tal escepticismo parece cada vez más común y cada vez más independiente de la posición ideológica
¿el tono de este tipo de ataques refleja un colapso de la confianza en la empresa científica y en su papel social e institucional?
la sociedad puede estar menos dispuesta a aceptar tales afirmaciones que en el pasado
los peligros para la ciencia se hacen más evidentes cuando los modelos —resúmenes de problemas más complejos del mundo real, generalmente expresados en términos matemáticos— se utilizan como herramientas de política.
serie particularmente accesible de historias de terror sobre el mal uso de los modelos y el consiguiente fracaso de las políticas
la precisión y el valor de las predicciones en sí mismas terminan estando en el centro de los debates políticos y distraen de la necesidad y la capacidad de abordar el problema a pesar de las incertidumbres actuales.
"todos los modelos son erróneos, pero algunos son útiles"
se deben adoptar criterios estrictos de transparencia cuando los modelos se utilizan como base para las evaluaciones de políticas
cuanto más se entiende el clima, más inciertas se vuelven las predicciones de los modelos de futuros climáticos específicos
Muchas pequeñas incertidumbres multiplicadas juntas producen enormes incertidumbres agregadas.
El desafío se vuelve aún más desalentador cuando los modeladores centran su atención en las consecuencias económicas de los cambios en la composición atmosférica.
Semejante esfuerzo está tan alejado de la capacidad predictiva actual que raya en lo irresponsable.
la mayoría de los aspectos de la mayoría de los modelos no estarán sujetos a un escrutinio tan minucioso
se basan en lo que los modelos pronostican sobre el futuro, con poca o ninguna sensibilidad a los límites de lo que los modelos son realmente capaces de pronosticar con precisión.
proponemos siete reglas que, en su conjunto, forman una lista de verificación para el desarrollo y uso responsable de los modelos.
análisis de sensibilidad global
El análisis de sensibilidad global evalúa la importancia relativa de los factores de entrada en términos del impacto de su incertidumbre en la salida del modelo.
¿Cuál de esas incertidumbres tiene el mayor impacto en el resultado?
"auditoría de sensibilidad"
La "auditoría" hace hincapié en la idea de la rendición de cuentas a un público más amplio (en este caso, los responsables de la formulación de políticas y el público) y, por lo tanto, exige que el modelo sea accesible y transparente y que la experiencia no se defina de manera estrecha para excluir a todos excepto a quienes crearon el modelo
La auditoría de sensibilidad no tiene como objetivo mejorar el modelo; Más bien, al igual que una auditoría fiscal, se produce al final del proceso, en el momento en que el modelo se convierte en una herramienta para la evaluación de políticas, cuando todos los desarrolladores han llevado a cabo toda la calibración posible del modelo, la optimización, la asimilación de datos y similares utilizando las herramientas de su oficio.
Regla 1: Usa los modelos para aclarar, no para oscurecer.
La Regla 1 prescribe que se deben plantear preguntas sobre quién se beneficia del modelo y qué motivaciones e incentivos animan a los desarrolladores de modelos.
Regla 2: Adopta una actitud de "caza de suposiciones"
Se requieren nuevos procesos para el desarrollo y uso de modelos, en los que las partes interesadas comprometidas trabajen con expertos disciplinarios para desarrollar nuevos modelos que puedan utilizarse para probar diversas opciones de política
exige que los modelos utilizados para guiar las decisiones regulatorias se pongan a disposición de un tercero para permitir la evaluación del impacto de cambiar los supuestos o parámetros de entrada en la conclusión basada en el modelo.
Regla 3: Detectar la pseudociencia.
definimos la pseudociencia como la práctica de ignorar u ocultar las incertidumbres en las entradas del modelo para garantizar que las salidas del modelo se puedan vincular a las opciones de política preferidas.
Un indicador común de este tipo de pseudociencia es la precisión espuria, por ejemplo, cuando se da un resultado con un número de dígitos que excede (a veces ridículamente) cualquier estimación plausible de la precisión asociada.
C. F. Gauss, "la falta de cultura matemática no se revela en ninguna parte de manera tan conspicua como en la precisión sin sentido en los cálculos numéricos"
No publique sus inferencias sin haber realizado una cuidadosa auditoría de sensibilidad.
Regla 4: Encuentra suposiciones sensibles antes de que te encuentren.
"Confesarás en presencia de la sensibilidad. Corolario: Anticiparás la crítica"
Cualquier inferencia basada en modelos que se introduzca en el entorno político sin ir acompañada de un análisis de sensibilidad técnicamente sólido debe considerarse sospechosa.
<b _istranslated="1">Regla 5: Apunta a la transparencia.</b> Las partes interesadas deben ser capaces de dar sentido y, si es posible, replicar los resultados del análisis.
las representaciones de modelos simples o parsimoniosos son mejores que los modelos más "sofisticados" o complejos, cuando se utilizan para evaluaciones de impacto de políticas.
<b _istranslated="1">Regla 6: No te limites a "hacer bien las sumas", sino "hacer las sumas correctas".</b> Cuando se descuidan los puntos de vista relevantes de las partes interesadas, los modeladores pueden centrarse o abordar las incertidumbres equivocadas.
<font _mstmutation="1" _msttexthash="5643729" _msthash="402">un error de tipo uno es un falso positivo: se determina que una práctica es insegura cuando es segura</font><span class="diigoHighlightCommentLocator"></span>, o que una intervención no es beneficiosa cuando es beneficiosa. <font _mstmutation="1" _msttexthash="1845259" _msthash="404">Un error de tipo dos es lo contrario: un falso negativo.</font><span class="diigoHighlightCommentLocator"></span> <font _mstmutation="1" _msttexthash="14838902" _msthash="406">Un error de tipo tres, por el contrario, es aquel en el que el análisis en sí mismo se enmarca incorrectamente y, por lo tanto, el problema se caracteriza erróneamente.</font>
es fácil caer en lo que podemos llamar "lamp-posting", en el que las incertidumbres o parámetros que se examinan con más detenimiento son los menos relevantes pero más fáciles de analizar
<b _istranslated="1">Regla 7: Enfoca el análisis.</b> No haga análisis de sensibilidad superficiales, simplemente cambiando un factor a la vez.
Por ejemplo, en un sistema con 10 factores inciertos, si se mueve solo uno a la vez, se corre el riesgo de explorar solo una pequeña parte de la incertidumbre de entrada potencial total.
la elección de una línea de base es en sí misma un proceso cargado de suposiciones y, por lo tanto, está sujeta a críticas y análisis de sensibilidad.
Una auditoría de sensibilidad creíble no debe estar anclada a bases de referencia que son en sí mismas subjetivas; Deben evaluar el efecto de cualquier entrada, mientras que todas las demás entradas también pueden variar.
Nuestra opinión es que las prácticas actuales de modelización, en su desarrollo y uso, son una amenaza significativa para la legitimidad y la utilidad de la ciencia en entornos políticos controvertidos.
