Inter- y transdisciplina en la educación superior universitaria: reflexiones desde América Latina

193_ Núcleo de Investigación en Inter- y Transdisciplina para la Educación Superior (NITES) INTER ! Y TRANSDISCIPLINA EN LA EDUCACIÓN SUPERIOR LATINOAMERICANA Sección II: Investigaciones y aproximaciones temáticas Celeste Box Sin duda que tener datos en cantidad posibilita que puedan ser mode- lados. Esto es un divisor de aguas entre la investigación social conven- cional y aquella que usa datos y macrodatos: de un escenario en el que los cientistas sociales lidiaron con la escasez de datos —o con lo one- roso que resultaba recolectar la su " ciente cantidad de ellos—, hoy nos encontramos en un escenario de profusión y facilidad para manipu- lar datos nunca antes visto 4 . Pero las intuiciones que necesitamos para modelar acerca del comportamiento de las personas —o lo que fuere que estemos estudiando— siguen siendo necesarias. Y eso proviene de la teoría convencional que conocemos y de la nueva teoría aplicable a los desarrollos de ciencia social de datos 5 . La Ciencia Social Computacional está guiada por la digitalización del mundo —independientemente de los intereses previos y concomitan- tes de la ciencia social convencional—, por eso no creemos que su exis- tencia deba intervenir las agendas previas de investigación de la ciencia social, ni erigirse como un reemplazo, o siquiera como una suerte de método de validación. La ciencia social computacional deberá confor- mar su propia agenda y podrá ofrecer, sí, algo distintivo: mientras la ciencia social está habituada a explicar, con la computacional podemos comenzar a pensar el predecir como parte de las posibilidades asequi- bles de la ciencia social. Y aquí, todo está sujeto a discusión y crea- ción: se pueden desarrollar enfoques epistemológicos postpositivistas, o bien repensar el uso de la abducción, ampliar el desarrollo de méto- dos cuantitativos y modelos dentro de un marco re ! exivo y sensible a la situación, la posicionalidad y la perspectiva... como siempre fue la ciencia social. Algo cambia (y es realmente novedoso, por lo que tendrá consecuencias), y algo permanece (y sigue siendo útil). 4 Por supuesto que existen consideraciones metodológicas críticas para interponer al interior de este aspecto: es posible objetar el origen de los datos, y no nos referimos a los sesgos que ellos traen (una discusión del todo necesaria, pero que excede estas páginas), sino a la necesidad de atender la distinción de datos diseñados y recabados por el equipo de inves- tigación, de los encontrados en la Red, producidos por terceros, bajo criterios que pueden malograr las ventajas mismas de trabajar con datos y macrodatos. Recomendamos para estos aspectos, seguir el trabajo de Matt Salganik, no solo en su producción académica, sino, y sobre todo, en sus conferencias, de sencillo acceso en la Red. 5 No es el lugar para discurrir sobre esto —es un tópico en extremo extenso—, pero mencio- nemos que creemos que en ese proceso, las teorías de la complejidad, nuevos desarrollos de la teoría de sistemas y la nueva teoría de redes son ineludibles. De hecho, la ciencia social de datos debería ser construida a partir de estos pilares.