En este episodio quería compartir una idea muy práctica sobre el autoaprendizaje. Hay montones de teorías sobre cómo aprendemos, pero a mí me interesa lo que hacemos cuando aprendemos por nuestra cuenta y cómo hacerlo mejor sin complicarnos. Me pasa a menudo que, cuando un tema me interesa, empiezo por lo básico: pregunto a ChatGPT, escucho algún podcast, leo resúmenes… y enseguida siento que “ya lo entiendo”. Esa es la primera fase: documentarme y absorber información. Es necesaria, claro, pero también es tramposa, porque la sensación de entender aparece mucho antes de entender de verdad.

Para explicarlo uso un ejemplo simple: imagina que me pongo con la historia de Mesopotamia, que la desconozco. Al principio no tendría sentido meterme en un paper complejo; lo lógico es empezar suave, tener un mapa general y luego ir profundizando. Pero el problema es que puedo quedarme ahí, acumulando datos, creyendo que sé… hasta que alguien me dice “vale, explícamelo”. Y entonces me bloqueo. No porque sea incapaz, sino porque no he practicado sacar ese conocimiento fuera de mi cabeza.

Ahí entra la segunda fase, la que para mí cambia todo: volcar lo que creo que sé. Escribir un post, grabar un audio, hacer un vídeo, explicárselo a alguien, incluso dejarlo en un documento privado. Da igual el formato y da igual si es público. Lo importante es que la información salga y quede reflejada fuera. Cuando hago eso, aparece la realidad: las lagunas. Me doy cuenta de que no recuerdo fechas, no tengo claro el orden de los hechos, o me faltan piezas clave. Y justo por eso el volcado es tan potente: me muestra qué sé de verdad y qué era solo una ilusión. Después vuelvo a documentarme, pero ya con puntería, para tapar esos huecos concretos.

Y todavía hay un tercer nivel que lo multiplica: compartir ese volcado con otras personas y recibir feedback. Cuando otros te corrigen, te matizan o te hacen preguntas, no solo mejoras la explicación, sino que entiendes mucho mejor el tema. Además, el simple hecho de intentar comunicarlo bien para que otros lo entiendan ya te obliga a afinar tu propio conocimiento.

De hecho, este episodio es un ejemplo del ciclo: yo me documenté un poco, lo volqué aquí en el podcast, y la cuadratura del círculo se cierra si ahora recibo tu feedback. Así que, si te apetece, vente a la comunidad en Discord y seguimos la conversación en horacio-ps.com/comunidad. Y si este episodio te ha aportado algo, te agradecería un montón que te suscribas o le dejes un like/valoración en la plataforma donde lo escuches, porque eso ayuda a que el podcast llegue a más gente. ¡Hasta la próxima!

En este episodio especial de Investigando la Investigación, cruzamos micrófonos con Gabriel, de Tercer Patio Podcast (Argentina), y con Daniela y Selim (Chile), de Ciencia en Otras Palabras, para conversar sobre un tema que atraviesa toda práctica investigadora: cómo el lenguaje influye en la forma en que entendemos y construimos la verdad científica.

La conversación parte de una pregunta central: ¿cuándo nos dimos cuenta de que el lenguaje importa más de lo que parece en la investigación y en su comunicación? A partir de ahí, la charla avanza como un recorrido por distintas disciplinas (desde la biología marina y la evolución de roedores, hasta la antropología y la historia) explorando cómo cada campo utiliza palabras, metáforas y narrativas para interpretar aquello que estudia.

Hablamos de cómo ciertos términos pueden abrir hipótesis nuevas y de cómo otros, por su carga conceptual, pueden cerrarlas sin que nos demos cuenta. También surgió la tensión constante entre la precisión técnica y la claridad, y cómo equilibrar ambas sin sacrificar rigor ni humanidad. La conversación derivó en cuestiones como el papel del inglés en la ciencia, la dificultad de traducir conceptos complejos a públicos diversos o la importancia de reconocer la incertidumbre como parte de la práctica científica. Reflexionamos además sobre cómo la narrativa (el orden en que contamos, los énfasis que elegimos, lo que dejamos dentro y fuera del encuadre) acaba moldeando la propia idea de verdad científica.

Hacia el final, compartimos algunas recomendaciones para quienes comienzan a divulgar: probar el lenguaje con personas cercanas, cuidar la estructura narrativa, observar cómo cambia la recepción según la audiencia y, sobre todo, disfrutar el proceso de contar lo que investigamos.

Participan:

- Orlando Gabriel Morales, creador de Tercer Patio Podcast, investigador en CONICET Argentina — https://tercerpatiopodcast.com/

- Daniela y Selim — Ciencia en Otras Palabras — https://csotraspalabras.transistor.fm/

- Horacio Pérez — (servidor)

Un episodio lleno de matices, donde la ciencia se mira a sí misma y recuerda que, además de descubrir, también necesita contarse.

Si quieres conversar sobre este tema con otros investigadores, contrastar opiniones o preguntar más, te invito a unirte a nuestra comunidad de investigadores en Discord, disponible en https://horacio-ps.com/comunidad.

Si este episodio te ha parecido útil o interesante, te agradecería mucho que le des cinco estrellas, un like o te suscribas al canal donde lo estés escuchando. Ayuda muchísimo a que el contenido llegue a más personas.

En este episodio reflexionamos sobre una pregunta que, aunque parece sencilla, abre un abanico enorme de matices: cuando le pregunto algo a alguien —o a un sistema— y me da una respuesta, ¿cómo sé si esa respuesta es fiable, si está basada en datos sólidos o si simplemente no lo está? Validar cualquier información implica trabajo: contrastar, revisar fuentes, consultar enciclopedias, documentos o expertos reales. Pero la cosa se complica cuando ese “alguien” no es una persona, sino un sistema de inteligencia artificial, concretamente un modelo de lenguaje como los que todos usamos hoy en día: ChatGPT, Gemini, Claude, etc.

La gran cuestión es: ¿cómo fiarnos de las respuestas de un modelo cuyo entrenamiento no conocemos y cuyos datos tampoco vemos? En algunos casos podemos hacer pequeñas pruebas. Si le pregunto cuánto son 2+2, no busco la respuesta, porque ya la sé; busco comprobar si responde bien a lo básico. Si falla ahí, es difícil confiar en lo que haga después. Pero cuando las preguntas se vuelven más complejas, abiertas o subjetivas, el control desaparece. ¿Cómo comprobar entonces? ¿Cuántas preguntas de test deberían hacerse antes de usar el modelo para algo importante: una, diez, cien, mil? La respuesta depende del riesgo, de la importancia de lo que vayamos a hacer con esas respuestas y de los recursos que tengamos para evaluarlo.

Por eso, en entornos de alta responsabilidad —como la clínica— un modelo debería pasar un testeo profundo y exhaustivo. De ahí que existan benchmarks con miles de ejemplos para evaluar modelos de lenguaje. Pero cuando no hay benchmark, ni tiempo, ni capacidad para testear a fondo, ¿qué opciones quedan? Una estrategia común es la aproximación por consenso: hacer la misma pregunta a varios modelos y comparar. Si todos coinciden, aumenta la confianza. Pero esto tampoco es infalible: cuatro sistemas entrenados con datos similares pueden equivocarse igual, del mismo modo que cuatro personas desinformadas pueden dar la misma respuesta incorrecta.

En resumen, no existe una solución perfecta. Lo que sí existe es la necesidad de ser conscientes de la incertidumbre, del contexto en el que usamos las respuestas, del nivel de seguridad que necesitamos y de los métodos disponibles para aumentar, aunque sea un poco, la robustez de lo que obtenemos: pruebas previas, consenso entre modelos, contraste con fuentes externas.

Y aquí viene la reflexión meta: te he dado ideas, ejemplos y caminos posibles, pero también deberías analizar críticamente este episodio igual que analizarías cualquier respuesta de un modelo de lenguaje. Si quieres conversar sobre este tema con más gente, contrastar opiniones o preguntar más, te invito a unirte a nuestra comunidad de investigadores en WhatsApp, disponible en https://horacio-ps.com/comunidad.

Si este episodio te ha parecido útil o interesante, te agradecería mucho que le des cinco estrellas, un like o te suscribas al canal donde lo estés escuchando. Ayuda muchísimo a que el contenido llegue a más personas.