La guerra contra los expertos

Hay un esfuerzo intencional para reducir nuestra confianza en los expertos y poner en duda la experiencia en sí misma. Este esfuerzo, en muchos sentidos, se siente como una guerra librada por territorio intelectual, credibilidad científica, ganancia política e incluso económica.

Sin embargo, mi opinión es que la mayoría de las afirmaciones de estos expertos en deniers son engañosas y que los argumentos tienden a ser declaraciones excesivas. Pero estas afirmaciones y argumentos no pueden simplemente ignorarse porque están teniendo algún efecto. Por lo tanto, quiero refutar las afirmaciones engañosas y los argumentos exagerados. Mis colegas y yo hemos preparado varias refutaciones: un capítulo que también se titula "La guerra contra los expertos" (Klein et al., En prensa) y un breve artículo (Klein et al., 2017) basado en este capítulo. También daré una presentación sobre War on Experts en un panel en la reunión de Ergonomía y Factores Humanos en octubre de 2017 en Austin, Texas.

En este ensayo, quiero resumir brevemente los principales temas en el capítulo y el artículo.

Las cinco comunidades involucradas en esta guerra contra los expertos son: investigación de decisiones, heurística y sesgos (HB), sociología, desempeño basado en la evidencia y tecnología de la información.

• Conciencia: cómo un cerebro blando se conecta para hacerte, tú
• Sapolsky sobre el libre albedrío
• El poder de la personalidad
• Lo que crea una conectividad cerebral superior, según un estudio
• Epigenética y memoria

Fuente: Ben Shneiderman, usado con permiso

Investigación de decisiones Los estudios primarios realizados por esta comunidad han demostrado que los modelos estadísticos superan a los expertos. Sin embargo, lo que a menudo se olvida es que las variables en las fórmulas se derivaron originalmente del asesoramiento de expertos. La principal ventaja de las fórmulas es que son consistentes. Sin embargo, las fórmulas tienden a ser frágiles: cuando fallan, fallan miserablemente. Y los experimentos tienden a ser cuidadosamente controlados, evitando las condiciones complicadas que los expertos tienen que enfrentar, como los objetivos mal definidos, las condiciones cambiantes, las apuestas altas, la ambigüedad sobre la naturaleza y la confiabilidad de los datos. Además, la investigación generalmente se enfoca en medidas únicas, e ignora aspectos del desempeño que son ambiguos y difíciles de cuantificar. Finalmente, las ventajas de los métodos estadísticos tienden a encontrarse en situaciones ruidosas y complejas en las que los resultados no son muy precisos, incluso cuando son algo mejores que los juicios de los expertos.

Heurística y sesgos (HB) . Kahneman y Tversky (Tversky y Kahneman, 1974; Kahneman, 2011) demostraron que las personas, incluso los expertos, son víctimas de sesgos de juicio. Sin embargo, la mayor parte de la investigación HB es con estudiantes universitarios que realizan tareas artificiales, desconocidas, sin contexto para guiarlos. Cuando los investigadores usan un contexto significativo, los sesgos de juicio generalmente disminuyen. Y, además, los heurísticos suelen ser útiles, como señalaron Kahneman y Tversky.

Sociología . Los miembros de esta comunidad afirman que la experiencia es una función de la comunidad y de los artefactos que rodean la tarea, refiriéndose a "cognición situada" y "cognición distribuida". Los negadores de la experiencia argumentan que la cognición experta está construida socialmente y no es una función del conocimiento individual. Claramente, los factores de equipo y situacionales juegan un rol en el desempeño de los expertos, pero esta posición extrema parece insostenible: reemplace a los expertos en un equipo con oficiales, y vea cómo sufre el rendimiento general.

• ¿Por qué los niveles de dopamina fluctúan durante las migrañas?
• ¿Qué hay en un número?
• Sé cómo te sentiste anoche
• El sueño y el cerebro social
• ¿Por qué mi hijo odia las matemáticas?

Rendimiento basado en evidencia . La idea aquí es que los profesionales, como los médicos, deben basar sus diagnósticos y remedios en evidencia científica en lugar de confiar en sus propios juicios. Obviamente, demasiados tratamientos de charlatanes y supersticiones injustificadas lograron popularidad, y los experimentos controlados han ayudado a eliminarlos. Sin embargo, las mejores prácticas científicamente validadas no reemplazan el juicio experto, que es necesario para medir la confianza en la evidencia, revisar los planes que no parecen funcionar y aplicar reglas simples para situaciones complejas. En medicina, los pacientes a menudo presentan varias condiciones al mismo tiempo, mientras que la evidencia generalmente se relaciona con una u otra condición.

Tecnología de la información . La Inteligencia Artificial, la Automatización y Big Data han afirmado que pueden reemplazar a los expertos. Sin embargo, cada una de estas afirmaciones no está justificada. Comencemos con AI. Los sistemas inteligentes deberían ser capaces de hacer cosas como pronosticar el tiempo mejor (y más barato) que los humanos, pero las estadísticas muestran que los pronosticadores humanos mejoran las predicciones de la máquina en aproximadamente un 25%, un efecto que se ha mantenido constante en el tiempo. Los éxitos de AI han sido en juegos como el ajedrez, Go y Jeopardy, juegos que están bien estructurados, con referentes inequívocos y soluciones correctas definitivas. Pero los responsables de la toma de decisiones se enfrentan a problemas perversos con objetivos poco claros en situaciones ambiguas y dinámicas, condiciones que están más allá de los sistemas de inteligencia artificial. Como Ben Shneiderman y yo observamos en un ensayo anterior, los humanos somos capaces de pensar en la frontera, el compromiso social y la responsabilidad por las acciones. Luego, observamos la automatización, que se supone que ahorra dinero al reducir empleos. Sin embargo, los estudios de casos muestran que la automatización generalmente depende de tener más expertos, diseñar los sistemas y mantenerlos actualizados y en funcionamiento. Además, la automatización a menudo está mal diseñada y crea nuevos tipos de trabajo cognitivo para los operadores. Por último, los enfoques de Big Data pueden buscar a través de muchos más registros y entradas de sensores que cualquier humano, pero estos algoritmos son susceptibles de ver patrones donde ninguno realmente existe. El proyecto FluTrends de Google se publicitó como una historia de éxito, pero posteriormente fracasó tanto que se eliminó del uso. Los algoritmos de Big Data siguen las tendencias históricas, pero pueden pasar por alto las desviaciones de estas tendencias. Además, los expertos pueden usar sus expectativas para detectar eventos faltantes que pueden ser muy importantes, pero los enfoques de Big Data no son conscientes de la ausencia de datos y eventos.

Por lo tanto, ninguna de estas comunidades representa una amenaza legítima a la experiencia. Si no se lo cuestiona, las exageraciones y confusiones que subyacen a estos reclamos pueden llevar a una espiral descendente en la que los expertos son despedidos. Por supuesto, tenemos que aprender de las críticas de cada una de estas comunidades. Necesitamos apreciar sus contribuciones y capacidades, para ir más allá de la postura adversarial tomada por cada comunidad. Idealmente, podremos fomentar un espíritu de colaboración en el que sus hallazgos y técnicas positivas puedan utilizarse para fortalecer el trabajo de los expertos.