Ciencia, incertidumbre y construcción contemporánea de la evidencia
Palabras clave:
incertidumbre científica, evidencia científica, inferencia, reproducibilidad, inteligencia artificialSinopsis
Ciencia, incertidumbre y construcción contemporánea de la evidencia examina las condiciones mediante las cuales el conocimiento científico se produce, evalúa y utiliza en escenarios donde la certeza absoluta no siempre es posible. La obra analiza la incertidumbre como un componente inherente de la investigación y diferencia sus principales manifestaciones, entre ellas el error, la variabilidad, la indeterminación y los límites epistemológicos. A partir de esta base, profundiza en la naturaleza de la evidencia, su relación con la observación y los datos, así como en los criterios empleados para valorar su calidad, consistencia y capacidad justificativa. El libro aborda además los procesos inferenciales que permiten construir generalizaciones, contrastar hipótesis y formular explicaciones, junto con los desafíos asociados con resultados contradictorios, reproducibilidad, replicación y sesgos. También estudia el impacto de los datos masivos, los modelos computacionales, la inteligencia artificial y las simulaciones en la producción contemporánea de evidencia científica. Finalmente, analiza la toma de decisiones bajo información incompleta, la comunicación de riesgos, el principio de precaución y la responsabilidad vinculada con la interpretación y aplicación de resultados. La propuesta integra perspectivas metodológicas, epistemológicas y tecnológicas para comprender cómo gestionar la incertidumbre sin debilitar el rigor científico.
Descargas
Los datos de descarga aún no están disponibles.
Referencias
Arias Valencia, M. (2022). Principles, scope, and limitations of the methodological triangulation. Investigación y Educación en Enfermería, 40(2), e03. https://doi.org/10.17533/udea.iee.v40n2e03
Aven, T. (2023). A risk and safety science perspective on the precautionary principle. Safety Science, 165, 106211. https://doi.org/10.1016/j.ssci.2023.106211
Botta, N., Brede, N., Crucifix, M., Ionescu, C., Jansson, P., Li, Z., . . . Richter, T. (2023). Responsibility under uncertainty: Which climate decisions matter most? Environmental Modeling & Assessment, 28, 337-365. https://doi.org/10.1007/s10666-022-09867-w
Burrows, T. (2023). Reproducibility, verifiability, and computational historical research. International Journal of Digital Humanities, 5, 283-298. https://doi.org/10.1007/s42803-023-00068-9
Casula, M., Rangarajan, N., & Shields, P. (2021). The potential of working hypotheses for deductive exploratory research. Quality & Quantity, 55(5), 1703-1725. https://doi.org/10.1007/s11135-020-01072-9
Chen, Y.-C., Jordan, M., Park, J., & Starrett, E. (2024). Navigating student uncertainty for productive struggle: Establishing the importance for and distinguishing types, sources, and desirability of scientific uncertainties. Science Education, 108(4), 1099-1133. https://doi.org/10.1002/sce.21864
Covitt, B., & Anderson, C. (2022). Untangling trustworthiness and uncertainty in science. Science & Education, 31(5), 1155-1180. https://doi.org/10.1007/s11191-022-00322-6
Cox, M., & O’Hagan, A. (2022). Meaningful expression of uncertainty in measurement. Accreditation and Quality Assurance, 27(1), 19-37. https://doi.org/10.1007/s00769-021-01485-5
de la Torre-López, J., Ramírez, A., & Romero, J. (2023). Artificial intelligence to automate the systematic review of scientific literature. Computing, 105, 2171-2194. https://doi.org/10.1007/s00607-023-01181-x
Derksen, M., & Morawski, J. (2022). Kinds of replication: Examining the meanings of “conceptual replication” and “direct replication”. Perspectives on Psychological Science, 17(5), 1490-1505. https://doi.org/10.1177/17456916211041116
Duschl, R., Avraamidou, L., & Azevedo, N. (2021). Data-texts in the sciences: The evidence-explanation continuum. Science & Education, 30(5), 1159-1181. https://doi.org/10.1007/s11191-021-00225-y
Engelschalt, P., Röske, M., Penzlin, J., Krüger, D., & Upmeier zu Belzen, A. (2023). Abductive reasoning in modeling biological phenomena as complex systems. Frontiers in Education, 8, 1170967. https://doi.org/10.3389/feduc.2023.1170967
Fajardo-Fontiveros, O., Reichardt, I., De Los Ríos, H., Duch, J., Sales-Pardo, M., & Guimerà, R. (2023). Fundamental limits to learning closed-form mathematical models from data. Nature Communications, 14, 1043. https://doi.org/10.1038/s41467-023-36657-z
Gough, D. (2021). Appraising evidence claims. Review of Research in Education, 45(1), 1-26. https://doi.org/10.3102/0091732X20985072
Hansen, J., & Quinon, P. (2023). The importance of expert knowledge in big data and machine learning. Synthese, 201, 35. https://doi.org/10.1007/s11229-023-04041-5
Helliwell, J., & Massera, C. (2022). The four Rs and crystal structure analysis: Reliability, reproducibility, replicability and reusability. Journal of Applied Crystallography, 55(5), 1351-1358. https://doi.org/10.1107/S1600576722007208
Hudson, R. (2021). Should we strive to make science bias-free? A philosophical assessment of the reproducibility crisis. Journal for General Philosophy of Science, 52(3), 389-405. https://doi.org/10.1007/s10838-020-09548-w
Jack, S., Orr, E., Campbell, K., Whitmore, C., & Cammer, A. (2023). A framework for selecting data generation strategies in qualitative health research studies. Journal of Human Nutrition and Dietetics, 36(4), 1480-1495. https://doi.org/10.1111/jhn.13134
Kapoor, S., & Narayanan, A. (2023). Leakage and the reproducibility crisis in machine-learning-based science. Patterns, 4(9), 100804. https://doi.org/10.1016/j.patter.2023.100804
Kiyasseh, D., Cohen, A., Jiang, C., & Altieri, N. (2024). A framework for evaluating clinical artificial intelligence systems without ground-truth annotations. Nature Communications, 15, 1808. https://doi.org/10.1038/s41467-024-46000-9
Lee, J., Hwang, E., & Kacker, R. (2022). True value, error, and measurement uncertainty: Two views. Accreditation and Quality Assurance, 27(4), 235-242. https://doi.org/10.1007/s00769-022-01508-9
Leins, D., Haase, S., Eslami, M., Schrier, J., & Freeman, J. (2023). Collaborative methods to enhance reproducibility and accelerate discovery. Digital Discovery, 2(1), 12-27. https://doi.org/10.1039/D2DD00061J
Mathur, M., & Fox, M. (2023). Toward open and reproducible epidemiology. American Journal of Epidemiology, 192(4), 658-664. https://doi.org/10.1093/aje/kwad007
Metzen, H. (2024). Objectivity, shared values, and trust. Synthese, 203, 60. https://doi.org/10.1007/s11229-024-04493-3
Monti, C., Pangallo, M., De Francisci Morales, G., & Bonchi, F. (2023). On learning agent-based models from data. Scientific Reports, 13, 9268. https://doi.org/10.1038/s41598-023-35536-3
Nilsson, A., Peters, J., Meimetis, N., Bryson, B., & Lauffenburger, D. (2022). Artificial neural networks enable genome-scale simulations of intracellular signaling. Nature Communications, 13, 3069. https://doi.org/10.1038/s41467-022-30684-y
Olaghere, A., Wilson, D., & Kimbrell, C. (2023). Inclusive critical appraisal of qualitative and quantitative findings in evidence synthesis. Research Synthesis Methods, 14(6), 847-852. https://doi.org/10.1002/jrsm.1659
Omerovic, E. (2023). Can contradictory results from RCTs that tested the same hypothesis be true simultaneously? Analyses of the VALIDATE-SWEDEHEART and BRIGHT-4 trials. EuroIntervention, 19(10), e802-e805. https://doi.org/10.4244/EIJ-D-23-00151
Pedder, H., Dias, S., Boucher, M., Bennetts, M., Mawdsley, D., & Welton, N. (2022). Methods to assess evidence consistency in dose-response model based network meta-analysis. Statistics in Medicine, 41(4), 625-644. https://doi.org/10.1002/sim.9270
Queirós, P. (2022). Evidencias científicas y conocimiento disciplinar de enfermería. Cultura de los Cuidados, 26(62), 279-293. https://doi.org/10.14198/cuid.2022.62.19
Rickinson, M., Cirkony, C., Walsh, L., Gleeson, J., Salisbury, M., & Boaz, A. (2021). Insights from a cross-sector review on how to conceptualise the quality of use of research evidence. Humanities and Social Sciences Communications, 8, 170. https://doi.org/10.1057/s41599-021-00821-x
Schnarr, A., & Mertz, M. (2022). States of uncertainty, risk–benefit assessment and early clinical research: A conceptual investigation. Science and Engineering Ethics, 28(6), 68. https://doi.org/10.1007/s11948-022-00418-w
Schneider, C., Freeman, A., Spiegelhalter, D., & van der Linden, S. (2022). The effects of communicating scientific uncertainty on trust and decision making in a public health context. Judgment and Decision Making, 17(4), 849-882. https://doi.org/10.1017/S1930297500008962
Selva, J., Argyroudis, S., Cotton, F., Esposito, S., Iqbal, S., Lorito, S., . . . Giardini, D. (2024). A novel multiple-expert protocol to manage uncertainty and subjective choices in probabilistic single and multi-hazard risk analyses. International Journal of Disaster Risk Reduction, 110, 104641. https://doi.org/10.1016/j.ijdrr.2024.104641
Sondhi, A., Segal, B., Snider, J., Humblet, O., & McCusker, M. (2021). Bayesian additional evidence for decision making under small sample uncertainty. BMC Medical Research Methodology, 21, 221. https://doi.org/10.1186/s12874-021-01432-5
Villalobos Antúnez, J., Severino-González, P., Caldera Ynfante, J., & Ramírez-Molina, R. (2023). Epistemología, complejidad y sistema: Una mirada a la incertidumbre en contextos tecnológicos. Revista Científica Saperes Universitas, 6(2), 145-160. https://doi.org/10.53485/rsu.v6i2.346
Ward, Z., & Creel, K. (2024). To hedge or not to hedge: Scientific claims and public justification. Philosophy of Science, 91(4), 990-1008. https://doi.org/10.1017/psa.2024.17
Wei, Z., Yang, A., Rocha, L., Miranda, M., & Nathoo, F. (2022). A review of Bayesian hypothesis testing and its practical implementations. Entropy, 24(2), 161. https://doi.org/10.3390/e24020161
Wiedemann, P., Boerner, F., & Freudenstein, F. (2021). Effects of communicating uncertainty descriptions in hazard identification, risk characterization, and risk protection. PLOS ONE, 16(7), e0253762. https://doi.org/10.1371/journal.pone.0253762
Williamson, J. (2023). Direct inference and probabilistic accounts of induction. Journal for General Philosophy of Science, 54(3), 451-472. https://doi.org/10.1007/s10838-021-09584-0
Woensdregt, M., Fusaroli, R., Rich, P., Modrák, M., Kolokolova, A., Wright, C., & Warlaumont, A. (2024). Lessons for theory from scientific domains where evidence is sparse or indirect. Computational Brain & Behavior, 7(4), 588-607. https://doi.org/10.1007/s42113-024-00214-8
Descargas
Publicado
septiembre 10, 2026
DERECHOS DE AUTOR 2026
Martha Clemencia García Cifuentes,
Jonathan Eduardo López Poveda,
María Andrea Zambrano Delgado,
Francisco Javier Espinoza Huaipatin,
Ángel Patricio Herrera Carrión,
Mario Fernando Herrera Venegas,
Franklin Patricio Vásquez Chicaiza
Martha Clemencia García Cifuentes,
Jonathan Eduardo López Poveda,
María Andrea Zambrano Delgado,
Francisco Javier Espinoza Huaipatin,
Ángel Patricio Herrera Carrión,
Mario Fernando Herrera Venegas,
Franklin Patricio Vásquez Chicaiza
Licencia
CIDPROS EDITORIAL es una editorial académica comprometida con la difusión ética y responsable del conocimiento científico y con la promoción de publicaciones académicas de calidad.
CC BY 4.0 — Creative Commons Atribución 4.0 Internacional
Esta obra se distribuye bajo los términos de la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0), que permite compartir y adaptar el material para cualquier propósito, incluso comercial, siempre que se otorgue el crédito correspondiente a los autores, se proporcione un enlace a la licencia y se indique si se realizaron cambios.
Detalles sobre esta monografía
ISBN-13 (15)
978-9907-848-03-8
Dimensiones físicas
Cómo citar
García Cifuentes, M. C., López Poveda, J. E., Zambrano Delgado, M. A., Espinoza Huaipatin, F. J., Herrera Carrión, Ángel P., Herrera Venegas, M. F., & Vásquez Chicaiza, F. P. (2026). Ciencia, incertidumbre y construcción contemporánea de la evidencia. CIDPROS EDITORIAL. https://doi.org/10.70577/fa3t4g85
