1.Tres preguntas sobre la verdad, la informacin, los agentes y las instituciones de la empresa cognitiva
No slo no queremos hacer todo lo que podemos, sino que, ms a menudo, no podemos hacer todo lo que queremos. Nuestra accin se enfrenta a diversas restricciones objetivas, atravesadas en el camino de nuestras preferencias: restricciones de recursos, restricciones tecnolgicas, restricciones informativas. stas ltimas son particularmente importantes, porque, a diferencia de todas las dems, normalmente no podemos evaluar la relacin coste/beneficio que entraa el eliminarlas. Para conseguir X, creo que necesito saber Y, es decir, emprender la accin, A, de eliminar la restriccin informativa que me impide conocer Y. Ahora bien: a) puede que, una vez conocido Y, ese saber resulte intil para obtener X; o b) el coste de obtener Y (el coste de la accin A) no compense el beneficio de X. En general, yo no puedo anticipar el valor de la pieza de informacin Y, no puedo saber lo que vale para m hasta que dispongo de ella, y eso hace que mi accin A sea siempre problemtica desde el punto de vista del anlisis coste/beneficio. Desde el punto de vista de la racionalidad puramente instrumental, la accin A de eliminar restricciones informativas resulta siempre, y cuando menos, problemtica. Lo que, en principio, se compadecera mejor con la racionalidad instrumental (que exige la eleccin del mejor medio --de la mejor accin-- para promover nuestros fines --nuestras preferencias, atendidos los resultados de un anlisis coste/beneficio de la relacin medios/fines) sera precisamente la resignada aceptacin de nuestras restricciones informativas, operando a partir de ellas como dato inamovible de nuestra situacin: ignoramus et ignorabimus. El caso es que, en muchas ocasiones, los humanos no aceptamos este prudente consejo de la racionalidad instrumental y, de acuerdo con la maravillosa divisa de la Ilustracin, 1 nos atrevemos a inquirir, osamos invertir nuestros recursos en la incierta empresa de eliminar restricciones informativas. Resultado de lo cual no el nico, empero es la investigacin cientfica. Tenemos, pues, esta primera pregunta: porqu (muchas veces) nos lanzamos a la accin de despejar restricciones informativas,
1 Sapere aude! desobedeciendo los prudentes consejos de la racionalidad instrumental? Investigar es tratar de despejar restricciones informativas. Es tratar de cobrar piezas de informacin, sin reparar demasiado en el coste de los medios empleados. Qu es la informacin? En un sentido muy general, se puede decir que informar es excluir alternativas posibles. Cuantas ms de esas alternativas posibles excluyamos, ms informacin tenemos. Si digo: Ayer llovi o no llovi, no excluyo nada, absolutamente nada, y por lo mismo que no excluyo nada que mantengo todas las posibilidades abiertas--, no digo nada informativo. Si digo: Ayer llovi, excluyo una cosa, a saber: que no llovi, y por lo mismo, digo algo informativo. Estoy desinformado cuando todas las posibilidades estn abiertas para m; estoy mnimamente informado, cuando puedo excluir algunas de esas posibilidades. Cuando estoy en un cruce de caminos, y varios se abren ante m, estoy completamente informado si puedo excluirlos a todos menos al que ms derechamente lleva a mi destino; y estoy completamente desinformado, si ninguno de ellos se me antoja perdidizo. Estoy medianamente informado, si puedo excluir a algunos. Sin informacin, estamos perdidos; informados, estamos orientados en el mundo. Ahora bien; una cosa es la informacin, en el sentido ms o menos tcnico aqu definido, y otra la verdad. Supongamos que, en la encrucijada en que me encuentro, abiertos diez caminos ante m, poseo la informacin de que el buen camino es el de la extrema izquierda. Esa es en principio una informacin muy valiosa mximamente informativa en mi circunstancia viajera--, porque excluye todas las posibilidades menos una. Pero, y si anduviera errada? Y si el buen camino fuera otro, el segundo comenzando por la izquierda, por ejemplo? Es decir, el que una cosa sea muy informativa, no implica que sea verdadera. Casi podra decirse que lo contrario tiende a ser cierto: Pues cuanto ms informativo es un mensaje, ms cosas posibles excluye. Y cuantas ms cosas posibles excluye, ms fcilmente yerra. Cuando no excluyo nada, no puedo equivocarme. Si digo: Ayer llovi o no no llovi, es imposible que me equivoque. Que Ayer llovi o no llovi es una tautologa, 2 es necesariamente verdadero, precisamente porque no es informativo y no excluye nada. Que Ayer llovi en Barcelona entre las 12h y las 13h, y no antes ni despus es un aserto bastante informativo, pero la probabilidad a priori de que sea verdadero es tambin bastante pequea (1/2 24 ). Hay, pues, una tensin entre informacin y verdad. Si lo que pretendemos es tener siempre razn, no equivocarnos nunca, llevar siempre
2 Una tautologa es un enunciado que es verdadero en virtud de su forma lgica. Cualquier enunciado con la forma p ! p es necesariamente verdadero. las de ganar en las discusiones, lo mejor es decir verdades de Pero Grullo, limitarnos a sostener cosas trivialmente verdaderas, cosas que no excluyan nada, o lo menos posible, afirmaciones no informativas. Naturalmente, lo aconsejable entonces es usar algn tipo de camuflage de la trivialidad, hablar con lenguaje obscuro e impenetrable, o poner cara solemne, o engolar convenientemente la voz, o disfrazarse de rebelde contestatario que busca lenguajes, modos de decir alternativos, o ataviarse con oropeles de mago y abalorios de vidente: dado su signo astral, seorita, es bien posible que esta semana conozca Vd. al amor de su vida, o si no, al tiempo, etc. Los antiguos conocan ya estos trucos que tan buenas reputaciones esotricas y filosficas siguen reportando en nuestros das: las predicciones dlficas eran exactamente eso, vaguedades que impresionan precisamente por lo difciles que resultan de refutar o contradecir. Huelga decir que el investigador honrado est en las antpodas del vanlocuo. Lo que quiere es cobrar piezas muy informativas que, al tiempo, sean verdaderas. La investigacin, la bsqueda organizada y sistemtica de conocimiento, anda en pos de verdades no triviales, esto es, de verdades muy informativas. El xito de la investigacin radica en salir airoso de tan delicada lidia. Tenemos, ahora, esta segunda pregunta: cmo se pueden conseguir verdades tan improbables y escurridizas como son las verdades informativas? O, lo que viene a ser el mismo problema: cmo lograr que constructos y asertos extremadamente informativos, y por lo mismo, improbables, se aproximen razonablemente a la verdad? Pero a lo difcil que resulta ya andar tras verdades extremadamente improbables (sas son las informativas), an hay que aadir la dificultad de varios obstculos que, por decirlo de entrada sin mayores complicaciones, se oponen a la bsqueda de la verdad. Agapito es acusado de haber cometido un horrible crimen de violacin seguida de asesinato. Llevado a juicio, las pruebas del fiscal son concluyentes: aporta mvil (los celos de Agapito ante la novia que le ha dejado por otro), testigos presenciales (la portera le vi entrar a la hora del crimen y salir poco despus; dos voyeurs, desde sendas ventanas de enfrente, vieron todo, independientemente el uno del otro, y ambos reconocen a Agapito sin ningn gnero de duda); y pruebas periciales (el forense ha realizado pruebas de ADN, y ha concluido que, con un margen de error de 1/300.000, el semen del violador es de Agapito). Desde todos los puntos de vista exigibles en un proceso penal de un Estado de Derecho, se puede decir que el fiscal ha tenido xito en su labor de destruccin completa de la presuncin de inocencia de Agapito. No slo el jurado, todo el mundo est racionalmente convencido de que Agapito es culpable. Todos, menos uno: la madre de Agapito sigue aferrada a la creencia en la inocencia de su retoo. Es irracional la madre de Agapito? Desde luego, parece epistmicamente irracional; en eso estamos de acuerdo. Pero pocos si alguno-- diran que su comportamiento es irracional, globalmente considerado. Pues en un individuo, el de la racionalidad epistmica compite constantemente con otros valores tambin con otros valores de racionalidad--, y no hay porqu suponerle siempre ni siquiera a menudo triunfante de esa competicin. Posiblemente, desde el punto de vista de la racionalidad individual global, lo mejor que puede hacer la madre de Agapito sea cerrarse a toda evidencia, y seguir en sus trece. A ese tipo de fenmenos psicolgicos le llamamos sesgos. La madre de Agapito est de tal modo sesgada a favor de su hijo, que ni todas las pruebas acumuladas del mundo podran variar su opinin, provocar en ella un cambio de creencias. Ahora, alguien podra sostener que el caso de la mam de Agapito no es para nada excepcional; que, de un tipo o de otro, todos tenemos sesgos obnubiladores de nuestro mejor juicio epistmico. Y que eso hace imposible la bsqueda de la verdad objetiva, la indagacin cognitiva sine ira et studio. Llegados a este punto, estamos enfrentados al siguiente dilema:
1) o bien concedemos que la racionalidad epistmica ha triunfado, ya sea medianamente, en un conjunto de mbitos institucionales que presumen de ese triunfo (las comunidades cientficas, la administracin de justicia en un Estado de Derecho, etc.); 2) o bien sostenemos que ha fracasado estrepitosamente, siendo la presuncin contraria una ms de las falsedades institucionales con que se legitima el orden establecido: el progreso de la ciencia sera ilusorio (las verdades aceptadas por las comunidades de cientficos no seran, por ejemplo, sino el resultado impuesto a todos los dems colegas por los cientficos ms poderosos, o por los que disponen de ms recursos, o por los ms astutos y ladinos, etc.); el Estado de Derecho --inextricablemente unido a la racionalidad epistmica, entre otras, por la exigencia de presuncin de inocencia hasta la destruccin objetivo-cognitiva de la misma por parte de la acusacin--, otra mscara del poder, ni mejor ni peor que el sistema jurdico desptico y arbitrario del ancien rgime.
Si descartamos el extremismo de la segunda opcin, como creo que hay que hacer, entonces resulta pertinente hacerse nuestra tercera pregunta: cmo, porqu mecanismos, han logrado determinadas instituciones sociales mitigar o contener el obstculo de los sesgos epistmicos individuales?
2. Los agentes cognitivos.
Nuestra primera pregunta era: cmo es posible que (muchas veces) desoigamos los prudentes consejos de la racionalidad instrumental y nos embarquemos en la aventura de investigar, de despejar restricciones informativas estructurales, atravesadas en el camino de nuestra accin? La pregunta puede resultar un tanto sorprendente, porque estamos acostumbrados a or por doquier que la investigacin cientfica es el colmo de la utilidad, que no hay nada ms prctico, rentable y ventajoso que los resultados de la investigacin cientfica. Pero esto es slo una verdad a medias (y, claro, una media mentira). Pensemos, por ejemplo, en la teora cientfica ms famosa del sigo XX: la teora general de la relatividad de Einstein. Pues bien; esa teora no tiene ningn uso prctico, ninguna aplicacin tecnolgica o industrial. Incluso la tecnologa de las naves que se mandan al espacio est basada en clculos de mecnica clsica newtoniana, no en clculos fsicos relativistas. Y como la teora de Einstein, muchas otras. Una buena parte de la ciencia bsica no tiene uso prctico o tecnolgico alguno, salvo el de satisfacer nuestra voraz curiosidad, nuestro insaciable apetito de informacin. Lo que s es verdad la media verdad contenida en la concepcin instrumentalista o utilitarista de la ciencia es que cuando una buena teora cientfica llega a tener un uso tecnolgico prctico, entonces, normalmente, el resultado es espectacular: las tecnologas basadas en verdades muy informativas suelen tener una eficacia y un poder transformador formidables. Recordemos que el problema que estamos tratando de resolver ahora tiene precisamente que ver con la imposibilidad de hacer clculos coste/beneficio de la accin de obtener informacin. En realidad, la concepcin vulgar instrumentalista de la ciencia ignora completamente este problema, pensando, falsamente, que desde el comienzo de una investigacin est completamente clara la rentabilidad prctica de la empresa cognitiva. Pero muy a menudo no lo est. Y nuestro problema es: cmo, sin estar para nada clara la utilidad prctica de una investigacin --los beneficios esperados de la misma-- nos lanzamos sin embargo a emprenderla? Imaginemos que queremos vivir dentro de quinientos aos. Y que la nica Se puede empezar a responder a esta pregunta apelando a la naturaleza de nuestra constitucin y de nuestra arquitectura cognitiva. Imaginemos que queremos vivir dentro de 500 aos. Y que la nica forma de hacerlo es hibernar dentro de una cpsula bien diseada, en la que acomodar nuestro cuerpo, mantenible as indefinidamente en un hilo de vida comatoso. Se tratara de meter nuestro cuerpo en esa cpsula, para ser automticamente despertados dentro de 500 aos. Cmo construiramos esa cpsula? Tendra que ser protegida y alimentada con energa durante por lo menos 500 aos. No podramos contar con el concurso de nuestros allegados, todos los cuales habrn muerto mucho antes de esa fecha. De lo que se trata de es de disear un sistema capaz de proteger la cpsula y de suministrarle energa durante todo este tiempo. Hay dos estrategias. En la primera, se trata de hallar un emplazamiento ptimo, el mejor previsible, para una instalacin fija a la que suministrar todo lo necesario para aguantar los 500 aos. El problema de esa estrategia es que la cpsula no puede ser trasladada si se presentan problemas. La segunda alternativa es ms ingeniosa. Se trata de disear un aparato mvil en el que alojar la cpsula, un aparato dotado de los sensores y los mecanimos de alerta necesarios para huir de los problemas y buscar por s mismo nuevas fuentes de energa, un robot gigante. 3
Pero imaginemos, en la segunda estrategia, que es la que nos interesa aqu, que no podemos programar por anticipado el repertorio de estmulos a los que habr de ser sensible el robot. Cmo lo programaremos? Por un lado, tendremos disearlo de modo tal, que vaya surtido con un buen repertorio de programas dominio-especficos para reconocer y enfrentarse a todas todas las situaciones que nosotros podamos prever como tpicas y probables. Pero, por el otro lado, previendo sorpresas, previendo lo impredecible, trataremos de programarlo de tal forma, que l mismo pueda tambin apercibirse de sus carencias y pueda ingenirselas para disear por su cuenta mtodos o vas propios para acceder (y decidir por su cuenta cundo es oportuno hacerlo) a informacin sensible que no est preprogramado para detectar y procesar. En el primer repertorio de programas dominio-especficos, el robot estar programado para detectar, procesar y reaccionar a informacin tpica de su medio previsible. En el segundo tipo de programacin, entre otras cosas, de lo que se trata es de programar al robot para que sea un buscador incansable de informacin nueva, no necesariamente enlatada dominio-especficamente. Nosotros, los diseadores, disponemos de toda la informacin que est en el repertorio de programas dominio-especficos del robot. Pero no podemos anticipar la informacin que descubrir l por su cuenta cuando lo programamos como un buscador incesante de informacin nueva. Programarle como un robot curioso es lo que maximizar las probabilidades de su supervivencia. Y no podemos programale de otro modo: pues ni nosotros podemos hacer un clculo coste/beneficio de su posible accin de bsqueda de informacin atpica, ni podemos programarle a l para que lo haga. Simplemente no puede hacerse: es lgicamente imposible hacer el clculo coste/beneficio de la accin de obtener una informacin que an no se tiene. Hacer un robot curioso, que tenga gusto y aficin intrnseca independientemente de los resultados prcticos-- por la accin de eliminar restricciones es la forma
3 Para este ejemplo, vase Dennett, The Intentional Stance, Cambridge, Mass., MIT Press, 1989, p. 226. ms prctica que tenemos de disear el robot que habr de proteger nuestro cuerpo durante los prximos 500 aos. Podemos conjeturar que la naturaleza nos ha diseado ms o menos como nosotros disearamos al hipottico robot de nuestro ejemplo, es decir, con al menos estos dos incentivos: 4 una curiosidad insaciable que motive constantemente para buscar informacin nueva sobre el medio, y para buscarla por ella misma, no instrumentalmente, y una capacidad cognitiva que, aparte de permitir procesar la informacin adquirida, gratifique por ello. Aristteles dijo que la curiosidad es el comienzo, el primer motivo, de la indagacin terico-cientfica. Y la existencia en nostros de ese motivo responde a nuestra primera pregunta.
3. Argumentos deductivos e inductivos.
Nuestra segunda pregunta tena que ver con la dificultad de obtener verdades muy informativas. Cuanto ms informativo un aserto, tanto ms improbablemente verdadero. Pero si no queremos conformarnos con verdades triviales ni con constructos muy informativos, pero falsos, cmo podemos avanzar? Cuando queremos defender una opinin, una creencia, una hiptesis, se dice que damos argumentos a favor de ella. Qu es un argumento? Un argumento es un conjunto de afirmaciones o sentencias, dividido en dos subconjuntos de ellas: premisas y conclusiones. El subconjunto de las conclusiones contiene la opinin o la creencia o la hiptesis que queremos defender, y el subconjunto de las premisas contiene aquello con queremos defender o argir a favor de-- nuestra posicin. Los dos subconjuntos estn enlazados o clausurados por una relacin de inferencia. Hay dos tipos principales de argumentos, segn el tipo de inferencia que usemos: los deductivos y los inductivos.
a) Argumentos deductivos. Supongamos que quiero defender mi opinin de que hay un tesoro escondido en A. Y argumento as:
4 En Racionalidad econmica, racionalidad biolgica y racionalidad epistmica (en Manuel Cruz (comp.) Racionalidad y accin humana, Ariel, Barcelona, 1997, pgs. 235-262) he desarrollado esta tesis, presentando la relacin entre las fuerzas evolucionarias que nos han diseado y nosotros mismos como un juego matemtico de informacin asimtrica entre Principal (la naturaleza) y Agente (nosotros mismos). El Principal necesita que el Agente ejecute un conjunto de acciones, pero esas acciones no estn necesariamente en el inters del Agente. Para que el Agente las ejecute, el Principal debe suministrar al Agente un sistema de incentivos compatibles. 1. Agapito me ha dicho que hay un tesoro escondido en A, o en B, o en C, y no en ninguno de los otros 997 sitios en que podra estar escondido; 2. Desiderio me ha asegurado que no hay ningn tesoro en B; 3. Isidoro ma dicho que no hay ningn tesoro en C; 4. Por consiguiente: concluyo que el tesoro est en A.
Para defender mi opinin de que hay un tesoro en A, lo que he hecho es construir un argumento deductivo en el que 1, 2 y 3 son las premisas, y 4, la conclusin. La premisa 1 excluye 997 posibilidades de las 1000 que estn abiertas; la premisa 2 excluye otra ms; y la premisa 3 excluye otra. Premisas y conclusin estn ligadas o clausuradas por una inferencia deductiva. Respecto de los argumentos deductivos hay que observar lo siguiente: en primer lugar, son conservadores perfectos de verdad. Si las premisas son verdaderas, necesariamente es verdadera tambin la conclusin. Esa es su gran fuerza. En segundo lugar, no aumentan nuestra informacin: toda la informacin de la conclusin est ya contenida en las premisas. Ese es, digmoslo as, su punto dbil. Naturalmente, no todos los argumentos deductivos son tan sencillos, transparentes e inmediatos como ste del ejemplo. Un argumento deductivo menos inmediato podra ser:
1. (Premisa) 2x 2 = 1; 2. (Conclusin) x = "1/2
En general, para los argumentos deductivos muy potentes necesitamos clculos (conjuntos de reglas de inferencia deductiva) muy potentes; para los argumentos deductivos inmediatos o casi como los dos aqu expuestos--, bastan clculos modestos. En el primer ejemplo, lo que hacemos sin apercibirnos-- es aplicar la regla de eliminacin del disyuntor, que es una regla del clculo proposicional de la lgica elemental. En el segundo ejemplo, lo que hacemos sin casi apercibirnos-- es usar las reglas de inferencia del lgebra elemental.
b) Argumentos inductivos. Supongamos que la persona a la que trato de convencer de que el tesoro est en A no queda convencida con mi argumento. El argumento es, desde luego, impecable. Pero slo dice que si las premisas son verdaderas, lo es la conclusin. Y mi interlocutor duda de que las premisas sean verdaderas, duda, por ejemplo de la veracidad o de la competencia de Agapito, o de Desiderio, o de Isidoro, o de los tres a la vez. Para convencer a mi interlocutor, tengo que ofrecer un argumento suplementario, ste:
1. Hasta ahora, Agapito no me ha engaado nunca. Y conoce la zona palmo a palmo; 2. Nunca he visto, hasta ahora, que Desiderio falte a la verdad. Y tambin es un excelente conocedor de la regin; 3. Isidoro es una persona cabal, y siempre me ha dicho hasta ahora la verdad. Adems, conoce perfectamente estos parajes; 4. Por consiguiente: hay buenos motivos para creer que ahora tambin estn diciendo la verdad.
Para defender mi opinin de que Agapito, Desiderio e Isidoro son fiables y veraces en sus afirmaciones, lo que he hecho es construir un argumento inductivo en el que, apelando a mi experiencia pasada, concluyo que en el futuro seguir probablemente ocurriendo lo mismo. Dos cosas son de observar: en primer lugar, los argumentos inductivos no son conservadores perfectos de la verdad: podra perfectamente ser que las premisas de este argumento fueran verdaderas y, sin embargo, la conclusin falsa. Ese es el lado, digamos, dbil de los argumentos inductivos. En segundo lugar, los argumentos inductivos aumentan nuestra informacin: en la conclusin hay informacin nueva que no est contenida en las premisas del argumento. Ese es el lado fuerte de la argumentacin inductiva. Supongamos que convenzo a mi interlocutor y vamos a buscar el tesoro a A. Supongamos que no lo encontramos all. Diremos entonces que mi conjectura, mi argumento hipottico-deductivo, ha quedado refutado: como el argumento es vlido, la falla tiene que estar en la conjetura, en las premisas del argumento. Estar obligado a modificar alguna de ellas, o las tres. Si, en cambio, el tesoro est efectivamente en A y lo encontramos, qu ocurrir? Parece justo que si el no encontrarlo en A arruina el crdito que damos a las premisas, el encontrarlo, en cambio, debe incrementar ese crdito. Despus de hallar el tesoro en A, parece lo normal decir que mi conjetura, las premisas de mi argumento, han salido reforzadas de la prueba. La afirmacin de que el tesoro est en A, y no en alguna de las otras 999 alternativas posibles, es una afirmacin bastante informativa. Si para simplificar, definimos la informacin como
I = 1 p; es decir, restando a 1 la probabilidad a prioiri de la afirmacin en cuestin (la probabilidad se mide entre 0 y 1, siendo 0 un imposible y 1 una certeza), tenemos que :
I = 1 1/1000;
es decir, un valor informativo muy alto (pues medimos ahora, para simplifacar, la informacin tambin entre 0 y 1, y el valor de I se acerca mucho a 1). Una forma muy simplificada y esquemtica --y desde luego, discutible--, pero til en un texto como ste, de representarnos en cunto aumenta el crdito que estamos dispuestos a prestar a una conjetura el hecho de que esta conjetura haya pasado una prueba emprica como sta, consiste en decir que cunto ms informativa es la prediccin exitosa que hemos podido deducir de una hiptesis o conjetura, tanto ms crdito conferir a la conjetura. Y esto puede expresarse as: una vez encontrado el tesoro en A, podemos construir un nuevo argumento inductivo a favor de la hiptesis de que Agapito, Desiderio e Isidoro son veraces. Y el argumento dice as:
1. Si Agapito, Desiderio e Isidoro no dijeran la verdad, la probabilidad de que en A haya un tesoro es bajsima: 1/1000; 2. En A hay un tesoro; 3. Por consiguiente: podemos confiar en que Agapito, Desiderio e Isidoro dicen la verdad, y podemos confiar con una probablidad igual a la cantidad de informacin que contiene la prediccin de que en A hay un tesoro, es decir con p = 1 1/1000.
Cuanto ms informativa la prediccin exitosa deducida de una conjetura, tanto ms crdito epistmico confiere inductivamente-- a la conjetura. Bastan las predicciones muy informativas y exitosas para que quien las haga disponga de crdito epistmico? No, no basta. Veamos porqu. Supongamos que la seora Arams me dice hoy, sin ms argumento ni explicacin, que ganar un pleno al quince en la quiniela del prximo domingo. Es sta un prediccin muy informativa, porque su probablidad es extremadamente baja:
p = 1/3 15
Qu pasa si el domingo que viene acierto los quince resultados de la quiniela? Tendr que creer en la prediccin de la Sra. Arams para la quiniela del domingo que viene con una probabilidad de 1- 1/3 15 ? O me inclinar a pensar que ha sido pura casualidad? Me inclinar por lo segundo, porque la Sra. Arams no ha hecho una prediccin como conclusin de un argumento deductivo. No es la prediccin informativa y exitosa de por s lo que genera confianza epistmica, sino la trabazn de argumentos deductivos y argumentos inductivos. Se necesita el juego de ambos, porque se complementan en sus respectivos puntos fuertes y dbiles. Nos abrimos camino hacia verdades no triviales merced a una constante colaboracin entre el poder de los buenos argumentos deductivos para conservar perfectamente la verdad y el poder de los buenos argumentos inductivos para aumentar y expandir nuestra informacin.
4. Los argumentos, en el foro de la razn pblica.
Venimos ahora a nuestra tercera pregunta: cmo conseguimos mitigar o aun anular en sus efectos los sesgos obnubiladores de nuestro mejor juicio epistmico? Cmo lo han conseguido determinadas instituciones sociales que, aparentemente al menos, han cosechado grandes xitos en la promocin de la racionalidad epistmica? Volvamos al ejemplo de Agapito acusado de un crimen horrible. En un Estado de Derecho, la presuncin de inocencia de Agapito es obligada. La tarea del fiscal es destruir cognitivo-objetivamente esa presuncin de inocencia. Tiene que convencer con buenos argumentos a un jurado de que el acusado es culpable. Tras el proceso, oidos los argumentos del fiscal y los de la defensa, el jurado se retira a deliberar. En qu consiste su deliberacin? Cada uno de los miembros del jurado que debe tomar su decisin por unanimidad tiene que dar argumentos a favor de la opinin que se ha formado. Supongamos que uno de los miembros del jurado argumenta as:
1. El juicio me ha resultado soberanamente aburrido. Por eso he decidido atender slo a las conclusiones del fiscal, que ha hecho un discurso final ms entretenido; 2. El fiscal dice que el acusado es culpable; 3. Vds. tambin me aburren con sus pros y sus contras, o sea, que no les he prestado atencin, ni ganar nada prestndosela ahora; 4. Por consiguiente, considero que el acusado es culpable. Y otro de los miembros del jurado, por su parte, argumenta as:
1. Odos todos los argumentos del fiscal y del abogado defensor, creo que el fiscal no ha conseguido destruir la presuncin de inocencia del acusado. As pues, yo dira que es inocente; 2. Veo, sin embargo, que todos Vds. se inclinan a pensar que el fiscal s ha destruido la presuncin de inocencia del acusado, y son de la opinin de que es culpable 3. Ahora bien; yo tengo un negocio propio al que atender, y no puedo estar aqu deliberando eternamente con Vds., tratando de convencerles de que el acusado es inocente; 4. Por consiguiente, y para no perder tiempo, votar con Vds. culpable.
Estos dos miembros del jurado han dado buenos argumentos deductivos para apoyar su conclusin: de sus premisas, se sigue la conclusin. El problema de estos argumentos, como fcilmente se echa dever, es que son irrecibibles pblicamente. Son buenos argumentos privados, pero son argumentos que de ninguna manera pueden entrar en el foro de la razn pblica. Las instituciones como los Jurados penales, los Parlamentos o las comunidades cientficas estn concebidas y diseadas precisamente para cribar y sancionar el uso de este tipo de argumentos. Ningn poltico puede defender o atacar un proyecto de ley con el argumento de que le favorece o le perjudica-- a l y a sus amigos. Ningn cientfico puede sostener pblicamente una tesis determinada con el argumento de que la aceptacin de esa tesis por el resto de la comunidad cientfica le reportara a l pinges beneficios. Y ningn miembro de un jurado penal puede justificar su voto apelando a razones puramente privadas. Ocurre con este tipo de argumentos privados algo muy parecido a lo que ocurre con las razones y los argumentos de la madre de Agapito, que se negaba a aceptar la evidencia de la culpa de su hijo: son buenos argumentos desde el punto de vista de la primera persona, son buenos argumentos privados; pero esos argumentos no pueden cruzar el umbral de la razn pblica. Son razones y argumentos que ni ella misma puede razonablemente esperar eficaces para otros. En una deliberacin pblica, al revs de lo que ocurre en una negociacin, todo el mundo debe estar dispuesto a cambiar sus preferencias y sus opiniones si los argumentos contrarios resultan pblicamente convincentes. (Y precisamente a cambiar sus preferencias se negaba el primer miembro del jurado, en nuestro ejemplo.) Y todo el mundo debe estar dispuesto a argir para cambiar las preferencias de los dems. (Y precisamente a eso, a tratar de cambiar las preferencias de los dems, se negaba el segundo miembro del jurado, en nuestro ejemplo.) De un modo muchas veces invisible, las instituciones sociales vertebran los mbitos de la razn pblica, constriendo la conducta de los agentes sociales de modo tal, que les resulta a stos penosamente costoso conducirse como puros negociantes incapaces de modificar las propias preferencias a tenor de los argumentos de la otra parte. 5 Las instituciones sociales que regimentan los mbitos de deliberacin pblica obstaculizan, por un lado, el puro choque de intereses particulares
5 Pngase el lector en el papel de cualquiera de los dos miembros del jurado de nuestro ejemplo. No se avergonzara de emplear esos argumentos en ese contexto institucional? Es el contexto institucional del jurado pero no todo contexto institucional el que genera de forma invisible ese sentimiento de vergenza de uno mismo, emocin que, como dijera Demcrito, es el comienzo de toda conducta tica. desnudos, el encastillamiento en las propias preferencias, y por el otro, promueven el intercambio de razones destinadas a cambiar las preferencias de los dems y las propias. No es ste el lugar para explorar el modo en que este tipo de instituciones sociales operan para generar tan fascinante resultado. Baste aqu con consignar que algunas instituciones consiguen el milagro de la anulacin --ya sea parcial-- de los sesgos por la va del filtro pblico de la argumentacin. 6
5. Con cunta informacin podemos trabajar
Pacemos en campos de informacin (objetiva) y queremos capturar esa informacin. Capturarla y procesarla tiene muchas ventajas adaptativas. Se puede conjeturar que la Naturaleza el Principal nos ha programado para la actividad instrumental de buscar y procesar informacin, y que nos ha programado de tal modo, que, en buena medida, esa actividad tiene para nosotros sus Agentes valor intrnseco, no meramente instrumental. Merced a esos incentivos compatibles que nos proporciona la Naturaleza, y que hacen que nos resulte intrnsecamente gratificante la eliminacin de incertidumbres, tendemos a ser cazadores incansables de informacin. Sin embargo, el mundo est pletrico de piezas de informacin: estamos programados para tratar de cobrarlas todas sin distincin? Son todas igualmente interesantes para nosotros? Y aun si lo fueran, acaso tenemos una capacidad ilimitada para procesar la informacin capturada, para digerir todas las piezas cobradas? Evidentemente, no. Estamos programados biolgicamente para que unas piezas de informacin nos importen mucho ms que otras (para que nos importen mucho ms, por ejemplo, las vibraciones acsticas de baja frecuencia que las de alta frecuencia, o para que despierten nuestra curiosidad las ondas lumnicas, y no, pongamos por caso, las feromonas). Y es el caso, adems, que, segn ya va sugerido, criaturas finitas al fin y al cabo, nuestras capacidades de registro y procesamiento de informacin son limitadas. Nuestro registro de la informacin del mundo debe consistir en alguna representacin del mismo que podamos procesar.
6 No sirve de mucho aducir que la presin institucional para represar y filtrar la expresin de los intereses de los individuos no hace sino convertir a stos en hipcritas que, arguyendo con razones pblicamente aceptables, no por ello dejan de cultivar sus propios intereses particulares. No sirve de mucho esta rplica, porque, aun si fuera verdad, dejara todava sin explicar 1) porqu hay instituciones en las que resulta legtimo el puro choque o cruce de intereses la mesas de negociacin salarial, por ejemplo--, y otras las deliberativas en las que no es as, y 2) porqu stas ltimas consiguen forzar a la hipocresa a los individuos. Por lo dems, no est escrito en parte alguna que la hipocresa no sea una de las fuerzas civilizatorias. Hay algn lmite fijo a nuestra capacidad de procesar informacin? En la poca de la revolucin informtica y de los supercomputadores, beodos de la ideologa y la retrica de la sociedad de la informacin, parece una osada contestar por la afirmativa a esa pregunta. Por limitados que nosotros mismos seamos eso es lo que parece estar en el aire--, no se ve lmite alguno a nuestra capacidad para inventar mquinas cada vez ms potentes de procesamiento de informacin. Pero el incauto optimismo tecnolgico, tan difundido en nuestra poca, anda errado tambin aqu. Hay un lmite fsico no meramente moral o biolgico a la capacidad para procesar informacin. Ese lmite est expresado por la Ley de Bremermann, un teorema derivado de la mecnica cuntica (la ms firme y segura de las teoras empricas disponibles). El principio de Bremermann dice que la capacidad mxima de procesamiento de informacin por unidad de masa (un gramo) y de tiempo (un segundo) es igual a 2x10 47 bits de informacin. Si calculamos la masa del planeta Tierra en gramos y convertimos a segundos sus cinco mil millones de aos de existencia, entones podemos obtener la cantidad total de informacin que habra podido procesar nuestro planeta en la fantstica y optimista hiptesis de que toda su masa hubiera compuesto un computador mximamente eficiente durante todo el tiempo. Esa cantidad es de: 10 93 bits de informacin. 7
Podemos estar fsicamente seguros de que nunca construiremos un computador capaz de procesar una cantidad de informacin mayor que sta, y por lo tanto, podemos fijar ese nmero como un lmite, el lmite de transcomputabilidad: cualquier problema cuya solucin requiera el procesamiento de un nmero de bits mayor que 10 93 es transcomputable, no puede resolverse. 8
Podra pensarse que 10 93 es un nmero gigantesco, y en efecto, lo es. Pero hay muy pocos sistemas interesantes que contengan una cantidad de informacin menor que 10 93 bits. Veamos algunos ejemplos. Supongamos un tablero parecido al del ajedrez, que contenga 10x10 = 100 cuadros. Supongamos que tenemos la posibilidad de emplear 10 colores distintos para rellenar esos cuadros. Cuntas posibilidades hay?
7 La forma corriente de medir la informacin es en bits. Un bit es el resultado de excluir una posibilidad sobre dos, de elegir en una disyuntiva binaria entre 0 y 1, pongamos por caso--.. (De aqu que la frmula matemtica normal para definir esa operacin de eleccin binaria use logaritmos de base dos, que es la manera de partir en disyuntos binarios el conjunto de posibilidades de un sistema. Como el conjunto de posibilidades de un sistema es el inverso de la probabilidad, la frmula matemtica definitoria de la informacin medida en bits es: I=log 2 1/p.) 10 93 bits, pues, equivale a operar excluyentemente sobre 10 93
disyuntivas binarias. 8 Para el lmite transcomputabilidad, cfr. George J. Klir y Tina A. Folger, Fuzzy Sets, Uncertainty, and Information, Englewood Cliffs, N.J.: Prentice Hall, 1988, cap. 5. Cuntas posibles configuraciones cromticas puede exhibir el tablero? La respuesta es fcil: se trata de elevar el nmero de colores al nmero de cuadros posibles: 10 100 . Supongamos que nuestras necesidades cognitivas se reducen a algo tan simple como seleccionar, identificar, distinguir o clasificar una configuracin cromtica determinada frente a todas las dems posibles, es decir, reconocer un patrn cromtico. (Se calla por sabido que identificar un determinado objeto, o una determinada configuracin cromtica, y distinguirla de todas las dems, puede tener un valor adaptativo vital para un organismo.) Entonces, suponiendo que queremos usar un mtodo de bsqueda exhaustivo y absolutamente seguro, en el que cada bit de informacin cada respuesta a una cuestin dicotmica nos permite dividir las elecciones restantes por dos, tendremos que procesar: Log 2
2 10 100
=10 100 bits de informacin.
Es decir, que no podemos hacerlo, porque el faciln problema que necesitamos resolver es transcomputable! La nimia apariencia del problema es lo que hace llamativo el resultado. Problemas menos triviales aumentan, obvio es decirlo, las dificultades. Nuestra retina est formada por aproximadamente un milln de clulas. Supongamos que cada una de ellas puede estar slo en dos situaciones: inhibida o excitada. Si nos propusiramos identificar o clasificar un estado determinado de nuestra retina frente a todos los posibles estados restantes, nos enfrentaramos a otro problema transcomputable: habra que procesar
2 1.000.000 # 10 300.000 bits de informacin.
La sociedad espaola est compuesta por unos 40 millones de habitantes. Si hiciramos el supuesto simplificatorio de que cada ciudadano espaol puede tener slo diez conductas posibles y nos propusiramos identificar o clasificar un estado determinado de la sociedad espaola frente a todos los posibles estados, nos enfrentaramos a un problema transcomputable todava ms enorme: habra que procesar 10 40.000.000 bits de informacin. Lo mejor es enemigo de lo bueno. Claramente, el mtodo de bsqueda exhaustivo y absolutamente seguro (el mtodo enumerativo) no funciona: es completamente robusto (resolvera el problema con toda seguridad, si dispusiera de un tiempo ilimitado), pero es ineficiente (no puede resolver, siquiera por remota aproximacin, el problema en un perodo limitado de tiempo).
6. Imitacin de la naturaleza
Supongamos que el xito ecolgico de un organismo depende de que se adapte a alguna configuracin cromtica determinada del tipo de las de nuestro primer ejemplo. Supongamos que esa configuracin cromtica particular (o el pequeo conjunto de ellas que forman una gran X amarilla sobre fondo violeta, pongamos por caso) es su medio ambiente. 9
Cmo se las ha arreglado la evolucin darwiniana para identificar configuraciones de este tipo y mucho ms complejas-- y disear organismos que se adaptan a ellas? Evidentemente, no por un mtodo enumerativo de ensayar un diseo tras otro, bien en un orden predeterminado, bien al azar: se tardara miles de millones de aos en completar una tarea tan balad. Un organismo es una amalgama de caractersticas fenotpicas determinadas por los genes de sus cromosomas. Cada gen tiene varias formas alternativas los alelosque producen diferencias en el conjunto de caractersticas asociadas a ese gen. Una especie vertebrada tpica tiene unos 10.000 genes (unos 80.000 el homo sapiens). Suponiendo que hay dos alelos posibles para cada gen, tenemos que la Naturaleza tiene a su disposicin 2 10.000 # 10 3.000 genotipos posibles para una especie vertebrada promedio: stos forman el conjunto $ de estructuras accesibles. Observemos que incluso una poblacin inmensamente grande de individuos diez mil millones, 10 10 , por ejemplo no constituyen sino un nfimo subconjunto de $, del conjunto de organismos genticamente posibles. Si la Naturaleza fuera ensayando por va enumerativa qu organismos son capaces de adaptarse mejor al medio (de reconocer con suficiente aproximacin una X amarilla sobre un fondo violeta del tablero), no acabara nunca. Pero la Naturaleza procede de otra forma. Procede por el mtodo de la seleccin natural: premia con mayores probabilidades de descendencia a los organismos que, en comparacin con sus coetneos, son ms aptos, es decir en nuestro caso--, se acercan ms al reconocimiento de la configuracin cromtica en cuestin. En cada poblacin, pues, la Naturaleza pone a prueba a los organismos, y selecciona positivamente a los ms aptos, cribando negativamente a los que, en comparacin, son ms torpes. Para nuestros propsitos, es til entender este concepto de aptitud y puesta a prueba de los organismos como un procedimiento de muestreo estadstico. El universo del muestreo es el conjunto de todos los
9 Los humanos, por ejemplo, somos capaces de reconocer con extremada eficacia rostros de otros humanos. Estamos genticamente programados para procesar informacin facial, podemos identificar un rostro humano entre cientos con slo haberlo visto unos segundos. (En cambio, difcilmente identificaramos las manos de nuestro mejor amigo entre slo unas decenas.) organismos posibles, $, y el resultado, , de cada muestra, A, es el grado de aptitud exhibido por el fenotipo del organismo correspondiente. (Puesto que, para conseguir mayor eficacia, es necesario renunciar a algo de robustez, necesitamos un grado, una medida de adaptacin: ahora las cosas son a ms o menos, no a todo o nada.) Pues bien; la seleccin natural opera de tal modo, que el resultado de la muestra A % $, es decir, su grado de aptitud, (A), influye en, o altera, el plan futuro de muestreo (los tipos de muestra que habrn de ensayarse en el futuro). 10
En condiciones normales (cuando no hay catstrofes medioambientales, ni deriva gentica, ni cosas por el estilo), la seleccin natural opera con eficacia modeladora, generando orden y diseo mediante este sencillo modo de muestreo, en el que el resultado de la muestra de hoy incide en la eleccin de la muestra de maana.
7. Orden, informacin y evolucin
La nocin de orden, que todos intuitivamente entendemos, se puede relacionar con la nocin de informacin. En fsica, suela definirse la informacin contenida en un sistema como la diferencia entre la entropa mxima posible del sistema (es decir, la cantidad medida en bits de configuraciones posibles del sistema, de todas las combinaciones posibles de sus elementos) menos la entropa real (es decir, la cantidad medida en bits, de combinaciones o configuraciones que realmente exhibe el sistema en cuestin):
10 En cambio: los planes enumerativos se caracterizan por el hecho de que el orden en el que se ponen a prueba las estructuras no est afectado por el resultado de las pruebas pasadas. Por ejemplo, el plan comienza por poner a prueba todas las estructuras accesibles mediante dos aplicaciones de operadores, etc. El plan conserva la estructura ms apta que se ha encontrado hasta el momento, reemplazndola inmediatamente en cuanto encuentra una estructura ms apta. () Es claro que el intento de adaptacin mediante un plan enumerativo est condenado de antemano en todos los casos (menos en los ms simples) por la enorme cantidad de tiempo que requiere. (John Holland, Adaptation in Natural and Artificial Systems, Cambridge, Mass.: MIT Press, 1992, p. 16-17. El nfasis aadido es mo, A.D.) Encontrar la estrategia ganadora en ajedrez es, huelga decirlo, un problema transcomputable. Si quisiramos abordar la solucin de ese problema con un mtodo enumerativo, tendramos que considerar, primero, todos los posibles movimientos que pueden hacerse en la primera jugada; luego, todos los posibles movimientos que pueden hacerse con dos jugadas, etc. Es obvio, sin embargo, que muchos movimientos resultantes de la primera jugada los consideramos --quiz precipitadamente!malos movimientos, de modo que al considerar los posibles movimientos de la segunda jugada descartamos aquellos que pudieran surgir de malos movimientos de la primera jugada. Aprender a jugar al ajedrez o programar a un computador para hacerlo bien--, consiste, pues, en explorar las posibilidades estratgicas del juego con un mtodo que haga depender las posibilidades abiertas en la jugada n de los buenos o malos resultados de las posibilidades abiertas en la jugada n-1.
I = E max - E r
Un sistema no contiene ninguna informacin si E max = E r , esto es, si el sistema exhibe realmente todas las conductas todas las combinaciones de sus elementos que son matemticamente posibles: en tal caso, el sistema es completamente desordenado y aleatorio; todo es posible al punto de ser todo equiprobable, no puede excluirse nada, y por lo mismo, no hay ninguna informacin objetiva que buscar. Consideremos ahora desde otro punto de vista nuestro ejemplo de un tablero de diez colores posibles y cien cuadros, considermoslo desde el punto de vista de su posible evolucin a lo largo del tiempo, una evolucin capaz de generar distintas configuraciones. Visto as, si la aparicin de la configuracin cromtica una X amarilla con fondo violeta fuera equiprobable en cualquier momento respecto de cualquier otra configuracin cromtica, entonces el sistema formado por la sucesin temporal de distintas configuraciones cromticas sera totalmente aleatorio y no contendra informacin objetiva alguna, no habra nada que indagar en l. Evidentemente, el que nosotros furamos Supermentes capaces de identificar esa configuracin cromtica, distinguindola respecto de todas las dems, sera muy informativo: pero la informacin objetiva no estara contenida en el sistema cromtico del tablero, sino en el sistema resultante de la interaccin de ste con nuestro propio sistema cognitivo, que nos permitira representar discriminantemente el sistema de configuraciones cromticas. (Dios sera, sin duda, capaz de orientarse tambin en la sopa entrpica, pero esto planteara a su vez el insoluble problema de cmo una hipermente divina pudo surgir, evolucionar o aun sobrevivir en un universo entrpico.
) Es obvio que la vida y la cognicin han evolucionado (y slo pueden evolucionar) en ambientes ordenados u organizados, anentrpicos; en medios en los que E r < E max , es decir, en medios en los que las configuraciones macrosistmicas obtenidas son un subconjunto (pequeo, o pequesimo) de las posibilidades combinatorias micro; en medios, esto es, compuestos por sistemas fsicos que contienen mucha informacin objetiva, en medios que exhiben orden. Y acontece en esos medios que podemos distinguir patrones o pautas regulares de comportamiento. Si todos los estados lgicamente posibles de un sistema fueran equiprobables en cualquier momento dado, no podra distinguirse patrn regular alguno. Supongamos, pues, que nuestro tablero ha evolucionado hasta adquirir establemente la configuracin cromtica antedicha (una X amarilla sobre fondo violeta). Este es un patrn regular de su conducta. Y entrando ahora en un concepto algo distinto, pero como veremos, relacionado, de informacin, ese patrn es describible comprimidamente. Podemos hablar de un patrn regular en un sistema cuando podemos describirlo comprimidamente. En el caso de la configuracin cromtica que nos interesa de nuestro tablero, tenemos una descripcin obvia y exhaustiva de la misma. Enumerando los cuadros de izquierda a derecha y empezando por la fila de arriba: 1 1 , 1 2 , 1 3 , 1 10 ; los de la segunda fila, 2 1 , 2 2 , 2 3 , 2 10 ; hasta los de la dcima fila, 10 1 , 10 2 , 10 3 , 10 10 ; la descripcin puede ser: 1 1 , amarillo; 1 2 , violeta; 1 3 , violeta; 1 4 , violeta; 1 10 , amarillo; ; y as hasta llegar a 10 10 , amarillo. Para realizar y transmitir esa descripcin, como para realizar la descripcin de cualquier otra configuracin cromtica lgicamente posible en nuestro tablero, necesitaramos emplear:
Log 2 10 100 # 300 bits
Algo ms de 300 bits, pues es la informacin que, de acuerdo con la descripcin, resulta necesaria para reproducir la configuracin cromtica en cuestin. Pero podemos comprimir esa descripcin. Podemos decir, por ejemplo: En cada fila hay dos cuadros amarillos y ocho violetas; en la fila 1, los cuadros amarillos son 1 1 y 1 10 ; en la fila 2, 2 2 y 2 9 ; ; y en la fila 10, 10 1 y 10 10 . Esta descripcin es tan precisa y exhaustiva como la anterior, pero, convenientemente codificada, son necesarios muchos menos bits (muchos menos de 300) para realizarla y transmitirla. Esta descripcin comprimida es tan robusta como la anterior, pero mucho ms eficiente. (Y an resultara ms eficiente empezar definiendo lo que son dos diagonales sobre el tablero, para luego afirmar simplemente que las dos diagonales son amarillas y el resto del tablero, violeta.) Evidentemente, si en nuestra configuracin cromtica aparecieran irregularidades, como, pongamos por caso, algunos cuadros verde loro dentro y fuera de la X, entonces nuestra descripcin sera menos comprimida (si quisiramos conservar la robustez, a costa de perder algo de eficiencia), pues tendramos que aadir que en las filas tal y tal hay excepciones en sus cuadros tal y tal. 11 Pero si quisiramos intentar la descripcin de una configuracin cromtica completamente azarienta estilo confetti, aleatoriamente arrojados sobre el tablero--, no habra descripcin comprimida (y mnimamente robusta) posible: habra que describir replicando el tablero bit a bit. 12
Ahora estamos en condiciones de vincular las dos nociones de informacin, la de entropa mxima menos entropa real, y la de la
11 Si, en cambio, decidiramos conservar la descripcin comprimida (si apostramos por la eficiencia a toda costa), consideraramos esas excepciones como ruido, en el sentido tcnico de esa expresin en la teora de la informacin. No har falta observar que la tensin robustez/eficiencia es anloga a la tensin verdad/informacin explorada antes. 12 Para la definicin de informacin en trminos de compresibilidad, el locus clsico es Gregory Chaitin, Randomness and Mathematical Proof, Scientific American, (1975), pp. 47-52: Una serie de nmeros es aleatoria si el ms pequeo algoritmo capaz de describirla para un computador tiene aproximadamente el mismo nmero de bits de informacin que la serie misma (pg. 48). compresibilidad. La primera es una nocin dinmico-evolutiva de informacin: nos asegura que un sistema capaz de ocupar en cualquier momento todas las posiciones posibles, que un sistema cuyos estados son en cualquier momento equiprobables, es un sistema carente de informacin. Se trata, pues, de una nocin aplicable a la sucesin de estados de un sistema. La segunda es una nocin aplicable a cada estado en particular, no a su sucesin temporal. Los posibles estados de un sistema se distinguen unos de otros en funcin del grado de compresin con que pueden ser descritos. Los estados que no pueden ser descritos de un modo mnimamente comprimido, son estados carentes de informacin. Ligando las dos nociones, tenemos que: en un sistema que evoluciona hacia cotas crecientes de orden, no slo sus diversos estados lgicamente posibles no son equiprobables, sino que evoluciona a travs de estados comprimiblemente descriptibles. El mundo en el que la vida y la cognicin han prosperado y evolucionado est compuesto por sistemas informativos (los seres vivos mismos somos sistemas extremadamente informativos). Los sistemas informativos exhiben patrones de orden y regularidad (en ellos, no todo lo que es lgicamente posible se realiza empricamente, y lo poco que se realiza, es describible comprimidamente). Los dos mtodos usados por las fuerzas evolucionarias para hacer ellas mismas capturas de informacin que sean a la vez suficientemente eficientes y suficientemente robustas son: el mtodo no-enumerativo de hacer depender la probabilidad de cada ensayo nuevo de los xitos comparativos de los ensayos anteriores (un mtodo til para economizar la bsqueda) y el mtodo de comprimir la informacin contenida en los patrones y regularidades exhibidos por los sistemas informativos circunstantes (un mtodo til tambin para economizar la bsqueda reducindola a perseguir slo patrones--, 13 pero til asimismo para economizar el procesamiento de informacin). 14 La evolucin
13 En nuestro caso, a perseguir patrones extremadamente regulares. En general, la cognicin humana no es muy buena en la apreciacin de correlaciones estadsticas. Eso es bien conocido, y ha sido repetidamente puesto de relieve por la psicologa emprica de la cognicin en los ltimos aos. Apenas percibimos covariaciones bajas o medias. Pero, en cambio, somos bastante buenos incluso muy buenos a la hora de detectar covariaciones altas (por encima de 0,8). Eso quiere decir que nuestro sistema cognitivo est muy alerta para detectar pautas de regularidades estadsticas casi deterministas, pero no se interesa apenas por regularidades o pautas de covariacin menos firmes y estrictas. Para una convincente discusin de este punto, cfr. Hilary Kornblith, Inductive Inference and Its Natural Ground, MIT Press, Cambridge, Mass., 1993, pgs. 95 y ss. 14 El genoma de un organismo comprime informacin sobre el medio ambiente del pasado filogentico de ese organismo. Esa compresin resulta de un determinado trade off, de un determinado compromiso entre la eficiencia y la robustez. La naturaleza de ese compromiso el que se sacrifique ms bien la robustez, o al revs, que la robustez gane la mano a la eficiencia) resulta tambin reveladora de la naturaleza del ambiente en que ha discurrido la historia filogentica. De modo anlogo, un hbito de conducta animal comprime informacin sobre el medio ambiente en que ha vivido el individuo: tambin el aprendizaje animal por refuerzo usa el mtodo no-enumerativo de hacer depender las probabilidades de los ensayos nuevos de los xitos y fracasos pasados; las consecuencias satisfactorias de una accin son biolgica ha premiado con xito reproductivo a los organismos que tienen xito ecolgico, y el xito ecolgico, sealada y privilegiadamente en la especie humana, depende en buena medida de la captura de informacin sobre el medio. Podemos conjeturar que, jugando la Naturaleza con nosotros un juego del tipo Principal-Agente, nos ha programado cognitivamente como cazadores de piezas de informacin, concedindonos un amplio margen para hacer uso librrimo, por nuestra cuenta, de los dos mtodos empleados por ella, el no-enumerativo y el compresor. 15
Recurdese que estamos trabajando aqu con la hiptesis de que los humanos jugamos, como agentes, un juego Principal-Agente con la Naturaleza. Eso quiere decir que la brecha informativa que separa al genoma humano del medio ambiente en el que tendr que vivir el organismo es notoriamente grande: muy a menudo, el genoma ni siquiera est en condiciones de determinar el abanico de mundos ambientales posibles con que se encontrar el organismo: ste tiene, pues, que cerrar por s mismo el hiato informativo, razn por la cual el genoma est obligado a equiparle con un aparato cognitivo que le permita determinar por s mismo el abanico de posibilidades (y a fortiori, que le permita luego fijar las respectivas probabilidades). Veamos con algn detenimiento qu quiere decir esto en el presente contexto. Vemos un tablero con una configuracin cromtica del tipo X amarilla con fondo violeta. En nuestro ejemplo, hemos dicho que se trata de un tablero de 10x10 cuadros, y que puede haber hasta 10 colores distintos. Con lo que se puede calcular la cantidad de informacin que significa descartar todas las configuraciones posibles menos sta que vemos. Ahora bien; por qu 10 colores, y no, pongamos por caso, 15 (caso en el cual la informacin obtenida sera mayor), o 5 (en cuyo caso, la informacin sera menor)? O: porqu partir de un tablero de 10x10, y no, digamos, de uno de 8x8? Qu es lo que predetermina el espectro, el abanico de posibilidades combinatorias? En general, podemos conjeturar que todos los animales con sistema nervioso central y ciertas capacidades cognitivas desarrolladas tienen impresas en su genoma predeterminaciones de espectros de posibilidades, y en muchas ocasiones, incluso esquemas cognitivos para discernirlas e identificarlas. Los humanos incluidos, por supuesto. Pero, adems, los humanos podemos determinar por nosotros mismos, sin estar genticamente preprogramados para ello, espectros de posibilidades combinatorias, podemos fijar por nuestra cuenta marcos cognitivos, abanicos de posibilidades relevantes, establecer, si as quiere decirse, que el tablero es de 10x10 y no de 8x8--, o que el nmero de colores posibles de ese
registradas por el sistema nervioso central del organismo en cuestin, y esa accin es seleccionada por el refuerzo gratificatorio de sus consecuencias y convertida en hbito o patrn de conducta. 15 Cfr. A.Domnech, Racionalidad biolgica., op. cit. sistema es de 10 y no de 15, o de 5--. Naturalmente, podemos equivocarnos. O dar en el clavo. El error o el acierto ser cosa nuestra, es decir, del Agente. 16 Al transferirnos el Principal la Naturalezala labor de determinar por nosotros mismos cules son las posibilidades relevantes, nos ha cargado con una tarea herclea. Pues una vez establecido el abanico de posibilidades relevantes, es posible determinar fcilmente la cantidad de informacin generada por un determinado acontecimiento aplicando los axiomas del clculo de probabilidades; pero, sin fijar ese abanico, ni siquiera puede pensarse en utilizar aquel clculo. 17
Con mayor o menor claridad, la dificultad de esa tarea ha venido siendo reconocida por la filosofa del conocimiento al menos desde que Aristteles dej sentado uno de los objetivos de la investigacin terico- analtica con su famosa consigna de dividir la naturaleza por sus articulaciones. Cuando queremos cobrar piezas de informacin, lo primero que tenemos que hacer es determinar el abanico de posibilidades relevantes, fijar los lindes del coto, en la esperanza de que stos coincidan con las articulaciones de la naturaleza. Una seal alentadora de esa esperanza ser la facilidad con que consigamos realizar descripciones densas o comprimidas del objeto de investigacin. (A eso llamaron los escolsticos la construccin del objeto formal o punto de vista de la investigacin, distinguindolo correctamente del objeto material del estudio.)
8. Descripciones densas, conceptos clasificatorios y explicaciones.
Una descripcin densa corresponde a un patrn, pues slo los patrones son comprimibles. Es posible que la descripcin, aun si comprimida, resulte demasiado prolija: ello puede ser sntoma de que las fronteras del abanico de posibilidades relevantes estn mal trazadas (o de que, alternativamente, el objeto material de estudio tiene poco orden objetivo). Tambin es posible que la descripcin, aun si nada prolija y muy
16 Esa sera una de las funciones de lo que el psiclogo, psiquiatra y neurofisilogo Michael Gazzaniga ha venido llamando en sus ltimos libros el intrprete --localizado en el hemisferio izquierdo cerebral--, cuya aparicin, en palabras de Gazzaniga, seala un hito en el que la evolucin se ha transcendido a s misma. Cfr. Gazzaniga, Natures Mind, Basic Books, Nueva York, 1992; y ms recientemente, sacando ya las consecuencias de su actual concepcin modular y dominio-especfica de la arquitectura cognitiva humana, en The Minds Past, BasicBooks, Nueva York, 1998. 17 Para una buena discusin filosfica general de esas dificultades, cfr. Alvin Plantinga, The Probabilistic Argment from Evil, en Philosophical Studies 45(1979), pp. 1-53 eficiente, sea poco robusta: tambin eso puede ser sntoma de que las fronteras del abanico estn mal trazadas, de que no se ha dividido limpiamente a la naturaleza por sus articulaciones. Sea como fuere, tras una descripcin mnimamente densa que combine de algn modo eficiencia y robustez--, viene la explicacin. Explicar es responder a la pregunta: porqu se da este patrn de conducta? Es decir, establecidas las posibilidades relevantes, y establecido que slo unas pocas se cumplen, se actualizan, nos preguntamos porqu slo se cumplen esas pocas, porqu no todas las posibilidades son equiprobables. En la preparacin de la respuesta hacemos tres cosas:
a) vemos si hay otra(s) segunda(s) pauta(s) densamente describible(s); b) buscamos una relacin entre ambas; y luego, c) tratamos de dar cuenta o razn, tratamos de inferir la primera en funcin de la(s) segunda(s).
Inferir la primera pauta de la(s) segunda(s) pauta(s) es explicar la primera con la(s) segunda(s). Trataremos ahora de mostrar dos cosas: en primer lugar, la naturaleza del argumento explicativo; y en segundo lugar, cmo, de tener xito con estas tres operaciones explicativas, habremos conseguido aumentar nuestra informacin.
1. La explicacin como argumento deductivo. Supongamos que tratamos de informarnos sobre la delincuencia juvenil, que tratamos de explicar, de responder razonablemente a la pregunta por qu hay delincuencia juvenil en las sociedades industriales avanzadas?, o ms especficamente, por qu el x% de los jvenes de las conurbaciones industriales espaolas delinque? Eso significa, por lo pronto, que nuestra clase de referencia, A, es la clase de los jvenes espaoles residentes en las periferias urbanas industriales. Fijando las posibilidades relevantes, podemos partir doblemente esa clase: En primer lugar, realizaremos una particin de explanandum (de la pauta que queremos explicar) y una particin de explanans (de la pauta con la que queremos explicar). Si tratamos de explicar el grado de delincuencia a partir, por ejemplo, a partir de la variables de gnero, religiosidad y pobreza, podemos proceder as: Empezamos con una particin del explanandum, por ejemplo:
(M) = (M 1, M 2, M 3 );
en donde M 1 es el subconjunto de los jvenes no convictos de crmenes, M 2
el subconjunto de los jvenes convictos de crmenes menores y M 3 el de los jvenes convictos al menos de un delito importante. Y luego hacemos tres particiones de explanans pueden, una para el gner, otra para la religiosidad y otra para la pobreza: S, S y S:
(S) = (S 1 , S 2 ),
en donde S 1 puede ser el subconjunto de los varones, y S 2 el subconjunto de las chicas; adems,
(S) = (S 1 , S 2 ),
siendo S 1 el subconjunto de los jvenes con padres catlicos practicantes y S 2 el de los jvenes con padres no practicantes; y
(S) = (S 1 , S 2 ),
siendo S 1 el subconjunto de los jvenes cuyos padres tienen un nivel de renta por debajo del umbral de la pobreza, y S 2 el de procedentes de familias por encima del nivel de la pobreza. Para realizar todas esas particiones matemticas no es necesario sino respetar tres criterios formales. Los tres criterios formales que deben como mnimo respetar las buenas clasificaciones. stos:
a) ningn subconjunto de la particin debe ser vaco: M i & ' ; S i & '; b) la particin debe ser exhaustiva: ningn elemento de (M) y de (S) debe quedar fuera de la particin; y c) la particin debe ser excluyente: los miembros de (M) y de (S) no pueden pertenecer a ms de un subconjunto. 18
18 Estos criterios formales son condiciones necesarias de toda buena particin matemtica o clasificacin. Pero, obviamente, no bastan, no son suficientes para garantizar que la particin est bien hecha. Por ejemplo, la antigua particin o clasificacin toda clasificacin es, formalmente, una particin matemticade los animales en tres clases (terrestres, acuticos y areos) satisface en principio los tres criterios formales apuntados (incluido el de exhaustividad si, digamos, consideramos a los anfibios como puramente acuticos, o como puramente terrestres). Pero la sistemtica zoolgica moderna procede clasificaciones y particiones igualmente satisfactorias formalmente, pero mucho mas adecuadas substantivamente. Es difcil dar criterios substantivos de clasificacin o particin. Limitmonos aqu a decir que una buena clasificacin debe permitir descripciones ms comprimidas de patrones o regularidades. Se puede decir que los mamferos son vivparos y respiran pulmonarmente sin excepciones, pero no se puede decir, sin mencionar una mirada de excepciones, que todos los animales acuticos son ovovivparos y respiran branquialmente . La moderna sistemtica zoolgica se acerca ms que la antigua a dividir a la naturaleza por sus articulaciones, que es a lo que debera aspirar una clasificacin perfecta. Pues bien; armados con los conceptos clasificatorios resultantes de esta particin matemtica, lo que tratamos es de construir un argumento deductivo cuya forma es, en substancia, la siguiente:
Premisa 1: Los varones jvenes conurbanos delinquen un w% ms que las chicas; Premisa 2: Los hijos de familias con prcticas religiosas delinquen un y% menos que los hijos de familias menos religiosas; Premisa 3: Los hijos de familias bajo el umbral de la pobreza delinquen un z% ms que los hijos de familias por encima de ese umbral; Premisa 4: esta premisa nos da, primero, el nmero de chicos y chicas conurbanos; segundo, el nmero de familias con una u otra intensidad en la prctica religiosa; y por ltimo, el nmero de familias bajo y sobre el umbral de la pobreza. Conclusin: dadas estas 4 premisas, la tasa de delincuencia juvenil en las conurbaciones industriales tiene que ser del x% de la poblacin juvenil conurbana total.
Las premisas constituyen el explanans, aquello con que queremos explicar. La conclusin del argumento es el explanandum, aquello que queremos explicar. Y este argumento es deductivo, lo que quiere decir, como se recordar, que toda la informacin que est en la conclusin, est ya contenida en las premisas. Ahora bien; una explicacin del explanandum por el explanans es ms que una pura deduccin. La relacin entre ambos es, sin duda, de inferencia deductiva. Pero se suele exigir que, adems de esa relacin de deductibilidad, haya un vnculo de otro tipo. Normalmente, se pide que ese vnculo sea causal, es decir, que tengamos motivos para pensar que el explanans (en este caso, una pauta formada por factores de gnero, de religiosidad y de pobreza) de uno u otro modo causan o traen consigo el explanandum (la pauta de un x% de delincuencia juvenil conurbana, por seguir con el ejemplo). La exigencia de vnculo causal es tal vez demasiado fuerte: luego veremos que esa exigencia es slo un caso particular aunque importantsimo-- de una pretensin metodolgica ms laxa, cual es la de que la informacin transmitida por el sistema de particiones de explanans y explanandum sea como mnimo-- superior a cero. Veamos eso con un poco de detenimiento.
2. La informacin transmitida por una explicacin
Sirvindonos de nuevo de los conceptos de la teora de la informacin, podemos definir la incertidumbre, H m , de la particin de explanandum, y la incertidumbre de la triparticin de explanans, H s , como sigue:
H m = ( p i log 2 1/p i
H s = ( p j log 2 1/p j
En donde:
p i = P(M i )A) p j = P(S j )A)
Es decir, p i es igual a la probabilidad condicional de M i dado A, y p j es igual a la probabilidad condicional de S j dado A. La incertidumbre del sistema de particiones est dada por:
H(SxM) = (p i p ij log 2 1/p i p ij
Donde p ij = P(M i *A,S j ). Para este sistema de particiones, definimos la informacin transmitida del modo que sigue:
I T = H m + H s H(MxS) 19
Supongamos que tenemos una base estadstica lo suficientemente buena como para afirmar con precisin que la clase (M) tiene los siguientes valores:
M 1 = ! (es decir, la probabilidad de que un individuo perteneciente a la poblacin juvenil estudiada no haya delinquido es de un medio, o lo que viene a ser lo mismo, la mitad de la poblacin juvenil en la que estamos interesados residente en las periferias urbanasno est fichada por delito alguno); M 2 = " (la cuarta parte de la poblacin juvenil ha cometido delitos menores); y M 3 = " (la cuarta parte de la poblacin juvenil ha cometido delitos graves).
Supongamos que los valores de la clase (S) son los siguientes:
19 La suma H m + H s equivale a la entropa mxima del sistema tal como lo hemos definido antes; el producto H(MxS) es la entropa real del sistema, y mide la ambigedad de la explicacin, tambin en el sentido indicado en el captulo anterior. S 1 = S 2 = ! (es decir, la mitad de la poblacin estudiada est compuesta por varones); S 1 = S 2 = ! (la mitad de las familias de esa poblacin es catlica practicante); y S 1 = " y S 2 = # (la cuarta parte de la poblacin juvenil procede de familias cuya renta est por debajo del umbral de pobreza). Podemos calcular ahora H m y H s :
H m = 1/2 log 2 2 + 1/4 log 2 4 + 1/4 log 2 4 = 1,5 H s =1/2 log 2 2 + 1/2 log 2 2 + 1/4 log 2 4 = 1,5
Supongamos ahora que nuestras estadsticas nos permiten establecer los valores de p ij = P(M i *A, S j ), y que son los siguientes:
P(M 1 *S 1 ) = p 11 = 2/7 (esto es como decir que la probabilidad de que un joven no haya delinquido si es varn es de 2/7, o que dos sptimos de la poblacin varonil no tienen antecedente delictivo alguno). P(M 1 *S 1 ) = p 12 = 4/7 (cuatro sptimos de la poblacin sin antecedentes delictivos es catlica practicante). P(M 1 *S 1 ) = p 13 (un sptimo de los jvenes sin antecedentes delictivos pertenecen a familias con rentas por debajo de la lnea de pobreza). P(M 2 *S 1 ) = p 21 = 3/7 (tres sptimos de los jvenes estudiados tienen antecedentes por delitos menores y son varones). P(M 2 *S 1 ) = p 22 = 2/7 (dos sptimos de los jvenes que han cometido delitos menores proceden de familias catlicas practicantes). P(M 2 *S 1 ) = p 23 = 2/7(dos sptimos de los jvenes que han cometido delitos menores pertenecen a familias con rentas por debajo de la lnea de pobreza). P(M 3 *S 1 ) = p 31 = 3/7 (tres sptimos de los jvenes varones residentes en barrios urbanos perifricos han cometido delitos graves). P(M 3 *S 1 ) = p 32 = 1/7 (un sptimo de los jvenes de familias practicantes residentes en barrios perifricos han cometido delitos graves). Y, finalmente: P(M 3 *S 1 ) = p 33 = 3/7 (tres sptimos de los jvenes estudiados pertenecientes a familias con niveles de renta por debajo de la lnea de pobreza y residentes en barrios perifricos tienen antecedentes por comisin de delitos graves).
Ahora podramos calcular el valor de H(SxM) para p 1 , p 2 y p 3
expresando las probabilidades de M 1 , M 2 y M 3 :
H(SxM) = ( p i p ij log 2 1/p i p ij
Pues bien; dada la frmula, ms arriba consignada, para calcular la informacin transmitida (I T ) por las particiones de nuestra explicacin estadstica de la delincuencia juvenil en los barrios perifricos a partir de los factores gnero, religin y status socioeconmico familiar, podemos decir de ella que es informativa si y slo si:
H(S x M) < H m + H s = 3
Y que ser tanto ms informativa, cuanto menor sea el primer trmino de la desigualdad (la incertidumbre del producto S x M). 20 Sera fcil ver que nuestra explicacin estadstica cumple con este requisito procediendo al clculo y mostrando que:
H(S x M) < 3
Pero en trminos informales o intuitivos es claro tambin porqu esta hiptesis estadstica es informativa: pues la hiptesis nos dice que el factor gnero, el factor religioso y el factor socioeconmico estn positivamente correlacionados con el nivel de delincuencia, y apunta a una conexin causal entre las tres primeras variables independientes y la ltima, la variable dependiente, que es el nivel de delincuencia. La palabra clave es apunta: la hiptesis estadstica apunta a una relacin de determinacin causal de la variable dependiente por las tres variables independientes. Lo que ocurre es que esta hiptesis como todas las hiptesis estadsticas no puede hacer otra cosa que apuntar a ella; no basta para establecerla.
9. El vnculo causal
En un legendario artculo publicado hace ya ms de treinta aos, Herbert Simon mostr convincentemente que ni las ms refinadas tcnicas estadsticas del tratamiento funcional de las variables puede establecer de un modo satisfactorio la relacin de causalidad. Supongamos, siguiendo una de las ilustraciones de Simon, que tenemos datos estadsticos que nos permiten medir tres variables en un determinado grupo A: x es el
20 Para este punto, cfr. James Greeno, Evaluation of Statistical Hypothesis Using Information Transmitted, en Philosophy of Science, vol. 37 (1970), pp. 279-293. procentaje de personas de A que estn casadas; y es el promedio de gramos de azcar consumidos mensualmente per capita, z es la cantidad media de los miembros de A. Observamos una correlacin altamente negativa r xy
entre el status marital y la cantidad de azcar consumida; y una correlacin altamente positiva, r xz , entre el status marital y la edad. Sin embargo, cuando congelamos la variable edad, cuando mantenemos a z constante, la correlacin r xy.z entre el status marital y el consumo de azcar es prcticamente cero. La tcnica estadstica de congelar una variable, a fin de descubrir las correlaciones espurias no slo nos permite decir aqu que: o bien 1) la edad es una variable que interviene entre el status marital y el consumo de azcar; o bien 2) la correlacin entre status marital y consumo de azcar es espuria, no siendo otra cosa que el efecto causado por la variacin en la edad. Ningn refinamiento estadstico no un aumento del nmero de observaciones realizadas, ni una expansin de la base de nuestros datos estadsticos--, puede ayudarnos a decidir entre 1) y 2). 21
Qu quiere decir que un acontecimiento X es la causa de un acontecimiento Y? Se dice a veces que X es la causa de Y si es una condicin suficiente de Y, si basta para que ocurra X para que ocurra Y. Sin embargo, es posible que X no sea la nica causa de Y, y en ese caso, X no basta para que ocurra Y. Podemos entonces decir que X, aunque no suficiente, es necesario para que ocurra Y? Sin embargo, esto tampoco es satisfactorio, porque es posible que la de X no sea la nica va causal que lleva a Y, que Y pueda surgir por otras vas causales, adems de aqulla en que se halla X: en tal caso, X no sera ni suficiente ni necesario para que ocurriera Y. El retraso del tren es el causa de que yo llegue tarde, pero adems de que hay otras concausas (que no tengo un automvil disponible, por ejemplo), tambin podra haber llegado tarde por otra cadena completamente distinta que no incluye el retraso del tren (podra haberse estropeado mi despertador). Hay varias cadenas de acontecimientos,
C 1 + {a 1 , a 2 , a n } , Y C 2 + {b 1 , b 2 , b m } , Y .. C k + {g 1 , g 2 , g m } , Y
Cada una de las cuales es suficiente, pero ninguna de ellas necesaria, para que acontezca Y. A su vez, cada a i , b j , etc., es decir, cada elemento de cada cadena de acontecimientos, es necesario, pero no suficiente, para que Y aparezca como resultado de esa cadena causal. Por lo tanto, cuando a un acontecimiento, digamos, a i , le llamamos causa de otro acontecimiento,
21 Herbert Simon, Spurious Correlation, reproducido en sus Models of Discovery, Dordrecht: Reidel, 1979, pp. 93-106. Publicado originariamente en el Journal of the American Statistical Association, vol. 49 (1954) Y, nos estamos refiriendo, en trminos lgicos, a que a i es una condicin insuficiente pero necesaria para que se d una cadena causal, la cual es, a su vez, innecesaria pero suficiente para que acontezca Y. 22
9. Explicaciones estadsticas y explicaciones tericas
Ahora podemos ver porqu el establecimiento de una conexin estadstica entre dos conjuntos de acontecimientos o patrones no basta para determinar una conexin causal entre ellos. Una hiptesis estadstica nos dice cun probable es que ocurra Y dado que ocurre a i % C 1 , es decir, establece la probabilidad condicional p(a i )Y). Pero para estar seguros de que no se trata de una correlacin espuria, deberamos saber tambin cun probable es que Y surja de a i % C 1 en comparacin con todas las vas alternativas (C 2 , C 3 , C k ) por las que habra podido surgir. Obsrvese que para hablar de una conexin causal necesitamos servirnos de un condicional subjuntivo: necesitamos apelar a todas las vas por las que habra podido surgir. Un terrn de azcar se disuelve en el agua a causa de su hidrosolubulidad y un pedazo de acero no se disuelve porque no es hidrosoluble. Pero para expresar una relacin causal tan trivial, para definir el predicado disposicional de la solubilidad, necesitamos decir no que si tiramos un terrn de azcar al agua se disuelve (porque es posible que este terrn de azcar nunca entre efectivamente en contacto con el agua), sino que si echramos un terrn de azcar al agua, entonces se disolvera (y si echramos un trozo de acero al agua, no se disolvera). No hay modo, pues, en resolucin, de expresar con una simple implicacin material la relacin de causalidad, sino que necesitamos una implicacin subjuntiva contrafctica, una implicacin modal que apele a todos los mundos posibles, a todas las vas posibles. 23
22 Para esta concepcin de la causalidad, cfr. J.L. Machie, The Cement of the Universe, Oxford: Clarendon Press, 1977. Para una intersesante crtica de la concepcin de Mackie que estoy siguiendo aqu, vase, Beauchamp & Rosenberg , Hume and the Problem of Causation, Oxford, Oxford Univ. Press, 1981. 23 En su famoso libro Fact, Fiction and Forecast (Indianpolis: Bobbs-Merrill, 1966), Nelson Goodman trat de distinguir las generalizaciones cientficas legaliformes de las meras regularidades apelando a la necesidad nomolgica nsita en aqullas. En la influyente formulacin de Goodman, una ley cientfica se distingue de una mera regularidad por el hecho de que slo ella admite su enunciacin en trminos subjuntivos contrafcticos: para todo X y para todo Y, si se diera X, entonces se dara Y. Una regularidad no nomolgica, en cambio, no admite esa formulacin. Sera ridculo pretender que de que en mi bolsillo haya casi siempre una moneda de 100 ptas., puedo enunciar si hubiera monedas en mi bolsillo, entonces todas seran de cien pesetas. Es verdad que la apelacin a condicionales contrafcticos al anlisis modal trae consigo otros problemas, pues no est claro cules son sus condiciones de verdad y falsedad. Pero aqu basta con dejar constancia de que para que nociones como las de disposicin, causalidad y legaliformidad resulten inteligibles, hay que apelar de uno u otro modo a nociones modales de necesidad y posibilidad. Ahora estamos en condiciones de entender lo que es una hiptesis explicativa terica y su diferencia con una hiptesis explicativa estadstica. Una hiptesis estadstica es una cala a ciegas, en la que, armados con un conjunto de descripciones densas, exploramos parcialmente un abanico de posibilidades aparentemente relevantes como marco para dar razn de las pautas observadas. En nuestro ejemplo: tenemos una pauta de x% de delincuencia juvenil en las conurbaciones industriales espaolas; buscamos un conjunto de factores que podran estar relacionados con esa delincuencia; y calculamos la probabilidad condicional absoluta de que, dados esos factores, haya delincuencia juvenil. Pero desconocemos --y no conjeturamos nada sobrela probabilidad relativa de que haya delincuencia juvenil por la va de esos factores en comparacin con otras vas. Desconocemos y no conjeturamos nada sobreel abanico global de posibilidades relevantes. Las hiptesis meramente estadsticas no pretenden que sus particiones iniciales clasifiquen segn clases naturales, no pretenden dividir la naturaleza o la vida social por sus articulaciones, no delimitan las fronteras de los sistemas informativos objetivos, para luego extraer de ellos su preciado tesoro, sino que buscan a tientas esas articulaciones, en la confianza de que las pautas observadas proporcionen buenas pistas para mejores y ms estructurales conjeturas. En cambio, una hiptesis terica se enfrenta al mundo armada no slo con unas cuantas descripciones presumiblemente densas, sino con un marco cognitivo que determina todo el abanico de posibilidades relevantes. Una hiptesis terica parte de una definicin formal de un sistema informativo, y su tarea consiste en mostrar que el objeto emprico estudiado constituye un sistema como el delimitado por la definicin formal de la que ella misma parte.