2 de septiembre del 2026
Introducción
Cuando preguntamos cómo sabe la ciencia lo que sabe, solemos imaginar una escena aparentemente sencilla: un científico observa un fenómeno, recoge datos, formula hipótesis y comprueba si los hechos confirman o refutan su explicación. La imagen resulta útil como primera aproximación, pero es demasiado simple para describir cómo se produce realmente el conocimiento científico.
La ciencia no consiste en mirar la realidad y copiarla en un cuaderno. Observar científicamente exige decidir qué observar, con qué instrumentos, bajo qué condiciones, mediante qué procedimientos y utilizando categorías conceptuales. Un microscopio nunca se limita a ampliar un objeto; el telescopio no entrega directamente X galaxia; el electrocardiograma no es el corazón y la resonancia magnética tampoco es el cerebro. En cada caso existe una cadena de operaciones que transforma acontecimientos físicos en datos susceptibles de análisis. La evidencia científica aparece, por tanto, dentro de un sistema de medición, comparación, inferencia y crítica.
Esta cuestión conecta directamente con varios artículos anteriores de El Observatorio. En ¿Vemos la realidad o la interpretamos? Filosofía de la percepción y representación examinamos la distancia entre aquello que aparece ante nuestros sentidos y lo que reconocemos como realidad. En ¿Por qué una imagen puede decir más que mil palabras? analizamos la producción cultural del significado y en ¿Puede una inteligencia artificial entender una imagen? Visión artificial, significado y límites trasladamos el problema al ámbito de los sistemas computacionales. El presente artículo da un paso diferente: no se pregunta solo cómo vemos, sino cómo convertimos lo que observamos en conocimiento que otras personas pueden examinar, discutir y eventualmente corregir.
La filosofía contemporánea de la ciencia ha abandonado en buena medida la idea de que exista una separación completamente limpia entre observación y teoría. La revisión actual de la Stanford Encyclopedia of Philosophy sobre teoría y observación señala precisamente que los enfoques contemporáneos prestan atención a la manera en que los datos son producidos, analizados y utilizados, así mismo reconocen la interrelación entre dimensiones empíricas y teóricas.
Esto no significa que la ciencia sea una simple interpretación entre otras. Esa conclusión sería tan equivocada como imaginar una observación absolutamente neutra. La cuestión interesante se encuentra entre ambos extremos: la ciencia construye conocimiento mediante procedimientos que introducen mediaciones, pero también establecen restricciones sobre lo que razonablemente podemos afirmar acerca del mundo.
Comprender esa diferencia resulta fundamental en una época saturada de imágenes, estadísticas, gráficos, fotografías científicas, simulaciones y visualizaciones producidas mediante inteligencia artificial. Tener datos no equivale a tener evidencia, disponer de una imagen no significa haber demostrado eso que la imagen parece mostrar.
OBSERVAR NO ES SIMPLEMENTE MIRAR
¿Qué significa observar científicamente?
En la vida cotidiana utilizamos «observar» y «ver» casi como sinónimos. Decimos que hemos observado que está lloviendo, que una persona parece cansada o que una planta ha crecido. En ciencia, sin embargo, la observación adquiere un sentido metodológico mucho más exigente.
Observar científicamente supone establecer una relación controlada entre fenómeno y el procedimiento destinado a producir información sobre él. El investigador registra lo que aparece ante sus sentidos, pero también define variables, establece condiciones, selecciona instrumentos y decide qué características son relevantes para la pregunta planteada.
La diferencia resulta especialmente clara cuando analizamos una medición. Imaginemos que un investigador quiere conocer la temperatura de una sustancia. El resultado que aparece en el termómetro no constituye una propiedad que simplemente «estaba allí» esperando ser contemplada. Existe un instrumento, escala, procedimiento de calibración y teoría física que permite relacionar la lectura con una magnitud determinada. Si el termómetro funciona incorrectamente, la lectura deja de proporcionar evidencia fiable, aunque el número aparezca perfectamente registrado.
La observación científica incorpora así una dimensión técnica que a menudo desaparece en las representaciones populares del método científico. El dato no llega directamente desde la naturaleza hasta la mente del investigador. Se produce mediante una cadena de transformaciones.
La filosofía de la ciencia contemporánea presta especial atención a este problema. La observación ya no se entiende exclusivamente como percepción humana directa: los instrumentos, los modelos y las técnicas experimentales forman parte de la producción de datos. La propia distinción entre «observar» y «experimentar» resulta menos sencilla de lo que sugiere el lenguaje cotidiano, porque muchos resultados científicos dependen de manipular las condiciones bajo las cuales un fenómeno se hace detectable.
Del fenómeno al dato
Conviene distinguir al menos tres niveles:
fenómeno → dato → evidencia
Un fenómeno es lo que ocurre en el mundo o que constituye el objeto de investigación. Un dato es un resultado obtenido mediante determinada operación de registro o medición. La evidencia aparece cuando ese dato adquiere relevancia respecto de una afirmación, hipótesis o explicación.
Un número aislado no demuestra nada por sí mismo, la fotografía tampoco. Una correlación estadística, incluso elevada, no establece automáticamente relación causal. La evidencia depende de la pregunta y del marco inferencial dentro del cual se utiliza.
Supongamos que un estudio encuentra una asociación entre dos variables. Ese resultado constituye un dato empírico relevante. Para determinar qué significa necesitamos conocer cómo fueron seleccionados los participantes, qué variables se midieron, qué factores se controlaron, qué análisis estadístico se realizó y qué hipótesis justificaba la investigación.
El dato necesita contexto epistemológico.
Esta cuestión ayuda a desmontar una de las ideas más extendidas sobre la ciencia: la creencia de que los datos hablan por sí mismos. No lo hacen. Los datos necesitan procedimientos de producción, clasificación e interpretación. Eso no los convierte en arbitrarios, significa que su valor depende de las condiciones que permiten justificar su utilización como evidencia.
La filosofía de la evidencia ha mostrado precisamente que el problema científico no consiste en acumular observaciones, sino en determinar qué relación existe entre esas observaciones y las afirmaciones que pretendemos sostener.
La observación está guiada por preguntas
No vemos todo lo que existe. Observamos lo que, de acuerdo con una determinada pregunta, adquiere relevancia.
Un astrónomo que estudia la composición de X estrella no mira simplemente y llanamente una fotografía del cielo, busca determinadas líneas espectrales, patrones de emisión o absorción y relaciones cuantificables; de la misma forma que un astronauta no se limita a ver por la ventanilla de la nave, hace toda clase de experimentos en gravedad cero. Un epidemiólogo no registra todos los acontecimientos que ocurren durante una epidemia; establece variables, criterios diagnósticos y poblaciones de referencia. Y un psicólogo que investiga memoria no observa «la memoria» directamente; construye tareas y medidas destinadas a operacionalizar determinados aspectos del fenómeno.
La pregunta científica organiza la observación.
Esto tiene una consecuencia importante: la ciencia no empieza necesariamente con datos completamente independientes de toda teoría. En muchas investigaciones ocurre lo contrario, una hipótesis conduce a diseñar determinada observación que antes ni siquiera tenía sentido como procedimiento de medición.
El desarrollo de la astronomía moderna constituye un buen ejemplo. Cuando Galileo utilizó el telescopio para estudiar el cielo, no estaba aumentando la capacidad natural del ojo. El instrumento modificó lo que podía ser observado y, simultáneamente, alteró las preguntas científicas que resultaban razonables. Las observaciones telescópicas adquirieron significado dentro de una red de conceptos astronómicos y físicos.
El instrumento amplía la percepción, pero también introduce condiciones para interpretar lo percibido.
INSTRUMENTOS, MEDICIONES Y MODELOS: CUANDO LA CIENCIA APRENDE A VER LO INVISIBLE
La ciencia no depende únicamente de los sentidos
Una de las transformaciones fundamentales de la ciencia moderna consiste en haber desplazado progresivamente el límite de lo observable.
El ojo humano no observa directamente bacterias, ondas gravitacionales, neutrinos o determinadas estructuras moleculares. Sin embargo, la ciencia ha desarrollado instrumentos capaces de producir señales asociadas con estos fenómenos.
Aquí aparece una paradoja fascinante: muchas de las cosas que la ciencia conoce con mayor precisión no son directamente visibles para los sentidos humanos.
El microscopio permitió estudiar estructuras biológicas invisibles a simple vista. Los telescopios revelaron objetos y procesos que excedían las capacidades del ojo. Los detectores de partículas convierten interacciones subatómicas en señales medibles. Los radiotelescopios trabajan con longitudes de onda que no corresponden a la visión humana. Los detectores de ondas gravitacionales registran variaciones extremadamente pequeñas en la geometría del espacio-tiempo y después transforman esos datos en representaciones comprensibles.
Por ello, una imagen científica no siempre es una fotografía en sentido estricto.
Múltiples imágenes que aparecen en libros, revistas o medios de comunicación constituyen visualizaciones de datos. El color, la escala, el contraste o la forma gráfica representan magnitudes que originalmente no poseen esa apariencia visual.
La famosa representación de una onda gravitacional, por ejemplo, no significa que alguien haya «fotografiado» una onda gravitacional. El gráfico constituye una representación matemática y visual de la señal registrada por instrumentos. Esta diferencia es esencial para comprender la relación entre imagen y conocimiento científico.
Medir significa establecer relaciones
Ahora bien, la medición no consiste en asignar un número a algo. Supone establecer una relación entre propiedad, instrumento, unidad y procedimiento.
Cuando decimos que una mesa mide 1,20 metros estamos utilizando una infraestructura conceptual y técnica que hace posible interpretar ese número. La unidad de medida, el instrumento empleado y las condiciones de medición forman parte del significado del resultado.
La incertidumbre también pertenece a la medición. Ningún procedimiento experimental proporciona conocimiento absolutamente libre de error. La cuestión científica consiste en caracterizar las fuentes de incertidumbre y evaluar hasta qué punto afectan al resultado.
La investigación reciente sobre evaluación de incertidumbre sigue mostrando la importancia de formalizar estas cuestiones, especialmente cuando las muestras son pequeñas o las condiciones experimentales limitan la cantidad de información disponible.
La incertidumbre no equivale a ignorancia absoluta. Significa que el conocimiento posee un margen cuantificable o argumentativamente establecido dentro del cual una afirmación resulta razonable.
Por eso la afirmación científica rigurosa rara vez debería formularse como «hemos descubierto la verdad definitiva». La formulación adecuada suele ser mucho más precisa: dados determinados métodos, datos y supuestos, la evidencia favorece una determinada conclusión con cierto grado de confianza.
Cuando los modelos intervienen en lo que vemos
La ciencia no trabaja solamente con observaciones y teorías. Los modelos desempeñan una función central.
Un modelo climático, por ejemplo, no reproduce literalmente el planeta. El modelo epidemiológico X tampoco es una población. Un modelo cosmológico no constituye la fotografía del universo. Son construcciones matemáticas, computacionales o conceptuales que permiten representar relaciones relevantes y explorar sus consecuencias. El modelo selecciona.
Esta selección no es un defecto accidental. Constituye una condición de posibilidad del conocimiento científico. Un modelo demasiado fiel a todos los detalles de la realidad resultaría prácticamente inútil porque reproduciría la complejidad que pretendíamos comprender.
El conocimiento científico requiere simplificación controlada. La cuestión decisiva consiste en determinar qué simplificaciones son legítimas para una pregunta concreta.
El modelo construido puede ser extraordinariamente útil para predecir un fenómeno y, al mismo tiempo, resultar inadecuado para otro. La física clásica describe con enorme eficacia numerosos fenómenos cotidianos, aunque no constituye una descripción completa de todos los procesos físicos.
Esto también explica por qué la ciencia no funciona como sucesión de verdades que simplemente reemplazan errores anteriores. Las teorías posteriores suelen conservar dominios de validez de modelos anteriores, mientras modifican sus límites.
¿QUÉ CONVIERTE UN DATO EN EVIDENCIA?
Evidencia no significa «prueba absoluta»
En el lenguaje cotidiano hablamos de «pruebas» con mucha facilidad. La ciencia utiliza el término con mayor cautela.
Una evidencia incrementa o disminuye la plausibilidad de determinadas hipótesis dentro de un contexto inferencial. Su fuerza depende de factores como la calidad de los datos, el diseño del estudio, la precisión de las mediciones, la plausibilidad de las hipótesis alternativas y la posibilidad de obtener resultados similares mediante investigaciones independientes.
Esto resulta especialmente importante en campos complejos como la medicina, la psicología, la sociología o las ciencias ambientales.
Una sola investigación rara vez resuelve definitivamente una cuestión científica amplia.
La National Academies insiste en que la ciencia constituye un proceso acumulativo en el que diferentes estudios contribuyen a aumentar o disminuir nuestra confianza en determinados resultados. La reproducibilidad y la replicabilidad desempeñan aquí una función esencial, aunque no constituyen por sí mismas el objetivo último de la investigación.
Reproducibilidad y replicabilidad
Conviene distinguir ambos conceptos.
La reproducibilidad se refiere, en términos generales, a obtener resultados computacionales consistentes utilizando los mismos datos, procedimientos y condiciones de análisis.
La replicabilidad se refiere a la posibilidad de obtener resultados consistentes al repetir una investigación o estudiar la misma cuestión mediante nuevos datos o procedimientos comparables.
La distinción resulta particularmente importante en una ciencia cada vez más dependiente de software, bases de datos y análisis computacional. Cualquier resultado que nadie puede volver a calcular porque el código ha desaparecido o porque los datos no están disponibles presenta un problema diferente del de un experimento que no consigue reproducirse bajo nuevas condiciones.
La National Academies identifica factores como el registro insuficiente de procedimientos, la falta de transparencia, los errores, los diseños deficientes, determinados problemas estadísticos y los incentivos de publicación como elementos que afectan a la reproducibilidad y replicabilidad.
Esto no significa que una investigación que no se replica automáticamente sea falsa. La ausencia de replicación también puede revelar que un efecto depende de determinadas condiciones, que el resultado inicial era menos robusto de lo esperado o que existe un fenómeno nuevo que merece explicación.
La ciencia avanza precisamente porque sus afirmaciones están expuestas a esta posibilidad de corrección.
El problema de la observación «cargada de teoría»
Aquí aparece uno de los debates clásicos de la filosofía de la ciencia. Thomas Kuhn y Norwood Hanson, entre otros autores, cuestionaron la idea de que dos científicos se enfrenten a un mismo fenómeno sin ninguna diferencia conceptual. Hanson formuló la conocida tesis de que «ver» implica una carga teórica y Kuhn desarrolló una crítica relacionada con el papel de los paradigmas científicos.
La tesis requiere una interpretación cuidadosa. Decir que la observación está condicionada por conocimientos previos no significa que cada científico vea la realidad de manera completamente distinta. Tampoco implica que los hechos sean inventados por las teorías.
La tesis más razonable es que reconocer algo como determinado tipo de fenómeno depende parcialmente de conocimientos, expectativas, instrumentos y categorías disponibles.
Un radiólogo experimentado reconoce patrones en una imagen médica que algún observador sin formación no identifica. El astrónomo distingue señales relevantes en un conjunto de datos que para otra persona parece ruido. El biólogo interpreta determinadas estructuras microscópicas dentro de un marco conceptual que permite clasificarlas.
La formación modifica la capacidad de observar.
La revisión contemporánea de este problema reconoce que existe una interrelación entre teoría, modelos, instrumentos y datos, pero también advierte contra la conclusión de que toda evidencia resulta igualmente relativa a quien la interpreta. Existen situaciones en las que la evidencia obliga a abandonar o modificar explicaciones previamente aceptadas.
Si la teoría determinara completamente los datos, la ciencia sería circular. Si los datos fueran completamente independientes de toda teoría, no necesitaríamos prácticamente ningún conocimiento previo para interpretar el mundo. La práctica científica se sitúa entre ambos extremos.
LA CIENCIA COMO SISTEMA DE CORRECCIÓN
¿Es objetiva la ciencia?
La respuesta depende de qué entendamos por objetividad. Si por objetividad entendemos una observación absolutamente libre de perspectivas humanas, la respuesta sería negativa. Los científicos trabajan con instrumentos construidos por seres humanos, utilizan conceptos, seleccionan preguntas y toman decisiones metodológicas.
Pero existe otra concepción de objetividad mucho más interesante: la capacidad de producir resultados que no dependan exclusivamente de la perspectiva individual de quien los obtiene y que puedan ser sometidos al escrutinio de otros investigadores.
Aquí aparece la dimensión social de la ciencia. Un resultado científico adquiere fuerza no porque lo pronuncie una autoridad, sino porque queda expuesto a procedimientos públicos de crítica, contraste, repetición, revisión y discusión.
La objetividad científica es, en buena medida, una propiedad de los procedimientos colectivos.
La National Academies describe precisamente la ciencia como una actividad acumulativa y autocorrectiva en la que nuevos estudios permiten confirmar, matizar o cuestionar resultados anteriores. Esto explica una característica que a menudo desconcierta al público: que la ciencia cambie de opinión no constituye necesariamente un fracaso de la ciencia.
Una disciplina incapaz de revisar sus afirmaciones frente a nueva evidencia sería epistemológicamente mucho más preocupante.
La incertidumbre no destruye el conocimiento
Existe una confusión habitual entre incertidumbre y falta de conocimiento. Por ejemplo, si un climatólogo presenta un intervalo de confianza, algún físico expresa incertidumbre experimental o un epidemiólogo reconoce limitaciones en sus datos, algunas personas interpretan esa cautela como debilidad. Pero ocurre exactamente lo contrario.
La explicitación de la incertidumbre permite conocer el alcance real de una afirmación. El problema aparece cuando la comunicación pública transforma una conclusión probabilística en certeza absoluta o, en el extremo contrario, utiliza la existencia de incertidumbre para afirmar que «nadie sabe nada».
Ambas posiciones distorsionan el funcionamiento científico. La ciencia trabaja con grados de confianza.
De la misma forma, la afirmación respaldada por múltiples investigaciones independientes, diferentes métodos y resultados convergentes posee una posición epistemológica mucho más sólida que una hipótesis sustentada por un único estudio exploratorio. La propia National Academies recomienda atender al conjunto de la evidencia y no a un único resultado cuando se pretende evaluar qué sabemos sobre una cuestión.
De los datos a la explicación: inferir también es una operación científica
La ciencia no se limita a registrar. Entre los datos y las conclusiones existen procedimientos de inferencia. Una X observación permite establecer determinados hechos, más tarde la explicación intenta mostrar por qué esos hechos aparecen y qué relaciones los conectan.
La inferencia causal es especialmente importante. Encontrar que dos variables se relacionan no basta para afirmar que una causa la otra. Para establecer causalidad se requieren diseños y argumentos apropiados, que pueden incluir experimentos, controles, modelos causales y métodos estadísticos.
Este problema ha adquirido especial relevancia con el desarrollo de métodos formales de inferencia causal. La tradición asociada a autores como Judea Pearl mostró que las preguntas sobre causalidad requieren estructuras conceptuales distintas de las simples asociaciones estadísticas. La filosofía contemporánea de la ciencia también reconoce que los datos adquieren significado dentro de modelos y relaciones inferenciales.
Por eso conviene desconfiar de una de las frases más frecuentes en la comunicación científica y periodística:
«Los científicos han descubierto que X está relacionado con Y».
La pregunta siguiente debería ser:
¿Qué tipo de relación? ¿Con qué diseño? ¿Con qué variables de control? ¿Con qué incertidumbre? ¿Qué hipótesis alternativas fueron examinadas?
El pensamiento científico comienza muchas veces precisamente ahí, cuando dejamos de aceptar una conclusión porque parece intuitivamente evidente.
CUANDO VER NO BASTA: CIENCIA, IMÁGENES Y CONOCIMIENTO EN LA ERA DIGITAL
La cultura contemporánea está llena de evidencias visuales
Vivimos rodeados de representaciones científicas. Mapas climáticos, fotografías astronómicas, imágenes médicas, gráficos epidemiológicos, modelos tridimensionales, simulaciones, infografías y visualizaciones de datos ocupan una posición central en la comunicación científica.
La imagen tiene una enorme capacidad persuasiva porque ofrece una impresión de inmediatez: parece que estamos viendo directamente el fenómeno. Pero precisamente ahí reside uno de los principales riesgos.
La imagen científica requiere interpretación.
Por ejemplo, el mapa de temperaturas no es el clima. La resonancia no es el cerebro. Una gráfica no es la población estudiada. Esa imagen microscópica no es «la célula tal como es». Cada representación incorpora decisiones sobre escala, contraste, selección, clasificación y visualización.
En este sentido, la ciencia comparte una cuestión con los artículos anteriores de El Observatorio: las imágenes no son ventanas transparentes hacia la realidad. Sin embargo, aquí aparece una diferencia decisiva. La representación científica está sometida a protocolos destinados a justificar su correspondencia con determinados aspectos del fenómeno.
No todas las imágenes interpretativas son equivalentes. Una obra artística y una visualización científica cumplen funciones distintas. La primera busca, entre otras cosas, producir experiencia, interrogación, emoción o pensamiento; la segunda debe mantener una relación metodológicamente justificable con los datos que representa.
Confundir ambas funciones empobrece tanto el arte como la ciencia.
¿Qué ocurre cuando una inteligencia artificial analiza los datos?
Esta cuestión enlaza directamente con nuestro artículo ¿Puede una inteligencia artificial entender una imagen? Visión artificial, significado y límites.
Los sistemas contemporáneos de inteligencia artificial introducen una nueva capa en el proceso de observación. Algoritmos de aprendizaje automático clasifican imágenes, detectan patrones, identifican anomalías y generan representaciones a partir de grandes volúmenes de datos.
Pero el algoritmo tampoco «ve» en un sentido simple.
Recibe entradas codificadas, transforma esas representaciones mediante operaciones matemáticas y genera una salida según patrones aprendidos durante su entrenamiento. La cuestión epistemológica no en preguntarnos si el sistema obtiene buenos resultados, sino qué relación existe entre sus resultados y el fenómeno que pretendemos conocer.
Por ejemplo, la IA que identifica correctamente una lesión en determinadas imágenes ofrece un resultado potencialmente útil. Pero ese rendimiento necesita validación externa, análisis de errores, evaluación de sesgos y comprobación de su robustez ante datos diferentes de los utilizados durante el entrenamiento.
La precisión estadística no equivale automáticamente a comprensión científica.
Esta distinción adquiere todavía mayor importancia cuando los modelos son utilizados para interpretar imágenes complejas, realizar predicciones o generar explicaciones. El hecho de que un sistema produzca una descripción coherente no garantiza que dicha descripción corresponda causalmente con aquello que ocurre en el mundo.
La misma advertencia que aplicamos a los investigadores humanos debe aplicarse a los sistemas computacionales: un resultado necesita un marco de validación.
Ciencia, interpretación y construcción del conocimiento
Llegados a este punto podemos regresar a la pregunta inicial: ¿Cómo sabe la ciencia lo que ve?
La respuesta más rigurosa no consiste en afirmar que la ciencia «ve la realidad directamente». Tampoco resulta suficiente decir que la ciencia construye relatos y, por tanto, que todas las interpretaciones poseen el mismo valor.
La ciencia produce conocimiento mediante una combinación históricamente desarrollada de observación, medición, experimentación, modelización, inferencia, contraste, replicación, crítica y revisión colectiva.
El mundo impone restricciones y los métodos establecen condiciones de acceso a dichas restricciones. Los conceptos permiten formular preguntas. Los instrumentos producen registros. En cuanto a los modelos, organizan relaciones. Los análisis transforman datos en inferencias y las comunidades científicas someten esas inferencias a crítica. La objetividad emerge de ese entramado.
Esta concepción resulta especialmente importante porque evita dos errores simétricos. El primero es el ingenuo realismo epistemológico según el cual basta con mirar para conocer. El segundo es un relativismo radical según el cual, dado que toda observación está mediada, ninguna afirmación científica sería más válida que otra.
La evidencia científica no es una copia pura de la realidad, pero tampoco es una ficción arbitraria; es una forma disciplinada de establecer qué afirmaciones resisten mejor el contraste con el mundo y con otros investigadores.
Conclusión: aprender a mirar también significa aprender a dudar
La ciencia comienza con preguntas, pero no termina con respuestas definitivas. Entre ambas existe un largo proceso destinado a transformar la experiencia en conocimiento justificable.
Observar científicamente exige mucho más que mirar. Supone construir condiciones para que aquello que aparece ante nosotros pueda ser medido, registrado, comparado e interpretado. La evidencia, a su vez, no reside automáticamente en el dato, surge cuando ese dato adquiere fuerza dentro de un argumento, modelo o hipótesis sometida a contraste.
Esta perspectiva permite comprender por qué la ciencia constituye una de las formas más rigurosas que hemos desarrollado para conocer el mundo sin convertirla en instancia infalible. Su fortaleza no reside en haber eliminado completamente los sesgos, los errores o la incertidumbre, sino en haber creado procedimientos destinados a identificarlos y reducir sus efectos.
La ciencia sabe que sus instrumentos tienen límites. Sabe que los modelos simplifican. Sabe que las mediciones contienen incertidumbre. También sabe que los investigadores están condicionados por conocimientos previos, instituciones, intereses y tradiciones intelectuales. Y precisamente por eso necesita controles, replicación, transparencia y crítica.
La pregunta «¿cómo sabe la ciencia lo que ve?» conduce entonces a una conclusión más profunda: la ciencia no convierte la observación en certeza, sino en forma públicamente discutible de conocimiento.
Esa diferencia adquiere importancia extraordinaria en una sociedad dominada por imágenes y datos. La fotografía, gráfico, mapa o salida generada por inteligencia artificial poseen una enorme capacidad de persuasión. Pero ver algo representado no equivale a comprenderlo, del mismo modo que disponer de un dato no equivale a poseer evidencia suficiente.
Aprender ciencia implica, por tanto, aprender a mirar de otra manera. No para desconfiar de todo, más bien para formular mejores preguntas:
¿Cómo se obtuvo este dato?, ¿qué mide exactamente?, ¿qué supuestos intervienen?, ¿qué alternativas fueron consideradas?, ¿qué incertidumbre existe?, ¿quién podría reproducir el resultado?, ¿qué evidencia lo contradice?, ¿hasta dónde llega realmente la conclusión?
En última instancia, la grandeza del conocimiento científico consiste en haber convertido nuestras propias limitaciones para conocer en objeto de investigación. Y quizá esa sea una de las formas más rigurosas de aprender a ver.
FAQ: preguntas frecuentes sobre observación y evidencia científica
¿Qué es la observación científica?
La observación científica es un procedimiento sistemático mediante el cual se obtiene información sobre un fenómeno siguiendo criterios metodológicos definidos. Incluye selección de variables, instrumentos, condiciones de registro y procedimientos de análisis.
¿La ciencia observa la realidad directamente?
No en sentido estricto. La investigación científica accede a los fenómenos mediante instrumentos, mediciones, modelos y categorías conceptuales. Esto no implica que el conocimiento sea arbitrario, los métodos científicos establecen restricciones que permiten contrastar las afirmaciones con resultados observables y reproducibles.
¿Qué diferencia existe entre un dato y una evidencia?
Un dato es un resultado obtenido mediante observación, medición o análisis. Se convierte en evidencia cuando posee relevancia para evaluar una hipótesis, modelo o afirmación concreta. Por tanto, el dato aislado no constituye necesariamente una prueba suficiente.
¿Qué significa que la observación está condicionada por la teoría?
Significa que reconocer, seleccionar e interpretar aquello que observamos depende parcialmente de conocimientos previos, conceptos, modelos e instrumentos. No significa que los científicos inventen los hechos ni que todas las interpretaciones tengan el mismo valor.
¿La ciencia es objetiva?
La ciencia no es objetiva porque sus investigadores carezcan de perspectivas, sino porque desarrolla procedimientos destinados a someter sus afirmaciones a controles que trascienden al investigador individual: revisión crítica, métodos explícitos, replicación, comparación de resultados y evaluación colectiva.
¿Por qué es importante la replicación científica?
Porque repetir investigaciones ayuda a comprobar la robustez de sus resultados, identificar condiciones que afectan a los hallazgos y detectar errores. La National Academies señala, además, que la falta de replicación no siempre constituye un fracaso: en determinadas circunstancias también genera nuevas preguntas y descubrimientos.
¿Qué papel desempeñan los instrumentos científicos?
Los instrumentos amplían las capacidades humanas de observación y permiten registrar fenómenos que no son accesibles directamente a los sentidos. Al mismo tiempo, introducen condiciones técnicas que deben ser conocidas y evaluadas para determinar la calidad de los datos.
¿Una imagen científica equivale a una fotografía de la realidad?
No necesariamente. Muchas imágenes científicas son visualizaciones de datos obtenidos mediante instrumentos. Los colores, escalas y formas utilizados en ellas representan determinadas magnitudes o relaciones. Por eso requieren interpretación.
¿La incertidumbre significa que la ciencia no sabe?
No. La incertidumbre indica que una medición o conclusión posee límites conocidos o estimables. Expresar esos límites constituye una condición de rigor, no una renuncia al conocimiento.
¿Puede un dato científico estar equivocado?
Sí. Las mediciones contienen posibles errores, los diseños de investigación tienen limitaciones y las interpretaciones pueden revisarse. Precisamente por eso la ciencia utiliza procedimientos de contraste, replicación y crítica.
¿Qué relación existe entre observación y experimentación?
Ambas prácticas están estrechamente relacionadas, aunque no son idénticas. La observación registra fenómenos bajo determinadas condiciones; la experimentación introduce manipulación y control para estudiar relaciones específicas. En muchas investigaciones contemporáneas ambas dimensiones se combinan.
Referencias bibliográficas
Bogen, J., & Woodward, J. (1988). Saving the phenomena. The Philosophical Review, 97(3), 303–352. https://doi.org/10.2307/2185445
Hacking, I. (1983). Representing and intervening: Introductory topics in the philosophy of natural science. Cambridge University Press.
Hanson, N. R. (1958). Patterns of discovery: An inquiry into the conceptual foundations of science. Cambridge University Press.
Kuhn, T. S. (1962). The structure of scientific revolutions. University of Chicago Press.
Longino, H. E. (1990). Science as social knowledge: Values and objectivity in scientific inquiry. Princeton University Press.
National Academies of Sciences, Engineering, and Medicine. (2019). Reproducibility and replicability in science. The National Academies Press. https://doi.org/10.17226/25303
National Academies of Sciences, Engineering, and Medicine. (2025). Understanding and addressing misinformation about science. The National Academies Press.
Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press.
Popper, K. R. (1959). The logic of scientific discovery. Hutchinson.
Woodward, J. (2003). Making things happen: A theory of causal explanation. Oxford University Press.
Además, para la discusión contemporánea sobre teoría, observación, datos y evidencia, resulta especialmente útil la revisión actualizada de la Stanford Encyclopedia of Philosophy, que recoge el desplazamiento desde una concepción de la observación como base «pura» de la ciencia hacia una comprensión más integrada de datos, modelos, instrumentos y teoría.
Seguir observando también es una forma de pensar.
Explora más artículos de El Observatorio sobre literatura, arte, filosofía, psicología y cultura visual, y descubre las ideas que están detrás de las imágenes que nos acompañan.
Descubrir diseños inspirados en ideas.
Y si alguna de esas ideas forma parte de tu propia manera de mirar el mundo, descubre las colecciones de Momento Presente inspiradas en pensamiento, símbolos y libertad.
Descubrir la Colección Románticas camisetas →
