Jorge Joel Reyes Méndez | 21-09-26 | 07:45 |

Parodiando una canción: para la UAM, que me ha dado tanto

Hay preguntas que parecen demasiado tontas para una universidad. ¿Por qué una cáscara de plátano hace resbalar? ¿Un gato puede comportarse como un líquido? ¿Cuánta presión produce un pingüino cuando defeca? ¿Se nada más rápido en agua o en jarabe? ¿Una moneda realmente tiene una probabilidad de 50 por ciento de caer de cualquier lado?

La reacción inmediata suele ser una sonrisa. La segunda, quizá, un encogimiento de hombros. ¿Para qué investigar semejantes cosas? Precisamente ahí comienza la lección.

Desde 1991, los premios Ig Nobel reconocen investigaciones que, según la propia organización, primero hacen reír y después hacen pensar. No premian necesariamente investigaciones malas, inútiles o falsas. Al contrario: muchos de los trabajos distinguidos son investigaciones serias que parten de preguntas inusuales, utilizan métodos rigurosos y terminan revelando algo inesperado sobre el mundo.

Los Ig Nobel contienen, por ello, una provocación que la universidad debería escuchar con atención: ¿qué ocurre cuando dejamos de juzgar una pregunta por su apariencia y comenzamos a juzgarla por la calidad de la investigación que puede generar?

En una época en la que la inteligencia artificial puede producir respuestas en segundos, esta pregunta adquiere una dimensión todavía mayor. Porque quizá el problema educativo del futuro no será encontrar respuestas. Será saber qué vale la pena preguntar.

La rana que levitó y la importancia de no confundir lo extraño con lo absurdo

En el año 2000, Andre Geim y Michael Berry recibieron el Ig Nobel de Física por utilizar imanes para hacer levitar una rana. La investigación, publicada en European Journal of Physics, abordaba mediante el diamagnetismo la posibilidad de contrarrestar gravitacionalmente el peso de un organismo utilizando un campo magnético.

La imagen es extraordinaria: una rana suspendida en el aire. Pero la historia tiene una segunda parte todavía más interesante. Diez años después, Andre Geim recibió el Premio Nobel de Física por investigaciones sobre el grafeno. El mismo científico que había participado en el experimento de la rana voladora terminó compartiendo uno de los reconocimientos científicos más prestigiosos del mundo.

La anécdota destruye una idea peligrosa: que la ciencia seria siempre comienza con preguntas solemnes. No necesariamente. La ciencia comienza con curiosidad, y la curiosidad no siempre tiene una apariencia respetable.

La enseñanza para la universidad es evidente. No debemos evaluar una pregunta únicamente por lo divertida, extraña o poco convencional que parece. Debemos preguntar si puede transformarse en una hipótesis, si admite medición y si puede ser sometida a prueba.

En tiempos de inteligencia artificial, esta distinción resulta todavía más importante. Una herramienta generativa puede producir miles de preguntas en segundos. Pero la capacidad de distinguir entre una pregunta interesante, una pregunta investigable o una pregunta verdaderamente relevante sigue requiriendo criterio humano. La IA puede multiplicar preguntas, la universidad debe enseñar a seleccionarlas.

El dedo en la nariz: cuando lo cotidiano se convierte en dato

En 2004, Chittaranjan Andrade y B. S. Srihari recibieron el Ig Nobel de Salud Pública por estudiar la frecuencia de la rinotilexomanía —el hábito de hurgarse la nariz— entre adolescentes.

El estudio, publicado en The Journal of Clinical Psychiatry, examinó a 200 adolescentes de cuatro escuelas urbanas. Casi todos reconocieron practicar esa conducta y la frecuencia mediana reportada fue de cuatro veces al día.

La investigación provoca una sonrisa porque convierte una conducta que normalmente se oculta en objeto de estudio científico. Pero ahí reside su valor. Los investigadores hicieron algo elemental y extraordinariamente poderoso: transformaron una experiencia cotidiana en una variable susceptible de observación y análisis.

¿Cuántas veces ocurre? ¿En quiénes? ¿Con qué frecuencia? ¿Existen diferencias? ¿Cómo se obtiene información confiable sobre una conducta que las personas pueden sentirse incómodas de reconocer?

De repente aparecen estadística, metodología, muestreo, sesgos de respuesta y ética de investigación. La lección es profunda: la ciencia no comienza cuando el tema parece importante; comienza cuando alguien consigue formularlo de manera investigable.

En la educación superior ocurre exactamente lo contrario con demasiada frecuencia. El estudiante recibe el problema ya formulado, las variables ya seleccionadas, el procedimiento ya establecido y, finalmente, debe entregar la respuesta. Eso puede producir buenos ejecutores. No necesariamente buenos investigadores.

El pingüino y la matemática que nadie esperaba

En 2003, Victor Benno Meyer-Rochow y József Gál publicaron un trabajo que calculaba las presiones generadas por pingüinos al expulsar sus heces desde el borde del nido. El artículo, publicado en Polar Biology, consideró variables como la distancia recorrida, la densidad y viscosidad del material, la forma y apertura del orificio y la altura desde la que se produce la expulsión.

Sí: hicieron matemáticas para estudiar cómo defeca un pingüino. Pero el punto no es el pingüino, el punto es el modelo. Una situación aparentemente ridícula se transforma en una relación entre variables físicas. La observación se convierte en cuantificación; la cuantificación, en modelo y el modelo permite hacer predicciones.

Ésta es una de las funciones más importantes de las matemáticas en la ciencia: hacer visible una estructura que no podemos observar directamente. El estudiante que aprende matemáticas únicamente como manipulación simbólica puede terminar preguntando: “¿Para qué sirve esto?”.

El pingüino ofrece una respuesta inesperada. Sirve para representar el mundo. Y esa capacidad resulta fundamental en la era de la IA. Los sistemas algorítmicos trabajan con modelos, relaciones, probabilidades y patrones. Sin comprensión matemática, podemos utilizar sus resultados sin entender qué representan, qué supuestos contienen o dónde pueden fallar. Una docencia que abandona las matemáticas porque “la IA ya calcula” comete un error conceptual.

Calcular no es comprender: cuando la intuición pierde frente al experimento

En 2005, Brian Gettelfinger y Edward L. Cussler recibieron el Ig Nobel de Química por intentar resolver una cuestión que parecía digna de una conversación de sobremesa: ¿los seres humanos nadan más rápido en agua o en jarabe?

El estudio, publicado en AIChE Journal, surgió precisamente porque ni siquiera los investigadores coincidían en cuál sería la respuesta. Decidieron medirla experimentalmente. Prepararon una solución de goma guar para incrementar la viscosidad del agua y compararon el desempeño de nadadores. Encontraron que la velocidad de natación no cambiaba de manera significativa.

Aquí aparece una de las reglas más importantes de la ciencia: La intuición no es evidencia, podemos tener una explicación que parece obvia. Podemos encontrar colegas que estén de acuerdo. Incluso podemos construir una argumentación convincente, pero si la pregunta es empírica, habrá que medir.

Esta enseñanza es particularmente pertinente frente a la inteligencia artificial. Una respuesta generada por un modelo lingüístico puede sonar razonable, estar perfectamente redactada y contener una explicación aparentemente lógica.

Eso no la convierte en verdadera. El estudiante del futuro tendrá que desarrollar una nueva forma de alfabetización: la capacidad de distinguir entre una respuesta plausible y una respuesta respaldada por evidencia. La IA puede ser convincente. La ciencia exige ser comprobable.

La cáscara de plátano y la ciencia de lo resbaladizo

En 2014, Kiyoshi Mabuchi, Kensei Tanaka, Daichi Uchijima y Rina Sakai recibieron el Ig Nobel de Física por medir la fricción entre una suela y una cáscara de banana, así como entre ésta y el piso. El estudio apareció en Tribology Online.

El coeficiente de fricción medido fue aproximadamente 0.07, comparable con superficies muy bien lubricadas. Los investigadores propusieron que un gel de polisacáridos presente en la cáscara desempeñaba un papel importante en ese efecto lubricante.

Lo que parece una escena de caricatura pertenece, en realidad, a la tribología, la disciplina que estudia la fricción, el desgaste y la lubricación entre superficies en contacto. Y aquí aparece otra gran lección universitaria: lo cotidiano está lleno de ciencia que todavía no hemos aprendido a mirar.

Un estudiante puede caminar cientos de veces sobre un piso sin preguntarse por qué resbala. El investigador se detiene, observa, mide, compara, formula una explicación. La diferencia entre ambos no está necesariamente en la inteligencia. Está en la disposición a convertir lo familiar en problema.

La IA puede reconocer patrones extraordinariamente complejos, mas, si queremos utilizarla para investigar, necesitamos primero algo que ninguna interfaz puede proporcionarnos automáticamente: una mirada capaz de decir “esto es extraño; quiero saber por qué”.

El gato líquido

En 2017, Marc-Antoine Fardin recibió el Ig Nobel de Física por utilizar conceptos de dinámica de fluidos para abordar una pregunta deliciosamente absurda: ¿puede un gato ser simultáneamente sólido y líquido?

Su trabajo, On the Rheology of Cats, utilizó conceptos de reología (rama de la física que estudia cómo se deforman y fluyen los materiales al aplicarles una fuerza o tensión), para explorar cómo un gato puede mantener una forma determinada y, bajo ciertas condiciones, adaptarse a la geometría de un recipiente.

Naturalmente, un gato no es literalmente un líquido. El valor de la investigación está en la analogía. Fardin utilizó el comportamiento de los gatos como una manera provocadora de pensar acerca de propiedades que normalmente asociamos con materiales.

La enseñanza educativa es extraordinaria, una buena analogía puede abrir la puerta hacia un concepto abstracto. La educación universitaria necesita recuperar esa capacidad de sorprender.

Durante demasiado tiempo hemos supuesto que aprender significa eliminar la incertidumbre, simplificar el mundo y proporcionar definiciones, pero aprender ciencia también significa encontrar conexiones inesperadas.

Un gato puede conducirnos hacia la física. Una banana puede conducirnos hacia la tribología (rama de la ingeniería que estudia la fricción, el desgaste y la lubricación entre superficies), un pingüino puede conducirnos hacia las matemáticas y un chicle hacia la microbiología.

El cocodrilo y la investigación que cruza disciplinas

Matthew Rockloff y Nancy Greer recibieron el Ig Nobel de Economía de 2017 por estudiar cómo el contacto con un cocodrilo vivo afectaba la disposición de las personas a apostar.

El trabajo, publicado en Journal of Gambling Studies, exploró la relación entre activación provocada por el contacto con el animal y la conducta de apuesta. A primera vista parece una mezcla imposible: cocodrilos y economía, en realidad, representa algo que las universidades dicen valorar pero que a menudo resulta difícil llevar a la práctica: la interdisciplinariedad.

La conducta económica no ocurre en un vacío matemático. Está relacionada con emociones, fisiología, percepción del riesgo y procesos psicológicos, los grandes problemas contemporáneos tampoco caben cómodamente dentro de una sola disciplina y la inteligencia artificial está haciendo visible esta realidad con particular fuerza, un mismo problema puede requerir conocimientos de estadística, programación, psicología, biología, ética y comunicación.

La enseñanza del cocodrilo podría resumirse así: La realidad no está organizada por facultades, departamentos ni planes de estudio, somos nosotros quienes la hemos dividido para poder estudiarla, la universidad del futuro tendrá que aprender a volver a unir esas piezas.

El chicle que terminó convertido en laboratorio

En 2021, Leila Satari, Alba Guillén, Àngela Vidal-Verdú y Manuel Porcar recibieron el Ig Nobel de Ecología por utilizar análisis genético para identificar las bacterias presentes en chicles masticados y abandonados en pavimentos de distintos países.

El trabajo, publicado en Scientific Reports, mostró que los chicles descartados contienen comunidades microbianas que cambian con el tiempo. La microbiota oral inicial puede ser reemplazada gradualmente por comunidades ambientales. Lo extraordinario aquí, es la transformación conceptual. Para la mayoría de nosotros: chicle = basura. Para un investigador: chicle = muestra biológica.

Esta diferencia es crucial, ya que los datos no hablan por sí mismos, necesitan una pregunta, un método y una interpretación. En la era de los grandes modelos de lenguaje y del big data, esta lección resulta esencial. Podemos tener millones de datos, pero si no sabemos qué representan, cómo fueron obtenidos, qué sesgos contienen o qué hipótesis permiten contrastar, sólo tenemos una enorme cantidad de información. Más datos no equivalen automáticamente a más conocimiento, la investigación comienza cuando sabemos qué preguntar a los datos.

El chisme, la mentira y las matemáticas de la reputación

Uno de los casos más interesantes para pensar la relación entre IA y sociedad corresponde al Ig Nobel de la Paz de 2022. Junhui Wu y sus colaboradores estudiaron mediante modelos formales las estrategias de honestidad y deshonestidad en el chisme, considerando cómo las relaciones entre quien transmite la información, quien la recibe y la persona sobre la que se habla pueden modificar los beneficios de decir la verdad o mentir.

No se trataba simplemente de preguntar “¿cuándo mentimos?”, se trataba de construir modelos matemáticos capaces de representar situaciones sociales en las que información, reputación, cooperación y beneficio individual interactúan.

Aquí aparece una de las grandes posibilidades de la matemática aplicada: hacer explícitas las reglas de un sistema que, a simple vista, parece demasiado complejo para formalizar, pero también aparece un límite, un modelo puede representar una estrategia no necesariamente puede decidir si esa estrategia es moralmente aceptable. Ésta es una distinción fundamental para la inteligencia artificial, que un sistema pueda modelar una conducta humana no significa que comprenda su significado ético. La universidad debe formar profesionales capaces de preguntar no solamente, “¿Puede el algoritmo hacerlo?”, sino también: “¿Debe hacerlo?”. Y todavía una pregunta más: “¿Qué supuestos sobre los seres humanos estamos incorporando en el modelo?”

La experiencia humana también puede ser objeto de conocimiento sistemático. Memoria, percepción, lenguaje, atención, emoción y conciencia no son únicamente temas filosóficos; también pueden convertirse en objetos de investigación. Una universidad crítica debe resistir la tentación de confundir procesamiento lingüístico con experiencia humana.

350,757 monedas contra una certeza escolar

En 2024, el Ig Nobel de Probabilidad reconoció a un amplio equipo internacional por investigar una cuestión aparentemente elemental: ¿una moneda realmente tiene exactamente la misma probabilidad de terminar en cualquiera de sus dos caras independientemente de cómo comenzó?

La investigación acumuló 350,757 lanzamientos y encontró evidencia de un pequeño sesgo: aproximadamente el 50.8 % de los lanzamientos terminó en el mismo lado con el que había comenzado. El trabajo fue posteriormente publicado en Journal of the American Statistical Association.

La cifra es fascinante. Trescientos cincuenta mil setecientos cincuenta y siete lanzamientos para estudiar una moneda. Alguien podría preguntar: ¿No tenían nada mejor que hacer? Sí. Tenían una hipótesis que poner a prueba. Y ésta es una de las mejores lecciones estadísticas de toda la colección. El efecto encontrado es pequeño. Precisamente por eso requiere muchos datos para hacerse visible.

Aquí aparece una distinción que nuestros estudiantes necesitan comprender mejor: significación estadística no es lo mismo que importancia práctica. Un efecto puede ser estadísticamente detectable y, al mismo tiempo, tener una importancia cotidiana muy pequeña. Éste es también uno de los grandes problemas de la inteligencia artificial.

Cuando un algoritmo encuentra un patrón, debemos preguntar: ¿es real? ¿es reproducible? ¿es estadísticamente significativo? ¿es relevante? ¿es causal? ¿o simplemente estamos observando una correlación?

La capacidad de encontrar patrones está aumentando vertiginosamente. La capacidad de interpretarlos críticamente debe aumentar al mismo ritmo. La ciencia necesita reproducibilidad, contraste, evidencia y revisión. La inteligencia artificial puede ayudarnos a generar hipótesis, pero no debe convertirse en sustituto de la comprobación.

¿Qué tienen en común un pingüino, una banana, un gato y una moneda?

A primera vista, nada, aunque todos los casos comparten una estructura intelectual. Alguien: observó algo; se sorprendió; formuló una pregunta; construyó un método; recogió datos; analizó resultados; y aceptó que la evidencia podía confirmar o contradecir sus expectativas.

Ésa es, en esencia, la lógica de la investigación científica, y también debería ser la lógica de una buena educación universitaria. El problema es que buena parte de nuestros sistemas educativos continúan organizándose alrededor de respuestas.

El profesor pregunta, el estudiante responde, el examen verifica, la calificación clasifica y después, todo termina. Pero la investigación comienza justamente donde termina ese modelo: cuando aparece una pregunta para la que todavía no tenemos respuesta.

La IA puede contestar; no necesariamente puede preguntar por nosotros. Ésta es quizá la mayor paradoja educativa de nuestro tiempo. Nunca habíamos tenido herramientas capaces de responder con tanta rapidez. Y, sin embargo, nunca había sido tan importante aprender a preguntar.

La inteligencia artificial generativa puede resumir artículos, comparar teorías, escribir código, producir hipótesis, elaborar explicaciones y proponer diseños experimentales. Puede incluso generar preguntas, pero hay una diferencia fundamental entre generar una pregunta y tener una razón intelectual para formularla.

Los Ig Nobel nos recuerdan que las preguntas más fértiles pueden surgir de lugares inesperados. Una banana, un gato, un chicle, una moneda, un pingüino, un cocodrilo. una rana suspendida en el aire. La universidad debería enseñar a mirar esos fenómenos de otra manera. No para convertir cualquier ocurrencia en investigación, sino para desarrollar una competencia mucho más profunda: la capacidad de transformar curiosidad en conocimiento.

De la respuesta correcta a la pregunta investigable

Quizá necesitamos modificar una parte importante de nuestra concepción de la enseñanza. Durante décadas hemos premiado al estudiante que encuentra la respuesta correcta, pero un investigador necesita algo diferente, necesita detectar qué problema no está resuelto; qué supuesto puede estar equivocado; qué variable no hemos considerado; qué evidencia falta; qué explicación alternativa existe; qué resultado podría refutar nuestra hipótesis.

En otras palabras, necesitamos formar pensamiento crítico, no solamente acumulación de respuestas. Los Ig Nobel son particularmente útiles porque permiten enseñar este proceso sin comenzar necesariamente con conceptos abstractos. Podemos comenzar con una pregunta divertida: ¿Por qué resbala una banana? Y terminar hablando de fricción; ¿Un gato es líquido? Y terminar hablando de reología; ¿La moneda es realmente aleatoria? y terminar hablando de probabilidad, tamaño de muestra e inferencia; ¿Qué hay dentro de un chicle tirado en la calle? y terminar hablando de microbiomas, secuenciación y ecología. Eso es educación basada en la curiosidad, el verdadero peligro no es que la IA piense demasiado, es que nosotros pensemos demasiado poco

Existe una preocupación frecuente acerca de la inteligencia artificial: que las máquinas terminarán pensando por nosotros, pero quizá el riesgo inmediato sea menos espectacular y más cotidiano, que nosotros dejemos de pensar porque una máquina ya respondió.

La dependencia no comienza cuando una persona utiliza IA, comienza cuando deja de cuestionar lo que la IA produce, por eso necesitamos una alfabetización diferente, no basta con saber escribir prompts, ni con saber utilizar una aplicación o conocer las funciones de un modelo. La verdadera alfabetización en la era algorítmica incluye saber cuándo confiar; cuándo verificar; cuándo pedir evidencia; cuándo buscar una fuente primaria; cuándo reconocer incertidumbre; cuándo rechazar una respuesta y, sobre todo, cuándo formular una pregunta que la máquina todavía no puede contestar.

Una universidad que se atreva a preguntar

Quizá la mayor enseñanza de los Ig Nobel no tenga que ver con el humor, tiene que ver con la libertad intelectual; una universidad demasiado preocupada por parecer seria puede terminar produciendo preguntas demasiado previsibles; una universidad obsesionada con indicadores puede favorecer investigaciones seguras; una universidad dominada por la lógica de la productividad puede preguntar primero: “¿Qué publicación saldrá de esto?” antes de preguntar: “¿Qué queremos descubrir?”

Los Ig Nobel ofrecen una pequeña rebelión contra esa lógica, nos recuerdan que la ciencia también necesita espacio para la curiosidad, el juego intelectual y la exploración. No todas las preguntas producirán descubrimientos importantes, no todas las hipótesis serán correctas, ni todos los experimentos tendrán aplicaciones inmediatas.

Y eso está bien, porque la ciencia no avanza solamente mediante éxitos, también avanza mediante preguntas que eliminan posibilidades.

La paradoja final

En la era de la inteligencia artificial tenemos máquinas capaces de responder preguntas que antes exigían horas de búsqueda, tenemos acceso a millones de artículos, bases de datos gigantescas, modelos matemáticos, algoritmos capaces de encontrar correlaciones que un ser humano difícilmente detectaría.

Tenemos herramientas capaces de producir textos, imágenes, código y explicaciones en segundos, sin embargo, seguimos necesitando exactamente aquello que los Ig Nobel celebran: curiosidad.

Porque la tecnología puede acelerar el conocimiento, pero no puede decidir por nosotros qué merece ser conocido. Ésa sigue siendo una tarea humana. Por eso, quizá el gran desafío de la universidad no sea enseñar a sus estudiantes a utilizar cada nueva herramienta que aparece, las herramientas, los modelos, las plataformas, los algoritmos cambian; lo que permanece es la capacidad de observar, preguntar, argumentar, medir, comparar, dudar y volver a preguntar.

Las herramientas tienen fecha de caducidad, los fundamentos intelectuales pueden sobrevivir a generaciones de herramientas. Los Ig Nobel nos enseñan algo que parece sencillo, pero que resulta profundamente subversivo: una buena pregunta no necesita parecer importante para ser científicamente valiosa. Necesita ser investigable, y una buena universidad no debería formar únicamente estudiantes capaces de contestar preguntas, debería formar personas capaces de descubrir qué preguntas todavía no hemos aprendido a formular.

Porque si la inteligencia artificial puede responder cada vez más preguntas, la ventaja humana no estará en competir con ella por la velocidad de la respuesta, estará en conservar la capacidad de preguntar: ¿Por qué? ¿Cómo lo sabemos? ¿Qué evidencia tenemos? ¿Qué estamos suponiendo? ¿Qué podría demostrar que estamos equivocados? Y, sobre todo: ¿qué pregunta todavía nadie ha hecho?

Quizá ése sea el verdadero sentido de los Ig Nobel. No enseñarnos a reírnos de la ciencia, sino recordarnos que, algunas veces, la puerta hacia una gran idea se encuentra detrás de una pregunta que al principio parece absurda.

La universidad no necesita competir con la inteligencia artificial para producir más respuestas, necesita hacer algo mucho más difícil: formar seres humanos capaces de pensar con ella, cuestionarla y, cuando sea necesario, pensar más allá de ella.

Universidad Autónoma Metropolitana-Xochimilco.

jojoel.reyes@gmail.com

¡EL UNIVERSAL ya está en Whatsapp!, desde tu dispositivo móvil entérate de las noticias más relevantes del día, artículos de opinión, entretenimiento, tendencias y más.