El modelo o método hipotético-deductivo es una descripción propuesta del método científico . Según él, la investigación científica procede formulando una hipótesis en una forma que pueda ser falsable , utilizando una prueba sobre datos observables donde el resultado aún no se conoce. Un resultado de prueba que podría haber sido y es contrario a las predicciones de la hipótesis se toma como una falsificación de la hipótesis. Un resultado de prueba que podría haber sido, pero no es contrario a la hipótesis, corrobora la teoría. Luego se propone comparar el valor explicativo de las hipótesis en competencia probando cuán estrictamente son corroboradas por sus predicciones. [1]
Un ejemplo de enunciado algorítmico del método hipotético-deductivo es el siguiente: [2]
Una posible secuencia en este modelo sería 1 , 2 , 3 , 4. Si el resultado de 4 se cumple y 3 aún no ha sido refutado, se puede continuar con 3 , 4 , 1 , y así sucesivamente; pero si el resultado de 4 muestra que 3 es falso, se tendrá que volver a 2 e intentar inventar un nuevo 2 , deducir un nuevo 3 , buscar 4 , y así sucesivamente.
Obsérvese que este método nunca puede verificar absolutamente (probar la verdad de) 2 . Sólo puede refutar 2 . [4] (Esto es lo que Einstein quiso decir cuando dijo: "Ninguna cantidad de experimentación puede probar que tengo razón; un solo experimento puede probar que estoy equivocado". [5] )
Además, como señaló Carl Hempel (1905-1997), esta visión simple del método científico es incompleta; una conjetura también puede incorporar probabilidades, por ejemplo, el medicamento es efectivo aproximadamente el 70% del tiempo. [6] Las pruebas, en este caso, deben repetirse para corroborar la conjetura (en particular, las probabilidades). En este y otros casos, podemos cuantificar una probabilidad para nuestra confianza en la conjetura misma y luego aplicar un análisis bayesiano , con cada resultado experimental desplazando la probabilidad hacia arriba o hacia abajo. El teorema de Bayes muestra que la probabilidad nunca alcanzará exactamente 0 o 100% (no hay certeza absoluta en ninguna dirección), pero aún puede acercarse mucho a cualquiera de los extremos. Véase también holismo de confirmación .
La calificación de la evidencia corroborante a veces se plantea como filosóficamente problemática. La paradoja del cuervo es un ejemplo famoso. La hipótesis de que "todos los cuervos son negros" parecería corroborarse con observaciones de cuervos negros únicamente. Sin embargo, "todos los cuervos son negros" es lógicamente equivalente a "todas las cosas que no son negras no son cuervos" (esta es la forma contrapositiva de la implicación original). "Este es un árbol verde" es una observación de una cosa que no es negra que no es un cuervo y, por lo tanto, corrobora "todas las cosas que no son negras no son cuervos". Parece seguir que la observación "este es un árbol verde" es evidencia corroborante de la hipótesis "todos los cuervos son negros". Las resoluciones intentadas pueden distinguir:
La evidencia contraria a una hipótesis es en sí misma filosóficamente problemática. Tal evidencia se llama falsificación de la hipótesis. Sin embargo, bajo la teoría del holismo de confirmación siempre es posible salvar una hipótesis dada de la falsificación. Esto es así porque cualquier observación que la refute está incrustada en un trasfondo teórico, que puede modificarse para salvar la hipótesis. Karl Popper reconoció esto, pero sostuvo que un enfoque crítico que respete las reglas metodológicas que eviten tales estratagemas inmunizadoras es propicio para el progreso de la ciencia. [8]
El físico Sean Carroll afirma que el modelo ignora la subdeterminación . [9]
El enfoque hipotético-deductivo contrasta con otros modelos de investigación como el enfoque inductivo o la teoría fundamentada. En la metodología de percolación de datos, el enfoque hipotético-deductivo se enmarca en un paradigma de pragmatismo por el cual pueden existir cuatro tipos de relaciones entre las variables: descriptivas, de influencia, longitudinales o causales. Las variables se clasifican en dos grupos, estructurales y funcionales, clasificación que orienta la formulación de hipótesis y las pruebas estadísticas a realizar sobre los datos de manera de incrementar la eficiencia de la investigación. [10]