May contain lines por Alex Edmans

 MAY CONTAIN LIES: HOW STORIES, STATISTICS AND STUDIES EXPLOIT OUR BIASES — AND WHAT WE CAN DO ABOUT IT

LOS SESGOS

Sesgo de confirmación ✅

Este sesgo nos lleva a aceptar una afirmación sin cuestionarla, si confirma lo que nos gustaría que fuera cierto.

El sesgo de confirmación nos lleva a interpretaciones sesgadas, en dos formas:

*Aceptación ingenua** 😊: creer sin corroborar ni buscar alternativas. 
*Escepticismo miope** 🙄: rechazar lo que no nos gusta y buscar explicaciones ad hoc. 

Para detectar este sesgo 👉 Pregúntate: *¿Quiero que esto sea cierto? * 
- Si la respuesta es **sí**, cuidado con la aceptación ingenua. 
- Si la respuesta es **no**, cuidado con el escepticismo miope. 

El sesgo de confirmación también conduce a una búsqueda sesgada: cerramos los ojos ante las fuentes con las que no estamos de acuerdo y encontramos lo que queremos encontrar.

Y ojo…el conocimiento no nos hace más conscientes de este sesgo, más bien nos hace más propensos a él pues es más fácil caer en razonamiento motivado y búsqueda sesgada.

 

Sesgo de pensamiento blanco y negro ⚫⚪

Vemos el mundo en términos extremos: todo es bueno 👍 o malo 👎.  Esto nos induce a error cuando el mundo es: 

 **Moderado** 🌡️: bueno hasta cierto punto, malo a partir de otro (el agua).
 **Granular** 🍞: distintas formas, algunas buenas, otras malas (carbohidratos).  **Marmolado** 🎨: contiene tanto elementos positivos y negativos. 

📌 El sesgo de confirmación actúa cuando ya tenemos opinión previa. 
📌 El blanco/negro aparece cuando no la tenemos. 
Ambos se refuerzan mutuamente. 

LOS PROBLEMAS ⚠️

 

1️⃣ Una afirmación (statement) no es un hecho (fact)

Una afirmación no es un hecho porque puede que no sea precisa. Una cita o estudio mal usado no garantiza veracidad, se puede tergiversar los resultados del estudio o la cita puede estar fuera de contexto.

Pregúntate: 
✔️ ¿Existen las pruebas? 
✔️ ¿Coinciden las conclusiones con la afirmación? 
✔️ ¿Coinciden los resultados con esas conclusiones? 

 

2️⃣ Un hecho (fact) no es un dato (data)

Un hecho no es un dato porque puede no ser representativo. Una anécdota puede ser cierta pero no representativa. 

 

La **falacia narrativa** 🎢 nos hace ver causalidad donde solo hay casualidad.

Aunque un autor dé otros ejemplos que compartan la misma narrativa, es posible que los haya seleccionado de forma sesgada. En este caso la solución es acudir al método científico, establecer hipótesis, buscar una muestra representativa y un grupo control, y establecer si hay diferencias estadísticamente significativas.

 

 

3️⃣ Los datos (data) no son evidencia (evidence): la tortura de datos.

Los datos no son evidencia porque pueden ser producto de minería (tortura) de datos ⛏️. Es posible que los investigadores hayan realizado muchísimas pruebas que fracasaron y solo hayan informado de las que funcionaron.

 

Siempre es bueno cuestionarse de qué forma se miden las variables dependiente e independiente, ¿acaso de la forma más natural posible? Si no es así, ¿demuestra el estudio solidez frente a medidas alternativas?

 

4️⃣ Los datos (data) no son evidencia (evidence): causalidad.

Los datos no son evidencias porque pueden no ser concluyentes. Correlación ≠ causalidad: puede haber causas comunes (que impulsan tanto la variable input como el output) 🔄 o causalidad inversa ↔️ (el resultado afecta al input). 

En el primer caso, las causas comunes. Afirmaciones como «Las personas/empresas que hacen X tienen más éxito» carecen de sentido, porque las personas/empresas que hacen X pueden diferir en muchos otros aspectos.

En el segundo caso, la causalidad inversa. Si un estudio halla correlación entre innovación y rentabilidad, ¿es que la innovación hace que las empresas sean más rentables o es que al ser más rentables las empresas innovan más?

Entonces para que los datos sean evidencias, (o la correlación sea causalidad) necesitamos experimentos controlados 🎯, aunque muchas veces son costosos o inviables. 

 

5️⃣ Las evidencias (evidence) no son pruebas (proof).

La evidencia no es una prueba, porque puede no ser universal. Una prueba es universal 🌍, la evidencia no siempre.  Cuando Arquímedes demostró que el área de un círculo es pi por el cuadrado de su radio, lo demostró no solo para los círculos de la antigua Grecia del siglo III a. C., sino también para los círculos de todo el mundo actual.

 

La razón por la cual las pruebas podrían no ser evidencias es que, aunque las pruebas tengan validez interna (revelen la causalidad), puede que no tenga validez externa (aplicarse en diferentes contextos).

Esa validez externa (aplicarse a todo contexto) puede estar ausente debido a que la prueba es granular (funciona solo en un contexto o industria) o puede haber moderación en el input (más no siempre es mejor, como el agua).

 

LAS SOLUCIONES

Pensar de forma más inteligente como individuos 🧑‍🎓

- Buscar puntos de vista contrarios 🔄. 
- Valorar más las revisiones sistemáticas 📚 que un solo artículo. 
- Ser críticos con lo que leemos en medios y redes. 
- Evitar compartir sin verificar 🚫. 

Creando organizaciones que piensan de forma más inteligente 🏢

- Superar el pensamiento grupal con **diversidad cognitiva** 🌈. 
- Escuchar todas las voces 🗣️. 
- Fomentar culturas científicas que valoren la crítica constructiva 🔬. 

🌐 Recurso extra: sitio web con materiales y herramientas (incluye una rutina en ChatGPT para evaluar documentos con estos principios).  https://maycontainlies.com/