Un manifiesto por el uso correcto de modelos científicos

Por Daniel Grimaldi - 3 Feb. 2021 12:00

Tiempo de lectura: 6 minutos.

Investigadores de diferentes áreas del conocimiento alertaron sobre los peligros de utilizar los datos que surgen de modelos de predicción sin tener en cuenta "la letra chica". Es por eso que presentaron un manifiesto en la revista Nature donde explicitan las buenas prácticas del modelado y así "ayudar a que la sociedad pueda demandar la calidad correspondiente" en el uso de estas herramientas para la lucha contra el COVID-19.


Ante la incertidumbre que genera una pandemia, varios son los actores que intentan darnos tranquilidad y certezas: los profesionales de la salud se dedican a cuidarnos y tratarnos en el paso de la enfermedad poniendo sus vidas en riesgo, los políticos y sus equipos son los encargados de pautar nuevas reglas de convivencia y tomar decisiones en políticas públicas de salud, los comunicadores son los responsables de mantener la moral alta e informar a la sociedad y los científicos son los asesores que analizan la situación e intentan vislumbrar diferentes futuros posibles. Si bien cada rol es específico, todos ellos demandan entre sí datos para entender la realidad que los rodea. Los modelos organizan estos datos con la intención de obtener la información necesaria para que cada papel pueda desarrollarse. O al menos así debería funcionar.

Como los modelos se suelen percibir como información objetiva, son una herramienta fundamental para argumentar decisiones que inevitablemente están atravesadas por diferentes intereses, como querer dar una explicación simple, no generar pánico o inducir a tomar acciones que beneficien a unos pocos. Así, ya sea de forma accidental o intencional, muchas veces se omite información presente en todos ellos. Esta situación motivó a un grupo de científicos a presentar un manifiesto en Nature, llamando a la sociedad a que se preocupe de recibir la interpretación correcta de los modelos y sugiriendo prestarle atención a una serie de cuestiones.

Una de las más importantes se trata de las suposiciones que se hacen para la construcción de los modelos. Estas suposiciones son ‘acuerdos’ que nos permiten simplificar el análisis de los datos. Por ejemplo, durante la pandemia se habló mucho del tiempo de duplicación de contagio. Si a este dato se lo analiza como un crecimiento exponencial de infectados, puede ser muy útil para entender la problemática en el corto plazo y, por ejemplo, para saber cuándo tendremos el doble de contagiados si todo sigue igual. Pero si lo forzamos a que prediga lo que pasará en un período largo de tiempo, a medida que el número de infectados se acerca al número de la población total, éste dejará de modelar correctamente la realidad.

Por supuesto, si agregamos el dato de la población total complejizaremos un poco más el modelo en pos de tener mayor precisión a largo plazo. Pero aún así, no estaremos considerando por ejemplo nacimientos ni fallecimientos. Además, en ningún caso se modelaron datos de importancia como son el número de recuperados o los posibles reinfectados, ni se tuvo en cuenta la distribución de la población en la región o sus costumbres. Por lo tanto, es importante conocer tanto los supuestos como el contexto en el que se encuentra para poder utilizar el modelo correcto.

Ahora bien, un modelo que contemple todos los datos y todos los contextos posibles sería demasiado complicado de analizar. Además, los científicos advierten que más datos no necesariamente implica más precisión: hay algunos que requieren tal nivel de detalle que son imposible de adquirir y aproximarlos puede costarnos tener un modelo menos verosímil que uno que maneje menos datos pero más fieles. Los expertos sugieren entonces que quien utilice estos modelos para tomar decisiones tenga una actitud responsable y se preocupe en encontrar “el balance óptimo con el error”.

Aceptando que los modelos se aplican bajo un contexto, con unos supuestos y que son propensos a cierto margen de error, nos empezamos a preguntar cómo hacemos para comunicar certezas. Pero el problema es creer que dan certezas, cuando nunca lo hicieron. Por eso los científicos proponen tomarlos como lo que son: aproximaciones sencillas de una porción de la realidad. Visto así, al momento de tomar una decisión es más fácil contemplar que siempre habrá variables desconocidas y siempre aparecerán nuevas preguntas. Este es el verdadero camino para seguir desarrollando mejores representaciones de la realidad.

A modo de conclusión, los investigadores afirman que lo que pretenden no es ponerle fin al intento de ver la realidad sólo con números o que haya modelos apolíticos. Lo que buscan es que, siguiendo estos consejos, se pueda conseguir una comunicación completa y franca de la información y se preserve al modelado como una herramienta matemática valiosa. No prestar atención a estos detalles puede hacer que las predicciones de los modelos sean o se perciban como Caballos de Troya para intereses y valores ocultos.



Si querés colaborar con esparCiencia, ya podés “comprarnos un cafecito”. Será de gran ayuda para que podamos mantener el compromiso en la comunicación de la ciencia y la tecnología.

Invitame un café en cafecito.app