329
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Barreras epistemológicas para la arquitectura
de los datos y la signicación en el modelo
predictivo de la ciencia
rEsumEn
Los datos y la signicación representan estructuras secuenciales
para la relevancia cientíca. El propósito del estudio fue
identicar barreras epistemológicas en la arquitectura de los datos
y la signicación del modelo predictivo de la ciencia. El estudio se
realizó desde enero hasta julio del 2020 seleccionándose mediante
un muestreo probabilístico aleatorio, 100 artículos de Scopus
donde se accedió a través, de la plataforma ScienceDirect como
herramienta cientíca de búsqueda. Las estructuras secuenciales
se compararon mediante la prueba t-Student considerándose
signicativos los resultados con un nivel de conanza del 95% y
dónde se encontró diferencias entre ellas (t = -53,88; p = 7,09).
Se observó que, el análisis de los datos fue menos relevante en
comparación con la importancia que se atribuye a su signicación.
Se concluyó que, la identicación de las barreras epistemológicas
para la arquitectura de los datos y la signicación en el modelo
predictivo de la ciencia representa una guía a considerarse
para la medición de las variables y su interpretación hacia un
conocimiento cientíco.
Palabras clave: ciencia de datos, relevancia estadística,modelos
predictivos, puntos críticos, conocimiento cientíco
abstraCt
Data and the signicance represent sequential structures for
scientic relevance. e purpose of the study was to identify
epistemological barriers in the architecture to data and the
signicance of the predictive model of science. e study was
carried from January to July 2020, selecting 100 randomized
Scopus articles through a random probabilistic sampling, using
the ScienceDirect platform as a scientic search tool. Sequential
structures were compared using the t-Student test, the results being
considered signicant with a condence level of 95% and where
dierences were found between them (t = -53.88; p = 7.09). It was
observed that the analysis for the data was less relevant compared
to the importance attributed to its signicance. It was concluded
that the identication of the epistemological barriers for the
architecture to data and the signicance in the predictive model of
science represents a guide to consider for the measurement of the
variables and their interpretation towards scientic knowledge.
Key words: data science, statistical relevance, predictive models,
critical points, scientic knowledge
G A P
R L. V H
G R. H E
R A A
E H H
P G C
K L. D L
1 Centro de Investigaciones Avanzadas
y Formación Superior en Educación,
Salud y Medio Ambiente ¨AMTAWI¨.
Puno, Perú. george.argota@gmail.com
2 Universidad Nacional San Luis
Gonzaga de Ica (UNICA). Ica-Perú.
a) Facultad de Farmacia y Bioquímica.
b) Facultad de Odontología.
3 Escuela de Estomatología. Universidad
Privada San Juan Bautista (UPSJB).
Ica-Perú.
4 Escuela de Posgrado. Universidad
César Vallejo (UCV). Trujillo-Perú.
Epistemological barriers for the architecture of data and the
signicance in the predictive model of sciencia
Recibido: agosto 20 de 2020 | Revisado: setiembre 12 de 2020 | Aceptado: octubre 02 de 2020
https://doi.org/10.24265/campus.2020.v25n30.08
| C | V. XX V | N. 30 | PP. - | - | |
© Los autores. Este artículo es publicado por la Revista Campus de la Facultad de Ingeniería y Arquitectura de la Universidad
de San Martín de Porres. Este artículo se distribuye en los términos de la Licencia Creative Commons Atribución No-comercial
– Compartir-Igual 4.0 Internacional (https://creativecommons.org/licenses/ CC-BY), que permite el uso no comercial,
distribución y reproducción en cualquier medio siempre que la obra original sea debidamente citada. Para uso comercial
contactar a: revistacampus@usmp.pe.
330
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Introducción
La armación y los conceptos en cualquier
disciplina son dos características del debate
cientíco (Chan et al., 2018; Peña, 2019;
Kenter et al., 2019) ya que se necesita de
argumentos, armaciones, juicios, teorías
críticas sobre el cómo, podría demostrarse
un determinado conocimiento (Couper,
2020). Aunque las conceptualizaciones
por lo general, dependen de las escuelas
de pensamiento (Rawluk et al., 2019;
Kronenburg & Andersson, 2019) uno de los
actuales paradigmas para la productividad
está en la combinación de la ciencia de
los datos (Ceri, 2018) y los pilares del
análisis e interpretación de esos datos que
proporciona la estadística y que plantea
nuevos desafíos en el planteamiento de los
problemas metodológicos contrapuestos
con los enfoques tradicionales (Secchi,
2018).
Parece ser muy diferenciable que la
ciencia de datos no es estadística per se,
pues en las habilidades del modelado e
inferencias no se enfatiza. En la primera,
existe el almacén y acceso a los datos
mediante algoritmos de comprensión
sobre el cómo, implementarse un
método de análisis elegido por cuanto,
no se establece el desarrollo de teorías
estadísticas (Klein et al., 2014; Dunson,
2018). Algunas preguntas epistemológicas
se pueden formular para asumir
que algunos modelos de predicción
cientícos, constituyen explicaciones de
la realidad pues de lo contrario, detalles
signicativos no se considerarían y por
tanto, inuirían en las inferencias.
Entre otros puede mencionarse a
la falta de equilibrio en los diseños
aleatorios (Little, 2011), la relación entre
la observación que se establece con el
objeto de referencia seleccionado (Cox,
2018), la heterogeneidad en el análisis
de poblaciones grandes (Bühlmann &
Meinshausen, 2016), el reconocimiento
de las réplicas y la precisión durante la
agregación y estraticación (Ashley,
2016; Bühlmann & van der Geer, 2018).
El propósito del estudio fue identicar
barreras epistemológicas en la arquitectura
de los datos y la signicación del modelo
predictivo de la ciencia.
Materiales y Métodos
El estudio se realizó desde enero hasta
julio del 2020 y se seleccionó mediante
un muestreo probabilístico aleatorio,
100 artículos de Scopus a los cuales
de se accedió a través, de la plataforma
ScienceDirect como herramienta
cientíca de búsqueda (Figura 1).
Para la selección de los artículos
cientícos se consideró las 12
características principales de la ciencia
como son: ser fáctica, contrastación
empírica, objetividad, especicidad,
aplicabilidad, comunicación, veri-
cación, metódica, predictividad, utilidad,
sistematicidad, legalidad. Se analizó dos
estructuras metodológicas del modelo
predictivo de la ciencia: los datos y la
signicación de la teoría desde una
concepción en el pensamiento losóco
de Popper (1962, 1976), Kuhn (1962,
1982), Lakatos (1987) y Feyerabend
(1958, 1989).
Se reexionó en una simplicación
estructural del probable modelo de la
ciencia con basamento al programa de
progreso de la propia ciencia haciéndose
un análisis de las barreras epistemológicas
las cuales consistieron en lo siguiente: Las
G A P - R L. V H - G R. H E - R A A
- E H H - P G C . K L. D L
331
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
constantes preguntas sobre la generación
y validación del método cientíco y la
verdad o falsedad de la teoría según la
aprehensión del conocimiento cientíco.
Figura 1. Selección de artículos cientícos / año / títulos / revistas
Se analizó en el programa estadístico
profesional Statgraphics Centurion
XVIII las barreras epistemológicas
entre la arquitectura de los datos y la
signicación comparándose mediante
la prueba t-Student. Los resultados se
consideraron signicativos con un nivel
Teoría
Se analizó en el programa estadístico profesional Statgraphics Centurion XVIII
las barreras epistemológicas entre la arquitectura de los datos y la significación
comparándose mediante la prueba t-Student. Los resultados se consideraron
significativos con un nivel de confianza del 95%.
RESULTADOS
Se muestra las estructuras del modelo de predicción de la ciencia para el análisis de
las barreras epistemológicas (Figura 2).
Figura 2. Modelo de predicción de la ciencia / análisis de las barreras
epistemológicas.
Se muestra las barreras epistemológicas según las dos estructuras metodológicas del
modelo de predicción de la ciencia (Tabla 1).
Tabla 1
Barreras epistemológicas / estructuras metodológicas
Estructuras
metodológicas
Barreras epistemológicas
Datos
1. ¿Se origina de una observación?
2. ¿Es orientativo de la variable?
3. ¿Pertenece a una adecuada clasificación y
agrupación?
4. ¿Permitirá la comparación?
5. ¿Se reconoce para la evidencia científica?
1. ¿Se permite la interpretación?
Barreras epistemológicas 1
Barreras epistemológicas 2
Datos
Significado
Explicación
Racionalismo
Empirismo
MÉTODO
CIENTÍFICO
de conanza del 95%.
Resultados
Se muestra las estructuras del modelo
de predicción de la ciencia para el análisis
de las barreras epistemológicas (Figura 2).
Figura 2. Modelo de predicción de la ciencia / análisis de las barreras
epistemológicas
Se muestran las barreras
epistemológicas según las dos estructuras
metodológicas del modelo de predicción
de la ciencia (Tabla 1).
B
332
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Tabla 1
Barreras epistemológicas / estructuras metodológicas
Estructuras metodológicas Barreras epistemológicas
Datos
1. ¿Se origina de una observación?
2. ¿Es orientativo de la variable?
3. ¿Pertenece a una adecuada clasicación y agrupación?
4. ¿Permitirá la comparación?
5. ¿Se reconoce para la evidencia cientíca?
Signicado
1. ¿Se permite la interpretación?
2. ¿Cómo inuye en la información para generar conocimiento?
3. ¿La contrastación que se indique dará distinción al conoci-
miento cientíco?
4. ¿Se considera resaltante la interpretación ante las características
de los datos agrupados?
5. ¿Con el tratamiento que se propone, los objetivos de la investi-
gación se cumplirán?
En la prueba estadística t-Student
entre la estructura metodológica del dato
y la signicación, el intervalo de conanza
se extendió entre -46,27 y -41,73] donde
la t = -53,88 y el valor de p = 7,09.
Discusión
Ante la diferencia estadísticamente
signicativa (p<0,05) entre la estructura
secuencial de los datos y la signicación
se observó que el análisis de los datos
fue menos relevante en comparación
con la importancia que se atribuye a su
signicación. En el modelo de predicción
de la ciencia se establece el análisis de
las barreras epistemológicas según los
datos y el signicado que espera lograrse
en cualquier proceso de investigación
cientíca pero, una de las principales
dicultades está en la mediación de las
variables y su posible reconocimiento
para presentar datos dedignos.
Canziani & Tullar (2017) señalan
el pensamiento crítico del objeto de
observación para que los datos representen
hechos reales. El dato que se considera es
producto del acto de aprehensión con el
objeto de investigación (Teckchandani &
Khanin, 2014; Baltag et al., 2019; Karini
& Kamandi, 2019). Ante las barreras
epistemológicas que se mostraron para
la arquitectura de los datos parece
que, la construcción de un probable
conocimiento nuevo en el proceso de
la investigación cientíca será limitado
(Rekalde, Vizcarra & Macazaga, 2014;
Red’ko, 2016; Jaime & Ladino, 2018).
El signicado que se le proporcione a
los datos, no necesariamente debe orientar
a la evidencia cientíca, pues del mismo
modo, existe alta probabilidad de no
ofrecerse novedad en la investigación
cientíca con el implícito riesgo del
término ¨estadísticamente signicativo¨
(Marshall & Hughes, 2020). Tergiversar el
signicado de los datos va más allá de lo
ético, pues se compromete el propio futuro
de los métodos en la ciencia para hallazgos
con ciertos intervalos de conanza (Harris,
Chivers & Drew, 2019).
Dentro de las limitaciones del estudio
se menciona que otras estructuras
metodológicas no se consideraron para la
formulación de barreras epistemológicas y
G A P - R L. V H - G R. H E - R A A
- E H H - P G C . K L. D L
333
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
que denoten potenciales contribuciones
al desarrollo de modelos predictivos de la
ciencia.
Se concluye que, la identicación
de las barreras epistemológicas para la
arquitectura de los datos y la signicación
en el modelo predictivo de la ciencia
representa una guía a considerarse
para la medición de las variables y su
interpretación hacia un conocimiento
cientíco.
Referencias
Ashley, E.A. (2016). Towards precision
medicine. Nature Reviews Genetics;
17, 507-522. Doi: 10.1038/
nrg.2016.86
Baltag, A., Gierasimczuk, N., Özgün, A.,
Vargas Sandoval, A.L. & Smets, S.
(2019).Una lógica dinámica para
la teoría del aprendizaje. Journal
of Logical and Algebraic Methods in
Programming; 109, 100485. Doi:
10.1016/j.jlamp.2019.100485
Bühlmann, P. & Meinshausen, N.
(2016). Magging: maximin
aggregation for inhomogeneous
large-scale data. Proceedings of
the IEEE; 104, 126-135. Doi:
10.1109/JPROC.2015.2494161
Bühlmann, P. & van der Geer, S. (2018).
Statistics for big data: a perspective.
Statist. Probab. Lett; 136, 37-41.
Doi: 10.1016/j.spl.2018.02.016
C, B. T, W.L. ().
D C T
S C
P.
Journal of Education
for BusinEss; 92, -. D:
./..
Ceri, S. (2018). On the role of statistics
in the era of big data: A computer
science perspective. Statistics and
Probability Letters; 136, 68-72.
Doi: 10.1016/j.spl.2018.02.019
Chan, K.M., Gould, R.K. &
Pascual, U. (2018). Editorial
overview: Relational values:
what are they, and what’s the
fuss about? Current Opinion
in Environmental Sustainability;
35, 1-7. Doi: 10.1016/j.
cosust.2018.11.003
Couper, P.R. (2020). Epistemology.
International Encyclopedia of
Human Geography. Second
edition, 275–284. Doi: 10.1016/
b978-0-08-102295-5.10640-7
Cox, D.R., Kartsonaki, C. & Keogh, R.H.
(2018). Big data: Some statistical
issues. Statistics Probability Letters;
136, 111-115. Doi: 10.1016/j.
spl.2018.02.015
Dunson, D. (2018). Statistics in the
big data era: Failures of the
machine. Statistics Probability
Letters; 136, 4-9. Doi: 10.1016/j.
spl.2018.02.028
Feyerabend, P. (1958). Review of
mathematical foundations of
quantum mechanics. By John von
Neumann. e British Journal for
the Philosophy of Science; 8(32),
B
334
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
343-347. Doi.org/10.1093/bjps/
VIII.32.343
Feyerabend, P. (1989). Realism and
the historicity of knowledge. e
Journal of Philosophy; 86(8), 393-
406. Doi.org/10.2307/2026649
Harris, S., Chivers, P. & Drew, M.
(2019). e science of statistics:
reporting statistical results with
condence. Journal of Science and
Medicine in Sport; 22, Pp 5. Doi:
10.1016/j.jsams.2019.08.040
Jaime, M.G.M. & Ladino, L.D. (2018).
El método cientíco como
alternativa didáctica de educación
en valores para escuelas de
ingeniería.Formación Universitaria;
11, 3-10. Doi: 10.4067/S0718-
50062018000500003
Karini, H. & Kamandi, A. (2019). A
learning-based ontology alignment
approach using inductive logic
programming. Expert Systems with
Applications; 125, 421-424. Doi:
10.1016/j.eswa.2019.02.014
Kenter, J.O., Raymond, C.M., van
Riper, C.J. & et al. (2019).Amar el
desorden: navegar por la diversidad
y el conicto en los valores sociales
para la sostenibilidad.Sustainability
Science; 14, 1439-1461. Doi:
10.1007/s11625-019-00726-4
Kleiner A., Talwalkar A., Sarkar P. &
Jordan M.I. (2014). A scalable
bootstrap for massive data. Journal of
the Royal StatisticalSocietySeriesB
(Statistical Metodology); 76, 795-
816. Doi: 10.1111/RSSB.12050
Kronenberg, J. & Andersson, E. (2019).
Integrando valores sociales con otras
dimensiones de valor: uso paralelo
vs. combinación vs. integración
total.Science; 14,1283-1295.Doi:
10.1007/s11625-019-00688-7
Kuhn. T. (1962) La Estructura de las
Revoluciones Cientícas. Fondo de
Cultura Económica. México. 319
Pp.154
Kuhn, T. (1982). Objetividad, juicios
de valor y elección de teoría. In:
Kuhn, T., (Ed.). La tensión esencial.
Estudios selectos sobre la tradición
y el cambio en el ámbito de la
ciencia. México: FCE. 344-364.
Lakatos, I. (1987). Historia de las ciencias
y sus reconstrucciones racionales.
Comparación crítica de metodologías:
La historia como prueba de sus
reconstrucciones racionales. 1
a
Reimpresión. Editorial Tecnos
S.A., Madrid. Pp 43-72. ISBN: 84-
309-0538-3
Little, R.J. (2011). Calibrated Bayes, for
Statistics in General, and Missing
Data in Particular with Discussion
and Rejoinder. Statistical Science;
26, 162-186. Doi: 10.1214/10-
STS318
Marshall, A.P. & Hughes, I.
(2020).Statistics: e grammar of
science. Australian Critical Care;
33, 113-115. Doi: 10.1016/j.
aucc.2020.02.001
Peña, G.D.M. (2019). French historical
epistemology: discourse, concepts
and rules of rationality. Studies in
History and Philosophy of Science;
G A P - R L. V H - G R. H E - R A A
- E H H - P G C . K L. D L
335
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
79, 68-76. Doi: 10.1016/j.
shpsa.2019.01.006
Pooper, K.R. (1962). La lógica de la
investigación cientíca. Madrid:
Tecnos. 31-32.
Pooper, K.R. (1976). A note on
verisimilitude. e British Journal
for the Philosophy of Science;
27(2), 147-159. www.jstor.org/
stable/686164
Rawluk, A., Ford, R., Anderson, N.&
et al. (2019). Exploración de
múltiples dimensiones de valores
y valoración: un marco conceptual
para mapear y traducir valores
para la investigación y la práctica
socioecológica. Sustainability
Science; 14, 1187-1200. Doi:
10.1007/s11625-018-0639-1
Red’ko, V.G. (2016). Epistemological
foundations of investigation of
cognitive evolution. Biologically
Inspired Cognitive Architectures;
18, 105-115. Doi: 10.1016/j.
bica.2016.10.001
Rekalde, I., Vizcarra, M.T. & Macazaga,
A.M. (2014). La observación como
estrategia de investigación para
construir contextos de aprendizaje
y fomentar procesos participativos.
Educación XX1; 17, 199-220. Doi:
10.5944/educxx1.17.1.1074
Secchi, P. (2018). On the role of statistics
in the era of big data: A call for a
debate. Statistics and Probability
Letters; 136, 10-14. Doi: 10.1016/j.
spl.2018.02.041
Teckchandani, A. & Khanin, D.
(2014). e instructor’s role in
the student consulting process:
Working with the student team.
Small Business Institute Journal;
10, 11-24. Doi: 10.5465/
AMBPP.2014.13187abstract
B
