22. El razonamiento abductivo en ciencia

EL RAZONAMIENTO ABDUCTIVO EN CIENCIA

Introducción

Los científicos se involucran constantemente en diversas formas de razonamiento, argumentando que porque esto es así, aquello debe ser así. Algunas de estas formas de razonamiento van desde lo que se puede llamar en términos generales datos hasta lo que se puede llamar en términos generales teoría . Los datos son cosas como observaciones, estadísticas de encuestas y resultados experimentales. Una teoría es típicamente un tipo de afirmación más ambiciosa que a menudo generaliza, expande o de alguna otra manera "va más allá" de los datos, como al especificar qué causa algún tipo de evento. Por ejemplo, a principios del siglo XX ya había una gran cantidad de datos observacionales que sugerían que el cáncer de pulmón es más frecuente entre los fumadores de tabaco que entre los no fumadores. A partir de estos datos, la mayoría de los científicos finalmente dedujeron que fumar causa cáncer de pulmón y que uno puede reducir las posibilidades de contraer cáncer de pulmón absteniéndose de fumar.

El término “razonamiento abductivo” se refiere, al menos para los fines de este Elemento, a una forma específica de realizar un razonamiento de datos a teoría. En particular, se refiere al razonamiento en el que las teorías se evalúan al menos en parte sobre la base de qué tan bien, si fueran verdaderas, explicarían los datos disponibles. Para ver cómo se supone que esto funciona, considere cómo se podría concluir que fumar causa cáncer de pulmón en el ejemplo anterior. La teoría de que fumar causa cáncer de pulmón parece proporcionar una buena explicación, especialmente en comparación con explicaciones rivales, de la diferencia observada en la frecuencia de cáncer de pulmón entre fumadores y no fumadores. En particular, la teoría de que fumar causa cáncer de pulmón posiblemente proporcione una explicación mucho mejor de estos datos que varias otras teorías que uno podría pensar, como que la correlación entre fumar y cáncer de pulmón es una mera coincidencia, o que tener cáncer de pulmón de alguna manera causa fumar. Nota: Por estas razones, parece razonable concluir que fumar causa cáncer de pulmón.

Se podría decir que el razonamiento abductivo no sólo es algo común en las ciencias, sino que también está muy extendido en otras situaciones en las que hacemos inferencias sobre las explicaciones subyacentes, como las causas o los fundamentos, de las cosas de nuestro entorno inmediato. Algunos filósofos incluso afirman que todo razonamiento coherente de datos a teoría es razonamiento abductivo, es decir, que el razonamiento de los datos a la teoría siempre debería implicar la evaluación de lo bien que explicarían los datos las distintas teorías. Según este punto de vista, incluso las generalizaciones y predicciones más básicas a partir de experiencias pasadas (como inferir que el sol saldrá mañana por la mañana porque ha salido todas las mañanas hasta ahora) también implican razonamiento abductivo, aunque de manera implícita e indirecta. Además, varios filósofos han argumentado que el razonamiento abductivo es esencial para la filosofía misma, que las teorías filosóficas deberían evaluarse sobre la base de lo bien que explican algunos “datos” filosóficos, como nuestros juicios preteóricos sobre casos hipotéticos.

Dada la aparente importancia del razonamiento abductivo, no debería sorprender que los filósofos de la ciencia hayan estudiado intensamente su naturaleza. En las últimas décadas, han surgido varias explicaciones sutilmente diferentes del razonamiento abductivo, muchas de las cuales, aunque no todas, se han inspirado en Harman. El lema de Gilbert Harman (1965) es “Inferencia a la mejor explicación”. En líneas generales, la idea de Harman era que uno puede inferir una teoría a partir de una serie de datos en el caso de que la teoría proporcione una mejor explicación de los datos que cualquier teoría competidora que uno haya considerado, donde la inferencia implica llegar a aceptar o creer que la teoría es verdadera. Sin embargo, la popularidad del lema de Harman oculta cuánto desacuerdo hay sobre cómo entenderlo exactamente. Una serie de objeciones muy serias, si no devastadoras, han llevado a varios filósofos a reconsiderar elementos clave del lema. De hecho, ahora hay relatos destacados en los que la inferencia a la mejor explicación no se considera una forma de inferencia , algunos relatos en los que no implica inferir a la mejor explicación y otros en los que uno no necesita inferir a una explicación en absoluto. Nota2

Este Elemento tiene dos objetivos principales. El primero es ofrecer una visión general sistemática y fundamentada del estado actual del pensamiento filosófico sobre el razonamiento abductivo. Esto implica no sólo discutir las diversas teorías del razonamiento abductivo que se han propuesto, sino también las numerosas objeciones a teorías anteriores que han motivado a los filósofos a desarrollarlas. Como esto indica, abordaré el tema de una manera basada en problemas, en el sentido de que las diversas teorías del razonamiento abductivo se presentarán como respuestas a problemas específicos. Sin embargo, algunos problemas y teorías no se discutirán en detalle, o incluso no se discutirán en absoluto. Esto se debe en parte a razones de espacio y en parte a mantener la discusión accesible, ya que algunas contribuciones importantes al tema son más bien técnicas y requieren familiaridad con varios métodos formales que deberían introducirse en un Elemento propio. Nota3

El segundo objetivo de este Elemento es construir gradualmente, extrayendo lecciones de los diversos problemas y relatos que se discutirán, una visión sistemática de la naturaleza y el propósito del razonamiento abductivo. Esta perspectiva es difícil de resumir brevemente en esta etapa, pero a un nivel muy general sostiene que el razonamiento abductivo es una colección de estrategias inferenciales que sirven para aproximar diferentes formas de razonamiento probabilístico. Dependiendo de la naturaleza exacta del razonamiento probabilístico que se está aproximando, la estrategia inferencial puede ser más o menos exigente. En particular, sugeriré que algunas de las conclusiones probabilísticas a las que deseamos llegar son bastante modestas, por ejemplo, al determinar qué teoría investigar más a fondo; en esos casos, el razonamiento abductivo no es muy exigente. En otros casos, podemos querer que el razonamiento abductivo garantice un nivel razonablemente alto de confianza probabilística en que una teoría es verdadera; en esos casos, el razonamiento abductivo es un proceso evidencialmente exigente y temporalmente extendido que puede no entregar la conclusión deseada en absoluto.

El resto de este Elemento está estructurado de la siguiente manera. La Sección 1 resume brevemente la historia del pensamiento filosófico sobre el razonamiento abductivo desde el advenimiento de la ciencia moderna hasta mediados del siglo XX. La Sección 2 examina los relatos contemporáneos del razonamiento abductivo, basándose en una triple distinción entre los relatos que interpretan el razonamiento abductivo como (i) una forma de inferencia , (ii) un proceso probabilístico , o (iii) ambos de los anteriores. La Sección 3 se centra en el hecho de que en el razonamiento abductivo, se le dice a uno que infiera o prefiera la mejor explicación. Pero ¿qué razón, si es que hay alguna, hay para que los científicos prefieran explicaciones "mejores" de esta manera? Como veremos, hay varios tipos bastante diferentes de respuestas a esta pregunta, lo que lleva a diferentes ideas sobre el papel del razonamiento abductivo en la ciencia. La Sección 4 luego discute un conjunto diferente de problemas para los relatos del razonamiento abductivo, que tienen que ver con si el razonamiento abductivo es de alguna manera irracional o incoherente en algunos casos. En particular, se ha sugerido que algunas teorías comunes sobre el razonamiento abductivo implican que a veces se deben inferir teorías que, según nuestra propia interpretación, es muy probable que sean falsas; o que se deben asignar probabilidades a teorías de maneras que, según nuestra propia interpretación, son demostrablemente irracionales. Finalmente, la Sección 5 entrelaza varios hilos de las secciones anteriores para presentar brevemente una visión holística del razonamiento abductivo que, espero, evite los diversos problemas del razonamiento abductivo que se analizan en este Elemento, al tiempo que conserva la idea central de que gran parte del razonamiento científico está regido por consideraciones explicativas.

1 Una breve historia del razonamiento abductivo

Esta sección presenta el tema de este Elemento a través de una breve reseña histórica del pensamiento filosófico sobre el razonamiento abductivo. En particular, analizaremos ejemplos de científicos y filósofos que utilizaron o respaldaron implícitamente formas de razonamiento abductivo, como Charles Darwin y René Descartes (§ 1.1); analizar el trabajo pionero de Charles S. Peirce sobre la forma de razonamiento que denominó “abducción” (§ 1.2); considerar hasta qué punto el “modelo hipotético-deductivo” es un precursor del razonamiento abductivo (§ 1.3); y, finalmente, examinar la noción seminal de Gilbert Harman de “Inferencia a la mejor explicación” (§ 1.4). Esta descripción general prepara el terreno para la siguiente sección, en la que se examinan explicaciones más recientes (y posiblemente más sofisticadas) del razonamiento abductivo.

1.1 Las raíces históricas del razonamiento abductivo

Como suele suceder con las novedades metodológicas, el razonamiento abductivo parece haber surgido primero como una práctica científica implícita más que como una teoría filosófica explícita. Esto es quizás más claro en los escritos de Francis Bacon (1561-1626), a menudo considerado como el padre del “método científico”. Rebelándose contra la idea aristotélica de que la filosofía natural (es decir, la ciencia) puede descubrir las esencias de las cosas, Bacon abogó explícitamente por una forma austera de “inductivismo” en su influyente Novum Organum (1626). Bacon, 1620 ). Según Bacon, los científicos deberían proceder primero recopilando datos, por ejemplo, observando que esta o aquella olla de agua hierve a  100º.   Una vez recopilados dichos datos, deberían generalizar a partir de las correlaciones observadas en esos datos, por ejemplo, concluyendo que el agua siempre hierve a  100º.  En resumen, la visión oficial de Bacon identificaba el razonamiento científico con la extrapolación de datos.

En la práctica, sin embargo, Bacon parece haber permitido que un tipo diferente de razonamiento desempeñara un papel importante en la ciencia. Bacon fue uno de los primeros defensores de lo que más tarde se denominó teoría cinética del calor, que sostiene que el calor puede identificarse con el movimiento de partes inobservables pequeñas del cuerpo calentado (es decir, lo que ahora llamaríamos moléculas). Pero, ¿cómo pudo Bacon establecer que estas partes inobservables pequeñas se mueven dentro del cuerpo calentado en primer lugar, o incluso que existen en absoluto? La generalización baconiana a partir de una correlación entre observaciones no puede funcionar, ya que nunca hubo una correlación para generalizar; no hay correlación entre las observaciones de cuerpos calientes y las observaciones de cuerpos que consisten en partes pequeñas en movimiento, simplemente porque se supone que esas partes son demasiado pequeñas para verlas. Entonces, en su práctica científica, Bacon parece haber estado confiando en alguna forma adicional de razonamiento en la que se nos da licencia para postular la existencia de entidades inobservables para explicar fenómenos observables, como el calor.

Algo similar puede decirse de René Descartes (1596-1650). A diferencia del empirista Bacon, el racionalista Descartes sostenía que el conocimiento científico ( scientia ) se basa en las “naturalezas simples” de los objetos, a los que podemos llegarconocer a través de la aprehensión directa o “intuición”. En su influyente ensayo metodológico, Reglas para la dirección de la mente, Descartes advierte repetidamente contra la conformación con un “conocimiento meramente probable”, y en su lugar nos insta a “resolver creer sólo en lo que es perfectamente conocido e incapaz de ser puesto en duda”. Puede parecer que esto deja poco espacio para el razonamiento abductivo, que, después de todo, utiliza datos empíricos en lugar de aprehensiones directas de naturalezas simples y produce teorías que son muy susceptibles de ser puestas en duda.

Sin embargo, una mirada más atenta a Referencia Descartes, Cottingham, Stoothoff y Murdoch. Los propios escritos científicos de Descartes , especialmente en su obra posterior Principios de filosofía pinta un cuadro más matizado. Junto con la teoría racionalista oficial de Descartes sobre el razonamiento científico, los académicos han encontrado una metodología científica implícita que se asemeja al razonamiento abductivo en algunos aspectos importantes. En más de 300 secciones separadas, Descartes postula varios mecanismos novedosos e ingeniosos para explicar numerosos fenómenos naturales, como por qué los cuerpos caen hacia la tierra, cómo funcionan los imanes y por qué el vidrio es transparente. Descartes comienza la discusión diciéndonos que desea "presentar todo lo que estoy a punto de escribir simplemente como una hipótesis", y agrega en la edición francesa que "quizás esté lejos de la verdad". Es claro, entonces, que Descartes sintió la necesidad de emplear alguna otra forma de razonamiento –en la que se postulan hipótesis falibles para explicar fenómenos conocidos– además de su metodología oficial racionalista e infalibilista.

La necesidad metodológica de alguna forma de razonamiento abductivo también es evidente en los escritos de varios científicos destacados del período moderno temprano. Por ejemplo, los trabajos de Antoine Lavoisier (1743-1794) sobre fenómenos químicos como la combustión y la calcinación lo llevaron a postular la existencia del oxígeno, porque con él “todos los fenómenos se explicaban con una simplicidad asombrosa”. De manera similar, Charles Darwin termina su famosa discusión de una amplia gama de hechos empíricos sobre las especies biológicas que apoyan su teoría de la evolución escribiendo: “Difícilmente se puede suponer que una teoría falsa pueda explicar, de una manera tan satisfactoria como lo hace la teoría de la selección natural, las varias grandes clases de hechos especificados anteriormente”. Darwin defendió explícitamente su uso de este “método de argumentación” al señalar que “es un método utilizado para juzgar los acontecimientos comunes de la vida, y ha sido utilizado a menudo por los más grandes filósofos naturales”.

En resumen, parece que algo así como el razonamiento abductivo –en el que se postulan teorías para explicar fenómenos conocidos– surgió durante el advenimiento de la ciencia moderna entre eminencias científicas como Bacon, Descartes, Lavoisier y Darwin. Sin embargo, como se señaló anteriormente, esta forma de razonamiento. Parece haber sido en gran medida implícito entre los científicos que trabajaban en este período, en lugar de basarse en una explicación explícita de cómo debería proceder un razonamiento de este tipo.

1.2 La noción de “abducción” de Peirce

Esto empezó a cambiar con el trabajo del pragmático estadounidense Charles S. Peirce (1839-1914), de quien parece que se originó el término “abducción” y sus afines. Peirce escribió varias obras que abordaban el tema a lo largo de su dilatada carrera, contrastando a menudo “abducción” con “deducción” e “inducción”. En un pasaje frecuentemente citado, escribe que Abducción sigue el siguiente esquema:

Se observa el sorprendente hecho C.

Pero si A fuera cierto, C sería algo natural.

Por lo tanto, hay motivos para sospechar que A es verdadera.

Por ejemplo, se puede observar el hecho sorprendente de que un objeto en llamas colocado en el vacío deja de arder inmediatamente. Si, como afirmaba Lavoisier, la combustión es un proceso en el que una sustancia en llamas se combina con el oxígeno, entonces este hecho sorprendente sería algo normal. Por lo tanto, según el esquema de abducción de Peirce, hay motivos para sospechar que la teoría de Lavoisier es cierta.

Cabe señalar que, a lo largo del tiempo, Peirce no fue del todo coherente en su definición de “abducción” (ni tampoco en lo que respecta al término que utilizó para ello, pues en sus primeros trabajos prefirió “hipótesis” y “retroducción”). Además, la mayoría de los lectores contemporáneos de Peirce coinciden en que su uso del término “abducción” difiere de manera importante de cómo se suele utilizar y entender el término en la actualidad. En particular, varios académicos han argumentado que en sus obras más influyentes, Peirce utiliza el término “abducción” para referirse a un proceso psicológico de generación o sugerencia de nuevas hipótesis. Dicho de otro modo, la interpretación estándar de la obra de Peirce es que su noción de abducción describe principalmente el proceso por el cual podemos o debemos llegar a pensar en teorías novedosas, es decir, al considerar qué tipo de teoría podría explicar potencialmente los hechos que tenemos ante nosotros, independientemente de si esas teorías pueden considerarse verdaderas o plausibles.

Aparte de la evidencia textual que respalda esta interpretación, existen razones filosóficas para considerar que la abducción de Peirce es algo más que una regla de inferencia o, como mucho, una regla de inferencia muy débil. Después de todo, debería quedar claro que el mismo conjunto de hechos puede conducir, a través de una abducción de Peirce, a teorías muy diferentes, incluso incompatibles.

Expresado en términos del esquema anterior, para cada C posiblemente habrá varias teorías incompatibles.  A1, … ,An tales que si cada Ai fuera cierta, entonces C sería “una cuestión de rutina”.

Por ejemplo, observe que la teoría de la combustión basada en el oxígeno de Lavoisier no es la única teoría según la cual deberíamos esperar que un objeto deje de arder una vez colocado en el vacío. Consideremos en cambio la teoría de que la combustión implica la transferencia de una sustancia específica, el flogisto, del objeto al aire circundante. Esta teoría también explica por qué nada arde en el vacío, porque en el vacío no hay aire que reciba el flogisto que de otro modo se transferiría del objeto. Entonces, ¿qué teoría debería inferirse, la teoría basada en el oxígeno de Lavoisier o esta teoría basada en el flogisto? (No podemos inferir ambas, ya que las dos teorías se contradicen entre sí). La abducción de Peirce, por sí sola, no responde a estas preguntas, lo que a su vez sugiere que Peirce no pretendía que fuera una regla de inferencia en absoluto.

En este punto, conviene hacer una nota sobre la terminología. Como he insinuado, los autores contemporáneos suelen utilizar el término “abducción” para referirse a un proceso epistémico de apoyo a hipótesis explicativas. Se trata de un proceso que tiene como objetivo hacer que ciertas teorías sean plausibles o creíbles, en lugar de simplemente ayudarnos a elaborar esas teorías. Para evitar confusiones entre la noción de abducción de Peirce y la noción contemporánea de abducción, he optado por utilizar el término "razonamiento abductivo" cuando me refiero a esta última; y, en aquellas ocasiones en las que me refiero a la primera, utilizaré "generación de hipótesis explicativas". Mantener estas nociones claramente diferenciadas entre sí es importante por varias razones. Por ejemplo, algunas explicaciones del razonamiento abductivo consideran que implica, como parte del proceso, la generación de hipótesis explicativas (véase § 2.2 ).

1.3 El modelo hipotético-deductivo

La noción de abducción de Peirce es un precursor importante de las teorías contemporáneas del razonamiento abductivo. Otra idea que podría considerarse igualmente importante como precursora de tales teorías es el llamado modelo hipotético-deductivo (el modelo HD; también conocido como método hipotético-deductivo  ), que suele asociarse con William Whewell, Hans Reichenbach y Carl G. Hempel, entre otros.

El modelo HD puede considerarse como una combinación de dos ideas. La primera es sobre la prioridad temporal de la teoría sobre los datos. El modelo HD dice, en oposición directa al inductivismo de Francis Bacon, que uno debería formular su teoría antes de comenzar a recopilar datos (por ejemplo, haciendo observaciones y experimentos). En otras palabras, uno debería comenzar por "elaborar hipótesis". En este punto, la teoría es meramente una suposición, una hipótesis; no es algo que el teórico deba tomar como verdadero, probablemente verdadero o incluso particularmente plausible. No existen reglas de racionalidad que dicten cómo se deben formular tales hipótesis; uno puede simplemente dejar que su imaginación vuele libre en busca de alguna suposición que pueda funcionar. De hecho, sería imposible formular tales reglas, según Hempel, porque a menudo la suposición correcta será completamente diferente de la forma en que uno abordó el tema anteriormente, y también muy diferente de los datos empíricos que uno ha reunido hasta el momento. En particular, la suposición podría postular la existencia de algún nuevo tipo de entidad que no puede observarse directamente en absoluto, como partículas subatómicas o campos electromagnéticos.

La otra parte del modelo HD se refiere a cómo se evalúa esta suposición –esta hipótesis–. Según el modelo HD, la hipótesis se evalúa probando sus consecuencias empíricas. Una consecuencia empírica de una hipótesis es algo que se puede deducir de ella, dadas las suposiciones de fondo, y que se puede verificar directamente de alguna manera, como por medio de una observación o un experimento. Si se demuestra que estas consecuencias empíricas son correctas, la teoría de la que se han deducido se confirma o respalda según el modelo HD. Por lo tanto, la estructura lógica de la confirmación científica, según el modelo HD, es la siguiente:

El modelo HD (confirmación científica):

Una teoría T, dadas algunas suposiciones de fondo  A, se confirma (hasta cierto punto), si:

(i)                 T, junto con A, implica deductivamente una consecuencia empírica E; y

(ii)               De hecho, E es correcta, según  lo demuestran los datos empíricos.

Ahora estamos en condiciones de entender por qué el modelo HD incluye la palabra “deductivo”. Esto se debe a que, para que la teoría esté respaldada por las observaciones o los resultados experimentales, las consecuencias empíricas que sirven como evidencia de la teoría deben ser deducibles de la teoría. Sin embargo, cabe señalar que lo que se está deduciendo no es la teoría en sí, sino las consecuencias empíricas de la teoría. Y, sin embargo, es la teoría la que se está respaldando o confirmando, no (solo) sus consecuencias empíricas.

Hay una salvedad en el modelo HD tal como se presentó anteriormente que resultará importante a medida que lo comparemos a continuación con relatos destacados de abducción.El razonamiento es que, en esta presentación del modelo HD, no se trata de un modelo de cómo llegar a una teoría que podamos inferir o aceptar, considerando todas las circunstancias. Más bien, el modelo HD puede describir únicamente lo que significa que una teoría T obtenga cierto grado de confirmación a partir de un conjunto de datos empíricos, lo que puede consistir únicamente en hacer que T sea algo más creíble de lo que hubiera sido de otro modo. Después de todo, verificar una sola consecuencia empírica de alguna teoría seguramente no demuestra por sí mismo que la teoría sea verdadera, o incluso probablemente verdadera. Algunos autores sugieren que esta cuestión puede abordarse modificando ligeramente el modelo HD al exigir que se verifique un mayor número de consecuencias empíricas de T, en cuyo punto se puede inferir que T es verdadera:

El modelo HD (inferencia científica):

Se puede inferir que una teoría T es verdadera, dadas algunas suposiciones de fondo A, si: 

(i)                 T, junto con  A , implica deductivamente algunas consecuencias empíricas  E1,…,Em; y

(ii)               E1,…,Em de hecho, son correctas, como lo demuestran los datos empíricos.

Ahora bien, es evidente que existen algunas similitudes importantes entre la noción de abducción de Peirce, por un lado, y el modelo HD de confirmación e inferencia científica, por el otro. En particular, las estructuras de los dos tipos de teorías son notablemente similares: ambas requieren una especie de derivación de un hecho manifiesto a partir de una suposición hipotética. La diferencia más importante se refiere al hecho de que, como hemos señalado, Peirce parece estar preocupado por el proceso de generación de teorías más que por cómo deben evaluarse las teorías. Por el contrario, Hempel deja esto explícitamente fuera de su modelo HD, con el argumento de que no puede haber reglas racionales para generar nuevas teorías. En este sentido, el modelo HD de Hempel y la abducción peirceana son ideas diametralmente opuestas. Esto hace que sea especialmente interesante, y francamente un tanto desconcertante, que las estructuras de las teorías sean tan similares, ya que no se esperaría que las teorías de dos aspectos muy diferentes de la metodología científica terminen siendo estructuralmente tan similares entre sí.

De hecho, la similitud estructural entre la abducción de Peirce y el modelo HD apunta a un problema bien conocido para este último, que resultará familiar a partir de nuestro análisis anterior del primero. Recordemos que en una abducción de Peirce, por cada “hecho sorprendente” C habrá posiblemente varias proposiciones incompatibles.  A1,…, An

  de tal manera que si cada uno Ai  fuera cierto, entonces C sería “una cuestión de rutina”. Un punto similar se aplica al modelo HD aplicado a la confirmación científica: para cada consecuencia empírica E, inevitablemente habrá varias teorías T1,…, Tn  de las que se puede deducir E. Este punto se puede ilustrar volviendo al ejemplo de la teoría de la combustión del oxígeno de Lavoisier,Lo cual implica, sin duda, el hecho empírico de que nada arde en el vacío. El problema es que la teoría del flogisto, al menos tal como se formuló anteriormente, implica el mismo hecho empírico. Por lo tanto, el modelo HD debe decir que ambas teorías se confirman; además, el modelo no tiene recursos para decir que una de las dos teorías se confirma en mayor medida que la otra. Lo mismo se aplica a cualquier otra teoría de la que se pueda deducir este hecho empírico, por inverosímil que parezca en otros aspectos.

Se podría pensar que esto es un problema menor para el modelo HD aplicado a la inferencia científica , dado que implica deducir no una única consecuencia empírica E sino un conjunto de tales consecuencias E1,…,Em , todas las cuales han demostrado ser correctas con datos empíricos. Después de todo, podría pensarse que, si bien sería fácil elaborar una teoría que implique una sola E, no tiene por qué ser tan fácil elaborar una teoría que implique E1,…,Em  (siempre que  m sea un número suficientemente grande). Desafortunadamente, sin embargo, dada una sola teoría T que implique E1,…,Em  es bastante fácil utilizar la lógica elemental para elaborar otra teoría que haga lo mismo. Por ejemplo, es un hecho lógico que si T implica  E1,…,Em , entonces también lo hace la conjunción T & X, donde X puede ser cualquier afirmación. De hecho, cualquier conjunto de afirmaciones empíricas  E1,…, Em   se implica trivialmente por la conjunción de esas reivindicaciones y cualquier otra reivindicación X, es decir, por  E1 &… & Em & X.   . Aquí, X podría ser una afirmación que contradice a T, como la negación de T,  ¬T. Esto nos deja con la conclusión absurda de que el modelo HD permite inferir T y una afirmación que contradice directamente T, a saber: E1 &… & Em &  ¬T.

Está claro que algo ha ido bastante mal en el modelo HD. La solución puede parecer obvia, pero seguramente el problema aquí es que las “teorías” alternativas que implican nuestros datos empíricos E1,…,Em   son altamente artificiales o simplemente inverosímiles, hasta el punto de que ningún científico propondría tales teorías sin más. Esto es correcto, pero no es tanto una solución al problema como el comienzo de un diagnóstico del mismo. Para resolver el problema, necesitamos una explicación del razonamiento científico en la que las “teorías” artificiales o inverosímiles no sean tan fácilmente confirmables o inferibles a partir de datos empíricos. Si es posible, la explicación también debería ser capaz de explicar por qué es así. Desafortunadamente para el modelo HD, no logra hacer ninguna de estas cosas. Sin embargo, como veremos más adelante, algunas explicaciones del razonamiento abductivo lo hacen significativamente mejor en este aspecto. Por lo tanto, el razonamiento abductivo, o al menos algunas de sus explicaciones, pueden considerarse mejoras del modelo HD en este sentido.

Antes de continuar, vale la pena señalar otro problema para el modelo HD de confirmación e inferencia científica. Este problema se refiere a la teoría “deductiva” parte del modelo HD, es decir, el requisito de que debe ser posible deducir afirmaciones empíricas correctas de la teoría que se está confirmando o infiriendo. En resumen, el problema es que muchas teorías científicas, especialmente las que se refieren a las relaciones causales entre dos o más variables, no afirman categóricamente que un evento dado ocurrirá definitivamente bajo circunstancias específicas; más bien, estas teorías a menudo solo afirman que el evento tiene una probabilidad particular de ocurrir en esas circunstancias. De hecho, a veces la probabilidad de este evento casual es extremadamente baja. Consideremos, por ejemplo, las teorías geológicas que se utilizan para predecir cuándo y dónde ocurrirán los terremotos, que podrían asignar una probabilidad del 0,1% a que un terremoto ocurra durante una semana dada en un área de muy alto riesgo. En estos casos, no hay una relación deductiva entre la teoría y los datos empíricos, porque para cada pieza de datos (por ejemplo, para cada terremoto que se observa que ocurre), es perfectamente posible -quizás incluso probable- que se hubieran obtenido datos contrarios (por ejemplo, una observación de que no ocurrió ningún terremoto) incluso si la teoría relevante es verdadera.

Las teorías probabilísticas de este tipo son problemáticas para el modelo HD porque, aunque no podemos deducir ninguna consecuencia empírica de ellas, parece claro que los resultados empíricos pueden confirmarlas. Por ejemplo, supongamos que una teoría geológica recién propuesta implica que la probabilidad de que se produzca un terremoto en nuestra ciudad la semana que viene es de hasta un 10%, mientras que todas las demás teorías disponibles asignan una probabilidad inferior al 0,00001% a ese acontecimiento. Si el terremoto se produce posteriormente, seguramente la nueva teoría puede considerarse confirmada hasta cierto punto, al menos en relación con sus rivales. Y si una historia similar se repitiera en otras zonas geográficas y en otros momentos, y la nueva teoría asignara una probabilidad mucho mayor a los terremotos que realmente se producen, entonces en algún momento podríamos sentir que la teoría debería ser creída o aceptada como verdadera. Desafortunadamente para el modelo HD, no puede emitir estos veredictos, ya que ninguna de las teorías implicadas implica que el terremoto ocurrirá, sólo que tiene cierta probabilidad de ocurrir.

En resumen, hemos visto que el modelo HD se enfrenta al menos a dos problemas graves. El primero se refiere a cómo distinguir entre las teorías “serias” que se confirman por sus consecuencias empíricas y varias teorías “no serias” que no lo son, como las conjunciones de las consecuencias empíricas mismas y otras afirmaciones aleatorias. El segundo se refiere a las teorías inherentemente probabilísticas, teorías de las que no se pueden deducir consecuencias empíricas sino que se les asigna una probabilidad particular. Me he centrado en estos problemas aquí porque, como veremos, incluso las primeras explicaciones del razonamiento abductivo podrían tener los recursos para abordar ambos problemas. Además, estas explicaciones del razonamiento abductivo a menudo conservan parte de la estructura del modelo HD.y por lo tanto están plausiblemente en posición de explicar el núcleo de verdad del modelo HD –que, después de todo, a muchos les ha parecido proporcionar una descripción bastante precisa de la metodología real de los científicos. 

1.4 Inferencia a la mejor explicación

En 1965, Gilbert Harman publicó un breve artículo que ha tenido una enorme influencia en el pensamiento filosófico sobre el razonamiento abductivo desde entonces. El artículo se titulaba “La inferencia a la mejor explicación”. Este término, abreviado habitualmente como “IBE” (Inference of the Best Explanation), se utiliza ahora a menudo para cualquier tipo o explicación del razonamiento abductivo.Nota6 Harman reconoció que su noción de IBE “corresponde aproximadamente” a ideas anteriores sobre el razonamiento científico, como la “abducción” y “el método de hipótesis”, pero utilizó su propia terminología para “evitar la mayoría de las sugerencias engañosas de terminologías alternativas. Harman continúa describiendo brevemente su propia noción de EBI en un pasaje que vale la pena citar en su totalidad:

Al hacer esta inferencia, se infiere, a partir del hecho de que una determinada hipótesis explicaría la evidencia, la verdad de esa hipótesis. En general, habrá varias hipótesis que podrían explicar la evidencia, por lo que uno debe ser capaz de rechazar todas esas hipótesis alternativas antes de que se justifique hacer la inferencia. Por lo tanto, se infiere, a partir de la premisa de que una hipótesis dada proporcionaría una explicación “mejor” de la evidencia que cualquier otra hipótesis, la conclusión de que la hipótesis dada es verdadera. Por supuesto, existe un problema en cuanto a cómo juzgar si una hipótesis es suficientemente mejor que otra. Presumiblemente, tal juicio se basará en consideraciones tales como qué hipótesis es más simple, cuál es más plausible, cuál explica más, cuál es menos ad hoc , etcétera. No deseo negar que existe un problema en cuanto a explicar la naturaleza exacta de estas consideraciones; sin embargo, no diré nada más sobre este problema. (Harman, 1965 , pág. 89)

Gran parte de esta descripción debería recordarnos las ideas sobre el razonamiento científico que hemos visto anteriormente en esta sección. En particular, hemos visto que Darwin, Lavoisier y Peirce enfatizaron la importancia del “hecho de que cierta hipótesis explicaría la evidencia” de “la verdad de esa hipótesis”.. Además, la lista de consideraciones de Harman para juzgar si una hipótesis es “suficientemente mejor” que otra parece encajar con las observaciones de Lavoisier y Darwin, como las relativas a explicar “varias clases grandes de hechos” (Darwin) y hacerlo “con una simplicidad asombrosa” (Lavoisier). En la Sección 3 , volveremos a estas consideraciones y preguntaremos si Harman (y Lavoisier, Darwin, etc.) tenían razón al pensar que hacen que una teoría sea “mejor” y, de ser así, en qué sentido de ese término.

Por ahora, vale la pena señalar algunas de las formas más importantes en las que la descripción de Harman de la EBI difiere de la mayoría de las ideas anteriores sobre el razonamiento abductivo. En primer lugar, la IBE de Harman es explícitamente comparativa. A pesar de lo que Harman parece estar diciendo al principio del pasaje, uno no puede realmente inferir del hecho de que una teoría explica la evidencia que la teoría es verdadera. Esto se debe a que, como Harman continúa señalando, "en general, habrá varias hipótesis que podrían explicar la evidencia" - y estas claramente no pueden ser todas verdaderas al mismo tiempo. Por lo tanto, obtenemos de Harman la declaración más cuidadosa de que la IBE infiere "de la premisa de que una hipótesis dada proporcionaría una "mejor" explicación de la evidencia que cualquier otra hipótesis, a la conclusión de que la hipótesis dada es verdadera". La inferencia a la mejor explicación es la inferencia a la mejor hipótesis explicativa, donde la “mejor” es una cuestión comparativa de ser mejor que las hipótesis alternativas.

Este aspecto comparativo de la IBE es posiblemente una mejora con respecto a ideas anteriores y relacionadas, como la abducción de Peirce y el modelo HD. Para ver esto, considere la primera objeción al modelo HD de la subsección anterior (§ 1.3 ), según la cual el modelo automáticamente cuenta varias teorías artificiales, como la conjunción  E1&… &Em&X, para cualquier X, como lo confirma y se infiere de la evidencia  E1,… ,Em;   lo cual se sigue (trivialmente) de ello. La IBE de Harman, por el contrario, no considera automáticamente tales teorías como inferibles porque podrían no ser –y por lo general no son– capaces de proporcionar explicaciones tan buenas como varias teorías alternativas con las que podrían compararse. En particular, al menos en un nivel intuitivo, tales teorías por lo general serán menos simples y más ad hoc que varias otras teorías –menos simples porque consistirán en una conjunción manipulada de afirmaciones; y más ad hoc porque esta conjunción habrá sido construida deliberadamente para contener como conjunciones todas las consecuencias empíricas E1,… ,Em .

Consideremos también la segunda objeción al modelo HD, que se refería a teorías inherentemente probabilísticas de las que no se pueden deducir consecuencias empíricas aunque las teorías les asignen una probabilidad particular. Aunque el propio Harman no analiza qué noción de “explicación” tenía en mente, parece plausible que una teoría pudiera explicar la ocurrencia de un evento sin que el evento fuera deducible de la teoría. En particular, asignar una probabilidad razonablemente alta a un evento parece explicar ese evento, al menos en cierta medida y en algunos casos. Generalizando este punto, uno podría pensar además que si una teoría asigna una probabilidad más alta a un evento que otra teoría, entonces la primera teoría explica el evento con mayor fuerza y, por lo tanto, “mejor” en un sentido del término, al menos en igualdad de condiciones. Y es natural pensar, y ciertamente en el espíritu de las observaciones de Harman anteriores, que explicar “con más fuerza” o “mejor” contribuye a hacer que la explicación sea mejor en general y, por lo tanto, inferible mediante una IBE al estilo Harman.

Si es así, parece que la teoría de probabilidad inversa de Harman puede explicar casos en los que teorías inherentemente probabilísticas son confirmadas por eventos a los que sólo se les asigna una probabilidad, y quizás incluso una probabilidad muy baja, siempre que las teorías alternativas asignen una probabilidad aún menor a esos eventos. Para ilustrarlo, considere nuevamente el ejemplo de una nueva teoría geológica en la que se asigna una probabilidad del 0,1% a la ocurrencia de un terremoto en su ciudad la semana que viene, mientras que todas las teorías alternativas asignan una probabilidad inferior al 0,00001% a ese evento. Si el terremoto ocurre posteriormente, entonces la versión imaginada de la teoría de probabilidad inversa de Harman consideraría que la primera teoría proporciona una explicación mucho más sólida del terremoto que cualquiera de las teorías alternativas en oferta, lo que a su vez favorecería la inferencia de la nueva teoría sobre las alternativas, en igualdad de condiciones. Si una historia similar se repitiera en otras áreas geográficas y en otros momentos, y la nueva teoría asignara una probabilidad mucho mayor a los terremotos que realmente ocurren, entonces en algún momento esto podría inclinar la balanza a favor de la nueva teoría geológica que brindara la mejor explicación general y, por lo tanto, pudiera inferirse mediante IBE.

En resumen, se puede decir que la inferencia basada en la evidencia de Harman mejora el modelo HD en los dos aspectos en los que el modelo HD falla. Al mismo tiempo, la descripción que Harman hace de este tipo de inferencia parece captar la idea central del modelo HD, a saber, que gran parte del razonamiento científico implica la elaboración de conjeturas fundamentadas, en forma de hipótesis o teorías, que luego se contrastan con datos empíricos. La noción de inferencia basada en la evidencia de Harman añade a esto (i) que la conexión entre las teorías y los datos es explicativa más que deductiva, es decir, de modo que la teoría explica los datos en lugar de implicarlos; y (ii) que las teorías que se infieren o confirman deben proporcionar mejores explicaciones que otras teorías disponibles que también explicarían los datos.

2 Relatos contemporáneos del razonamiento abductivo

Esta sección ofrece una visión general de las teorías contemporáneas del razonamiento abductivo. Comenzaremos distinguiendo tres tipos de teorías: inferenciales, probabilísticas e híbridas (§ 2.1 ). Las teorías inferenciales interpretan el razonamiento abductivo como un tipo específico de inferencia, en la que una hipótesis explicativa es finalmente aceptada o creída (§ 2.2 ). Las teorías probabilísticas, por el contrario, interpretan el razonamiento abductivo como una forma de actualización probabilística que está influida de alguna manera por consideraciones explicativas (§ 2.3). Finalmente, las teorías híbridas interpretan la abducción como una combinación de ambas, en el sentido de que un tipo de inferencia distintivamente explicativa sirve como heurística para aproximarse a alguna forma de actualización probabilística (§ 2.4).

2.1 Una clasificación de puntos de vista

En la sección anterior, analizamos parte de la historia del razonamiento abductivo y las ideas relacionadas con el razonamiento científico, terminando con la noción de Harman de Inferencia a la Mejor Explicación (IBE). En esta sección, retomamos el hilo en un contexto más reciente, examinando las teorías contemporáneas del razonamiento abductivo. Algunas de estas teorías deben mucho a las ideas de Harman; otras están muy influidas por pensadores anteriores, como Peirce; y otras están influidas por el deseo de evitar problemas con teorías anteriores del razonamiento científico, como el modelo HD. Por lo tanto, volveremos a la sección anterior en varios puntos a continuación. De aquí en adelante, sin embargo, la discusión se organizará temáticamente en lugar de cronológicamente. Para facilitar esta discusión, podemos clasificar las diferentes teorías del razonamiento abductivo que se pueden encontrar en la literatura contemporánea en tres tipos distintos:

Un primer tipo de teorías pueden denominarse teorías inferenciales . Estas teorías sostienen que el razonamiento abductivo implica inferir hipótesis sobre la base de consideraciones explicativas, donde una inferencia es un tipo de razonamiento en el que uno extrae una conclusión categórica de algún tipo a partir de un conjunto de premisas. En particular, estas teorías interpretan el razonamiento abductivo como un tipo de inferencia ampliativa , en la que el contenido de la conclusión va más allá del contenido de las premisas, y donde las premisas están constituidas por la evidencia de uno en el momento relevante. En una teoría inferencial típica del razonamiento abductivo, implica comparar una serie de hipótesis explicativas en competencia en términos de qué tan buena sería la explicación que cada una nos proporcionaría, y luego aceptar la hipótesis que proporcionaría la mejor. Como veremos, las teorías inferenciales son atractivas en parte porque parecen muy adecuadas para explicar la práctica científica real de evaluar y aceptar comparativamente hipótesis explicativas. Las teorías inferenciales se analizan en la Sección 2.2 .

Un segundo tipo de teorías pueden denominarse teorías probabilísticas. Estas teorías sostienen que el razonamiento abductivo implica asignar probabilidades a hipótesis explicativas y actualizarlas a medida que se obtienen más pruebas. Por lo tanto, si una hipótesis explica particularmente bien algún dato entrante, mientras que otra explica los datos de manera deficiente o no los explica en absoluto, las teorías probabilísticas dicen que se debe aumentar la probabilidad asignada a la primera a expensas de la probabilidad asignada a la segunda. La mayoría de las teorías probabilísticas son enmiendas o modificaciones del enfoque bayesiano del razonamiento científico, por lo que estas teorías asumen algunas de las cargas, pero también los beneficios, del enfoque bayesiano. Las teorías probabilísticas pueden ofrecer análisis impresionantemente precisos de cómo los científicos deberían razonar en condiciones ideales, pero se podría decir que son mucho menos plausibles que las teorías inferenciales como descripciones de la práctica científica real. Las teorías probabilísticas se analizan en la Sección 2.3 .

El tercer y último tipo de teorías pueden denominarse teorías híbridas . Estas teorías combinan elementos de cada uno de los otros dos tipos de teorías, es decir, teorías inferenciales y teorías probabilísticas. Si bien existen diferencias importantes entre las diversas teorías híbridas que se han propuesto, dichas teorías generalmente sostienen que el razonamiento abductivo implica tanto un proceso de generación, comparación y aceptación de hipótesis como también una asignación de probabilidades a esas hipótesis. En particular, un tipo de teoría híbrida sostiene que comparar y aceptar hipótesis sirve como un medio para aproximarse a una actualización probabilística correcta para agentes imperfectamente racionales, como los humanos comunes. Si se puede hacer que las teorías híbridas funcionen, entonces posiblemente traerían lo “mejor de ambos mundos” de los otros tipos de teorías, en el sentido de que podrían capturar la precisión descriptiva de las teorías inferenciales y el poderoso marco normativo de las teorías probabilísticas. Las teorías híbridas se analizan en la Sección 2.4 .

Como tal vez indique esta visión preliminar, yo mismo soy partidario de las teorías híbridas. Por consiguiente, al evaluar los tres tipos de teorías a lo largo de la presente sección, incitaré suavemente al lector a optar por las teorías híbridas. Sin embargo, dado que las teorías híbridas combinan elementos de los otros dos tipos de teorías, esto no implica necesariamente argumentar en contra de las teorías inferenciales y probabilísticas, excepto en la medida en que pretendan ser la historia completa del razonamiento abductivo. Sin embargo, presentaré algunas razones para preferir algunas teorías particulares de cada tipo como componentes de una teoría híbrida del tipo que yo prefiero.

2.2 Acercamientos inferenciales

Recordemos que lo que llamo teorías inferenciales sostienen que el razonamiento abductivo consiste en inferir hipótesis a partir de consideraciones explicativas. Como se señaló anteriormente, esta formulación supone una noción bastante específica de “inferencia”, en que implica extraer una conclusión categórica de algún tipo a partir de un conjunto de premisas. Dicho de manera más precisa, la inferencia es el acto mental de formar una actitud epistémica positiva de tipo no graduable hacia alguna proposición (la conclusión), por ejemplo, aceptándola, creyéndola o juzgándola como verdadera, porque se toman otras proposiciones (las premisas) para sustentarla.Nota8 Así, por ejemplo, si uno suspendió previamente su juicio sobre alguna teoría y, por lo tanto, no tenía ninguna creencia en ninguno de los dos sentidos con respecto a ella, pero luego llega a creer que la teoría es verdadera como resultado de reunir y considerar alguna evidencia, entonces se considera que ha inferido la teoría a partir de la evidencia sobre la base de esta noción de inferencia. Si, además, la inferencia se basa al menos parcialmente en consideraciones explicativas de algún modo, entonces es un caso de razonamiento abductivo según las explicaciones inferenciales de dicho razonamiento.

Muchos, quizás la mayoría, de los relatos del razonamiento abductivo son inferenciales en este sentido. En particular, muchos de los que siguen a Harman al pensar en el razonamiento abductivo como EBI parecen estar abogando por una explicación inferencial de algún tipo. Por ejemplo, vemos que los defensores de la EBI la describen como “aceptar una hipótesis sobre la base de que proporciona una mejor explicación de la evidencia que la proporcionada por hipótesis alternativas”   o como “el procedimiento de elegir la hipótesis o teoría que mejor explica los datos disponibles”. De hecho, la conexión entre describir el razonamiento abductivo como IBE, por un lado, y adherirse a algún tipo de explicación inferencial es natural, ya que el propio Harman parece haber estado proponiendo una explicación inferencial cuando introdujo el término. Para Harman, la IBE implica llegar a “la conclusión de que la hipótesis dada es verdadera”.

Considerar el razonamiento abductivo como una forma de inferencia aún deja mucho espacio para el debate sobre cómo caracterizar mejor dicho razonamiento en otros aspectos. Para ver esto, consideremos lo que es, sin duda, la explicación más influyente del razonamiento abductivo, es decir, la explicación inferencial presentada en el libro de Peter Lipton Inferencia a la mejor explicación.  Una característica notable del relato de Lipton es que concibe la EBI como un proceso de dos etapas, donde:

primero se genera un conjunto limitado de hipótesis explicativas que compiten entre sí (etapa de generación) y

luego se infiere la mejor hipótesis que se ha generado de esta manera (etapa de inferencia).

En ambas etapas, entran en juego consideraciones explicativas que nos ayudan, primero, a encontrar explicaciones que compiten entre sí en la etapa de generación y, luego, a aceptar una de estas explicaciones que compiten entre sí en la etapa de inferencia.

Una manera de pensar en este aspecto de la explicación de Lipton es en términos de comparaciones con la noción de Abducción de Peirce y la EBI de Harman. Como hemos señalado, la EBI de Peirce se centraba posiblemente en la generación de teorías, por lo que la primera etapa de la EBI de Lipton puede identificarse aproximadamente con la EBI de Peirce. Por el contrario, Harman no se refirió a cómo se generan las “hipótesis alternativas”; de hecho, Harman no reconoció explícitamente que hubiera alguna cuestión epistémica que abordar en relación con cómo se generarían tales hipótesis. En cambio, el análisis de Harman de la EBI se centra exclusivamente en el proceso de inferir alguna hipótesis, comparándola en términos de consideraciones explicativas con otras hipótesis, independientemente de cómo se consideraran estas otras hipótesis. Para ser justos, no debería sorprender que Harman, escribiendo en 1965, hubiera pasado por alto la cuestión de cómo se generan las hipótesis explicativas, ya que en ese momento los filósofos de la ciencia generalmente no consideraban que esos temas estuvieran dentro del ámbito de su campo.

Otra característica distintiva de la explicación de Lipton se refiere a lo que hace que una hipótesis explicativa sea “mejor” que una alternativa. Según Lipton, “la mejor explicación [es] la que, si es correcta, sería la más explicativa o la que proporcionaría la mayor comprensión: la explicación ‘más hermosa’” continúa describiendo su versión de la EBI como “Inferencia a la explicación más bella”, donde la “belleza” está determinada por cuánta comprensión proporcionaría una hipótesis explicativa si fuera verdadera señala que, en este sentido, la explicación de Lipton se aparta de la idea más habitual de que la bondad explicativa está determinada por una lista de virtudes explicativas (qué tan simple es, cuánto explica, etc.), como sugiere Harman y han mantenido muchos otros defensores de la EBI. En la Sección 3 , examinaremos cuál de estas dos concepciones de la bondad explicativa es más plausible o más compatible con las explicaciones del razonamiento abductivo.

Una cuestión importante en la que las diferentes teorías inferenciales difieren es cómo concebir la estructura de la evaluación que tiene lugar dentro del razonamiento abductivo. Como indica el término “Inferencia a la mejor explicación”, la visión estándar –una vez más heredada– es que se trata de una evaluación comparativa de una hipótesis explicativa como mejor que el conjunto de hipótesis alternativas que se han generado. Por lo tanto, en la concepción estándar de la bondad explicativa determinada por las virtudes explicativas, se compara la medida en que una hipótesis exhibe diversas virtudes explicativas en la medida en que hipótesis alternativas exhiben estas virtudes. Por el contrario, no hay nada en la formulación de Harman que sugiera que el razonamiento abductivo implica evaluar, en un sentido absoluto, si una hipótesis dada es simple tout court , o si tiene algún grado específico de simplicidad; y lo mismo ocurre con otras virtudes explicativas.

Esto da lugar a una objeción clásica a la EIB, planteada de manera muy influyente por van Fraassen señaló que, en el tipo de evaluación comparativa que se lleva a cabo en la EBI, sólo se puede juzgar razonablemente que una teoría dada es mejor que otras teorías que se han generado realmente, pero no que también es mejor que otras teorías que nadie ha propuesto (todavía). De modo que la “mejor” de estas teorías bien podría ser “la mejor de un lote malo” El problema aquí no es que la EBI no pueda ofrecer una evaluación comparativa razonable de qué teoría, en algún conjunto de alternativas, es la más plausible o inferible. Más bien, van Fraassen señala que, dado que las hipótesis que uno ha generado hasta ahora pueden ser todas falsas, la verdadera explicación podría ser proporcionada por una hipótesis fuera del conjunto de hipótesis disponibles. En ese caso, la EBI nos llevaría a una conclusión falsa, sin importar lo buenos que seamos para localizar la mejor hipótesis explicativa entre los competidores disponibles. Esto se conoce como la objeción del lote malo y ha dado forma a gran parte del debate sobre la EBI en las últimas décadas. Se discutirá en profundidad en la Sección 4 , junto con otras objeciones similares a la EBI.

Por el momento, basta con decir que la objeción del lote malo ha influido en la configuración de las explicaciones contemporáneas del razonamiento abductivo. En particular, la objeción ha motivado a varios autores –incluido el propio van Fraassen– a formular explicaciones no inferenciales del razonamiento abductivo:

“A pesar de su nombre, [la inferencia a la mejor explicación] no es la regla para inferir la verdad de la mejor explicación disponible. Eso es solo un código para la regla real, que consiste en asignar nuestras probabilidades personales con el debido respeto a la explicación”.

Lo que van Fraassen sugiere aquí es que el razonamiento abductivo no puede analizarse de manera plausible como una forma de inferencia; en cambio, puede ser más prometedor subsumir el razonamiento abductivo en un marco de razonamiento científico en el que simplemente asignamos “probabilidades personales” a las teorías. Van Fraassen finalmente concluye que esto también es un callejón sin salida, y por lo tanto deberíamos prescindir por completo del razonamiento abductivo. Sin embargo, como veremos ahora, otros se han inspirado en la sugerencia de van Fraassen para desarrollar diversas explicaciones del razonamiento abductivo basadas en la probabilidad.

2.3 Cuentas probabilísticas

El sello distintivo de las teorías probabilísticas del razonamiento abductivo, tal como utilizaré el término, es que intentan capturar el razonamiento abductivo enteramente dentro del enfoque bayesiano del razonamiento científico –de aquí en adelante simplemente bayesianismo . Para nuestros propósitos, se puede decir que el bayesianismo consiste en las siguientes tres afirmaciones. Primero, los científicos (y otros agentes) tienen, o pueden ser representados como si tuvieran, opiniones extremadamente detalladas sobre varios estados del mundo. En particular, según el bayesianismo, los científicos no solo tendrán una opinión de que alguna hipótesis H es verdadera o plausible; más bien asignarán –o serán representables como si asignaran– un valor real específico entre 0 y 1 a H, donde una asignación de 0 equivale a estar seguro de que H es falso mientras que una asignación dE1 equivale a estar seguro de que H es verdadero. A estas opiniones de grano fino se las suele denominar creencias (alternativamente: grados de creencia , grados de confianza ), en parte para distinguirlas de opiniones más generales, como la aceptación (total) y la creencia (plena).

En segundo lugar, el bayesianismo sostiene que para que los agentes en cuestión sean perfectamente racionales, sus creencias deben satisfacer los axiomas del cálculo de probabilidades. Dicho de otro modo, las creencias deben ser probabilidades, en el sentido matemático del término, definido por los axiomas de probabilidad. Esto significa, entre otras cosas, que las opiniones de estos agentes (racionales) pueden representarse como una función de probabilidad Pr (⋅) , de cualquier proposición a un valor real entre 0 y 1 (inclusive). Este es el sentido en el que, como lo expresan autores como van Fraassen, un agente racional tiene “probabilidades personales”: tiene creencias que, si son perfectamente racionales según el bayesianismo, cuentan como probabilidades según la definición matemática de las mismas. En años posteriores, se ha vuelto común referirse a esta parte del enfoque bayesiano como Probabilismo , ya que exige que los agentes racionales sus opiniones sean probabilidades.

Una tercera y última afirmación del bayesianismo se refiere a cómo los agentes perfectamente racionales deberían cambiar sus creencias (es decir, sus probabilidades personales) con el tiempo, a medida que obtienen más información sobre el mundo. Dicho de otra manera, se refiere a cómo deberían “actualizar” estas probabilidades personales a la luz de nueva evidencia. La versión canónica de esta afirmación se conoce como condicionalización bayesiana . Dice que los agentes racionales deberían actualizar el valor de su probabilidad personal con respecto a alguna hipótesis H a medida que obtienen alguna evidencia E (y ninguna otra evidencia) reemplazándola por el valor de la probabilidad que asignaron previamente a H condicional a E, es decir, la llamada probabilidad condicional de H dado E.  Pr(H|E).  Un poco más precisamente:

Condicionalización bayesiana:

Un agente racional que obtiene evidencia E (y ninguna otra evidencia) debería establecer

Pr’(H) = Pr(H​​|E), dónde  Pr(⋅)   y  Pr’(⋅)   son las funciones de probabilidad del agente antes y después de obtener E, respectivamente.

Aunque existen otras versiones de esta regla de actualización bayesiana, posiblemente algo más sofisticadas, éstas –con una excepción que se analiza inmediatamente más adelante– generalmente no serán importantes para nuestros propósitos aquí, ya que refinan la condicionalización bayesiana en formas que no conciernen específicamente al razonamiento abductivo.

Ahora bien, aunque las tres afirmaciones anteriores forman el núcleo del bayesianismo, la afirmación que se asocia más a menudo con el enfoque bayesiano (y de la que obtiene su nombre) es simplemente un teorema matemático de los axiomas de probabilidad que ha demostrado ser extremadamente útil dentro del enfoque bayesiano, a saber, el teorema de Bayes :

Pr(H|E) = [Pr(E|H)·Pr (H)]/ Pr(E)  

Una de las razones por las que este simple teorema es tan útil para los bayesianos es que les permite calcular el valor que se debe asignar a  Pr’(H)   según la condicionalización bayesiana: 

Pr’(H)   = Pr(H|E) = [Pr(E|H)·Pr (H)]/ Pr(E) 

Así, los bayesianos pueden decir algo bastante informativo sobre cómo un agente, como un científico, debería asignar sus probabilidades personales en un caso dado: deberían tomar sus probabilidades previas,  Pr(H|E)   ,  Pr (H)​​, Pr(E)   , combine estos como dicta el teorema de Bayes multiplicando los dos primeros y dividiéndolos por el tercero, y use el valor resultante como su nueva probabilidad personal para  H.

Con toda esta maquinaria bayesiana en nuestro arsenal, finalmente estamos en condiciones de considerar explicaciones probabilísticas del razonamiento abductivo. Comencemos con el enfoque sugerido por   van Fraassen   después de su crítica de las explicaciones inferenciales (ver § 2.2 y § 4.2 ). (En lo que sigue, vale la pena tener en cuenta que van Fraassen no respaldó la siguiente propuesta; de hecho, argumentó que era irremediablemente defectuosa, junto con otros intentos de explicar explicaciones convincentes del razonamiento abductivo). La idea central de van Fraassen era que para que el razonamiento abductivo tuviera un lugar dentro del bayesianismo, la hipótesis que mejor explica alguna evidencia E debe recibir de alguna manera una mayor probabilidad personal que la que dicta el condicionalismo bayesiano por sí solo. Por lo tanto, el condicionalismo bayesiano debe modificarse efectivamente de modo que se agregue una "bonificación" a la probabilidad posterior del agente para una hipótesis que proporcione la mejor explicación de la evidencia relevante. La forma más simple de hacer esto sería exigir que los agentes establezcan  Pr’(H)= Pr(H|E) + b  , dónde  b   es la bonificación de probabilidad otorgada a H por proporcionar la mejor explicación de E. Podríamos llamar a esta idea general Condicionalización Abductiva.

¿Es plausible la condicionalización abductiva? Van Fraassen sostiene que no lo es. En resumen, el argumento de van Fraassen es que, dado que la condicionalización abductiva requiere que los agentes actualicen sus probabilidades personales de una manera que entra en conflicto con la condicionalización bayesiana, cualquier argumento a favor de la condicionalización bayesiana es un argumento en contra de la condicionalización abductiva. Consideraremos este argumento con mucho más detalle en la Sección 4. Por ahora, basta con decir que la mayoría de los autores, con la notable excepción de DouvenIgor   – han coincidido con van Fraassen en que la Condicionalización Abductiva es insostenible. Sin embargo, pocos de ellos han llegado a la conclusión de que no hay lugar para el razonamiento abductivo dentro del enfoque bayesiano. En cambio, han rechazado en general la interpretación de van Fraassen del razonamiento abductivo en términos de probabilidades adicionales, y han argumentado que el enfoque bayesiano puede combinarse con una forma de razonamiento abductivo de una manera que permita aferrarse al Condicionalismo Bayesiano. En esta sección, consideraré dos teorías específicas de este tipo, que sostienen que las preferencias explicativas restringen el razonamiento bayesiano, por un lado, o surgen de él de forma natural, por el otro. (En la siguiente sección, nos centraremos en teorías en las que el razonamiento abductivo funciona como una heurística para el razonamiento bayesiano y, por lo tanto, permite aferrarse al Condicionalismo Bayesiano de una manera diferente).

Quizás la forma más directa de encontrar un lugar para el razonamiento abductivo dentro del enfoque bayesiano es sugerir que las consideraciones explicativas, como la simplicidad o el poder explicativo de una hipótesis dada en relación con la evidencia, determinan cómo se deben asignar probabilidades antes de actualizar la evidencia. En particular, se pueden tomar consideraciones explicativas para restringir las asignaciones de probabilidades previas condicionadas a alguna evidencia antes de que se obtenga esa evidencia. Por lo tanto, si H2 es explicativamente mejor que H1 con respecto a E, esta visión implica que se debe asignar un valor más alto a Pr (H2|E) que a Pr (H1|E). Según la buena y antigua condicionalidad bayesiana, esto implica que la probabilidad que uno termina asignando a H2 , es decir, la probabilidad posterior Pr’(H2), también es mayor que la probabilidad que uno termina asignando a H1 ,  Pr’(H1). Llamemos a este tipo de explicaciones "explicaciones probabilísticas restrictivas del razonamiento abductivo".

Tal vez valga la pena profundizar un poco más en cómo resultaría asignar una probabilidad condicional previa más alta a la mejor explicación H2 que a la peor explicación H1. Alguien que comienza asignando una probabilidad más alta a H2 dado E que a H1 dado E, 

Pr (H1|E) < Pr (H2|E), debe, por el teorema de Bayes, asignar también probabilidades que satisfagan la siguiente desigualdad:

Pr (H1|E) Pr (H1) < Pr (H2|E) Pr (H2)  

A la luz de esto, los probabilistas restrictivos podrían argumentar que podemos identificar restricciones separadas para el primer y segundo término de cada lado, es decir, las llamadas “verosimilitudes (likehoods)”  Pr(E​​|H1) y  Pr(E​​|H2)  , por un lado, y las llamadas “probabilidades a priori” Pr(H1) y  Pr(H2) , por otro lado. Por ejemplo, las virtudes puramente teóricas como la simplicidad podrían tomarse como una restricción a los principios,  Pr(H1) y  Pr(H2)   ; mientras que otras virtudes que se ocupan más de la relación entre las hipótesis y la evidencia, tales como el poder explicativo, podrían tomarse para limitar las probabilidades Pr(E​​|H1) y  Pr(E​​|H2) .

Claramente, exigir que uno ya asigne probabilidades previas más altas a hipótesis más explicativas de esta manera garantiza que no haya conflicto entre las explicaciones probabilísticas restrictivas y la condicionalización bayesiana. Por el contrario, este enfoque complementa al bayesianismo al proporcionar criterios sobre con qué probabilidades previas deberían empezar los agentes. Además, las explicaciones probabilísticas restrictivas son bastante flexibles, en el sentido de que pueden acomodar cualquier juicio que uno quiera hacer sobre si las hipótesis que exhiben alguna virtud explicativa particular en cierta medida deberían preferirse a las hipótesis que no lo hacen (o lo hacen en menor medida). Después de todo, tales preferencias pueden simplemente formularse como restricciones adicionales a las probabilidades previas que uno debería tener antes de actualizar mediante la condicionalización bayesiana. De hecho, las preferencias en cuestión no necesitan ser explicativas en ningún sentido significativo, ya que podrían referirse literalmente a cualquier característica de las hipótesis en cuestión.

Sin embargo, esta flexibilidad para restringir las explicaciones probabilísticas también apunta a una debilidad significativa. La debilidad es que estas explicaciones parecen particularmente inadecuadas para proporcionarnos algún tipo de justificación para el razonamiento abductivo así entendido. En particular, podemos preguntar al probabilista restrictivo de dónde se supone que provienen estas restricciones a las asignaciones de probabilidad racional: ¿en virtud de qué es racional asignar una probabilidad condicional previa más alta a hipótesis que brindan explicaciones “mejores”? Algunos probabilistas restrictivos han sugerido que solo restringiendo las probabilidades de esta manera podemos evitar el escepticismo inductivo, es decir, la conclusión de que las observaciones pasadas no nos dan justificación para nuestras predicciones de observaciones futuras.Nota19 Pero no está claro que esto nos dé alguna razón para pensar que la racionalidad requiere tales restricciones, en lugar de darnos razones para pensar –con ilusión– que sería bueno que así fuera.

En este sentido, otro tipo de explicación probabilística parece funcionar mejor. Me referiré a ellas como teorías probabilísticas emergentes . Las teorías probabilísticas emergentes no imponen ninguna restricción basada en explicaciones sobre las probabilidades previas con las que uno comienza antes de condicionar sobre la evidencia. Más bien, sostienen que las preferencias por hipótesis que brindan mejores explicaciones se reflejan automáticamente en las probabilidades de las teorías, dadas ciertas suposiciones naturales e independientemente motivadas sobre cómo deberían distribuirse las probabilidades previas. Por ejemplo, Henderson sostiene que las teorías científicas que proporcionan mejores explicaciones son aquellas cuyos parámetros o auxiliares requieren menos “ajustes” para que las teorías proporcionen explicaciones de los datos relevantes. Dadas las elecciones naturales de probabilidades previas, sostiene Henderson, esto implica que las teorías que proporcionan mejores explicaciones en este sentido también son más probables según el bayesianismo. En una línea similar,  McGrew  (2003) sostiene que la capacidad de una teoría para explicar muchos tipos diferentes de hechos puede demostrarse seleccionando teorías que los bayesianos deberían considerar más probables bajo supuestos naturales acerca de cómo serán las distribuciones de probabilidad previas de los agentes racionales.

Una explicación probabilística emergente interesante y diferente es la que ofrece Lange (2022).  Lange sugiere que la preferencia por hipótesis que brindan mejores explicaciones de alguna evidencia E se debe a que las explicaciones son del mismo tipo que varias explicaciones de otros hechos.  E1, … ,Em , donde tenemos razones independientes para considerar que las últimas explicaciones son correctas. Siempre que tengamos razones para confiar en que las explicaciones de E, por un lado, y de  E1, … ,Em  , por otra parte, será del mismo tipo, Lange argumenta que debemos, desde el punto de vista bayesiano, considerar que la explicación de E es más probable de lo que sería de otro modo en virtud de que tiene el mismo tipo de explicación que  de  E1, … ,Em. Para ilustrar con un ejemplo cotidiano, supongamos que cuando un dispositivo electrónico deja de funcionar en mi casa, generalmente o siempre ha sido porque un solo componente de ese dispositivo está funcionando mal. Por lo tanto, cuando mi control remoto deja de funcionar hoy, tengo alguna razón para pensar que hay algún componente del control remoto que está funcionando mal, suponiendo, por supuesto, que considero probable que este nuevo evento tenga el mismo tipo de explicación que los eventos anteriores, tal vez porque todos estos casos involucran dispositivos electrónicos. De esta manera, una preferencia probabilística local por teorías más simples surgiría naturalmente en la explicación de Lange, es decir, sin que la explicación tenga que apelar a alguna lista específica de virtudes explicativas que siempre cuentan a favor de una teoría.

Una ventaja importante de las teorías probabilísticas emergentes frente a las restrictivas es que las primeras parecen ofrecer una justificación independiente para preferir hipótesis más explicativas. En lugar de simplemente estipular que la racionalidad nos obliga a preferir hipótesis más explicativas, las teorías probabilísticas emergentes pretenden explicar por qué esa preferencia surgiría bajo supuestos naturales sobre distribuciones de probabilidad previas. Sin duda, para el probabilista emergente sigue existiendo un problema estrechamente relacionado: explicar por qué los supuestos “naturales” sobre distribuciones de probabilidad previas deben considerarse correctos –o incluso por qué merecen ser llamados “naturales”.Nota20 Así, los defensores de las teorías probabilísticas restrictivas pueden replicar que el paso supuestamente problemático de postular ciertas restricciones a las probabilidades previas para dar cabida a preferencias por hipótesis más explicativas tiene un análogo cercano en los argumentos dados por los probabilistas emergentes.

2.4 Puntos de vista híbridos

Hasta ahora hemos explorado las explicaciones inferenciales y probabilísticas del razonamiento abductivo, que consideran respectivamente el razonamiento abductivo como una teoría sui generis. El tercer tipo de explicación combina aspectos de estos dos tipos de explicación. Estas explicaciones híbridas sostienen que el razonamiento abductivo se manifiesta tanto como un tipo específico de inferencia, como la EBI, y también como una preferencia por explicar mejor las teorías en un enfoque probabilístico del razonamiento científico.

Una forma de desarrollar una explicación híbrida es argumentar que los agentes participan en dos formas bastante distintas de razonamiento abductivo que tienen poco que ver entre sí. En particular, uno podría inspirarse en los epistemólogos que sostienen que las creencias y las creencias plenas son tipos de actitudes distintos, y sin embargo igualmente reales y fundamentales. Estos dos tipos de actitudes darían lugar a dos formas distintas de razonamiento, inferencial y probabilístico, que ocurrirían simultáneamente e independientemente en un único agente. Es importante para nuestros propósitos que estas dos formas de razonamiento podrían estar influenciadas por consideraciones explicativas, aunque no necesariamente las mismas consideraciones explicativas en cada caso. Por ejemplo, se podría argumentar que los agentes racionales forman creencias completas empleando una teoría de la influencia intelectual de estilo Harman mientras que actualizan simultáneamente sus probabilidades personales otorgando bonificaciones a teorías más explicativas, como en la condicionalización abductiva. Podríamos llamar a esto una explicación dualista del razonamiento abductivo.

Otra forma de desarrollar una explicación híbrida es argumentar que uno de los dos tipos de razonamiento es, de algún modo, más fundamental que el otro. En particular, varios filósofos han sugerido que alguna forma de inferencia basada en la explicación, como la EBI, podría servir como un dispositivo heurístico fiable para aproximarse al razonamiento probabilístico correcto. La idea que motiva este punto es que, en general, es mucho más fácil y sencillo para los agentes no ideales hacer inferencias abductivas como la IBE que realizar correctamente cualquier tipo de actualización probabilística. Después de todo, esta última requiere que los agentes lleven un registro de las probabilidades que deberían asignar en un momento dado tanto a las hipótesis como a las potenciales evidencias, lo que a su vez requiere calcular repetidamente probabilidades condicionales a partir de hipótesis previas y probabilidades. Por el contrario, un procedimiento inferencial como la EBI no requiere que los agentes asignen probabilidades a nada, ni que actualicen constantemente esas probabilidades a la luz de nueva información. Todo lo que requiere es que los agentes estimen ocasionalmente qué tan bien una serie de teorías ya formuladas explican la evidencia que han obtenido en ese momento.

La idea de que el razonamiento probabilístico es demasiado difícil para los agentes ordinarios está respaldada por sólidos resultados psicológicos que sugieren que las personas son en general propensas a sesgos sistemáticos en el razonamiento probabilístico, y que tales sesgos están presentes incluso entre aquellos que están familiarizados con el razonamiento probabilístico. Estos resultados indican que puede ser una mala idea que los agentes ordinarios intenten siquiera participar directamente en el razonamiento probabilístico en el día a día, incluso si dicha actualización probabilística es lo que es idealmente racional (es decir, racional para agentes ideales que no sufren sesgos sistemáticos y otras limitaciones cognitivas). Además, independientemente de si debemos participar o no en la actualización probabilística, parece bastante claro a partir de estos resultados que pocos de nosotros lo hacemos , excepto quizás cuando se nos pide específicamente que lo hagamos, por ejemplo, cuando las hipótesis en cuestión se refieren explícitamente a probabilidades. En la terminología de Kahneman, participamos principalmente en el pensamiento más rápido y automático del "Sistema 1", en oposición al pensamiento más lento y que requiere más esfuerzo del "Sistema 2", en el que se realizarían cálculos probabilísticos cuidadosos.

Estas consideraciones dan lugar a lo que podríamos llamar la explicación heurística del razonamiento abductivo. Según esta explicación, la forma ideal de razonamiento científico sería probabilística de principio a fin. Sin embargo, dado que los agentes ordinarios a menudo no pueden o están mal situados para realizar dicho razonamiento, se aproximan a él haciendo en su lugar inferencias abductivas, como las IBE, que producen resultados suficientemente similares a los que resultarían de razonar probabilísticamente de una manera idealmente racional. En contraste con la explicación dualista esbozada anteriormente, la explicación heurística considera que el razonamiento probabilístico es normativamente más fundamental, en el sentido de que es el estándar último de evaluación para el razonamiento científico al que las inferencias abductivas deberían aproximarse de alguna manera. Dicho esto, los defensores de las explicaciones heurísticas suelen argumentar que las inferencias abductivas son más omnipresentes que el razonamiento explícitamente probabilístico, en el sentido de que es el tipo de razonamiento en el que la mayoría de los agentes humanos de hecho participan con mayor frecuencia.

Por supuesto, la inferencia abductiva sólo puede servir como heurística de esta manera si de hecho se aproxima al razonamiento probabilístico normativamente correcto. Dicho esto, la inferencia abductiva no necesita concordar con el razonamiento probabilístico exactamente y en todos los casos para servir como heurística en este sentido, ya que —al igual que con cualquier otra heurística— puede fallar en casos extraordinarios y proporcionar sólo en casos normales, la inferencia abductiva, por lo menos, se aproxima al razonamiento probabilístico normativamente correcto en la mayoría de los casos, o al menos en muchos de ellos. Para demostrarlo, la explicación heurística puede tomar ejemplo de las explicaciones probabilísticas, que (recordemos) sugieren que las preferencias por hipótesis mejor explicativas o bien restringen las asignaciones de probabilidad previas de los agentes racionales, o surgen de ellas. En cualquier caso, parece que deberíamos esperar que las inferencias abductivas en general recomienden aceptar las teorías que son más probables desde el punto de vista bayesiano, porque ambas formas de razonamiento están influidas por el mismo conjunto de consideraciones, a saber, las explicativas.

Para ilustrar este punto, consideremos el ejemplo que presenta Okasha (2000) de un médico que examina a un niño herido y formula dos hipótesis en competencia: que se ha desgarrado un músculo (H1 ); y que se ha desgarrado un ligamento (H2 ). El médico decide que H2 ofrece la mejor explicación de los síntomas observados y, utilizando la EBI, por lo tanto acepta provisionalmente H2 . Cuando se le pide que explique su razonamiento, el médico dice: "en primer lugar, los niños preadolescentes rara vez se desgarran los músculos, pero a menudo se desgarran los ligamentos. En segundo lugar, los síntomas, aunque compatibles con cualquiera de los dos diagnósticos, son exactamente los que esperaríamos si el niño se ha desgarrado un ligamento, aunque no si [el niño] se ha desgarrado un músculo. Por lo tanto, la segunda hipótesis es preferible". Según Okasha, este razonamiento coincide con el siguiente argumento probabilístico para asignar una probabilidad mayor a H2 que a H1 : “dada la información de fondo, la probabilidad previa de H2 es mayor que la de H1 [es decir,  Pr (H1) < Pr (H2)]; la probabilidad de la evidencia condicional a H2 es mayor que su probabilidad condicional a H1 [es decir,  Pr (E|H1) < Pr (E|H2)];, por lo tanto, la probabilidad posterior de H2 es mayor que la de H1  [es decir,  Pr’ (H1) < Pr’ (H2)];

Sin embargo, hay que tener en cuenta que la sugerencia de Okasha sobre que la IBE coincide con la actualización probabilística sólo funciona si aceptamos sus suposiciones probabilísticas, es decir, que  Pr (H1) < Pr (H2)  y  Pr (E|H1) < Pr (E|H2). Por supuesto, esto es precisamente lo que las teorías probabilísticas sugieren que deberíamos hacer de diferentes maneras. En concreto, las teorías probabilísticas restrictivas sostienen que, dado que H2 explica mejor que H1 , la racionalidad nos exige asignar probabilidades de modo que favorezcamos a H2 sobre H1 de alguna manera; mientras que las teorías probabilísticas emergentes sostienen que esta preferencia probabilística de H2 sobre H1 queda fuera de otras restricciones motivadas independientemente sobre las asignaciones de probabilidad previas. Por el contrario, si uno rechaza por completo la idea de que a las hipótesis más explicativas se les debería asignar una probabilidad mayorprobabilidades previas, entonces la sugerencia de Okasha no será convincente, porque entonces la inferencia basada en la EII del médico podría coincidir con que es racional asignar probabilidades más bajas a hipótesis que brindan explicaciones "mejores", por ejemplo, en que  Pr (H1) < Pr (H2)   y/o  Pr (H1|E) < Pr (H2|E. Por esta razón, las explicaciones heurísticas del razonamiento abductivo deben asumir, sin lugar a dudas, que las asignaciones de probabilidad racional favorecen las hipótesis que brindan mejores explicaciones, como lo indican las explicaciones probabilísticas.

Otro problema de las teorías heurísticas es el tipo de conclusión que una inferencia abductiva garantizaría al mismo tiempo que se aproximara al razonamiento probabilístico. Inicialmente, uno podría haber esperado que las inferencias abductivas garantizaran algo así como una asignación de alta probabilidad a (y, por lo tanto, tal vez, una creencia plena en)Nota24 la hipótesis inferida. Sin embargo, nótese que este no es el tipo de conclusión que se extrae en el ejemplo de Okasha, donde el médico simplemente concluye que “la probabilidad posterior de H2 es mayor que la de H1 ”, es decir, que  Pr’ (H1) < Pr’ (H2). Esta es una afirmación comparativa, respecto de las probabilidades relativas de H1 y H2 . Como tal, es compatible con que a H1 y H2 se les asignen probabilidades arbitrariamente bajas en términos absolutos, y por lo tanto no necesariamente justificaría una asignación de alta probabilidad a (y mucho menos una creencia plena en) H1 o H2 . De hecho, es difícil ver cómo el razonamiento abductivo del médico en el ejemplo de Okasha podría proporcionarle una conclusión más definitiva que la afirmación sobre las probabilidades relativas de H1 y H2 , ya que incluso el argumento abductivo trata de afirmaciones comparativas sobre qué tipo de lesión es más común en los niños, por un lado, y qué lesión se ajusta mejor a los síntomas, por el otro.

Se podría pensar que esta estructura comparativa con el ejemplo de Okasha es incidental, y que se podría desarrollar una explicación heurística en la que la inferencia abductiva sirva como heurística para asignaciones de probabilidad absoluta, en oposición a las meramente comparativas. Sin embargo, Dellsén plantea un problema para las explicaciones heurísticas de este tipo. Como debería ser evidente a partir de cómo se combina el teorema de Bayes con la condicionalización bayesiana (véase § 2.3 ), la probabilidad posterior absoluta de H1 ,  o Pr’(H1), está determinada no sólo por lo anterior  Pr’(H1), y la verosimilitud  Pr (E|H1), sino también por  Pr(E).​)

Este término –la probabilidad de la evidencia misma, a veces llamada verosimilitud marginal (marginal likelihood)-  es notoriamente difícil de estimar con alguna fiabilidad, porque el bayesianismo dicta que debe ser igual a una suma ponderada de las probabilidades previas y de todas las hipótesis en competencia en el espacio lógico, incluyendo no sólo H1 y H2 sino también cualquier otra hipótesis que aún no se haya formulado –y tal vez nunca se haya formulado–. Además, las diversas consideraciones explicativas que se supone guían la inferencia abductiva no parecen ser de mucha ayuda para estimar este término, ya que se refieren a características de las hipótesis mismas o a su relación con la evidencia, no a características de otras hipótesis o a su relación con la evidencia.

Por este tipo de razones, Dellsén sugiere que la EBI no puede servir, en general, como una heurística confiable para asignaciones de probabilidad absoluta. Sin embargo, según Dellsén, esto no significa un desastre para la explicación heurística del razonamiento abductivo, ya que la EBI todavía puede servir como una heurística confiable para comparaciones probabilísticas del tipo que vimos en el ejemplo de Okasha. Aunque tales conclusiones comparativas a veces son menos informativas de lo que nos gustaría (ya que no nos dicen cuán seguros debemos estar de que una teoría específica es verdadera), aún pueden proporcionar una gran cantidad de orientación racional para el científico en ejercicio. Por ejemplo, la conclusión comparativa de que H2 (ligamento desgarrado) es más probable que H1 (músculo distendido) podría impulsar al médico de Okasha a solicitar pruebas diagnósticas centradas en el ligamento del niño en lugar del músculo. En este sentido, H2 se convierte en la "hipótesis de trabajo" del médico. En resumen, la conclusión comparativa de que algunas hipótesis particulares son más probables que sus rivales puede ayudar a los científicos en ejercicio a centrar sus investigaciones posteriores en las más probables de dichas hipótesis.

Vale la pena señalar que el argumento de Dellsén de que la EBI solo puede servir como una heurística para comparaciones probabilísticas está dirigido a las formulaciones estándar de la EBI del tipo defendido por Harman (1965) y Lipton (2004) . Por lo tanto, una forma alternativa de evitar el argumento es modificar la propia explicación de la IBE, o de la inferencia abductiva en general, de modo que se ajuste mejor a lo que se requiere de los agentes racionales que desean realizar asignaciones de probabilidad absoluta. Una idea plausible es que esto podría hacerse exigiendo no sólo que la hipótesis inferida proporcione una mejor explicación que sus rivales existentes, sino también que la explicación sea lo suficientemente buena en algún sentido. De hecho, Dellsén hace una sugerencia concreta en este sentido, argumentando que una forma más exigente de EBI –que requiere que un agente pase por un proceso de recopilación de más evidencias e intente formular explicaciones superiores, que se extiende en el tiempo– es capaz de emitir veredictos absolutos. Examinaremos esta sugerencia, junto con otras similares, en la Sección 4. Por ahora, sin embargo, simplemente observemos que tales sugerencias implican modificar la EBI de manera bastante sustancial respecto de lo que normalmente se considera que implica.

3 ¿Por qué preferir hipótesis explicativas?

Esta sección se centra en el hecho de que en el razonamiento abductivo, uno infiere o asigna una probabilidad más alta a la hipótesis que mejor explica la evidencia de uno. Pero ¿qué fundamentos, si los hay, hay para preferir hipótesis que proporcionen mejores explicaciones de esta manera? Para comenzar a responder a esta pregunta, comenzaremos considerando con más detalle lo que diferentes autores quieren decir cuando afirman que una hipótesis proporciona una "mejor explicación" que otra (§ 3.1 ). Luego contrastamos dos posibles razones bastante diferentes para preferir mejores explicaciones, basadas respectivamente en consideraciones epistémicas y pragmáticas (§ 3.2 ). Estas opiniones contrastantes se ponen a prueba en las dos secciones siguientes al considerar dos formas diferentes en las que a menudo se dice que algunas hipótesis explican mejor que otras, a saber, con respecto a la medida en que la hipótesis explica una gama más amplia de fenómenos (§ 3.3 ), y la medida en que la hipótesis postula menos cosas con las que hacer la explicación (§ 3.4 ).

3.1 Concepciones de la bondad explicativa

Para poder responder a la pregunta de qué justifica una preferencia por hipótesis que expliquen mejor la evidencia, primero debemos aclarar qué puede querer decirse cuando se dice que una hipótesis “explica mejor” que otra. En resumen, debemos preguntarnos: ¿qué es la bondad explicativa?

La respuesta más popular a esta pregunta se deriva de Harman (1965) . Recordemos que según Harman, el juicio de que una hipótesis explica mejor que otra “se basará [presumiblemente] en consideraciones tales como qué hipótesis es más simple, cuál es más plausible, cuál explica más, cuál es menos ad hoc , etcétera”.  La sugerencia de Harman, entonces, es concebir la bondad explicativa en términos de una lista de factores aparentemente independientes, ahora a menudo denominados virtudes explicativas , que determinan conjuntamente la bondad explicativa de una hipótesis dada. Esta idea ha sido adoptada por la mayoría de los teóricos del razonamiento abductivo, muchos de los cuales también la han desarrollado proporcionando su propia lista de tales virtudes y descripciones asociadas de lo que equivalen. Llamemos a esto la concepción teórica de la virtud de la bondad explicativa.

Una cuestión crucial para la concepción de la teoría de la virtud es, por supuesto, qué factores se consideran “virtudes explicativas” a sus efectos. Entre las virtudes más populares y ampliamente discutidas se encuentran las siguientes:

Alcance: ¿Cuántos fenómenos diferentes (o tipos de ellos) explicaría la hipótesis?

Parsimonia: ¿Cuántas entidades nuevas (o tipos de ellas) se postulan mediante la hipótesis o sus explicaciones?

Unificación: ¿En qué medida la hipótesis unifica fenómenos (o tipos de ellos) que de otro modo serían dispares?

Plausibilidad: ¿Hasta qué punto se ajusta la hipótesis a lo que uno ya supone saber?

Analogía: ¿Qué tan similares son las explicaciones de la hipótesis a otras explicaciones establecidas?

También se han propuesto otras numerosas virtudes explicativas putativas, como: la simplicidad o elegancia con que se formula la hipótesis; su fertilidad o fecundidad para investigaciones posteriores; la posibilidad de comprobar o refutar la hipótesis; y el grado en que no contiene elementos ad hoc. Además, varios autores utilizan términos diferentes para las virtudes descritas anteriormente. Cabe decir que muchas de las características que se han descrito como virtudes explicativas en el contexto del razonamiento abductivo han sido consideradas durante mucho tiempo como características positivas de las teorías científicas, incluso por autores que podrían no considerarse defensores del razonamiento abductivo.

Existe un considerable desacuerdo sobre cuáles de estas características deben considerarse operativas en el razonamiento abductivo. Considérese, por ejemplo, la supuesta virtud explicativa de la comprobabilidad, que se refiere al grado en que una teoría tiene consecuencias fácilmente comprobables. Aunque, por supuesto, sería bueno, en un sentido general del término, tener teorías que sean más comprobables, no parece plausible que la comprobabilidad de una teoría haga que sea más probable que sea verdadera. Más bien, la comprobabilidad es una característica que hace que una teoría sea buena sólo en el sentido de que será más fácil averiguar si las teorías más comprobables son verdaderas. De manera similar, el hecho de que una teoría esté formulada de una manera conceptualmente simple o elegante no es, posiblemente, algo que indique que la teoría tenga más probabilidades de ser verdadera; más bien, simplemente sugiere que la teoría es más fácil trabajar con él, por ejemplo porque es más fácil derivar predicciones y explicaciones de él.

Para analizar esta situación, puede ser útil introducir una distinción entre virtudes epistémicas y pragmáticas . Las virtudes epistémicas son características de una teoría que proporcionan algún indicio, por falible que sea, de que la teoría virtuosa tiene más probabilidades de ser verdadera. Las virtudes pragmáticas, por el contrario, son características que vienen con algún beneficio pragmático o práctico, como hacer más conveniente el uso de la teoría para diversos fines. En principio, una virtud explicativa dada podría ser tanto epistémica como pragmática, pero a menudo llamar a algo virtud pragmática conlleva tácitamente la implicación de que no es también una virtud epistémica. Por ejemplo, a la luz del párrafo anterior, parece plausible que la comprobabilidad y la simplicidad/elegancia sean (meramente) virtudes pragmáticas. En cambio, la mayoría de los defensores del razonamiento abductivo argumentan que al menos algunas de las otras virtudes enumeradas anteriormente, por ejemplo, el alcance y la parsimonia, son virtudes epistémicas, aunque no siempre están de acuerdo en cuáles gozan de este estatus especial. (Más sobre estas virtudes en los §§ 3.3 – 3.4 a continuación.)

Independientemente de qué virtudes explicativas estén en juego en el razonamiento abductivo, y de si son epistémicas o (meramente) pragmáticas, uno podría preguntarse cómo exactamente se supone que estas virtudes determinan la bondad explicativa general de una hipótesis. Esta cuestión se ha abordado con cierto detalle en relación con la elección de teoría en general, donde Okasha (2011) sostiene que no se pueden satisfacer todas ciertas restricciones aparentemente plausibles para determinar qué teoría es la que mejor explica en términos generales en relación con un cierto número de virtudes explicativas. En particular, Okasha sugiere que, contrariamente a lo que se podría haber pensado de antemano, para determinar qué teoría es la que mejor explica en términos generales es necesario estimar no sólo qué teorías son mejores que otras en relación con virtudes particulares, sino también cuánto mejor lo son esas teorías en relación con esas virtudes. Si Okasha tiene razón, entonces un científico que quiera determinar qué teoría ofrece la mejor explicación en términos generales debe encontrar alguna forma de medir cuánto más o menos alcance, parsimonia, etc., tiene cada teoría en comparación con sus rivales.

Hasta ahora hemos considerado la concepción teórica de la virtud de la bondad explicativa en diversas formas. La concepción teórica de la virtud se asume en la mayoría de las discusiones sobre el razonamiento abductivo, peroReferencia LiptonCuriosamente, Lipton (2004) parece...En la perspectiva de Lipton, la bondad explicativa (o “belleza”, como él la llama) está determinada por cuánta comprensión proporcionaría una hipótesis explicativa si fuera verdadera. Cuanto mayor o más profunda sea la comprensión que proporcionaría la hipótesis, más “bella” es –y en esa medida debe preferirse o inferirse en la EBI (Referencia LiptonLipton, 2004 , 59–60). SiguiendoReferencia ElliottElliott (2021) , llamémosla la concepción subjuntiva de la bondad explicativa.

Ahora bien, las concepciones subjuntiva y virtuosa de la bondad explicativa son claramente conceptualmente distintas, de modo que uno podría sospechar que la aprobación de Lipton de la concepción subjuntiva estaría respaldada por argumentos en contra de la concepción virtuosa. No es así. En cambio,  Lipton adopta una posición conciliadora según la cual nuestros juicios sobre la relativa “belleza” de dos hipótesis explicativas (elaborados según la concepción subjuntiva) tienden a coincidir en la medida en que las virtudes explicativas favorecen a una de las hipótesis sobre la otra. Sin embargo, cabe señalar que el análisis que hace Lipton de esta cuestión es breve y Lipton no se compromete explícitamente con respecto a lo que se considera una virtud explicativa. Además, Lipton dice poco acerca de qué es lo que hace que una hipótesis nos proporcione “más comprensión” que otra, es decir, en qué consiste la “belleza”. Esto hace que la propuesta de Lipton sea difícil de evaluar.

Un análisis más exhaustivo de la cuestión lo proporciona Elliott, quien sostiene que las concepciones subjuntivas y de la teoría de la virtud a menudo divergen en sus juicios sobre si una hipótesis explica “mejor” que otra.  Por ejemplo, Elliott contrasta dos hipótesis que podrían utilizarse para explicar por qué podemos observar la luz de estrellas que están extremadamente lejanas. La primera es la hipótesis comúnmente aceptada de que “el universo tiene alrededor dE13.800 millones de años y la velocidad de la luz es constante en el vacío”. Esto explica por qué vemos estrellas tan distantes asumiendo que la luz ha tenido un tiempo muy largo para viajar, a una velocidad constante, desde las estrellas hasta nosotros. Una segunda hipótesis, inspirada por el creacionismo, es que “el universo tiene entre 6.000 y 10.000 años y la velocidad de la luz ha ido disminuyendo desde la creación del universo”. Esta hipótesis pretende explicar por qué podemos ver estrellas distantes asumiendo que la luz viajaba a una velocidad mucho mayor, lo que le permitía cubrir toda esa distancia entre nosotros y ellas en solo 6.000-10.000 años. Ahora bien, la primera de estas hipótesis parece exhibir virtudes teóricas en mayor grado que la segunda, por ejemplo en que tiene mayor plausibilidad a la luz del conocimiento previo y es menos ad hoc en la medida en que postula una constante mientras que la segunda postula una variable que debe ajustarse para explicar los datos. Sin embargo, según Elliott, ninguna de las hipótesis, de ser cierta, proporcionaría más comprensión que la otra. Después de todo, cada una, de ser cierta, haría que nuestras observaciones de estrellas distantes sean perfectamente comprensibles y no dejen ningún misterio en cuanto a por qué estas estrellas son visibles.

A partir de este ejemplo y otros similares, Elliott concluye que las dos concepciones –la subjetiva y la de la teoría de la virtud– no son extensionalmente equivalentes. Además, puesto que la primera de las hipótesis anteriores es claramente más plausible que la segunda, la concepción de la teoría de la virtud es más adecuada para explicar la noción de bondad explicativa con la que funcionaría una explicación plausible del razonamiento abductivo. Así, no sólo divergen las concepciones del subjuntivo y de la teoría de la virtud; cuando lo hacen, Elliott sugiere que debería preferirse la concepción de la teoría de la virtud a la alternativa subjuntiva que Lipton parece respaldar. Otra razón para preferir la concepción de la teoría de la virtud es que no está del todo claro a qué equivale la concepción subjuntiva, puesto que Lipton no dice qué significaría que una hipótesis proporcionara “más comprensión” que otra. Por lo menos, parece claro que la concepción del subjuntivo en este punto todavía no está lo suficientemente desarrollada como para desafiar la concepción de la teoría de la virtud. Por esta razón, asumiré en su mayor parte una concepción teórico-virtualista en lo que queda de este Elemento.

3.2 ¿Las virtudes explicativas siguen la verdad?

A la luz de la sección anterior, parece que la concepción más plausible de lo que significa que una hipótesis “explique mejor” que otra apela a varias virtudes explicativas. Equipados con esta concepción de lo que sería la bondad explicativa, pasemos ahora a la cuestión de por qué deberíamos preferir hipótesis que proporcionen mejores explicaciones en este sentido. (Debemos tener en cuenta, sin embargo, que la opinión de uno sobre por qué deberían preferirse teorías explicativamente mejores dependerá claramente, al menos en cierta medida, de qué es la bondad explicativa. En particular, ciertas opiniones sobre por qué deberían preferirse teorías explicativamente mejores funcionan mejor cuando la lista de virtudes explicativas se limita a aquellas que se consideran plausiblemente como virtudes epistémicas, en oposición a meramente pragmáticas.)

La respuesta más simple y quizás la más popular es que deberíamos preferir hipótesis que expliquen mejor las cosas porque tienen más probabilidades de ser verdaderas (o, tal vez, tienen más probabilidades de ser aproximadamente verdaderas).Nota31 Dada la concepción teórico-virtual de la bondad explicativa, esto equivale a la opinión de que las virtudes explicativas que operan en el razonamiento abductivo conducen a la verdad : si una hipótesis posee estas virtudes en mayor medida que las alternativas, por lo tanto, es más probable que la hipótesis sea verdadera, si todo lo demás permanece igual. Dado que la idea de que las teorías científicas establecidas tienen probabilidades de ser verdaderas a menudo se asocia con el realismo científico llamemos a esta visión realismo sobre la bondad explicativa. Como veremos, hay dos versiones importantes y diferentes de esta visión. Estas sostienen, respectivamente, que hay razones empíricas para pensar que las hipótesis mejor explicativas tienen más probabilidades de ser verdaderas –llamémosle a esto realismo a posteriori–  y que esto se puede demostrar sin apelar a consideraciones empíricas –llamémosle a esto realismo a priori–.

Por supuesto, se pueden rechazar ambos tipos de realismo sobre la bondad explicativa. El antirrealismo sobre la bondad explicativa sostiene que las hipótesis que explican mejor no tienen, como tales, más probabilidades de ser verdaderas que las que explican peor. Dada la concepción teórica de la virtud de la bondad explicativa, esto equivale a la opinión de que las virtudes explicativas que operan en el razonamiento abductivo no conducen a la verdad. Ahora bien, los antirrealistas generalmente piensan que al menos algunas virtudes explicativas son virtudes pragmáticas, por lo que en cierto sentido respaldan el razonamiento abductivo, aunque sólo con fines pragmáticos. Llamemos a esto antirrealismo pragmático. Dicho esto, los antirrealistas también podrían rechazar por completo la idea de que la bondad explicativa, o las virtudes explicativas, tengan algún papel que desempeñar en la ciencia. En ese caso, podría decirse que quedaría poco por respaldar en la idea del razonamiento abductivo, por lo que los antirrealistas de este tipo en realidad estarían sugiriendo eliminar por completo el razonamiento abductivo. Llamemos a esto antirrealismo eliminativo.

Los argumentos a favor y en contra de las distintas concepciones realistas y antirrealistas de la bondad explicativa han tendido a centrarse en la capacidad de conducir a la verdad de alguna virtud o virtudes explicativas particulares. De hecho, como veremos, es perfectamente razonable sostener que algunas de las virtudes explicativas con las que opera el razonamiento abductivo conducen a la verdad mientras que otras no, y por lo tanto ser realista en relación con algunas virtudes y antirrealista en relación con otras. Para centrar el debate, concentrémonos en dos de las virtudes explicativas más ampliamente discutidas, a saber, el alcance y la parsimonia. Como veremos, los debates entre realistas y antirrealistas en relación con estas dos virtudes se desarrollan de maneras bastante diferentes.

3.3 Alcance: Explicar más

Comencemos por considerar el alcance . Recordemos que esto se refiere al grado en que una hipótesis dada explica muchos fenómenos diferentes (o tipos de ellos). Esta característica de algunas teorías fue discutida célebremente por William Whewell (1858) , quien acuñó el término “consiliencia de inducciones”. Para Whewell, este término se aplica a los casos en los que una teoría recibe apoyos de piezas de evidencia diferentes o no relacionados, en lugar de estar respaldada por evidencia que es similar o estrechamente relacionados. Whewell argumentó que esto equivale a una razón especialmente poderosa para aceptar una teoría:

El hecho de que reglas que surgen de fuentes remotas y desconectadas lleguen así al mismo punto sólo puede deberse a que ese es el punto en el que reside la verdad. […] Por consiguiente, los casos en que inducciones de clases de hechos completamente diferentes han saltado juntas pertenecen sólo a las teorías mejor establecidas que contiene la historia de la ciencia. (Whewell, 1858 , pág. 88)

El punto de Whewell aquí no es sólo que una teoría tiene más probabilidades de ser verdadera si se ajusta a una mayor cantidad de evidencia, sino que la teoría tiene especialmente probabilidades de ser verdadera si las diversas piezas de evidencia que la respaldan son “totalmente diferentes”.

Para un ejemplo concreto de cómo se utiliza esta virtud explicativa en el razonamiento científico, considere la estrategia argumentativa de Darwin en El origen de las especies. Darwin se esforzó mucho por presentar distintos tipos de hechos en apoyo de su teoría. Es decir, Darwin no se limitó a apelar una y otra vez a un único tipo de evidencia, aunque eso hubiera sido sin duda mucho más fácil. En cambio, Darwin apeló, entre otras cosas, a:

(i)                  diferencias en la flora y la fauna en regiones separadas por barreras geográficas, como los océanos;

(ii)                similitudes en ciertas partes de las anatomías de especies completamente distintas, como la mano humana y las alas de los murciélagos; y

(iii)               registros fósiles de algunos ancestros ahora extintos de las especies actuales. De hecho, al resumir su argumento a favor de la selección natural, Darwin señala explícitamente que su teoría explica “varias grandes clases de hechos”, sugiriendo que su argumento fue impulsado deliberadamente por el deseo de demostrar el alcance superior de su teoría.

¿Cómo podría un realista en cuanto a la bondad explicativa argumentar que el alcance es un indicador de verdad? Una posibilidad es adoptar un enfoque empírico o a posteriori. En particular, se podría sugerir que la historia de la ciencia está llena de ejemplos en los que una teoría que explica un mayor número de fenómenos diferentes ha resultado ser verdadera con mayor frecuencia que teorías rivales que explican menos. Este parece haber sido el enfoque de Whewell, quien examinó varias de las teorías físicas “mejor establecidas” de la época y concluyó que muchas de ellas exhibían “consiliencia”, es decir, alcance, en un grado impresionante.Nota32 Sin embargo, un problema con este enfoque es que para evaluar que la consiliencia es un indicador de verdad, uno tendría que asumir que las teorías supuestamente “mejor establecidas” en un momento dado también son verdaderas (o al menos aproximadamente verdaderas).Los defensores de la bondad explicativa podrían legítimamente quejarse de que tal suposición es una flagrante petición de principio, ya que generalmente rechazan que las teorías que se consideran “mejor establecidas” en un momento dado también sean verdaderas (o aproximadamente verdaderas). Además, los antirrealistas podrían rechazar tal suposición basándose en sus propios fundamentos empíricos, señalando que muchas de las teorías en las que Whewell basa su argumento, como la ley de gravitación universal de Newton y la teoría ondulatoria de la luz de Fresnel, han sido reemplazadas por teorías sustancialmente diferentes de esos fenómenos.

Por lo tanto, los realistas acerca del alcance pueden adoptar un enfoque no empírico, a priori. Esto implicaría argumentar que hay algo en el concepto mismo de alcance como virtud explicativa de lo que se sigue que las teorías con mayor alcance tienen más probabilidades de ser verdaderas. No está claro cómo procedería un argumento de este tipo, ya que parece claro que es epistémicamente posible que las teorías con menor alcance sean verdaderas con mayor frecuencia. Por esta razón, un argumento enteramente a priori para la conclusión irrestricta de que el alcance siempre conduce a la verdad no parece prometedor. Uno podría conformarse en cambio con algo más modesto, como mostrar que hay ciertas condiciones comúnmente satisfechas bajo las cuales tal argumento a priori sería válido. Esto es, en efecto, lo que algunos autores han hecho probando o apelando a ciertos resultados en la teoría de la probabilidad, donde los resultados probabilísticos en sí mismos son a priori mientras que es a posteriori si las condiciones en las que son aplicables se satisfacen en un caso dado.

Para tener una idea de cómo funcionan estos resultados, considere un escenario simple en el que una hipótesis, H1 , explica algún hecho E1 pero no otro hecho E2 ; mientras que otra hipótesis, H2 , explica tanto E1 como E2 (y todo lo demás es igual). Lo que se necesita demostrar es que después de obtener E1 y E2 , la probabilidad posterior de H2 sería mayor que la de H1 . Dada la condicionalización bayesiana, esto debería ocurrir en caso de que ya se asigne una probabilidad mayor a H2 condicional a E1 y E2 que a H1 condicional a E1 y E2 , es decir,  Pr(H1|E1&E2) < Pr(H2|E1&E2)

  Ya nos encontramos con este tipo de desigualdad en la Sección 2.3 , excepto que en lugar de una única “E” ahora tenemos “E1 &E2 ”. Por lo tanto, por razones análogas, esta desigualdad se cumple en el caso de que:

Pr(E1&E2|H1)·Pr(H1) < Pr(E1&E2|H2)·Pr(H2)

Para mantener todo lo demás igual, podemos suponer que H1 y H2 no difieren en sus valores anteriores, de modo que  Pr(H1) = Pr(H2)   En ese caso la desigualdad se reduce a:

Pr(E1&E2|H1) < Pr(E1&E2|H2)

Dado que asumimos que H2 explica tanto E1 como E2 , mientras que H1 explica solo E1 , podría parecer plausible que H2 confiera una mayor probabilidaden E1 y E2 , es decir, que se cumple la desigualdad anterior. Sin embargo, para ver más claramente por qué sería así, reescribamos cada lado de la desigualdad utilizando la regla de conjunción probabilística (que es otro teorema de los axiomas de probabilidad):

Pr(E1|H1)·Pr(E2|E1&H1) < Pr(E1|H2)·Pr(E2|E1&H2)

Dado que tanto H1 como H2 explican E1 y se supone que todo lo demás es igual, supongamos también que  Pr(E1|H1) = Pr(E1|H2)  

En ese caso, la desigualdad anterior se simplifica a:

Pr(E2|E1&H1) < Pr(E2|E1&H2)  (Ecuación * para futuras referencias)

Aquí tenemos la desigualdad clave que se debe considerar para las comparaciones de alcance explicativo. Si (y solo si) se cumple esta desigualdad, las diferentes pruebas E1 y E2 confieren una mayor probabilidad a H2 que a H1 .

Para ver por qué parece plausible que se mantenga tal desigualdad, recordemos primero que estamos asumiendo que H2 explica E2 pero que H1 no lo hace. Por esta razón, parece que H2 por sí sola conferiría una mayor probabilidad a E2 que H1 por sí sola. Sin embargo, observe que las probabilidades en (*) son probabilidades de E2 en las conjunciones H1 & E1 y H2 & E1 . Es aquí donde el hecho de que E1 y E2 sean diferentes tipos de evidencia pasa a primer plano. Es porque E1 y E2 son de diferentes tipos que el hecho de que solo H2 explique E2 hace una diferencia real en las probabilidades de E2 en H1 & E1 y H2 & E1 respectivamente. De lo contrario, es decir, si E1 y E2 fueran el mismo tipo de evidencia, la inclusión de E1 en cada conjunción aumentaría por sí misma cada verosimilitud H1 &de E2 , de modo que  Pr(E2|H1 & E1) y Pr(E2|H2 & E1) serían ambos muy altos y, por lo tanto, plausiblemente cercanos a ser iguales.  Por el contrario, si y en la medida en que E1 y E2 son diferentes tipos de pruebas, parece que  Pr(E2|H1 & E1)   sería mucho más bajo que  Pr(E2|H2 & E1)  en virtud de que H2 es la única de las dos hipótesis que explica E2 .

Para ilustrar este punto, volvamos a la evidencia de Darwin sobre la selección natural. Consideremos que Darwin apela tanto a las diferencias biológicas entre regiones geográficamente separadas (Eg ), por un lado, como a las similitudes anatómicas entre diferentes especies biológicas (Ea ​​). Y comparemos la teoría de Darwin sobre la selección natural (Hn ), que explica tanto Eg como Ea , con una teoría que explica solo E g pero no E a , como la teoría de que Dios creó diferentes especies específicamente para habitar diferentes regiones geográficas (Hc ). Ahora bien, debido a queEsta teoría alternativa H c no logra explicar Ea , y debido a que Eg es un tipo de evidencia bastante diferente a Ea  – en el sentido de que uno no esperaría que Ea fuera el caso simplemente porque Eg lo es – parece que
Pr (Ea | Hc & Eg) sería bastante bajo. Por lo menos Pr (Ea | Hc & Eg)   será bajo en comparación con  Pr (Ea0 | Hn & Eg) , ya que Hn explica Ea : las similitudes anatómicas entre especies se explican, según la selección natural, por el hecho de que las especies tienen un ancestro común a partir del cual ha evolucionado su anatomía. Por lo tanto  Pr (Ea | Hc & Eg) < Pr (Ea | Hn & Eg).   Suponiendo que todo lo demás es igual, y por la misma derivación probabilística que antes, tendríamos que Hn termina con una probabilidad posterior mayor que Hc :  Pr’(Hc) < Pr’(Hn).

Así pues, parece que tenemos motivos para preferir hipótesis que expliquen una gama más amplia de diferentes tipos de evidencia, basadas en parte en ciertos hechos (a priori) sobre desigualdades probabilísticas. ¿Cómo podría responder a este argumento un antirrealista en cuanto a la bondad explicativa? La línea de objeción más prometedora parecería implicar no objetar los resultados probabilísticos en sí mismos –que se desprenden de los axiomas de probabilidad y, por lo tanto, están más allá de toda discusión razonable–, sino más bien algunas de las suposiciones o interpretaciones de estos resultados. Por ejemplo, un antirrealista podría argumentar que el hecho de que H2 explique piezas de evidencia no relacionadas E1 y E2 no implica que se cumpla la desigualdad (*). Después de todo, el antirrealista podría responder que no es probabilísticamente incoherente asignar probabilidades tales que violen esta desigualdad, incluso en casos de evidencia no relacionada, como la evidencia de Darwin para la selección natural. No hay nada intrínsecamente incoherente en alguien que asigna probabilidades de alguna otra manera, siempre y cuando, por supuesto, tenga cuidado de asignar probabilidades a otras hipótesis de acuerdo con el cálculo de probabilidad.

Si hay un sentido en el que el hecho de que E1 y E2 no estén relacionados implica que uno debe asignar probabilidades de modo que (*) se cumpla, el argumento anterior parecería suponer que existen restricciones a las asignaciones de probabilidad permisibles más allá de simplemente satisfacer los axiomas de probabilidad. Tal vez sea simplemente parte de lo que significa ser completamente racional asignar probabilidades de tal manera que para piezas de evidencia no relacionadas, las asignaciones de probabilidad de uno satisfagan ($*$). Sin embargo, el antirrealista podría rechazar fácilmente tales requisitos por ser oscuros o inmotivados. Esta es básicamente la línea adoptada por van Fraassen, quien argumenta que no existen restricciones sustantivas a las funciones de probabilidad permisibles más allá de satisfacer los axiomas de probabilidad. Esto significa que, si bien a un agente ciertamente se le permite epistémicamente asignar una probabilidad más alta a  Pr (E2|H2&E1) que a  Pr(E2|H1 & E1), de acuerdo con (*), no está de ninguna manera epistémicamente obligado a hacerlo. Esto encaja con la epistemología “voluntarista” más general de van Fraassen, en la que hay restricciones mínimas sobre lo que los agentes están epistémicamente autorizados a creer (Referencia de Fraassende Fraassen, 2002 ,Referencia van Fraassen y Monton2007 ).

Hagamos un balance. Una de las virtudes explicativas más celebradas es el alcance, es decir, la medida en que una hipótesis dada explica muchos fenómenos diferentes o tipos de ellos. Los realistas en lo que respecta al alcance sostienen que se trata de una virtud epistémica, es decir, que las hipótesis con mayor alcance tienen más probabilidades de ser verdaderas, mientras que los antirrealistas sostienen que el alcance es, como mucho, una consideración meramente pragmática. Algunos realistas han argumentado su postura señalando una supuesta correlación empírica entre un mayor alcance y una verdad (aproximada), pero estos argumentos se basan en supuestos que los antirrealistas han rechazado por considerarlos empíricamente falsos o que dan por sentado que no se puede hacer nada. Un argumento más prometedor en favor del realismo en lo que respecta al alcance apela a la teoría de la probabilidad. Si tiene éxito, este argumento demuestra que las hipótesis con mayor alcance tendrán, en igualdad de condiciones y en ciertas condiciones plausibles, una mayor probabilidad de ser verdaderas.

3.4 Parsimonia: postular menos

Pasemos ahora a la otra virtud explicativa en la que nos centraremos: la parsimonia . En la mayoría de los debates, la parsimonia se define como el grado en el que una hipótesis o sus explicaciones postulan menos entidades nuevas o tipos de ellas, donde el término “entidades” se entiende en sentido amplio para incluir cualquier cosa que pueda decirse que existe. A la parsimonia se la denomina a veces simplicidad ontológica , donde el calificativo “ontológico” –aunque lamentablemente a veces se omite– indica que no debe confundirse con otras formas de simplicidad. En particular, a veces se dice que una teoría es más simple en el sentido de que consta de menos afirmaciones o principios distintos; a esto se lo suele denominarlo elegancia sintáctica. Por el contrario, la parsimonia (es decir, la simplicidad ontológica) no se refiere al número de afirmaciones o principios que constituyen la teoría en sí, sino al número de entidades, o tipos de ellas, con las que la teoría está ontológicamente comprometida. En resumen, la parsimonia se refiere a la simplicidad del mundo según la teoría, mientras que la simplicidad o elegancia sintáctica se refiere a la simplicidad de la teoría en sí misma.

A veces se sugiere que se puede demostrar que la parsimonia conduce a la verdad de una manera bastante trivial. Esto implica comparar dos hipótesis, H1 y H2 , donde H2 es idéntica a H1 excepto que H1 postula algunas entidades (o tipos de ellas) no postuladas por H2 . Si todo lo demás es igual, entonces H1 y H2 explicarán, no obstante, el mismo rango de fenómenos y, más generalmente, serán igualmente virtuosos en otros aspectos. Por lo tanto, hay un sentido claro en el que las entidades adicionales (o tipos de ellas) postuladas por H1 son explicativamente superfluas y, de esa manera, posiblemente injustificadas. En una línea similar, se podría señalar que si H1 es idéntico a H2 excepto en la postulación de entidades adicionales (o tipos de ellas), entonces la probabilidad de H2 debe ser mayor que la de H1. Para ver por qué, note que H2 sería verdadera en todos los escenarios posibles en los que H1 es verdadera, pero no al revés  ; en particular, H1 no sería verdadera si sus entidades adicionales (o tipos de ellas) no existieran, mientras que en ese caso H2 aún podría ser verdadera.

Sin embargo, este tipo de argumento sólo ofrece una defensa muy limitada de la idea de que la parsimonia conduce a la verdad. Después de todo, sólo se aplica a los casos en los que se tienen en cuenta consideraciones de parsimonia para decidir entre teorías que son idénticas excepto en que una postula entidades adicionales (o tipos de ellas) no postuladas por la otra. Tales casos son atípicos. Mucho más comunes son los casos en los que cada teoría postula algunas entidades (o tipos de ellas) no postuladas por la otra. En tales casos, aunque hay una diferencia en el número de entidades (o tipos de ellas) postuladas por cada teoría, no es el caso de que la teoría que postula el mayor número de nuevas entidades (o tipos de ellas) postule todas las entidades (o tipos de ellas) postuladas por la otra teoría. En relación con esto, estos casos no son generalmente tales que algunas de las entidades (o tipos de ellas) postuladas por la teoría menos parsimoniosa sean explicativamente superfluas; más bien, desde el punto de vista de la teoría menos parsimoniosa, estas entidades (o tipos de ellas) son de hecho necesarias para explicar parte de la evidencia.

Consideremos, por ejemplo, la diferencia entre el modelo geocéntrico del sistema solar de Ptolomeo, por un lado, y los modelos heliocéntricos de Copérnico y Kepler, por el otro. Es bien sabido que los modelos heliocéntricos de Copérnico y, en especial, de Kepler implicaban la postulación de menos epiciclos que el modelo geocéntrico; de hecho, estos epiciclos podían llegar a eliminarse por completo del modelo heliocéntrico. Este suele considerarse un caso paradigmático de parsimonia que influye en la elección de teorías. Sin embargo, tenga en cuenta que el argumento que estamos considerando actualmente no puede utilizarse para explicar la preferencia por el modelo geocéntrico en este caso, ya que el modelo geocéntrico claramente no es idéntico al modelo heliocéntrico, excepto en que postula algunas entidades adicionales. Por ejemplo, el modelo heliocéntrico postula que todos los planetas giran alrededor del Sol, mientras que el modelo geocéntrico postula que el Sol y los demás planetas giran alrededor de la Tierra. En relación con esto, el modelo geocéntrico no postula ninguna entidad que sea explicativamente superflua desde su propio punto de vista: dado el compromiso central del modelo geocéntrico de colocar a la Tierra en el centro del sistema solar, los diversos epiciclos postulados por esa teoría son todos necesarios para explicar las observaciones astronómicas, como el aparente movimiento retrógrado de los demás planetas conocidos (de lo contrario, ¡no se habrían postulado en primer lugar!).

De modo que si existe un argumento general a favor de la veracidad de la parsimonia, no puede apelar simplemente a la supuesta superfluidad de las entidades (o tipos de ellas) postuladas por teorías menos parsimoniosas. ¿Cómo podría entonces un realista en cuanto a la bondad explicativa argumentar a favor de su posición respecto de la parsimonia? Como antes, hay dos opciones principales aquí. La primera es argumentar sobre bases a priori que las teorías más parsimoniosas tienen más probabilidades de ser verdaderas. En este sentido, Swinburne afirma que la capacidad de conducir a la verdad de la parsimonia es “un principio a priori último [es decir, fundamental]” que no puede justificarse por ninguna otra cosa.  Sin embargo, esta afirmación es difícil de aceptar ya que, como señala van Fraassen, afirmar que las teorías más parsimoniosas tienen más probabilidades de ser verdaderas parece implicar una suposición de que es más probable que el mundo contenga menos entidades (o tipos de ellas). Esa suposición es seguramente una cuestión contingente y, por lo tanto, no algo que pueda determinarse a priori, sino solo (si es que se puede) empíricamente.

La otra opción es argumentar que la parsimonia conduce a la verdad sobre bases empíricas. Tales argumentos generalmente apelan a una metodología naturalista en la que la práctica científica en sí misma se considera la mejor indicación, si no la única, de qué tipos de teorías tienen más o menos probabilidades de ser verdaderas. En particular, algunos filósofos han sugerido que los científicos, de hecho, prefieren teorías más parsimoniosas, y que el éxito general de la empresa científica en llegar a la verdad sugiere que esta preferencia puede considerarse conducente a la verdad. Por supuesto, los antirrealistas podrían responder sugiriendo que tal argumento es una petición de principio, porque según ellos tenemos poca o ninguna razón para pensar que la empresa científica está realmente descubriendo la verdad en lugar de, por ejemplo, simplemente aumentando su capacidad para generar teorías instrumentalmente útiles o empíricamente adecuadas.

Otra línea de objeción a la estrategia naturalista, a posteriori , para argumentar que la parsimonia conduce a la verdad se refiere a si los científicos realmente muestran una preferencia general por teorías más parsimoniosas. Salmon señala que en algunos campos, como la antropología y la sociología, las teorías complejas son en realidad preferidas a las teorías parsimoniosas sobre la base de que los fenómenos complejos generalmente requieren explicaciones. Francis Crick, el biólogo que descubrió la estructura helicoidal del ADN junto con James Watson, hizo observaciones similares. Crick sugiere que, si bien la parsimonia “es una herramienta útil en las ciencias físicas, puede ser una herramienta muy peligrosa en biología” Finalmente, BakerBaker (2007) analiza casos de la física del siglo XX en los que parece haberse preferido la complejidad a la parsimonia, con el argumento de que si es físicamente posible que exista un objeto, entonces (probablemente) realmente existe. Un ejemplo de ello es la consideración de Paul Dirac de la posible existencia de “monopolos” magnéticos, es decir, imanes con un solo polo magnético, dentro de la mecánica cuántica. Dirac argumentó que, dado que tales monopolos pueden existir según la mecánica cuántica, “uno se sorprendería si la Naturaleza no hubiera hecho uso de ellos”

Estos casos sugieren que, si bien los científicos en activo a veces consideran que la parsimonia conduce a la verdad, a veces se considera que lo opuesto a la parsimonia conduce a la verdad. Sin embargo, cabe señalar que en ambos casos los científicos están suponiendo que existe una característica de la teoría en cuestión (a saber, su parsimonia o falta de ella  ) que puede utilizarse para medir la probabilidad de que la teoría sea verdadera. Por lo tanto, hay un sentido en el que la parsimonia sigue desempeñando un papel importante en el razonamiento abductivo en tales casos; es solo que lo que normalmente se considera un "vicio" explicativo ahora funciona efectivamente como una virtud. De hecho, podemos generalizar este pensamiento al señalar que cualquier teoría puede presumiblemente ubicarse en una escala que va desde la parsimonia máxima hasta la parsimonia mínima. En diferentes circunstancias, el lugar exacto en el que se ubica una teoría en esta escala podría tomarse como un indicador de la probabilidad de que sea verdadera. Por ejemplo, uno podría pensar que, en ciertos dominios, es más probable que las explicaciones correctas exhiban un grado de parsimonia que sea, digamos, alto pero no máximo. En ese caso, lo que funciona como una virtud explicativa podría no ser la parsimonia simpliciter, sino más bien qué tan cerca están las teorías relevantes de la parsimonia alta pero no máxima.

En mi opinión, esto señala el camino hacia una visión plausible no sólo de la parsimonia, sino de la bondad explicativa en general, que en algunos sentidos trasciende la división entre realismo y antirrealismo. Podríamos llamarlo contextualismo sobre la bondad explicativa. Según esta visión, qué características de una teoría son conducentes a la verdad dependen del “contexto”, es decir, del fenómeno que se pretende explicar y de nuestras creencias previas sobre qué tipo de explicaciones probablemente requiera. En principio, estas características podrían ser cualquier propiedad fácilmente identificable de una teoría, pero en la ciencia real tienden a referirse al grado en que la teoría exhibe las virtudes explicativas enumeradas en la Sección 3.1, como el alcance y la parsimonia. Sin embargo, es importante señalar que más no siempre implica mejor, ya que las creencias de fondo de uno sobre un fenómeno particular podrían sugerir que la explicación correcta exhibe solo un grado moderado de alcance, un bajo grado de parsimonia, etc. Si es así, una teoría con estas características debería considerarse la “mejor” explicación –la que se debe preferir o inferir– incluso si otra teoría exhibe las virtudes explicativas en un grado mayor.

Este no es el lugar para desarrollar en detalle el contextualismo sobre la bondad explicativa, pero vale la pena comentar cómo se relaciona con el realismo sobre la bondad explicativa. Según mi formulación, el realismo sobre alguna virtud explicativa sostiene que esta virtud conduce a la verdad, es decir, que las hipótesis que exhiben esta virtud en mayor medida tienen más probabilidades de ser verdaderas, en igualdad de condiciones. El contextualismo niega esto, ya que sostiene que no hay una relación lineal o monótona entre exhibir la virtud relevante en mayor medida y tener más probabilidades de ser verdadera. Por ejemplo, el contextualismo sobre la parsimonia puede implicar que, en ciertos contextos, es más probable que una teoría compleja sea verdadera que una parsimoniosa. Sin embargo, el contextualismo –como el realismo– nos permite usar las virtudes explicativas como una guía para la verdad, porque el grado en que una hipótesis dada exhibe (o no) virtudes explicativas indica, dentro de un contexto dado, qué tan probable es que la hipótesis sea verdadera.

Hagamos un nuevo balance. La virtud explicativa de la parsimonia es la medida en que una hipótesis dada postula menos entidades nuevas o tipos de ellas. Los realistas en lo que respecta a la parsimonia sostienen que se trata de una virtud epistémica, es decir, que las hipótesis más parsimoniosas tienen más probabilidades de ser verdaderas, mientras que los antirrealistas sostienen que la parsimonia es, como mucho, una consideración meramente pragmática. Algunos realistas han sostenido que es de alguna manera un principio fundamental de la racionalidad que las teorías más parsimoniosas tienen más probabilidades de ser verdaderas. Sin embargo, esto parece entrar en conflicto con el hecho obvio de que el universo podría haber contenido un número mayor en lugar de menor de entidades (o tipos de ellas). Otros realistas han sostenido que los científicos, de hecho, prefieren teorías más parsimoniosas, y que el éxito general de las teorías científicas aceptadas indica que esta práctica es, de hecho, conducente a la verdad. Sin embargo, un contrapunto importante es que la preferencia por las teorías parsimoniosas parece no ser universal; más bien, los científicos a veces prefieren teorías complejas a las más parsimoniosas. Esto sugiere que la visión correcta de si las virtudes explicativas siguen la verdad es una visión “contextualista”, según la cual depende del contexto si, y en qué medida, una teoría más parsimoniosa tiene más probabilidades de ser verdadera que una más compleja.

4 ¿Es irracional el razonamiento abductivo?

Esta sección se centra en varios cuestionamientos a la idea de que el razonamiento abductivo es o podría ser racional. Estos cuestionamientos difieren de las preocupaciones expresadas en la sección anterior en que apuntan a la estructura del razonamiento abductivo más que a cualquier supuesto sustantivo sobre si las teorías que explican mejor tienen más probabilidades de ser verdaderas. En particular, estas objeciones sugieren que el razonamiento abductivo –o al menos algunas formas del mismo– llevará a los razonadores a adoptar actitudes que son o bien directamente incoherentes o bien altamente inverosímiles desde su propia perspectiva.

4.1 La objeción del lote malo

Como se mencionó brevemente en la Sección 2 , uno de los desafíos más influyentes al razonamiento abductivo es la objeción de van Fraassen a la teoría de la igualdad entre hombres y mujeres. En las memorables palabras del propio van Fraassen:

[La inferencia a la mejor explicación] es una regla que sólo selecciona las mejores hipótesis entre las que se dan históricamente. No podemos ver ningún enfrentamiento entre las teorías que hemos luchado con tanto esfuerzo por formular y las que nadie ha propuesto. Por lo tanto, nuestra selección puede muy bien ser la mejor de un grupo malo.

El problema básico que señala van Fraassen aquí es que tal vez no tengamos ninguna razón para pensar que alguna de las hipótesis explicativas disponibles sea verdadera. Las hipótesis que se han generado hasta ahora pueden ser todas falsas, en cuyo caso la explicación correcta la proporcionaría una hipótesis fuera del conjunto de hipótesis disponibles. En ese caso, la EBI nos llevaría inevitablemente a aceptar una hipótesis falsa, incluso si la bondad explicativa sigue a la verdad de una manera altamente confiable, e incluso si podemos identificar de manera confiable la mejor hipótesis explicativa entre las que están disponibles en un momento dado.

Tal como está, la objeción de van Fraassen simplemente apunta a una posibilidad conceptual, a saber, que la hipótesis verdadera puede no haber sido presentada. Uno podría pensar que la mera posibilidad de que el razonamiento abductivo salga mal de esta manera no es un argumento sólido en su contra, ya que cualquier explicación de cualquier forma de razonamiento no deductivo reconocerá fácilmente que tal razonamiento es falible hasta cierto punto. Sin embargo, en los últimos años la objeción de van Fraassen ha sido sustancialmente reforzada por estudios históricos que sugieren que los científicos en activo a veces se encuentran precisamente en la situación descrita por van Fraassen, en la que toda teoría disponible sobre algún fenómeno es, sin que ellos lo sepan, falsa. Durante el siglo XIX, por ejemplo, Charles Darwin, Francis Galton y August Weisman formularon y defendieron sucesivamente distintas teorías falsas sobre el mecanismo de la herencia biológica. Se podría decir que ninguna de estas teorías ofrece una explicación tan buena de la herencia biológica como la teoría cromosómica de Boveri y Sutton, pero esta última no se formuló hasta principios del siglo XX. De modo que Darwin, Galton y Weisman evidentemente trabajaban con un “lote malo” de hipótesis explicativas.

Esto demuestra que la objeción del lote malo no puede dejarse de lado como una mera posibilidad conceptual sin relevancia para la práctica científica real. Sin embargo, exactamente qué tipo de problema crea la objeción del lote malo para el razonamiento abductivo depende de qué tipo de explicación del razonamiento abductivo uno apoye. En la Sección 2 , distinguimos entre explicaciones inferenciales , probabilísticas e híbridas del razonamiento abductivo. Como se señaló entonces, van Fraassen originalmente concibió la objeción del lote malo como dirigida a un tipo específico de explicación inferencial, a saber, la EBI a la Harman. En consecuencia, la mayor parte del análisis que sigue en esta sección se centra en cómo las teorías inferenciales, como la EBI, podrían eludir la objeción del lote malo. Sin embargo, vale la pena señalar que la objeción del lote malo también es un problema para las teorías híbridas en la medida en que éstas implican la elección de una hipótesis explicativa entre un conjunto de hipótesis en competencia disponibles (todas las cuales pueden ser falsas), incluso si esta elección tiene como objetivo, en última instancia, aproximar una evaluación probabilística de esa hipótesis.

De hecho, al menos algunas teorías probabilísticas del razonamiento abductivo se enfrentan a una versión de la objeción del lote malo que no es menos difícil de manejar que la objeción original. En particular, consideremos lo que llamé Condicionalización Abductiva  , que, recordemos, es una versión de la Condicionalización Bayesiana en la que a la hipótesis H que mejor explica la evidencia E se le otorga un bonus probabilístico adicional b. Cualquier aplicación de la condicionalización abductiva presupone que ya se ha formulado la hipótesis que, de hecho, explica mejor E, puesto que se trata de la hipótesis que se supone que recibe una probabilidad adicional. Por lo tanto, si y en la medida en que no se esté seguro de si se ha formulado la hipótesis que mejor explica E, no se estaría en condiciones de añadir la probabilidad adicional a ninguna hipótesis (y restar probabilidad a otras hipótesis; véase § 4.2 ). Después de todo, cualquier hipótesis formulada podría ser “la mejor de un lote malo” en el sentido de que simplemente proporciona la mejor explicación entre un conjunto de hipótesis que no incluye la hipótesis (aún no formulada) que, de hecho, explica mejor E.

De modo que, casi independientemente de qué tipo de explicación del razonamiento abductivo uno adopte, es imperativo encontrar alguna forma u otra de responder a la objeción del grupo malo. Dellsén distingue entre dos formas diferentes de hacerlo: respuestas revisionistas y reaccionarias a la objeción del lote malo. Según las respuestas revisionistas, la objeción del lote malo debería llevarnos a reformular la EBI, o reemplazarla con alguna otra explicación del razonamiento abductivo, de modo de evitar o eludir la objeción de van Fraassen. Como veremos más adelante, esto se puede lograr de varias maneras, por ejemplo, añadiendo algunas condiciones adicionales a la aplicabilidad del razonamiento abductivo o debilitando la forma de la conclusión que se pretende justificar. Según las respuestas reaccionarias, por el contrario, no hay necesidad de revisar o reemplazar la EBI de esta manera porque la objeción del lote malo es, de una manera u otra, errónea o poco convincente incluso cuando se aplica a la forma original de EBI a la que van Fraassen objetó. En lo que sigue, consideremos primero dos respuestas reaccionarias a la objeción del lote malo antes de pasar a algunas respuestas revisionistas.

La respuesta reaccionaria más influyente a la objeción de los malos se debe a Lipton (1993). Como se señaló en la Sección 2 , Lipton concibió la EBI como algo que implica dos etapas temporalmente distintas:

(i)                  la generación de un conjunto de hipótesis explicativas rivales, y

(ii)                (ii) la evaluación comparativa de una de estas hipótesis como la que proporciona la “mejor” explicación.

Ahora bien, aunque los pasos (i) y (ii) son distintos, Lipton sugiere que alguien que es capaz de comparar de manera confiable un conjunto de hipótesis explicativas en el paso (ii) también será capaz de generar de manera confiable la hipótesis que de hecho proporciona la explicación correcta en el paso (i). La razón de esto, según Lipton, es que para llevar a cabo una evaluación comparativa confiable en el paso (ii), uno debe basar esa evaluación en un gran conjunto de teorías de fondo verdaderas, y estas teorías de fondo verdaderas tendrían que haber sido generadas en un paso (i) de una aplicación anterior de la EBI. Por lo tanto, dice Lipton, no se puede decir de manera consistente que los científicos son generalmente confiables al comparar hipótesis explicativas en el paso (ii) pero no también confiables al generar hipótesis verdaderas en el paso (i).

Una posible réplica a la respuesta de Lipton, en nombre de van Fraassen, es que van Fraassen nunca afirmó que los científicos son generalmente confiables al comparar hipótesis explicativas en el paso (ii). Aunque van Frassen nunca argumentó explícitamente que los científicos no son confiables al hacer tales comparaciones, podría tomar la objeción del grupo malo, junto con la respuesta de Lipton, como un argumento para esa conclusión. Sin embargo, como Lipton señala que esto parecería comprometer a los defensores de la objeción del lote malo a una posición mucho más radicalmente escéptica según la cual tenemos poco o ningún poder inductivo. Lo que hizo que la objeción del lote malo fuera interesante fue que parecía socavar la EBI y, en cierta medida, el razonamiento abductivo en general, incluso si se les otorgaran a los científicos los considerables poderes inductivos necesarios para evaluar comparativamente las hipótesis explicativas de una manera confiable.

Otra réplica a la respuesta de Lipton comienza señalando que existe un sentido perfectamente bueno en el cual los científicos pueden ser confiables en las evaluaciones comparativas de teorías incluso cuando sus teorías de fondo son generalmente falsas. A modo de analogía, consideremos cómo un lógico experto puede aceptar de manera confiable sólo aquellas conclusiones que se siguen deductivamente de premisas que él también acepta. Por supuesto, las premisas de las que el lógico deduce sus conclusiones pueden ser falsas; aun así, hay un sentido perfectamente bueno en el que las inferencias del lógico son confiables en relación con las premisas que acepta. De manera similar, se puede decir que los científicos que utilizan la EBI son confiables al hacer evaluaciones comparativas en la medida en que sus evaluaciones reflejan el peso de la evidencia a favor y en contra de cada hipótesis en relación con las teorías de fondo que aceptan. Si las teorías de fondo aceptadas por algunos científicos son falsas, entonces los científicos relevantes pueden ser engañados y clasificar una teoría falsa por delante de una verdadera. Pero esto no es diferente de un lógico que deriva competentemente una conclusión falsa de premisas falsas mediante un argumento deductivamente válido. En ambos casos, hay un sentido perfectamente bueno en el que se puede decir que la inferencia en sí es confiable en relación con las premisas o teorías de fondo con las que comenzaron.

A la luz de este punto, se puede –contra Lipton– conceder a los científicos considerables poderes inductivos en cuanto a su fiabilidad a la hora de evaluar comparativamente hipótesis explicativas en la etapa (ii), y aun así mantener que tenemos pocas razones para pensar que son fiables a la hora de generar hipótesis explicativas verdaderas en la etapa (i). Desde este punto de vista, el tipo de fiabilidad pertinente es relativo a las teorías de fondo en las que basan en gran medida sus evaluaciones: si estas teorías son generalmente. Si es cierto, los científicos clasificarán de manera confiable las teorías verdaderas por encima de las falsas; si sus teorías de base son generalmente falsas, es muy posible que no lo hagan en muchos o en la mayoría de los casos. Para ilustrar esto con un caso concreto, considere que a principios del siglo XIX, la teoría de la deriva continental de Alfred Wegener fue rechazada en favor de una teoría según la cual los continentes tenían ubicaciones fijas, en parte porque las teorías geofísicas que se aceptaban en ese momento indicaban firmemente que sería imposible que los continentes se movieran tan rápidamente como predecía la teoría de Wegener. Existe un sentido perfectamente bueno en el que una clasificación confiable de las dos teorías coloca la teoría de los continentes fijos por encima de la teoría de Wegener en relación con tales teorías de base. En ese mismo sentido, los clasificadores confiables de las dos teorías luego invertirían la clasificación a fines de la década de 1950, cuando las teorías geofísicas relevantes habían sido revocadas para permitir movimientos mucho más rápidos de las placas tectónicas que entonces se había descubierto que sustentaban la deriva.

Aunque se han desarrollado y defendido otras respuestas reaccionarias a la objeción de los malos,  pasemos ahora a considerar las respuestas revisionistas. La clase más concesiva de respuesta revisionista sostendría que, puesto que hemos formulado sólo una gama limitada de hipótesis explicativas, la conclusión de una inferencia abductiva puede ser, como máximo, que una de estas hipótesis es epistémicamente superior a las otras hipótesis que se han formulado hasta ahora. Dicho de otro modo, el razonamiento abductivo no justificaría realmente inferir que cualquier hipótesis explicativa sea verdadera (o incluso probablemente y/o aproximadamente verdadera); sólo que una hipótesis es superior a las otras hipótesis que se han formulado en un momento dado. Por ejemplo, Kuipers desarrolla una explicación inferencial del razonamiento abductivo según la cual la conclusión de dicho razonamiento es únicamente que una hipótesis dada está más cerca de la verdad (es decir, es más veraz) que sus competidoras disponibles. En una línea similar, Dellsén sostiene que en muchas circunstancias el razonamiento abductivo solo permite inferir que una hipótesis dada tiene más probabilidades de ser verdadera que sus competidoras disponibles, pero que esto generalmente es suficiente para aceptarla razonablemente como una hipótesis de trabajo en investigaciones posteriores.

Sin embargo, estas respuestas revisionistas –por sí mismas– pueden muy bien conceder demasiado a la objeción del grupo malo, ya que seguramente hay algunos casos en los que el razonamiento abductivo puede utilizarse para establecer no sólo la conclusión comparativa de que una hipótesis dada está más cerca de la verdad, o tiene más probabilidades de ser cierta, que sus competidoras, sino también la conclusión absoluta de que la hipótesis está cerca de la verdad o es probablemente cierta. Después de todo, a menudo nos basamos en la verdad probable y/o aproximada de varias teorías para ciertos fines, como en predicciones y explicaciones, y el mero hecho de saber que una teoría es mejor que las competidoras actualmente disponibles no suele ser suficiente para tales fines. Por ejemplo, las principales recomendaciones de política que se basan en la teoría del calentamiento global antropogénico (es decir, la afirmación de que las actividades humanas son un factor causal significativo en los aumentos de la temperatura global desde la revolución industrial) evidentemente no se basan en la conclusión (comparativa) de que esta teoría es epistémicamente superior a sus competidoras disponibles. Más bien, se basan en la convicción (absoluta) de que esta teoría es casi con certeza verdadera, o al menos lo suficientemente cercana a la verdad como para justificar las recomendaciones de política pertinentes.

Para abordar esta preocupación, algunos filósofos han sugerido que la EBI debería modificarse para incluir una cláusula adicional que requiera que la hipótesis explicativa inferida no sólo sea mejor que las competidoras disponibles, sino también “suficientemente buena”. En otras palabras, estos filósofos sugieren que la EBI debe entenderse como una evaluación no solo comparativa en la que se comparan entre sí un conjunto de hipótesis disponibles en términos de su bondad explicativa, sino también como una evaluación absoluta de si la mejor de estas hipótesis es una explicación suficientemente buena como para ser inferida. Se supone que esto aborda la objeción del lote malo porque en situaciones en las que ninguna de las hipótesis explicativas disponibles es verdadera, incluso las mejores hipótesis explicativas disponibles podrían considerarse insuficientemente buenas para ser inferidas mediante este criterio.

Un problema con esta respuesta es que no está nada claro qué quieren decir los autores antes mencionados cuando dicen que una explicación debe ser “suficientemente buena”. La interpretación más natural de la frase es que la hipótesis inferida debe superar un umbral designado de bondad explicativa, donde la “bondad explicativa” se entiende en términos absolutos y no meramente comparativos. Desde este punto de vista, cada hipótesis está asociada con un cierto nivel de bondad explicativa en relación con la evidencia en un momento dado, y si la hipótesis cuenta como una explicación “suficientemente buena” simplemente depende de si ese nivel supera un umbral. Sin embargo, Dellsén sostiene que añadir una cláusula de este tipo a la EBI conduce a varios problemas nuevos y, de todos modos, no es adecuada para abordar la objeción original de los lotes malos. Consideremos, por ejemplo, los numerosos casos en los que los científicos han aceptado alguna hipótesis explicativa en un momento anterior, solo para rechazarla más tarde en favor de una alternativa recién formulada que proporciona una explicación aún mejor de la evidencia relevante. En tales casos, los científicos deben haber asumido que incluso la hipótesis anterior excedía el umbral de bondad explicativa –de lo contrario, difícilmente la habrían aceptado– y, sin embargo, la hipótesis relevante resultó ser falsa según nuestros puntos de vista actuales. Por lo tanto, en estos casos, tener una hipótesis que exceda el umbral de bondad explicativa evidentemente impidió que los científicos inferieran a partir de un “lote malo” de hipótesis explicativas.

En vista de tales problemas, Dellsén desarrolla una explicación bastante diferente de cuándo y por qué la mejor hipótesis explicativa disponible puede considerarse "suficientemente buena" para ser inferida. En resumen, la mejor hipótesis explicativa disponible puede inferirse cuando ha pasado por un proceso extendido temporalmente que Dellsén llama consolidación explicativa. Este proceso consiste en la acumulación de dos tipos de información bastante diferentes que gradualmente hacen más plausible que la hipótesis que uno acepta tentativamente proporcione de hecho una mejor explicación de la propia evidencia que cualquier otra hipótesis que pudiera formularse. En concreto, a medida que se acumula evidencia empírica para la hipótesis, aumenta gradualmente la plausibilidad de que ninguna alternativa a ella pueda explicar toda esa evidencia de una manera igualmente satisfactoria. Además, los repetidos intentos infructuosos de formular hipótesis alternativas que proporcionen mejores explicaciones también aumentan la plausibilidad de que la hipótesis tentativamente aceptada no pueda ser igualada en ese.  Si todo va bien, al final habremos acumulado suficiente información de estos dos tipos como para que resulte sumamente plausible que la hipótesis en cuestión sea “suficientemente buena” para ser inferida.

4.2 El argumento del libro dinámico holandés

Hasta ahora hemos considerado una objeción al razonamiento abductivo, la objeción del lote malo, que se dirige principalmente a las teorías inferenciales, como la teoría de la igualdad de oportunidades de Harman y Lipton. Recordemos que en la Sección 2 van Fraassen utiliza esta objeción para motivar un alejamiento de las teorías inferenciales hacia un cierto tipo de teoría probabilística, pero que luego sostiene que esta teoría probabilística también debería ser rechazada. En esta sección, analizaremos más de cerca este segundo argumento de van Fraassen y consideraremos algunas respuestas recientes al mismo.

Recordemos que van Fraassen sostiene que para que el razonamiento abductivo tenga un lugar dentro del bayesianismo, la hipótesis que mejor explica alguna evidencia E debe recibir una probabilidad personal mayor que la que el marco bayesiano, por sí mismo, le otorgaría a la hipótesis. En particular, van Fraassen sugiere que esto requeriría una modificación de la condicionalización bayesiana de modo que se añade una bonificación a la probabilidad posterior que un agente asigna a la hipótesis que proporciona la mejor explicación de la evidencia recién obtenida. En la Sección 2 , llamamos a esta idea general Condicionalización abductiva y notamos que una versión simple de la misma requeriría que los agentes establecieran su nueva probabilidad en una hipótesis H para  Pr’(H) = Pr(H|E) + b   , dónde  b  es la probabilidad adicional otorgada a H por explicar mejor a E. Nótese que si a H se le otorga una bonificación de esta manera, entonces al menos algunas hipótesis rivales deben recibir una penalización para equilibrar la probabilidad total otorgada a H y sus rivales mutuamente excluyentes y conjuntamente exhaustivos (más sobre esto a continuación).

La objeción de Van Fraassen (1989 , 160-170) a la Condicionalización Abductiva es, en resumen, que debido a que entra en conflicto con la Condicionalización Bayesiana al asignar una bonificación a algunas hipótesis que no la recibirían según la Condicionalización Bayesiana, se ve socavada por cualquier argumento positivo a favor de esta última. En particular, van Fraassen apela al llamado argumento del libro holandés dinámico a favor de la Condicionalización Bayesiana. En pocas palabras, este argumento dice que cualquier agente que actualice sus probabilidades personales cuando reciba nueva evidencia a través de cualquier regla que entre en conflicto con la Condicionalización Bayesiana será tal que, si alguien (un "corredor de apuestas holandés") le ofreciera una serie particular de apuestas monetarias en diferentes momentos que sean todas justas según los puntos de vista del agente en cada momento,Nota44 entonces el agente tendría la garantía de perder dinero sin importar cuáles sean los resultados de las apuestas. De hecho, el agente podría saber todo esto de antemano: que al seguir la regla alternativa sobre cómo actualizar sus probabilidades (por ejemplo, la condicionalización abductiva) solo puede terminar perdiendo dinero en apuestas que considere justas cuando se le ofrezcan las apuestas. Según van Fraassen, esto indica que el agente es culpable de una especie de irracionalidad a lo largo del tiempo, a menudo denominada incoherencia diacrónica . Dado que la condicionalización abductiva entra claramente en conflicto con la condicionalización bayesiana en virtud de agregar una probabilidad adicional a algunas hipótesis (y hacer que otras incurran en una penalización correspondiente), la condicionalización abductiva sería necesariamente una forma irracional de actualizar las creencias de uno a la luz de nueva evidencia, según van Fraassen.

Como se señaló en la Sección 2 , muchos defensores de las explicaciones probabilísticas del razonamiento abductivo están de acuerdo con van Fraassen en que sería una mala idea asignar probabilidades adicionales a las hipótesis que mejor explican la teoría en la forma sugerida por la condicionalización abductiva. En cambio, sostienen que las consideraciones explicativas deberían desempeñar algún otro papel en la asignación de probabilidades a las hipótesis (véase § 2.3 ). Dicho esto, sin embargo, uno de los defensores más influyentes del razonamiento abductivo, Igor Douven, ha presentado una vigorosa defensa de la condicionalización abductiva en varias publicaciones recientes. En particular, Douven formula una versión de la condicionalización abductiva en la que la probabilidad adicional añadida a la hipótesis que mejor explica la evidencia se equilibra con una penalización general para todas las demás hipótesis. Con algunas ligeras simplificaciones, esta regla se puede formular de la siguiente:

EXPL:

Sea H= {H1, . . . ,Hn} un conjunto de hipótesis mutuamente excluyentes y conjuntamente exhaustivas, y sea  F  una función que asigna un valor positivo  b a la hipótesis en H  que mejor explica E, y 0 a todas las demás hipótesis incluidas. Entonces un razonador abductivo debería actualizar su creencia en cualquier hipótesis Hj  haciendo:

Aunque EXPL puede parecer complicado, el pensamiento intuitivo detrás de él es bastante simple: la hipótesis en  H que mejor explica E obtiene una probabilidad adicional (a bonus probability), y todas las demás hipótesis en  H   son penalizados en proporción a la probabilidad que habrían tenido sin esas sanciones.

El quid de la defensa de Douven de EXPL (y hasta cierto punto de la Condicionalización Abductiva en general) es que incluso si EXPL nos hiciera vulnerables a una pérdida garantizada en las situaciones descritas en el argumento del libro holandés dinámico, no se sigue que usar EXPL en lugar de la Condicionalización Bayesiana sea irracional considerando todos los aspectos . Más bien, la vulnerabilidad a los libros holandeses dinámicos puede ser simplemente una pequeña desventaja de EXPL que puede ser superada por otras consideraciones que cuentan a su favor y en contra de la Condicionalización Bayesiana. En apoyo de esto, uno podría señalar que las situaciones descritas en el argumento del libro holandés dinámico son extremadamente raras, por lo que el tipo de irracionalidad que el argumento supuestamente pone de manifiesto en los agentes que se actualizan mediante EXPL podría considerarse relativamente inofensiva. Por lo tanto, si hay beneficios importantes si se utiliza EXPL en lugar de la condicionalización bayesiana, la vulnerabilidad a los libros holandeses dinámicos puede ser un pequeño precio a pagar, considerando todas las circunstancias.

Douven sostiene que efectivamente existen tales beneficios al utilizar EXPL en lugar de la buena y vieja condicionalización bayesiana. Douven muestra que, en varias simulaciones por computadora en las que los agentes artificiales intentan descubrir el sesgo de una moneda al lanzarla repetidamente, los agentes que utilizan EXPL tienden a converger en hipótesis verdaderas mucho más rápido que aquellos que utilizan la condicionalización bayesiana. Aquí, la "convergencia" es una cuestión de asignar una probabilidad por encima de un umbral alto, por ejemplo 0,9 o 0,99. Por lo tanto, según Douven, los usuarios de EXPL estarán en condiciones de aceptar o afirmar hipótesis verdaderas más rápidamente y con mayor frecuencia que aquellos que simplemente utilizan la condicionalización bayesiana, al menos si la aceptabilidad y/o asertividad de una hipótesis es una cuestión de que tenga una alta probabilidad. Sin embargo, como reconoce Douven, EXPL también tiende a llevar a los agentes a asignar probabilidades más altas a hipótesis falsas con mayor frecuencia que la condicionalización bayesiana. En general, entonces, se podría decir que EXPL es simplemente más riesgoso que la condicionalización bayesiana, pero que a menudo vale la pena correr el riesgo.

Además de defender EXPL contra el argumento del libro holandés de van Fraassen de esta manera Douven también ofrece un argumento positivo relacionado a favor de EXPL que apela a la noción de racionalidad ecológica. La idea, en líneas generales, es que la forma en que es racional que alguien se comporte –o, en este caso, la forma en que es racional que actualice sus probabilidades personales– puede depender no sólo de hechos sobre la psicología del agente, sino también de hechos sobre el entorno o la situación en la que se encuentra. Douven vuelve a apelar a las simulaciones por ordenador para sugerir que, desde esta perspectiva, puede ser mejor utilizar EXPL que otras reglas de actualización, incluida la condicionalización bayesiana, en una variedad de circunstancias –incluidas situaciones en las que los agentes actualizan no sólo sobre la base de la evidencia empírica ordinaria, sino también de las opiniones de sus pares.

Una posible limitación del enfoque de Douven se refiere a si EXPL puede extenderse más allá de los casos simples de lanzamiento de moneda en estas simulaciones. Como se formuló anteriormente, EXPL otorga una bonificación de probabilidad a la hipótesis que mejor explica la evidencia, pero no se dice nada explícitamente sobre qué cuenta como "mejor explicación". En las simulaciones de lanzamiento de moneda de Douven, el "mejor explicador" es simplemente la hipótesis disponible que se acerca más a postular un sesgo que coincide exactamente con la frecuencia observada hasta el momento. Por ejemplo, si las hipótesis disponibles postulan sesgos en intervalos del 10% (0%, 10%, 20%, etc.), y 681 de 1000 lanzamientos han caído cara hasta ahora, entonces el "mejor explicador" es la hipótesis de que la moneda está sesgada en un 70% a favor de cara. Esto es bastante claro para las hipótesis sobre cómo una moneda está sesgada, pero ¿qué pasa con las hipótesis más realistas? ¿Casos en los que la evidencia o las hipótesis –o ambas– no conciernen a cantidades probabilísticas como frecuencias o probabilidades que pueden compararse cuantitativamente con tanta facilidad?

En tales casos, EXPL tendrá que apelar a otros criterios para determinar qué es lo que se considera la “mejor explicación” entre las hipótesis disponibles, como virtudes explicativas como el alcance y la simplicidad. Sin embargo, queda por ver si EXPL, cuando se combina con esos criterios para determinar qué es lo que se considera la mejor explicación, realmente tendría los beneficios epistémicos que Douven sostiene que tiene en situaciones simples de lanzamiento de moneda. Además, EXPL puede tener desventajas epistémicas más graves en casos más realistas que en situaciones de lanzamiento de moneda, porque en tales casos puede no haber suficiente evidencia obtenible para revertir las asignaciones de altas probabilidades a hipótesis falsas. Después de todo, los científicos en activo no se encuentran a menudo en una situación en la que puedan simplemente lanzar una moneda para obtener más evidencia pertinente a una hipótesis dada; más bien, a menudo tienen que diseñar y ejecutar experimentos completamente nuevos, o realizar un trabajo de campo laborioso, para recolectar alguna nueva evidencia de la que valga la pena hablar.

4.3 Desafíos recientes al razonamiento abductivo

Los dos desafíos que Van Fraassen plantea a la racionalidad del razonamiento abductivo, la objeción de la mala suerte y el argumento del libro holandés dinámico, son sin duda los problemas de este tipo más influyentes en la literatura. Sin embargo, en los últimos años, el razonamiento abductivo también ha sido cuestionado de otras maneras. En esta sección final, analizaremos brevemente algunos de estos desafíos más recientes y cómo podrían responder los defensores de diversas teorías del razonamiento abductivo.

4.3.1 El desafío de la desprotección

Un desafío reciente se refiere a la cuestión de si el razonamiento abductivo tiene un papel dentro del bayesianismo. Como hemos visto, la mayoría de los defensores de las teorías probabilísticas e híbridas del razonamiento abductivo sostienen, de diferentes maneras, que el razonamiento abductivo no sólo es compatible con el enfoque bayesiano del razonamiento científico, sino que lo complementa. Esta afirmación se pone en tela de juicio con el desafío de la exclusión de William Roche y Elliott Sober .

Roche y Sober (2013) sugieren que para que las consideraciones explicativas cuenten como evidencialmente relevantes dentro del enfoque bayesiano, el hecho de que alguna hipótesis H explique alguna evidencia E –llamémosle a ese hecho X (para eXplanation) – debe aumentar la probabilidad de H más de lo que lo haría E por sí sola: Pr(H​​|(E&X) ) > Pr(H​​|E)  . Por el contrario, según Roche y Sober, las consideraciones explicativas serían evidentemente irrelevantes si  Pr(E|H&X)=Pr(H|E)  es decir, si E “separa” a H de X. En apoyo de este criterio, Roche y Sober señalan que si la condicionalidad de X no aumenta ni altera de otro modo la probabilidad de H dado E de esta manera, entonces aparentemente no hay necesidad de que el bayesiano recurra a consideraciones explicativas para explicar en qué medida una determinada evidencia confirma una determinada hipótesis. Cualquier probabilidad añadida por el descubrimiento de X (es decir, el hecho de que H explica E) ya se ha tenido en cuenta cuando E aumentó la probabilidad de H. Roche y Sober luego continúan argumentando, con el uso de un estudio de caso sugerente, que la igualdad  Pr(H|E&X) = Pr(H​​|E) de hecho, se mantiene.

El argumento de Roche y Sober ha provocado una oleada de respuestas. Una respuesta cuestiona que la igualdad  Pr(H|E&X) = Pr(H​​|E). Esto se cumple tanto en el caso de estudio de Roche y Sober como en otros casos similares de razonamiento abductivo. Un conjunto mucho más común de respuestas desafía la idea de que el criterio de selección de Roche y Sober ,  Pr(H|E&X) = Pr(H​​|E), es un criterio apropiado para la irrelevancia probatoria. Por ejemplo, McCain y Poston (2014) sostienen que las consideraciones explicativas son evidencialmente relevantes en el sentido de que afectan la resiliencia de las probabilidades personales de cambiar cuando se obtiene nueva evidencia.

De hecho, si analizamos en retrospectiva las explicaciones del razonamiento abductivo analizadas en la Sección 2 , incluidas las diversas explicaciones probabilísticas, no queda claro si la impugnación de la exclusión de Roche y Sober socava alguna de estas explicaciones, ni de qué manera, aunque cada una de ellas seguramente esté explicando un sentido en el que la explicación sería evidencialmente relevante. Por ejemplo,  Pr(H|E&X) = Pr(H​​|E) es coherente con la idea central detrás de las explicaciones probabilísticas restrictivas, según la cual las consideraciones explicativas intervienen para determinar el valor que uno debe asignar a  Pr(H​​|E) en primer lugar –y quizás por ello también a  Pr(H|E&X). Por estas razones, si H no hubiera explicado E, entonces el valor que se debería asignar Pr(H​​|E)  – y así, tal vez,  a  Pr(H|E&X)  también habría sido menor de lo que es en realidad. Seguramente ese es un sentido importante en el que la explicación es evidencialmente relevante, pero es perfectamente consistente con  Pr(H|E&X) = Pr(H​​|E).

4.3.2 El problema de los múltiples rivales plausibles

Otro desafío reciente al razonamiento abductivo se refiere al hecho de que en muchos relatos de razonamiento abductivo se infiere o se prefiere probabilísticamente sólo la hipótesis que proporciona la mejor explicación de la evidencia, aun cuando puede haber muchas hipótesis competidoras bastante plausibles que proporcionen explicaciones casi igual de buenas. Dellsén (2017a) llama a esto el problema de los rivales múltiples.

Consideremos situaciones en las que hay múltiples hipótesis explicativas disponibles, H1, … ,Hn  cada uno de los cuales proporciona lo que intuitivamente es una explicación bastante buena de la evidencia E en comparación con la hipótesis Hi que mejor explica E. En casos de este tipo, la gran cantidad de hipótesis alternativas plausibles  Hi

  parecería socavar la racionalidad de inferir, a través de la EBI o cualquier explicación inferencial o híbrida similar del razonamiento abductivo, que Hi sea realmente cierta.

 Consideremos, por ejemplo, que la mejor explicación del origen de la vida en la Tierra es, sin duda, la llamada hipótesis del mundo de ARN, según la cual la vida comenzó con la formación de moléculas de ARN autorreplicantes. Sin embargo, hay otras explicaciones alternativas plausibles, la mayoría de las cuales sostienen que la vida comenzó con la formación de algún ácido nucleico u otro, aunque no se ponen de acuerdo sobre qué tipo de ácido nucleico (PNA, TNA o GNA). En este caso, la disponibilidad de tantas hipótesis explicativas rivales plausibles parece socavar cualquier inferencia a una de estas hipótesis, incluidas la hipótesis del mundo de ARN.

¿Cómo deberían responder a este problema los defensores del razonamiento abductivo? Dellsén sugiere que los defensores de las teorías inferenciales e híbridas, como la EBI, pueden abordar este problema pasando a una generalización de la EBI que él llama inferencia abductivamente robusta (abductively robust inference ARI). La idea básica apela al hecho de que una afirmación C puede estar implicada por varias de las hipótesis que proporcionan algunas de las mejores explicaciones de la evidencia, de modo que si alguna de estas hipótesis es verdadera (independientemente de cuál de ellas), C sería verdadera. Un poco más precisamente, supongamos que C está implicada por todas las  a

  hipótesis que proporcionen la mejor  a

  explicaciones de la evidencia, donde  a

  es un número natural (menor o posiblemente igual al número de hipótesis disponibles)  norte

  ). Para unsuficientemente grande  a

  , C puede entonces inferirse con seguridad incluso si ninguna de las hipótesis explicativas disponibles  yo1, … ,yonorte

   – incluida la mejor hipótesis explicativa  yoi

  . Después de todo, cada uno de  yo1, … ,yonorte

  estaría sujeta al problema de múltiples rivales, mientras que C no estaría sujeta a ningún problema de ese tipo; por el contrario, la multiplicidad de rivales plausibles, todos los cuales implican a C, posiblemente refuerza el apoyo a C, ya que muestra que C es “robusto” a través de las diversas posibilidades explicativas descritas por cada hipótesis rival (Referencia WoodwardWoodward, 2006 ). Volviendo a nuestro ejemplo de hipótesis sobre el origen de la vida, observe que las cuatro mejores explicaciones alternativas para el origen de la vida postulan que la vida comenzó con la formación de algún tipo de ácido nucleico, ya sea ARN, PNA, TNA o GNA (es decir, por un xNA). Según la versión de ARI donde  k = 4

  , podemos por tanto inferir con seguridad que se puede inferir este resultado “robusto”.

Una queja justa sobre el ARI es que está poco especificado en algunos aspectos importantes. De hecho,Referencia DellsénDellsén (2017a , 26) enfatiza que ARI no es de hecho una regla de inferencia en absoluto, sino un patrón de múltiples reglas de este tipo para diferentes valores de  a

  Establecer un valor más alto para  a

  generalmente hará que la regla de inferencia resultante sea epistémicamente más segura , en el sentido de que será menos probable inferir algo falso, pero también menos poderosa , en el sentido de que la afirmación inferida C generalmente tendrá que ser una proposición lógicamente más débil. Dado que uno puede querer equilibrar la seguridad y el poder de manera diferente en diferentes circunstancias, por ejemplo, dependiendo de cuánto esté en juego, diferentes instancias de ARI (es decir, diferentes valores para  a

  ) puede ser adecuado en diferentes circunstancias. En este sentido, se podría argumentar que el ARI no debería especificarse para que, en cambio, preserve la flexibilidad necesaria para equilibrar la seguridad y la potencia de diferentes maneras.Nota52 Dicho esto, hay otros aspectos de la ARI que posiblemente deban explicarse con mayor detalle. Por ejemplo, en algunos casos, se podría querer permitir una inferencia a una reivindicación C que simplemente se desprende de la mayoría  de las  a

  hipótesis que proporcionen las mejores explicaciones de la evidencia. Además, en esos casos, seguramente también importa cuán buena sea la explicación proporcionada por cada una de las hipótesis que implican C. Se necesita más trabajo para desarrollar ARI en estas dimensiones.

4.3.3 Incoherencia entre niveles explicativos

Un tercer y último desafío reciente al razonamiento abductivo se refiere al hecho de que un fenómeno dado a menudo puede explicarse en múltiples “niveles”.Referencia ClimenhagaClimenhaga (2017b) sostiene que esto hace que algunos relatos influyentes del razonamiento abductivo sean incoherentes , ya que estos relatos implicarán que los agentes deberían hacer inferencias o asignaciones de probabilidad que sean incompatibles entre sí.

Consideremos, en particular, una versión estándar de la EBI que sostiene que se puede inferir una hipótesis sólo en caso de que proporcione una mejor explicación de la evidencia que se tiene que cualquier otra hipótesis competidora. Ahora bien, al menos en algunos casos, parece que esta idea implica que se pueden inferir varias hipótesis diferentes a partir de la misma evidencia, porque la evidencia se puede explicar en diferentes “niveles” de modo que las hipótesis inferidas no compitan entre sí, sino sólo con otras hipótesis del mismo “nivel”. En particular, supongamos que, en un “nivel” de explicación, H a proporciona la mejor explicación de alguna evidencia E; mientras que en otro “nivel”, H b proporciona la mejor explicación; y sin embargo, H a y H b son proposiciones incompatibles. Si tales casos son posibles, el resultado parece ser que la EBI, al menos tal como está formulada de manera estándar, recomienda inferir dos proposiciones incompatibles, H a y H b .

Referencia ClimenhagaClimenhaga (2017b , 253–254) demuestra que tales casos son posibles al considerar una configuración bastante artificial que involucra varias urnas que contienen bolas de diferentes colores y lanzamientos de monedas que determinan de cuál de ellas un agente elige bolas al azar. Para ver la relevancia del problema de Climenhaga para la práctica científica, examinemos un caso más realista. Consideremos el hecho de que tanto las aves como los Pterygota (es decir, los insectos voladores) pueden volar. ¿Por qué es eso? En un cierto nivel abstracto de explicación, hay dos hipótesis explicativas relevantes a considerar, a saber, que la capacidad de volar es un rasgo heredado de un ancestro volador común, por un lado, y que no lo es, por el otro. El último tipo de explicación -que la capacidad de volar no estaba presente en el ancestro común de las aves y los Pterygota y, en cambio, evolucionó independientemente en el linaje de cada uno- sería un ejemplo de lo que los biólogos evolucionistas llaman evolución convergente . Tenemos pues las dos hipótesis explicativas siguientes:

(I)El vuelo evolucionó de forma convergente en las aves y los Pterygota.

(II)Las aves y los Pterygota comparten un ancestro volador común.

Entonces, ¿cuál explicación es mejor, (I) o (II)? Cuando se considera a este nivel de abstracción, es plausible que (II) proporcione la mejor explicación, al menos en igualdad de condiciones. Para ver por qué, observe que (II) requeriría que se haya producido solo una única mutación (o, tal vez más plausiblemente, una única serie de mutaciones) de una especie no voladora a una especie voladora, es decir, una que haya ocurrido antes de que el linaje de las aves y los Pterygota se dividiera en diferentes ramas. Por el contrario, (I) requeriría dos mutaciones (o dos series de mutaciones no relacionadas), una en el linaje entre el ancestro común y las aves y otra entre el ancestro común y los Pterygota. Por lo tanto, hay un sentido claro en el que (II) es más parsimonioso. Tal vez relacionado con esto, parece considerablemente más probable que eventos aleatorios como el tipo particular de mutación requerida para obtener laLa capacidad de volar ocurriría solo una vez en lugar de dos.NotaSuponiendo que ser la mejor explicación tiene algo que ver con ser más parsimonioso y/o conferir mayor probabilidad a la evidencia, esto podría llevarnos a concluir que (II) en lugar de (I) debería inferirse mediante la EBI.

Sin embargo, también podemos considerar esta cuestión desde el punto de vista de hipótesis explicativas algo más detalladas. En particular, supongamos que nos interesa saber no sólo si las aves y los pterigotos comparten un ancestro volador común, sino también cuándo (si es que hubo) hubo presiones evolutivas para desarrollar la capacidad de volar. Así pues, consideremos las siguientes cuatro hipótesis explicativas sobre cómo evolucionaron exactamente las aves y los pterigotos, que también se pronuncian sobre esta cuestión:

(1)El vuelo evolucionó de forma convergente en las aves y en los Pterygota, y hubo presiones evolutivas similares que favorecieron el vuelo en los linajes de ambos.

(2)El vuelo evolucionó de forma convergente en las aves y los Pterygota, y hubo presiones evolutivas diferentes que favorecieron el vuelo en el linaje de cada uno.

(3)Las aves y los Pterygota comparten un ancestro volador común, y hubo presiones evolutivas similares que favorecieron el vuelo en los linajes de ambos.

(4)Las aves y los Pterygota comparten un ancestro volador común, y hubo presiones evolutivas diferentes que favorecieron el vuelo en el linaje de cada uno.

Dada esta división de las hipótesis explicativas, se podría argumentar que la mejor explicación es la (1). Después de todo, si efectivamente hubo presiones evolutivas similares que favorecieran el vuelo entre los ancestros de las aves y los insectos respectivamente, entonces se debería esperar que el vuelo evolucionara en ambos linajes de manera independiente (es decir, de manera convergente). De hecho, (1) es la hipótesis que se acepta generalmente en la biología evolutiva contemporánea, por diversas razones que no nos interesan aquí. Así que supongamos –aunque sea solo por el bien del argumento– que de (1)–(4), (1) se debería inferir mediante la EBI.

El problema ahora es que las dos explicaciones que hemos concluido que deben inferirse mediante la teoría de la relatividad general a partir del mismo hecho son lógicamente incompatibles. Si el vuelo evolucionó de manera convergente, como en (1), entonces las aves y los pterigotos no comparten un ancestro común, al contrario de (II). Aparentemente, entonces, la teoría de la relatividad general justifica inferencias a afirmaciones lógicamente incompatibles. Por supuesto, se podría sostener que no hay nada malo en aceptar afirmaciones incompatibles en algunos casos (como cuando se acepta tanto la relatividad general como la mecánica cuántica a pesar de la aparente incompatibilidad entre estas teorías) y que este sería simplemente otro caso de ese tipo. Sin embargo, en igualdad de condiciones, se podría argumentar que es al menos un caso de incompatibilidad.El lado negativo de la EBI es que lleva tan fácilmente a conclusiones incompatibles. Además, esta concesión parecería entrar en conflicto con la práctica científica, como en el caso anterior, porque los biólogos evolucionistas no suelen aceptar tanto (1) como (II); más bien, sólo aceptan (1).

Una posible solución al problema de Climenhaga parte de señalar que existe una asimetría importante entre los dos conjuntos de explicaciones en pugna enumerados anteriormente. Las hipótesis del primer conjunto, (I)-(II), son estrictamente menos informativas que las hipótesis del segundo conjunto, (1)-(4). Después de todo, cada hipótesis del segundo conjunto implica una hipótesis del primero, pero no viceversa . Por ejemplo, (1) implica (I) pero (I) no implica (1). De hecho, (I) es equivalente a la disyunción de (1) y (2), mientras que (II) es a su vez equivalente a la disyunción de (3) y (4). Por lo tanto, desde el punto de vista de quienes proponen (1)-(4), (I) y (II) son explicaciones incompletas : no adoptan una postura sobre la cuestión, posiblemente crucial, de si hubo presiones evolutivas similares o diferentes que llevaron al vuelo tanto en las aves como en los pterigotos. No se puede formular una acusación similar contra (1)-(4) desde el punto de vista de quienes proponen (I) y (II), puesto que no hay ninguna cuestión sobre la cual estos últimos, pero no los primeros, tomen una posición.

En base a estas consideraciones, se podría sugerir que existe un “nivel” privilegiado de explicación en el que se debería considerar que opera la EBI, al menos en el tipo de casos que llevan a inferir afirmaciones incompatibles mediante la EBI. En resumen, el “nivel” privilegiado es aquel en el que el conjunto de hipótesis proporciona explicaciones más informativas. En la elección entre los dos conjuntos de hipótesis considerados anteriormente, la EBI debería, por lo tanto, operar en (1)–(4), y por lo tanto justificaría inferir (1). Y dado que (1) implica (I), hay un sentido en el que (I) también puede inferirse mediante la EBI, aunque indirectamente. Después de todo, cualquiera que esté en posición de inferir (1) también está claramente en posición de inferir una consecuencia lógica inmediata de ella, a saber (II).Referencia DellsénDellsén (2016) se refiere a esta variación de la EBI estándar como EBI indirecta , y sugiere que en ella se infiere una hipótesis H en virtud de que H está implicada por una hipótesis más fuerte H* que explica E mejor que cualquier hipótesis explicativa competitiva .Nota La cuestión, entonces, no es que no se pueda inferir ninguna hipótesis del conjunto (I)–(II) mediante la EBI, sino más bien que se debería inferir (I) en lugar de (II) porque (I) es, mientras que (II) no es, parte de la mejor explicación completa, a saber, (1) .

Conclusión

¿Adónde nos lleva todo esto? Espero que a esta altura quede claro que tanto el término general “razonamiento abductivo” como el popular eslogan “Inferencia para encontrar la mejor explicación” tienden a significar cosas diferentes para distintos filósofos. A menudo, motivados por diversos desafíos a la coherencia del razonamiento abductivo, estos filósofos han respondido aclarando, refinando o desarrollando sus explicaciones del razonamiento abductivo para poder hacer frente a esos desafíos. A lo largo de este Elemento, he indicado a menudo mi enfoque favorito para hacer frente a cada desafío, pero sólo de manera fragmentada. En esta breve sección final, deseo esbozar un panorama más holístico de cómo encajan las piezas en mi opinión.

Como se discutió en la Sección 2 , una cuestión crucial es si la explicación de uno considera que el razonamiento abductivo es inferencial, probabilístico o un híbrido de ambos. Como ya indiqué en esa sección, soy partidario de una versión del tercer tipo de explicación, en la que una forma de inferencia abductiva sirve como heurística para asignaciones de probabilidad racional en las que surge naturalmente una preferencia por teorías que expliquen mejor (véase § 2.4 ). En mi opinión, esta explicación heurística del razonamiento abductivo nos proporciona “lo mejor de ambos mundos”, en el sentido de que podemos recurrir a la poderosa maquinaria probabilística del marco bayesiano para explicar el razonamiento idealmente racional en la ciencia, al tiempo que preservamos un lugar para el tipo de evaluación explicativa comparativa que parece constituir gran parte del razonamiento real que se lleva a cabo en la ciencia. Por supuesto, al combinar elementos de las explicaciones inferencial y probabilística, esta explicación heurística se abre a los desafíos que enfrentan ambas. En mi opinión, sin embargo, estos desafíos pueden ser superados.

El desafío más importante para las teorías probabilísticas es, sin duda, el argumento del libro holandés dinámico (véase § 4.2 ). Sin embargo, este argumento sólo se aplica a las teorías probabilísticas que implican alguna regla de actualización alternativa a la condicionalización bayesiana, como lo que he llamado condicionalización abductiva. En mi opinión, sin embargo, los tipos de teorías probabilísticas a las que debería apelar la teoría heurística no están comprometidos con la condicionalización abductiva, y en su lugar o bien afirman que las preferencias por hipótesis que explican mejor surgen de la maquinaria probabilística dadas las suposiciones sobre la distribución natural de las probabilidades previas, o que las consideraciones explicativas restringen qué asignaciones de probabilidad inicial son racionales (véase § 2.3 ). Estas teorías tampoco son vulnerables a ninguna forma del desafío de la selección , ya que ningún tipo de teoría sostiene que el razonamiento abductivo funciona mediante la actualización de una proposición explicativa específica que el resto de nuestra evidencia "selecciona" (véase § 4.3.1 ). Por lo tanto, si la teoría heurística se combina con teorías probabilísticasde estas variedades “emergentes” o “restrictivas”, entonces veo pocos motivos para preocuparme por estos desafíos.

El desafío más importante a las teorías inferenciales es la objeción del lote malo (véase § 4.1 ). En mi opinión, ese desafío no puede ser enfrentado dentro de los límites deReferencia HarmanLa noción original de Harman (1965) de Inferencia a la Mejor Explicación, oReferencia LiptonLipton (2004) desarrolló esta teoría de manera influyente. Por consiguiente, creo que necesitamos una explicación más sofisticada del tipo de inferencia que implica el razonamiento abductivo en su explicación heurística. En concreto, debemos reconocer, en primer lugar, que el proceso de razonamiento abductivo rara vez se completa una vez que se ha identificado una hipótesis como la que proporciona la mejor explicación de las que se han generado. Aunque una hipótesis de este tipo puede adoptarse tentativamente como hipótesis de trabajo, a menudo queremos –y a veces necesitamos– una mayor seguridad de que esta hipótesis no es simplemente la mejor que hemos pensado hasta ahora, sino también muy probablemente verdadera (o aproximadamente verdadera). En esos casos, he sugerido que los científicos deberían –y normalmente lo hacen–  pasar por un proceso de consolidación explicativa , en el que la acumulación de evidencia y los intentos fallidos de formular mejores alternativas hacen que la hipótesis sea gradualmente más plausible (véase § 4.1 ). En segundo lugar, también debemos reconocer que el razonamiento abductivo no siempre tiene por qué justificar la inferencia de la totalidad de la hipótesis que proporciona la mejor explicación de la evidencia. En algunos casos –especialmente cuando hay múltiples explicaciones rivales plausibles sobre la mesa– el razonamiento abductivo puede solo justificar la inferencia de una afirmación más débil que se desprende no solo de la mejor explicación, sino también de algunas o todas las otras explicaciones razonablemente buenas que están disponibles (véase § 4.3.2 ).

Aparte de los diversos desafíos que enfrentan las teorías inferenciales, probabilísticas e híbridas, también existe el desafío más general de por qué deberíamos preferir “mejores explicaciones”. Por ejemplo, ¿por qué preferir teorías que explican más a las que explican menos, o teorías más parsimoniosas a las complejas? Como se discutió en la Sección 3 , los filósofos están divididos aproximadamente entre realistas sobre la bondad explicativa, quienes sostienen que las mejores explicaciones tienen más probabilidades de ser verdaderas, y antirrealistas, quienes sostienen que las mejores explicaciones son (en el mejor de los casos) más convenientes para trabajar. Además, los realistas no están de acuerdo entre ellos sobre si se puede demostrar a priori, o en cambio a posteriori, que proporcionar mejores explicaciones conduce a la verdad (ver § 3.2 ). Mi propia posición sobre esta espinosa cuestión es que diferentes enfoques pueden ser apropiados para diferentes virtudes explicativas, y que al menos algunas de las virtudes –por ejemplo, la parsimonia– pueden rastrear la verdad en algunos contextos, pero no en otros. En mi opinión, esto no es un problema para la explicación heurística del razonamiento abductivo que yo apoyo, ya que los razonadores abductivos pueden –y a menudo lo hacen–  elegir no apelar a las virtudes relevantes en los contextos en los que no logran rastrear la verdad (véanse los §§ 3.3 – 3.4 ).

En resumen, la explicación general del razonamiento abductivo que yo defiendo es una combinación de varias tesis complementarias, las más centrales de las cuales son las siguientes:

(i)                  En el caso de algunas virtudes explicativas, como el alcance, las preferencias probabilísticas por teorías más virtuosas surgen naturalmente en razonadores bayesianos idealmente racionales cuyas probabilidades previas satisfacen restricciones plausibles.

(ii)                En el caso de otras virtudes explicativas, como la parsimonia, el contexto determina hasta qué punto las teorías que las poseen son preferidas o rechazadas probabilísticamente por agentes bayesianos idealmente racionales.

(iii)               En cualquier caso, el grado en que una teoría exhibe una virtud explicativa puede servir como heurística para aproximarse al razonamiento bayesiano idealmente racional en inferencias que se asemejan a la EBI de estilo Harman.

(iv)              Sin embargo, el IBE de estilo Harman sólo puede servir como una heurística confiable para comparaciones probabilísticas entre teorías ya generadas, ya que no está diseñado para garantizar que una de las teorías generadas sea verdadera.

(v)                Si bien esto a veces es una limitación aceptable para la EBI, como cuando nuestro objetivo es simplemente elegir qué teoría seguir, se necesita una forma más fuerte de EBI para concluir que una teoría es probablemente verdadera.

(vi)              Esto se puede lograr en gran medida añadiendo a la EBI un paso final, que consiste en un proceso extendido temporalmente de recopilación de más evidencia y exploración de explicaciones alternativas, antes de aceptar la teoría relevante.

(vii)             Además, en los casos en que hay múltiples rivales plausibles de la mejor teoría explicativa, el riesgo epistémico involucrado en la EBI puede aliviarse infiriendo solo aquello en lo que todas estas teorías están de acuerdo.

En conjunto, estas tesis muestran cómo se puede conciliar de manera coherente y plausible el núcleo de verdad de las ideas tradicionales sobre el razonamiento abductivo (derivadas de eminencias como Bacon, Darwin, Peirce y Harman, entre muchos otros) con el poderoso y popular enfoque bayesiano del razonamiento científico. La explicación general puede no ser tan simple como cabría esperar, pero, de nuevo, hay pocas razones para pensar que el razonamiento científico sea una cuestión sencilla.