Curso 1. Validación del razonamiento con IA en ciencias sociales
Curso corto de ocho sesiones en modalidad híbrida, adaptable a formatos de microcredencial o de educación continua. Sesiones presenciales con participación remota sincrónica y trabajo asincrónico guiado; la modalidad virtual es alternativa. Primer curso del programa Tunjos para la IA.
Pregunta del curso. Cuando un investigador trabaja con un modelo de lenguaje, ¿qué tipo de razonamiento está haciendo la máquina, cuál está haciendo él, y cuál de los dos puede validarse sin un sujeto que responda?
Respuesta que el curso construye. Hay tres formas de inferencia con regímenes de validez distintos. La deducción vale por su forma y una máquina puede verificarla. La inducción vale a largo plazo por sus tasas de acierto, y los modelos actuales son inductores extraordinarios. La abducción, la inferencia que introduce hipótesis nuevas, no vale ni por forma ni por frecuencia: vale porque alguien se compromete a perseguirla y a responder por ella. Por eso la validación del trabajo con modelos no puede delegarse del todo, y por eso el error característico del modelo no es una alucinación sino un infortunio de autoridad epistémica.
Contenido
| Carpeta | Qué hay |
|---|---|
| programa/ | Syllabus, guía de cada una de las ocho semanas, evaluación y bibliografía con enlaces |
| plantillas/ | Plantillas de los tres productos: mapa inferencial, ficha de hipótesis, registro de frontera |
| practicas/ | Guías de las prácticas con modelos de lenguaje y el cuaderno de apoyo |
| apps/ | Cinco mini apps autocontenidas: verificador de pasos, silogismos de Peirce, clasificador de inferencias, genealogía de la validación y filtro peirceano |
Productos del estudiante
- Mapa inferencial de un proyecto propio: cada paso del flujo de investigación clasificado como deductivo, inductivo o abductivo, con la frontera entre lo que verifica la máquina y lo que responde el investigador.
- Ficha de hipótesis con filtro peirceano: hipótesis pedidas a un modelo y evaluadas por sorpresa, plausibilidad, verificabilidad y economía.
- Registro de frontera de un ejercicio real con un modelo: qué propuso la máquina, qué decidió el investigador, con qué criterio.
Página del curso
izainea.github.io/tunjos-para-la-ia/curso-1/
Cómo se hizo este material
El material de este curso se elaboró con ayuda de modelos de lenguaje bajo la guía de autoría, la revisión y la responsabilidad del docente. Qué hizo la máquina, qué decidió el autor y qué queda por verificar está en la declaración de uso de IA del programa.
Syllabus
Datos generales
| Nombre | Las tres inferencias en el razonamiento humano y el artificial |
| Programa | Tunjos para la IA, primer curso de los siete que componen el programa |
| Duración | Ocho sesiones semanales de dos horas y trabajo autónomo guiado, unas 96 horas en total. Se adapta al formato de microcredencial o de curso de educación continua de cada institución |
| Modalidad | Híbrida: una sesión presencial de dos horas por semana, con participación remota sincrónica, y trabajo asincrónico guiado. La modalidad virtual es alternativa |
| Docente | Carlos Isaac Zainea Maya |
| Prerrequisitos | Ninguno. No requiere programación ni formación filosófica previa |
| Público | Egresados y estudiantes de posgrado en ciencias sociales y humanidades, profesionales que investigan o producen informes con apoyo de modelos de lenguaje |
Problema que atiende
Los modelos de lenguaje ya participan en la producción de conocimiento: sintetizan literatura, proponen categorías, codifican corpus y redactan informes. Quien los usa recibe outputs con la forma de una aserción fundamentada, y rara vez tiene criterio para decidir qué parte de ese output puede aceptar, qué parte debe verificar y qué parte le corresponde decidir a él. Los cursos de herramientas enseñan a pedirle cosas a la máquina. Los cursos de método ignoran la máquina. Este curso enseña lo que falta en medio: una teoría de la inferencia suficiente para saber qué razonamiento hace cada quien, y una práctica para marcar esa frontera en el propio trabajo.
Competencias
Al terminar el curso el estudiante puede:
- Distinguir y nombrar las tres formas de inferencia (deducción, inducción, abducción) y sus regímenes de validez, y reconocerlas en un flujo de investigación real.
- Caracterizar lo que hace un modelo de lenguaje en términos inferenciales, y explicar por qué su output tiene forma de aserción fundamentada sin satisfacer sus condiciones.
- Evaluar hipótesis generadas por un modelo con criterios explícitos de abducción (sorpresa, plausibilidad, verificabilidad, economía de la investigación), en lugar de aceptarlas o rechazarlas por intuición.
- Trazar la frontera entre lo que una máquina puede validar y lo que exige un investigador que responda, y documentarla en un registro auditable sobre el propio proyecto.
Resultados de aprendizaje y evidencias
| Competencia | Evidencia verificable | Semana |
|---|---|---|
| 1 | Mapa inferencial, versión preliminar | 4 |
| 2 y 3 | Ficha de hipótesis con filtro peirceano sobre tres hipótesis producidas por un modelo | 6 |
| 4 | Registro de frontera de un ejercicio real con un modelo | 7 |
| 1 a 4 | Mapa inferencial final y presentación ante pares | 8 |
Programa por semanas
| Semana | Tema | Lectura central | Actividad |
|---|---|---|---|
| 1 | La máquina que afirma. Alucinación o infortunio. Tres sentidos de validación | Austin, conferencias I y II. Floridi (2023) | Bitácora inicial: tres outputs de un modelo clasificados por lo que afirman |
| 2 | Deducción. La historia de la validación formal: Aristóteles, Frege, Russell, el Tractatus, el Círculo de Viena | Russell, Los problemas de la filosofía, cap. VII. Wittgenstein, Tractatus 4 a 4.5 | Reconstruir una cadena de razonamiento de un modelo y verificar cada paso |
| 3 | Inducción. Hume, el pavo de Russell, Goodman, Popper. La IA como máquina inductiva | Hume, Investigación, sección IV. Goodman, cap. III. Chollet (2019) | Encontrar dos hipótesis compatibles con los mismos datos |
| 4 | Abducción. Peirce y la lógica del descubrimiento. Inferencia a la mejor explicación. Análisis abductivo en investigación cualitativa | Peirce (1878, 1903). Harman (1965). Timmermans y Tavory (2012) | Entrega: mapa inferencial preliminar |
| 5 | Los límites formales. Hilbert, Gödel, Turing. Qué dicen y qué no dicen sobre la inteligencia artificial | Nagel y Newman. Turing (1950). Lucas (1961) y Feferman (2009) | Debate estructurado: el argumento gödeliano a favor y en contra |
| 6 | El giro pragmático. Segundo Wittgenstein, Austin, Habermas, la comunidad de investigación de Peirce. Validez abductiva e imputación | Wittgenstein, Investigaciones §§ 1 a 43 y 201 a 243. Habermas, Conocimiento e interés, caps. 5 y 6 | Entrega: ficha de hipótesis con filtro peirceano |
| 7 | Qué hace un modelo de lenguaje. Predicción, cadena de pensamiento, modelos de recompensa por proceso. Un criterio extrínseco, local y estadístico | Wei et al. (2022). Lightman et al. (2023). Valmeekam et al. (2024). Zainea (2026) | Práctica guiada con modelo y entrega del registro de frontera |
| 8 | La prótesis hermenéutica. Mapa inferencial del propio proyecto y presentación | Zainea (2026), prótesis hermenéutica. Vallor (2024) | Entrega final y presentación ante pares |
Metodología
El curso se enseña con el método que enseña. Cada semana tiene tres momentos.
- Lectura guiada (asincrónica, 4 a 5 horas). Un texto central con guía de lectura y preguntas, y una lectura complementaria opcional.
- Sesión presencial con participación remota sincrónica (2 horas). La primera hora discute la lectura a partir de un caso. La segunda es taller: el estudiante aplica la distinción de la semana a un output real de un modelo o a su propio proyecto. Cada semana tiene un guion minuto a minuto, al menos una figura y, cuando ayuda a ver el mecanismo, una mini app interactiva.
- Bitácora (asincrónica, 3 a 4 horas). El estudiante registra en una bitácora semanal el ejercicio, lo que propuso la máquina cuando la hubo, lo que decidió él y con qué criterio. Las bitácoras alimentan los tres productos.
Las prácticas con modelos de lenguaje usan modelos de acceso gratuito. El curso provee las guías de prompts, un cuaderno de apoyo que no requiere programar y cinco mini apps en apps/: verificador de pasos (semanas 2 y 7), silogismos de Peirce y clasificador de inferencias (semana 4), genealogía de la validación y filtro peirceano (semana 6).
Evaluación
| Producto | Peso | Criterio principal |
|---|---|---|
| Mapa inferencial final | 40 % | Cada paso del flujo está clasificado con justificación, y la frontera está argumentada, no postulada |
| Ficha de hipótesis con filtro peirceano | 25 % | Cada hipótesis se evalúa con los cuatro criterios y la decisión queda explicada |
| Registro de frontera | 20 % | Distingue con precisión lo que propuso la máquina de lo que decidió el investigador |
| Bitácora semanal | 15 % | Continuidad y honestidad en el registro, incluidas las dudas |
La rúbrica detallada está en evaluacion.md.
Articulación
Este curso es el fundamento del programa Tunjos para la IA y abre sus tres rutas principales. La ruta Texto sigue con Corpus de textos con procedencia en ciencias sociales, donde un conjunto disperso de documentos se convierte en un corpus con procedencia y reproducible; la ruta Imagen sigue con Descripción auditada de imágenes en investigación social, donde imágenes dispersas se catalogan y describen con ayuda de modelos multimodales sin perder el juicio. Ambas continúan con Codificación cualitativa con IA en ciencias sociales, donde el modelo propone códigos y categorías y el investigador decide cada uno con un criterio nombrado, y terminan con Validar y defender investigación social asistida por IA, donde lo configurado se valida en los tres sentidos que este curso distingue y se escribe como hallazgo por el que alguien responde. La ruta Programa completo recorre los siete cursos, añade Patrones estables en datos de las ciencias sociales, que pregunta cuándo un patrón computacional es una hipótesis que vale la pena perseguir y cuándo un artefacto del método, y Exterioridad y gobernanza de la IA en ciencias sociales, que trata los derechos sobre el material, la exterioridad del modelo frente a un archivo situado y las reglas que hacen defendible el uso de IA, y cierra con un proyecto integrador. En todos ellos el mapa inferencial que aquí se construye es el documento de entrada. El curso se articula además con cursos de metodología cualitativa, epistemología, lógica informal y ética de la inteligencia artificial de programas de posgrado en ciencias sociales y humanidades, a los que aporta lo que ellos no suelen cubrir: la clasificación inferencial del trabajo asistido por modelos.
Política de uso de modelos de lenguaje
Se usan en todas las semanas, de forma declarada. Cada entrega incluye qué modelo se usó, para qué, y qué parte del resultado es decisión del estudiante. Un uso no declarado se trata como infortunio de autoridad: el estudiante presenta como propio algo por lo que no puede responder. Esa es, de hecho, la lección del curso.