de la luz y
el calor del fuego que este podía consumirlo”

3
 De este modo podemos decir que tal principio no puede ser a priori –como en
las ciencias formales- por lo que nuestra razón necesita, para inferir algo sobre los
hechos, de la ayuda de la experiencia. Mas tal ves alguien diga que la experiencia
es necesaria a la razón sólo en los siguientes casos:

a) Cuando se refiere a objetos que alguna vez nos fueron completamente

desconocidos.

b) Sucesos que presentan poca analogía con el curso común y corriente de la

naturaleza.

c) Cuando el efecto proviene de la acción de algún mecanismo complejo o de

elementos desconocidos.

Mientras que en los demás ella no sería necesaria a la razón, como cuando se
trata “de sucesos que se nos han hecho familiares desde el primer momento, que
presentan analogía con todo el curso de la naturaleza, y que se supone dependiente
de cualidades simples de los objetos, sin elementos de estructura desconocida”

Sin embargo dice Hume, lo que sucede en estos casos es que estamos
familiarizados con estos hechos, por ello pensamos que son evidentes y que no
necesitamos de la experiencia para relacionarlos:

“Nos figuramos que si hubiéramos venido repentinamente a este mundo, a primera vista
podríamos haber inferido que una bola de villar comunicaría el movimiento a otra al
impulsarla, y que no tendríamos necesidad de haber esperado este suceso para poder
pronunciarnos con certeza al respecto”

Y no sólo con respecto a los hechos mencionados sino con muchos más, pero,
contrargumenta Hume, si alguien nos presentara un objeto y nos pidiera
pronunciarnos sobre él, sin consultar a ninguna experiencia previa ¿cómo
procederíamos? Lo único que podríamos hacer sería inventar un suceso que
nosotros creemos que sería consecuencia del objeto, lo cual es totalmente arbitrario;
ya que el efecto es distinto de la causa por lo que nunca puede ser descubierto,
antes de la experiencia, en ella. Pues podemos imaginar miles de efectos, incluso
contradictorios y es por esto que la inferencia fáctica no se basa en principios a
priori.

4
 Como su investigación previa ha arriado como resultado el que es imposible
determinar algún suceso singular o alguna relación causal sin ayuda de la
observación y la experiencia, concluye Hume que los razonamientos acerca de
hechos se basan en la relación de causa y efecto, pero esta relación, a su vez, ¿en
qué se basa? Pues decir que nuestros razonamientos sobre la experiencia se basan
en la relación de causa y efecto y a su vez que ella se basa en la experiencia es un
círculo vicioso.

Resumiendo: hasta ahora hemos visto que el fundamento de la causalidad no es

formal (a priori) pero tampoco es fáctico (a posteriori), en otras palabras; no se basa
en la razón ni tampoco en la experiencia, entonces ¿en que se basa? Éste es el
tema que desarrollamos seguidamente.

2.3.2. Segundo intento de responder: el hábito o la costumbre

“Una cosa es decir ‘he visto que tal objeto ha ido siempre acompañado de tal efecto’ y
otra muy distinta sostener que ‘como he visto que tal objeto ha ido siempre acompañado de
tal efecto, prevé que otros objetos que son en apariencia similares irán acompañados de
efectos similares’. Y si generalizo aún más, me bastará con que haya visto una sola vez que
tal hecho va acompañado por tal otro para poder decir –basándome en experiencias previas
tenidas con otros objetos- que este hecho va acompañado siempre de este otro”.

Aquí Hume repara que el entendimiento está dando un paso en falso, pues no
hay experiencia previa que sustente ninguna generalización. Sin embargo también
observa que en el argumento dado para validar esta generalización está la clave
para hallar lo que sustenta la causalidad; “como he visto que tal objeto ha ido
siempre acompañado de tal efecto” dice nuestro interlocutor. Este “ha ido siempre”
no es más que la experiencia previa que partiendo de acontecimientos conocidos –
pues si la mente está en blanco nada podemos decir con respecto a hechos-
generaliza para casos desconocidos (casos de los que carecemos de experiencias y
por ende de conocimientos), siendo estas experiencias previas aquello con lo cual
estamos acostumbrados habituados.

El principio que da sustento o validez –validez para nosotros y por lo tanto

totalmente arbitraria- “es la costumbre o hábito –por ejemplo, el calor y la llama, el
peso y la solidez- sólo la costumbre nos determina esperar uno debido a la aparición
del otro”

5
 III. EXPLICACION CIENTÍFICA

Roberto Hernández y otros en “Metodología de la Investigación” (2), abordan

los temas correspondientes a ciencia y teorías científicas; en relación a nuestro
tema, se resume:

3.1. Funciones de la teoría

3.1.1. La función más importante de una teoría es explicar: decir porqué, como y
cuando ocurre un fenómeno. Por ejemplo, una teoría de la personalidad
autoritaria debe explicarse, entre otras cuestiones, en que consiste este tipo
de personalidad, cómo surge y porqué una persona imperiosa se comporta de
cierta manera ante determinadas situaciones.

3.1.2. Una segunda función consiste en sistematizar o dar orden al conocimiento

sobre un fenómeno o una realidad, conocimiento que en muchas ocasiones
es disperso y no se encuentra organizado.

3.1.3. Otra función, muy asociada con la de explicar, es la de predecir. Es decir,

hacer inferencias a futuro sobre cómo se va a manifestar u ocurrir un
fenómeno dadas ciertas condiciones. Por ejemplo, una teoría adecuada de la
toma de decisiones de los votantes debería indicar cuáles son los factores
que afectan al voto y contando con información válida y confiable respecto de
dichos factores, en relación con un contexto determinado de votación,
predeciría que candidato triunfará en tal votación.

Con frecuencia para la explicación y predicción de ciertos fenómenos, se

requiere de la concurrencia de varias teorías, una para cada aspecto del hecho.

3.2. Criterios para decidir el valor de una teoría

Todas las teorías construidas mediante investigaciones adecuadas aportan

conocimiento y en ocasiones ven los fenómenos que estudian desde ángulos
diferentes; pero algunas se encuentran más desarrolladas que otras y cumplen
mejor sus funciones. Con tal finalidad se cuenta con varios criterios:

1. Capacidad de descripción, explicación y predicción

6
2. Consistencia lógica

3. Perspectiva

4. Innovación-inventiva (fructificación heurística)

5. Sencillez (parsimonia)

3.2.1. Capacidad de descripción, explicación y predicción

Una teoría debe ser capaz de describir, explicar y predecir el (los) fenómeno
(s) a que hace referencia:

a) Describir implica varias cuestiones: definir el fenómeno, sus características y

componentes, así como delimitar las condiciones y los contextos en que se
presenta, y las distintas maneras en que llega a manifestarse. Describir
representa también claridad conceptual.

b) Explicar tiene dos significados importantes. En primer término, significa

poseer una forma de entendimiento de las causas del fenómeno. En segundo
término, se refiere a “la prueba empírica” de las proposiciones de teoría. Si
estas se encuentran apoyadas por los resultados, “la teoría subyacente debe
supuestamente explicar parte de los datos”. Pero si las proposiciones no
están confirmadas en la realidad, “la teoría no se considera como una
explicación efectiva”.

c) La predicción está asociada con este segundo significad de explicación, que

depende de la evidencia empírica de las proposiciones de la teoría. Si estas
últimas poseen un considerable apoyo empírico (es decir, han demostrado
que ocurren una y otra vez, como lo explica la teoría) es de esperarse que en
lo sucesivo vuelvan a manifestarse del mismo modo (como predice la teoría).
Así, la teoría de la relación entre las características del trabajo y la motivación
intrínseca explica que “a mayor variedad en el trabajo, habrá mayor
motivación hacia éste”. Entonces debe ser posible pronosticar, al menos
parcialmente, el nivel de motivación intrínseca al observar el nivel de variedad
en el trabajo.

7
 Cuanta más evidencia empírica (datos) apoye a la teoría, mejor podrá
describir, explicar y predecir el fenómeno o los fenómenos estudiados por
ella.

3.2.2. Consistencia lógica

Una teoría tiene que ser lógicamente consistente, es decir, las

proposiciones que la integran deberán estar interrelacionadas (no puede contener
proposiciones sobre fenómenos que no estén vinculados entre sí), ser mutuamente
excluyentes (no puede haber repetición o duplicación), y no caer en contradicciones
internas o incoherencias.

3.2.3. Perspectiva

Se refiere al nivel de generalidad de la teoría. Una teoría posee más

perspectiva mientras mayor cantidad de fenómenos explique y más aplicaciones
admita. Hay teorías que abarcan diversas manifestaciones de un fenómeno; por
ejemplo, una teoría de la motivación que pretenda describir y explicar qué es como
surge la motivación en general. Hay otras que sólo abarcan ciertas manifestaciones
del fenómeno; por ejemplo, una teoría de la motivación que busque describir y
explicar qué es la motivación en el trabajo, como se origina y que la afecta.

3.2.4. Innovación-inventiva (fructificación heurística)

Es la capacidad que tiene una teoría de generar nuevas interrogantes y

descubrimientos. Las teorías que originan, en mayor medida, la búsqueda de nuevos
conocimientos son las que permiten que una ciencia avance.

3.2.5. Sencillez (parsimonia)

Es mejor que una teoría sea sencilla; esto no es un requisito, sino una
cualidad deseable de una teoría. Sin duda, las teorías que pueden explicar uno o
varios fenómenos en unas cuantas proposiciones, sin omitir ningún aspecto, son
más útiles que las que necesitan un gran número de proposiciones para ello. Desde
luego la sencillez no significa superficialidad.

IV. FILOSOFIA COMPUTACIONAL DE LA CIENCIA

8
4.1. ¿Qué es Filosofía Computacional de la Ciencia?

La filosofía computacional de la ciencia es un intento de comprender la

estructura y desarrollo del conocimiento científico en términos de la elaboración de
estructuras computacionales y psicológicas. Su objetivo es brindar nuevas
propuestas acerca de la naturaleza de las teorías y las explicaciones, y de los
procesos que subyacen su desarrollo. Aunque presenta analogías con las
investigaciones en IA y psicología cognitiva, difiere de éstas en que tiene una
componente esencial normativa (4).

4.2. Procesos de explicación y modelos computacionales

Paul Thagard, y Litt, A. en “Models of scientific explanation” (5), presentan las

ideas que siguen:

Antes de proceder con el informe de modelos computacionales particulares de

explicación, permítanos caracterizar los tres principales procesos más generalmente
involucrados en la explicación y las cuatro principales aproximaciones teóricas en
modelos computacionales que se han tomado de éllos. Los tres procesos principales
son: proporcionar una explicación desde la información disponible, generando
nuevas hipótesis que proporcionen explicaciones, y evaluando las
explicaciones rivales. Las cuatro principales aproximaciones teóricas son:
deductiva, usando lógica o sistemas basados en reglas; esquemática, usando
patrones o analogías de explicación; la probabilistica, usando redes Bayesianas; y
neural, usando redes de neuronas artificiales. Para cada una de estas
aproximaciones teóricas, es posible caracterizar la manera diferente en que
son comprendidas computacionalmente las explicaciones de provisión,
generación, y evaluación.
Los procesos de explicación de proporcionar, generar y evaluar pueden
ilustrarse con un ejemplo médico simple. Suponga que usted llega a la oficina de su
doctor con una fiebre alta, dolor de cabeza, fatiga extrema, una tos mala, y fuertes
dolores musculares. Su doctor le dirá probablemente que usted se ha infectado por
el virus de la influenza, con una explicación como:
Las personas infectadas a menudo por el virus de la gripe tienen los síntomas
que usted describe.

9
 Usted se ha expuesto a y se ha infectado por el virus de la gripe.
Así que, usted tiene estos síntomas.

Si la influenza está extendida en su comunidad y su doctor ha estado viendo a

muchos pacientes con los síntomas similares, no requerirá de mucho razonamiento
para proporcionar esta explicación declarando el virus de la gripe como la causa
probable de sus síntomas.

A veces, sin embargo, un salto ilativo más grande se requiere para

proporcionar una explicación. Si sus síntomas también incluyen un cuello tieso y
confusión, su doctor puede hacer el diagnóstico menos común y más serio de
meningitis. Este diagnóstico requiere generar la hipótesis que usted se ha expuesto
a bacterias o viruses que han infectado el revestimiento que rodea el cerebro. En
este caso, el doctor no está aplicando simplemente ya el conocimiento disponible
para proporcionar una explicación, pero ha generando una hipótesis sobre usted que
hace posible proporcionar una explicación. Esta hipótesis presupone una historia de
investigación médica que llevó a la identificación de meningitis como una
enfermedad causada por los tipos particulares de bacterias y viruses, investigación
que requirió la generación de nuevas hipótesis generales que hacen posible la
explicación de casos particulares de la enfermedad.
Además de proporcionar y generar explicaciones, científicos y personas
ordinarias a veces necesitan evaluar explicaciones que compiten. Si sus síntomas
son ambiguos, su doctor puede estar inseguro si usted tiene influenza o meningitis, y
por lo tanto puede considerar explicaciones de sus síntomas que compiten. La tarea
del doctor es delinear que hipótesis, que usted tiene influenza o meningitis, es la
mejor explicación de su enfermedad. Semejantemente, a un nivel más general, los
investigadores científicos tenían que considerar explicaciones alternativas de las
causas de meningitis y seleccionar la mejor. Esta selección presupuso la generación
y provisión de explicaciones candidato y envuelve los procesos cognoscitivos
adicionales de comparar a los candidatos para decidir cuál era más creíble.
Que provisión, generación tomen los modelos, depende del antecedente de
las teorías sobre lo que constituye una explicación. Una visión, prominente tanto en
filosofía de la ciencia como en inteligencia artificial, es que las explicaciones son
argumentos deductivas. Una explicación consta de una deducción en la que la meta

10
explicativa, para ser explicado, sigue de la explicación establecida por las
proposiciones de manera lógica. He aquí un ejemplo simple:
Alguien con gripe tiene fiebre, dolores constantes, y tos.
Usted tiene gripe.
Así que, usted tiene fiebre, dolores constantes, y tose.

En este caso demasiado simplificado, es plausible que la meta explicativa

resulta explicando deductivamente desde las proposiciones.

A menudo, sin embargo, la relación entre modelos y metas explicativas está

más floja que la deducción lógica, y una explicación puede ser caracterizada como
un esquema causal en vez de un argumento deductivo. Un esquema es un modelo
conceptual que especifica una situación típica, como en el ejemplo siguiente:

El modelo explicativo: Típicamente, la influenza causa fiebre, dolores, y tos.

La meta explicativa: Usted tiene fiebre, dolores, y tos.
Particularización de esquema: tal vez usted tiene gripe.
En investigación médica, el modelo explicativo es mucho más complicado,
cuando los científicos pueden proveer una descripción mucho más abundante de las
causas genéticas y biológicas, e inmunológicas de la infección. Como las
explicaciones deductivas, esquemáticos pueden verse como proporcionar las
causas, pero con una relación más flexible entre el modelo explicativo y lo que se
explica.
La teoría de probabilidad también puede usarse para proporcionar una
concepción menos rígida de explicación que la deducción lógica. Un objetivo puede
explicarse especificando que es probable dado el estado de asuntos descrito por el
explicante. En el caso de la gripe, la explicación tiene este tipo de estructura:
La probabilidad de tener fiebre, dolores, y toses, dada la influenza es alta.
Así que la influenza explica por qué usted tiene fiebre, dolores, y tos.
En esta visión, la explicación es una cuestión de probabilidad condicional en
lugar de deducción lógica o el ataque esquemático. De la misma manera que la
deducción y visión de esquema, la visión probabilística de la explicación ha inspirado
modelos computacionales interesantes, particularmente incluye unas redes
Bayesianas.

11
 Una cuarta manera computacional de la explicación de modelado deriva de
redes neurales artificiales que intentan aproximarse como usan los cerebros grupos
grandes de neuronas, operando en paralelo para lograr las tareas cognitivas
complicadas. El enfoque neural para la explicación no es en sí una teoría de la
explicación en la manera que deducción, esquema, y visualizaciones probabilísticas
lo son, pero brinda nuevas maneras de pensar sobre la naturaleza de la provisión,
generación, y evaluación de las explicaciones. Esta visión general rápida pone el
paso para el análisis más detallado de modelos computacionales de la explicación
científica.

V. BIBLIOGRAFIA

1. Bunge, M. La Ciencia su método y su filosofía. Ed. Siglo Veinte. Buenos Aires.

1972.

2. Hernández, R. et al. Metodología de la investigación. 4ª ed. Ed. McGraw-Hill

Interamericana. México. 2006.

3. Katayama, R. Introducción a la Filosofía. Ed. Universitaria/URP. Lima. 2003.

4. Thagard, P. COMPUTATIONAL PHILOSOPHY OF SCIENCE Paul Thagard. 1993. [En

línea]. http://www.magarinos.com.ar/THAGARD.HTM

5. Thagard, P., & Litt, A. (forthcoming). Models of scientific explanation. In R. Sun

(Ed.), The Cambridge handbook of computational cognitive modeling. Cambridge:
Cambridge University Press. 2006. [En línea].
http://cogsci.uwaterloo.ca/Articles/models-of-expln.pdf

12