Hablando como alguien fuera de las ciencias sociales cuyo trabajo ha sido fuertemente influenciado por las lecturas de las ciencias sociales, creo que puede ser más claro si separa tres conceptos que a menudo se combinan: rigor, financiación e importancia:

• El rigor matemático o analítico de un tema hace que sea más difícil de entender o tener una opinión para los extraños, y la inaccesibilidad puede hacer que las cosas parezcan más importantes, pero todo lo que realmente muestra es que es difícil de entender.
• La cantidad de dinero arrojada a un tema es otro indicador fácil de importancia, pero todo lo que realmente muestra es la popularidad o la estructura del mercado.

Las ciencias sociales en realidad se ocupan de muchos de los problemas realmente difíciles de la sociedad, las cosas con las que todos luchamos y no sabemos cómo enfrentarlas bien, como la injusticia, la política y el conflicto social. En las ciencias duras y la ingeniería nos gusta pretender que podemos resolver estos problemas mediante la inyección de nuevas tecnologías, pero todo lo que podemos hacer realmente es crear interrupciones que desestabilicen el orden actual, después de lo cual la sociedad puede volverse más inclusiva (por ejemplo, la creación de Internet) o más explotadores (p. ej., la creación de protocolos QoS, lo que lleva a la batalla actual por la neutralidad de la red).

Las ciencias sociales enfrentan desafíos adicionales por problemas de instrumentación (la mayor parte de lo que les importa es realmente difícil o inapropiado de medir), replicabilidad (muchos fenómenos son lo suficientemente grandes o de duración suficiente como para que solo tengamos uno o unos pocos puntos de datos), y controles experimentales (muchos experimentos interesantes no se pueden realizar porque serían terriblemente poco éticos, por ejemplo, aislar a las poblaciones del resto de la sociedad).

Y sin embargo... y sin embargo, creo que las ciencias sociales producen algunos de los trabajos más importantes para nosotros como humanidad, porque el trabajo realizado allí es parte de la razón por la que el arco del universo moral se inclina hacia la justicia .

Así que creo que está bien que un científico social envidie la accesibilidad de los datos para las personas que solo necesitan construir una máquina multimillonaria para hacer su investigación. Pero no les envidies su campo: tus problemas son tan importantes como los de ellos.

Fondo: Soy un académico en psicología que se esfuerza por aplicar técnicas estadísticas innovadoras para responder preguntas de investigación psicológica. A lo largo de los años he compartido algunas de sus preocupaciones. Si bien la capacitación estándar en psicología de pregrado y posgrado enseña muchas técnicas estadísticas avanzadas, a menudo se enseña a un alto nivel que se enfoca en el uso efectivo de software estandarizado. Para lograr mis objetivos de aplicar métodos estadísticos innovadores, pasé años haciendo cursos cortos y enseñándome a mí mismo una amplia gama de cosas: (a) un plan de estudios universitario de matemáticas en probabilidad, estadística matemática, cálculo, álgebra lineal, etc.; (b) herramientas informáticas estadísticas adecuadas como R, herramientas de línea de comandos de Unix y una amplia gama de otros conceptos informáticos; (c) estadísticas más avanzadas relevantes para mi área (p. ej., estadísticas bayesianas,

También he pasado bastante tiempo interactuando con personas capacitadas cuantitativamente en otras áreas (p. ej., estadísticos, bioestadísticos y profesionales enfocados en las matemáticas). Estas interacciones me dieron una mayor apreciación de las habilidades que poseen y no poseen los diferentes campos. También ayudó a aclarar no solo las deficiencias cuantitativas de mi entrenamiento, sino también las fortalezas de mi entrenamiento psicológico existente.

Algunos principios generales

• Piense en lo que está tratando de lograr con su carrera . Muchos académicos e investigadores de las ciencias sociales funcionan de manera muy efectiva con solo la comprensión estándar de los métodos cuantitativos. También he visto muchas áreas de consultoría relacionadas con la psicología donde son las personas que manejan las relaciones con los clientes las que ganan mucho más dinero, y las personas que hacen el trabajo cuantitativo obtienen mucho menos (para citar una frase que he escuchado, los quants puede estar haciendo el "trabajo duro"). Solo menciono esto para resaltar la perspectiva alternativa. Al igual que a mí, puede que le resulte gratificante ser un académico que aplica técnicas cuantitativas de vanguardia a su disciplina.
• Si te apasionan los métodos cuantitativos pero tu formación es en las ciencias sociales, siempre puedes adquirir habilidades cuantitativamente más rigurosas . Hacer cursos formales; ver videos; trabajar a través de libros de texto; trabajar en proyectos que requieren un mayor nivel de comprensión.
• Valora las habilidades que tienes . Si juzga sus habilidades por los valores de una disciplina diferente, es probable que se sienta decepcionado: conocimiento de teorías y hallazgos empíricos en su disciplina; metodología, técnicas de medición de diseño relevantes para su disciplina; etcétera. Es probable que haya toda una gama de habilidades que usted da por sentado que las personas en otras disciplinas cuantitativamente más rigurosas normalmente no poseerían.

Preguntas de seguimiento: equilibrar el trabajo sustantivo y el método

1. ¿Cómo equilibra el aprendizaje de nuevas técnicas con el logro de los resultados de la investigación?

Creo que este es un ejemplo de la compensación general entre invertir en la superación personal y producir una producción valiosa. Hasta cierto punto, esta compensación debería estar en la mente de todos los estudiantes de doctorado. Y no se detiene cuando te mudas a la academia. Algunos pensamientos al azar:

• Un doctorado es un período en el que tendrá bastante tiempo para invertir en el aprendizaje de nuevas habilidades. Es importante aprovecharlo al máximo.
• Levantarse por sus propios medios puede enseñarle mucho. Sin embargo, si puede encontrar un asesor que haya recorrido el camino (por ejemplo, alguien que tenga las habilidades que desea adquirir), puede ahorrar mucho tiempo.
• Participe en proyectos con resultados tangibles que lo exijan pero que sea capaz de lograr. Por ejemplo, podrías hacer un estudio para tu doctorado que requiera que hagas alguna técnica estadística innovadora. En particular, en los campos de las ciencias sociales, hay muchas oportunidades para usar sus habilidades estadísticas para obtener la coautoría de artículos con sus colegas menos alfabetizados en estadística.
• Recuerde que las habilidades cuantitativas son solo una parte de ser un estudiante de doctorado/académico completo. Es importante seguir desarrollando estas otras habilidades en paralelo. Tratar de producir un resultado tangible (como una publicación o una tesis) lo mantendrá conectado a tierra en términos de si está desarrollando sus habilidades de manera equilibrada.
• Considere participar en otras actividades profesionales relevantes que desarrollarán aún más sus habilidades cuantitativas. Los ejemplos típicos incluyen consultoría industrial, enseñanza y consultoría estadística.
• El mundo de las habilidades cuantitativas es muy amplio. Puede ser bueno centrarse en áreas particulares. Enfoque de valores académicos.
• Equilibrar el equilibrio entre el aprendizaje y la producción depende en gran medida de las circunstancias personales. ¿Qué tan seguro está de que las habilidades que está desarrollando ahora son realmente relevantes para el lugar al que quiere ir? ¿Qué presiones a corto plazo tiene para producir resultados tangibles? ¿Qué tan dispuesto y capaz está de retrasar las recompensas inmediatas por una meta a más largo plazo?

2. ¿Cómo aborda el tema de que parece valorarse más la investigación sustantiva que el trabajo metodológico?

Creo que se valora el trabajo metodológico, y se puede hacer una investigación que aproveche tanto sus fortalezas sustantivas como metodológicas.

• Algunos de los artículos más citados en las ciencias sociales son artículos metodológicos (p. ej., el artículo de mediador-moderador de Barron y Kenny de 1984 tiene más de 49.000 citas en Google Scholar).
• Sus habilidades cuantitativas pueden ser muy valoradas en colaboraciones de investigación. Esto puede ayudarlo a obtener la coautoría donde quizás otros autores tengan una experiencia más sustancial. No obstante, su experiencia en la disciplina le dará una ventaja sobre un estadístico convencional porque le resultará más fácil comunicarse con el colaborador sustantivo.
• Puede hacer contribuciones sustanciales a su campo utilizando métodos cuantitativos innovadores. Como mínimo, debería poder interpretar los resultados cuantitativos mejor que otros si tiene un conocimiento profundo de los métodos cuantitativos. Todas estas cosas pueden ayudar con sus objetivos de investigación.

Creo que una cosa que debe tener en cuenta es que la superioridad y la idoneidad de un método de investigación están determinadas por la naturaleza de la pregunta de investigación. Mientras que los métodos cuantitativos tienen la ventaja de, por ejemplo, ser precisos, los métodos de investigación cualitativos todavía tienen su lugar. La investigación cualitativa captura aspectos del mundo físico/social que no se prestan a la cuantificación. Un ejemplo de la combinación de métodos de investigación cualitativos y cuantitativos en ciencias sociales es el libro Soul Searching de Christian Smith, donde se puede ver cómo las entrevistas cara a cara brindan una visión única de la religiosidad de los adolescentes que no se revela mediante preguntas de encuestas cuantitativas. Para superar la sensación de que las ciencias sociales no son "científicas", recomendaría el libroHow to Think Straight about Psychology de Stanovich, que da un buen argumento de por qué la psicología (y realmente las ciencias sociales en general) es científica a pesar de que tales disciplinas no usan ningún equipo sofisticado ni matemáticas rigurosas.

Si te hace sentir mejor, simplemente señalo que incluso las disciplinas como las matemáticas, que se consideran más "rigurosas" y "duras", tienen sus propios problemas que amenazan la validez y la interpretación de la disciplina (por ejemplo, los teoremas de incompletitud de Gödel y el Löwenheim). –Teorema de Skolem).

Si levantaras la vista de tu examen de qué tan verde está el césped en el lado cuantitativo de la cerca, podrías notar que alguien mira en la dirección opuesta (¡Sorpresa! ¡Ese soy yo!).

Al igual que a usted, me gusta aprender teorías sobre cómo funciona el mundo, pero mis primeros conocimientos en matemáticas me llevaron a especializarme en Física. Buscando una conexión más humana en mi trabajo (a través de la aplicación directa), pasé a la ingeniería en la escuela de posgrado, específicamente al trabajo de simulación. A medida que aprendí más sobre el modelado matemático, estuve expuesto a ejemplos de otras disciplinas, p. economía, y aprendí la dura verdad sobre los modelos matemáticos: pueden ser bastante subjetivos.

Las matemáticas son una disciplina normativa, por lo que los resultados de los modelos (estadísticos o de otro tipo) reflejan solo tanta verdad como sus suposiciones y simplificaciones dejan atrás. Cuanto más 'suave' sea la disciplina, más suposiciones te verás obligado a hacer para que las matemáticas sean manejables. En muchos casos, las suposiciones que haces dictan los resultados del modelo, en esencia, dándote una costosa, circular y autocomplaciente palmadita en la espalda. Así que no se desanime por la falta de respuestas definitivas entregadas por los científicos sociales; la gente cuantitativa no está logrando tanto como podría parecer. Resulta que el mundo es difícil de entender.

El punto: si tiene interés en el lado cuantitativo de las ciencias sociales, por todos los medios trate de hacer la transición de su investigación en esa dirección; hay muchas personas que modelan el comportamiento social, por ejemplo (consulte la inteligencia de enjambre ). Pero hágalo sin albergar ningún delirio sobre la existencia de una panacea matemática que revelará La verdad de la T mayúscula. Un cambio de grado general puede ser demasiado costoso (o no, si tiene los recursos y la paciencia), pero mudarse dentro del departamento o con un asesor adecuado en una institución diferente son opciones que pueden ser de su interés.

Divulgación completa: me estoy acercando a mi ME ahora y planeo hacer exactamente eso en el verano/otoño. Intentaré aprovechar la experiencia en modelado de fluidos para pasar a la política energética/decisión/modelado económico.

Estoy en una situación similar a la tuya. Estudié geografía en Cambridge. Estaba interesado en la geografía humana: quería predecir el crecimiento de las ciudades y calcular de qué lado del pavimento caminaría la gente. Desafortunadamente, la geografía humana cuantitativa ha pasado de moda en Cambridge y en la mayoría de las otras instituciones de geografía humana. En cambio, discuten sobre el discurso, la performatividad y la otredad y leen mucho a Foucalt. Después de un año o dos me di cuenta de que la mayor parte de lo que estaba aprendiendo no era suficientemente riguroso/cuantitativo para ser de mucha utilidad o interés. Experimenté la misma envidia que tú. Me acerqué tanto como pude a la geografía física, pero incluso eso carecía de rigor. En ese momento había aprendido a arrojar hábilmente palabras de moda sin sentido pero convincentes, lo que me permitió terminar con un título de primera clase pero con la sensación de que el proceso era en gran parte una farsa. Me prometí hacer "ciencia real" para la escuela de posgrado. Obtuve una maestría en geoquímica y ahora me desvío hacia la geofísica mientras termino mi doctorado. Todo el tiempo me he estado volviendo más cuantitativo, pero desearía haber comenzado con las matemáticas y luego haberme suavizado en lugar de lo contrario.

Entonces, para responder a tu pregunta: ¡consiente tu envidia! Vaya cuantitativo lo antes posible. Descubrirá que en realidad SÍ aprendió habilidades útiles de pensamiento crítico y escritura de las que la gente cuantitativa a menudo carece. Combine eso con el rigor teórico y escribirá artículos increíbles.

Tenga en cuenta que no puede aprender TODAS las matemáticas. Parece que tienes una especialidad en estadísticas; probablemente se centre en eso. Tal vez participe en un proyecto de codificación de código abierto que combine áreas que ya conoce con las que desea aprender.

Además, intente separar aquí la envidia "buena" de la "mala". Si desea tener herramientas analíticas más poderosas y responder preguntas más difíciles, eso tiene sentido. Pero si te seducen las bonitas figuras en 3D y los costosos equipos de investigación, ¡ten cuidado! He sido desviado por artilugios geniales más de una vez...

Una cosa más... Aprendí a programar de mis amigos durante la licenciatura. Tenía amigos en matemáticas y computación y su conocimiento y entusiasmo eran contagiosos. Saber cómo programar en un par de idiomas fue la gracia salvadora que realmente hizo posible para mí el cambio de la ciencia blanda a la dura.

Creo que su sentimiento está bastante extendido en algunos círculos, y la economía ha sido celebrada por su compromiso con el método cuantitativo de generar nuevos conocimientos (pero del mismo modo, después de la crisis financiera, la economía ha sido ridiculizada por no aventurarse fuera de sus límites abstractos). modelos y entender las economías realmente existentes, pero eso es un aparte). Sin embargo, como dijo @Drecate, realmente depende de su pregunta de investigación. Hay muchas ramas en el árbol del conocimiento, y muchos conceptos utilizados por, digamos, los economistas provienen de fuera de la disciplina propiamente dicha.

El trabajo cuantitativo es fascinante y puede generar muchas ideas. Pero pueden ser más preguntas del tipo 'cómo' que del tipo 'por qué'. Si está interesado en, por ejemplo, la Crisis de Cuba y cómo llegó tan cerca, o por qué las políticas de vivienda y gentrificación de Nueva York y San Francisco pueden diferir, necesitará mucho más que un trabajo cuantitativo.

Para mí, un sello distintivo de las ciencias sociales es que se encuentran con el objeto de estudio donde se encuentra; parte de él se descubre a través de sus muchas regularidades con métodos cuantitativos, pero una gran cantidad de temas socialmente interesantes se encuentran más allá de tales actividades y requieren una mayor atención. trabajo decididamente cualitativo. Para una exposición interesante sobre algunos de estos temas, véase el artículo de Bent Flyvbjerg sobre estudios de casos.

Antecedentes: Tengo una licenciatura en Física, una Maestría en Antropología Cultural (etnografía) y un Ph.D. transversal en métodos matemáticos en Psicología y Economía. Ahora soy psicóloga académica (profesora) y amo mi trabajo. Me consume en el buen sentido.

Aunque amo mi trabajo, estoy profundamente desencantado con el campo. Se siente tan mal por las siguientes dos razones: I. La teoría es un regate verbal cultural y lingüísticamente circunscrito. Mi formación en etnografía me ha llevado a criticar las explicaciones ahistóricas y acontextuales que utilizamos en psicología. II. La mayoría de la gente celebra la complejidad en lugar de buscar parsimonia, legalidad o regularidad.

Ser un intelectual ajeno al campo me da un propósito. Uso mis habilidades cuantitativas y estadísticas para buscar estructuras en los datos que sean teóricamente significativos. Busco invariancias más que efectos. No invariancias simples, sino más profundas. ¿Hay una sola forma de RT para todas las personas y condiciones? ¿Reflejan los errores adivinar que en esos ensayos no se procesó información de estímulo, o hay un procesamiento parcial? ¿Se pueden describir todas las curvas ROC con un modelo de un solo factor o necesita múltiples factores (por ejemplo, de dos procesos)? A veces, dado mi conjunto de habilidades, puedo responder preguntas de maneras nuevas que otros no han visto o pensado o no están preparados para hacerlo.

Mi sensación es que la psicología necesita desesperadamente jóvenes inteligentes y talentosos que desafíen el statu quo. Se reconoce la necesidad y las personas que lo hacen a menudo son recompensadas.

Mejor,

He tenido la misma sensación en el pasado y todavía la tengo hasta cierto punto. Sin embargo, para mí está dentro de las áreas de ingeniería. Personalmente, cambié de campo dentro de mi especialización y comencé de nuevo.

Era un estudiante de doctorado en Ingeniería Mecánica que estudiaba mecánica de fluidos experimental y en algún momento me di cuenta de que me interesaba más la instrumentación, los sensores, el procesamiento de señales, etc. También me di cuenta de que disfruto programando. Eventualmente obtuve una maestría y dejé el programa. Mi plan era trabajar durante uno o dos años y tomarme mi tiempo para decidir si quiero o no volver a la escuela de posgrado.

Conseguir un trabajo fue tan difícil que realmente me hizo envidiar a los graduados en informática (ya que había muchas más oportunidades para ellos y como estudiante universitario estaba muy cerca de elegir CS). Una vez que conseguí un trabajo, realmente no me gustaba mucho el trabajo de todos modos, así que me animó mucho a volver a la escuela de posgrado. Mi mayor problema era que tenía miedo de cambiar de carrera porque sentía que no tenía los antecedentes necesarios para estudiar EE o CS. Tampoco pensé que sería admitido en ningún programa de CS o EE y no tenía el dinero extra para postularme a demasiados programas de posgrado. Terminé aplicando a los programas de ME nuevamente y una vez que me uní a un programa de posgrado traté de unirme a grupos de investigación que fueran multidisciplinarios. Eventualmente terminé en un grupo que hace trabajo de robótica que combina todas las áreas que me interesan. Personalmente, Estoy muy contento de haber hecho el cambio. Me gusta mucho más el campo y mi investigación es mucho más interesante; sin embargo, siempre soy consciente de que soy un poco mayor que mis compañeros y también soy consciente de que dejé un trabajo bien pagado y una carrera decente por esto y en silencio tengo miedo de terminar teniendo problemas. encontrar un trabajo que me guste de nuevo (porque creo que las carreras de CS y EE obtienen la mayoría de los trabajos de robótica) y terminaré conformándome con algo similar a lo que tenía en primer lugar... Y eso me lleva de nuevo a la envidia. de lo que estabas hablando... Todavía envidio a las carreras de CS y EE. Aunque no tanto como antes. También soy consciente de que dejé un trabajo bien remunerado y una carrera decente por esto y en silencio tengo miedo de terminar teniendo problemas para encontrar un trabajo que me guste de nuevo (porque creo que las carreras de CS y EE obtienen la mayoría de los trabajos de robótica) y terminaré conformándome con algo similar a lo que tenía en primer lugar... Y eso me lleva de nuevo a la envidia de la que estabas hablando... Todavía envidio a las especialidades de CS y EE. Aunque no tanto como antes. También soy consciente de que dejé un trabajo bien remunerado y una carrera decente por esto y en silencio tengo miedo de terminar teniendo problemas para encontrar un trabajo que me guste de nuevo (porque creo que las carreras de CS y EE obtienen la mayoría de los trabajos de robótica) y terminaré conformándome con algo similar a lo que tenía en primer lugar... Y eso me lleva de nuevo a la envidia de la que estabas hablando... Todavía envidio a las especialidades de CS y EE. Aunque no tanto como antes.

Una cosa a tener en cuenta es que nuestra capacidad para evaluar la solución a un problema es directamente proporcional a la certeza con la que podemos responder preguntas sobre él. Problemas muy bien definidos pueden tener respuestas muy bien definidas. Las preguntas menos definidas necesariamente tienen respuestas menos definidas. Las preguntas mejor definidas le permiten usar números para resolverlas, pero no todas las preguntas importantes entran en esa categoría.

Los científicos sociales no son perezosos, y hay muchos campos de la investigación social donde el análisis estadístico no contribuye realmente a la conversación. Para que quede claro, hay científicos vagos que podrían estar haciendo mejor las cosas, pero hay que preguntarse qué aportará un análisis estadístico detallado. Vivimos en una cultura que glorifica lo científico y asume que si puedes ponerle un número a algo entonces sabes más que alguien que no puede, pero esa no siempre es la mejor manera de abordar las cosas.

Considere a un ingeniero que desea determinar la resistencia máxima de un nuevo tipo de aleación de metal. Construyen un montón de varillas de metal y las meten en una máquina que separa la varilla hasta que se rompe. Hacen esto 30 veces, registrando la fuerza requerida para romper la barra cada vez, y luego hacen algunas estadísticas para mostrar que el 90% de sus barras se rompieron dentro de +/- 5% de 30,000 PSI. Este es un problema muy bien definido que admite una solución cuantitativa muy bien definida.

Considere ahora a un ingeniero que quiere construir el puente más fuerte posible sujeto a un límite de costo de $10 millones de dólares. Este es un problema mucho más complicado, y dada la gran cantidad de decisiones de diseño, no es posible encontrar la solución única más óptima, pero pueden probar muchos diseños posibles diferentes y decidirse por el que brinde la mayor resistencia mientras cumple con todos los requisitos especificados. restricciones En este caso la pregunta es compleja pero admite un criterio de evaluación simple (resistencia total), por lo que es fácil saber cuál de cien diseños propuestos es el "correcto": el diseño con mayor resistencia.

Ahora considere a un ingeniero encargado de construir el puente más ecológico. De repente, ni siquiera sabe cómo formular preguntas razonables, y mucho menos encontrar la solución "correcta". No existe una medida bien definida de "respetuoso con el medio ambiente". La construcción de un puente podría generar un millón de toneladas de CO2 en la atmósfera, mientras que otro puente podría generar diez millones de toneladas de CO2. El segundo puente atraviesa humedales sensibles y probablemente matará a una especie de tortuga en peligro de extinción. ¿Vale la pena matar 9 millones de toneladas adicionales de CO2 en la atmósfera y una tortuga en peligro de extinción? Podemos cuantificar con precisión las posibles alternativas, pero la pregunta no admite una solución óptima bien definida.

Asimismo, la psicología tiene unas preguntas muy bien definidas con respuestas muy bien definidas. El ejército ha investigado mucho sobre lo que se necesita para entrenar a alguien para disparar y matar a otra persona por orden. En la Segunda Guerra Mundial, un hombre llamado SLA Marshall realizó estudios de observación simples que mostraron que alrededor del 75% de las tropas no dispararían a otro ser humano y no dispararían sus armas en combate, incluso si su propia vida estuviera en peligro. Así, la pregunta psicológica "¿Cuántas personas están dispuestas a matar a otra para salvar su propia vida?" es cuantitativa e inequívocamente responsable: alrededor del 25%.

Hay preguntas más complejas que tienen respuestas menos definidas. La siguiente pregunta de los militares fue cómo podrían lograr que más personas dispararan sus armas en combate. Experimentaron con una serie de técnicas, pero en el libro On Killing de Dave Grossman informa que para cuando Vietnam llegó, los militares pudieron aumentar la tasa de disparos del 25% al ​​90%. Podemos plantear y responder una segunda pregunta análoga a la del ingeniero que quería construir el puente más fuerte: ¿Qué técnica de entrenamiento deberían usar los militares para maximizar la tasa de disparo de sus soldados?

Sin embargo, Grossman y otros han propuesto que el aumento en la tasa de despidos ha aumentado la incidencia de PTSD y la discapacidad psicológica relacionada al hacer que las personas realicen acciones (con terribles consecuencias) para las que no están naturalmente preparadas. Esto plantea una tercera pregunta que está menos definida en el sentido de que la tercera pregunta del ingeniero no está bien definida. "¿Cómo debemos entrenar a nuestros soldados?" Si los entrenas para que sean demasiado agresivos, las tasas de TEPT y trauma psicológico aumentan. Si no son lo suficientemente agresivos, tus soldados morirán en el campo de batalla. Equilibrar esas dos preocupaciones no admite una simple medida que podamos maximizar o medir.

Surgen preguntas difíciles en todas las disciplinas; sucede que las ciencias naturales tienden a hacer preguntas que son más claras e inequívocas que las ciencias sociales. Eso no significa que las ciencias sociales sean menos rigurosas o menos importantes, pero sí significa que los enfoques no cualitativos prevalecen más en las ciencias sociales.

http://www.gocomics.com/calvinandhobbes/1986/11/26

Soy ingeniero con especialización en sociología y fui ganador de uno de los premios de sociología más prestigiosos de mi universidad como estudiante de ingeniería. Estoy profundamente inspirado por un profesor con tres títulos, civil, mecánico y sociología, que estudió extensamente el efecto de la industrialización.

Estoy en la situación inversa. Sé que lo que estoy aprendiendo es más accesible a una carrera, más rigurosa como dices, pero al mismo tiempo soy muy consciente de que no está transformando fundamentalmente mi sociedad y la experiencia humana.

¿Cómo puedo continuar mi trabajo en una burbuja cuando hay tanta desigualdad en el mundo, tanta negligencia en el mundo, cómo es que mis pequeñas ecuaciones cambiarán la jerarquía social fundamentalmente racista en Estados Unidos, sacarán a la gente de la pobreza, repararán ¿El dolor que sienten los nativos americanos que los lleva al abuso y al suicidio oa detener la explotación de los trabajadores del tercer mundo en esta esclavitud de la nueva era?

¿Cómo va a hacer Flappy Bird todo esto, cuál es el mérito de crear el nuevo facebook, cuál es el punto de acelerar el procesador un microsegundo más o crear un teclado activado por voz?

La pregunta radica en última instancia en su perspectiva realista de la vida. Muchas personas pierden de vista lo que realmente desean hacer cuando el dinero de repente es el factor más importante en su vida. Conozco a innumerables ingenieros que ahora estudian informática porque el campo tiene más vacantes, esto no es lo que quieren hacer. La gente en el desarrollo de software a menudo trabaja sin una comprensión muy profunda de la teoría de fondo, y a muchas personas les resulta difícil de tragar. Muchos regresan a la escuela, pero la mayoría permanece en la industria. Los ingenieros envidian las carreras de física y matemáticas, las matemáticas aplicadas envidian las carreras de matemáticas puras, los biólogos envidian a los bioquímicos, la gente de software envidia a la gente de ciencias de la computación, la gente de ciencias de la computación envidia a la gente de matemáticas puras y usted sabe que las carreras de matemáticas puras van a envidiar a la gente de software cuando llegue el momento de graduarse... y el ciclo continúa.

Así que mi granito de arena es ver la conexión entre el trabajo de uno y lo que uno desea hacer, tiene que haber una conexión de alguna manera y trabajar a lo largo de esa conexión. Einstein encontró la verdad sobre nuestro universo mientras trabajaba como oficinista, me pregunto qué pasaba por su mente como oficinista, me pregunto si alguna vez se dio cuenta de que iba a ser recordado para siempre por toda la raza humana. En mi trabajo de ingeniería encuentro la oportunidad de trabajar con comunidades locales desfavorecidas y comunidades nativas y hago mi parte para establecer un puente. No importa a qué carrera termines yendo, podrás ver una conexión y esa conexión tiene un valor fundamental que irá más allá de cualquier ganancia monetaria o social.

Creo que la relación entre las matemáticas estadísticas y la ciencia real tiene que estar en un nivel más profundo. Es el nivel del modelado de la realidad. Tomemos como ejemplo a Johannes Kepler. Llegó después de Tycho Brahe y antes de Isaac Newton. Pasó unos 20 años haciendo un análisis detallado de las observaciones de Brahe y logró determinar que los planetas seguían una trayectoria elíptica alrededor del sol. Pero, ¿por qué elipses? ¿Por qué no alguna otra forma? Kepler no tenía una respuesta.

No fue hasta que apareció Newton, y se le ocurrió el modelo mecánico de la gravitación y la inercia, y agregó algunas matemáticas nuevas y de alto poder a la mezcla, que las elipses de repente "cobraron sentido". Si aplicas las leyes de Newton al problema, descubres que los caminos tienen que ser elipses, en una primera aproximación. La razón por la que digo aproximación es que hay efectos de segundo orden debido a la atracción entre los planetas, y hay efectos de tercer orden debido al hecho de que los planetas siguen las leyes de movimiento de Einstein, que son ligeramente diferentes a las de Newton, en este sentido. situación.

Entonces, ¿Kepler desperdició 20 años de su vida? Yo creo que no. Pero no culparía a un contemporáneo suyo que se preguntó de qué se trataba realmente todo este análisis matemático.

Entonces, con respecto a la sociología, diría que han estado aplicando métodos matemáticos cada vez más sofisticados y modelos muy, muy primitivos al campo de estudio durante los últimos 50 años. Esa es más o menos la era de las computadoras, si comienzas con circuitos transistorizados. Los transistores hicieron que las computadoras fueran mucho más rápidas y económicas que antes. E hizo que el procesamiento de números a gran escala fuera un enfoque factible.

¿Por qué los modelos de la sociología son tan primitivos en comparación con la física, la química o la biología? No estoy seguro, pero creo que es porque el sistema bajo estudio es fundamentalmente más complejo. La física, la química y la biología avanzan en sus modelos al abstraer los aspectos que "no importan". Separar lo que importa y lo que no importa en sociología me parece difícil en última instancia. Hay más, pero esto es lo más lejos que entiendo, con una capacidad intelectual limitada.

En tu pregunta te enfocas mucho en cuestiones cuantitativas. Pero "cuantitativo" no significa "preciso" o "mejor". Como dicen, "mentiras, malditas mentiras y estadísticas". Puede usar las técnicas analíticas más rigurosas y obtener los intervalos de confianza más estrechos y los valores p más bajos jamás vistos en su disciplina, pero si está usando un muestreo de conveniencia y obtiene una tasa de respuesta inferior al 10%, sus resultados no tienen sentido, independientemente de cómo son numéricamente sólidos. Del mismo modo, si ignora las variables de confusión pertinentes, puede obtener respuestas que son técnicamente correctas, pero informativamente inútiles. (Véase La paradoja de Simpson .)

Si aún no lo ha hecho, lea el ensayo " Cargo Cult Science " de Feynman, particularmente la parte sobre las ratas. (Sí, Feynman era sexista, solo lea el sexismo y concéntrese en lo que dice sobre la ciencia). incluso uno donde conoces todas las suposiciones y derivaciones.

En algunos aspectos, la física lo tiene fácil. La broma común con el enfoque de los físicos es "imaginar una vaca esférica sin fricción en el vacío". Incluso los físicos se reirán un poco de eso, porque saben que gran parte de su éxito se debe a la simplificación excesiva de los problemas. Pero no se sienten tan mal por reírse, ya que sigue siendo un éxito. Son capaces de simplificar y aislar sus sistemas de estudio de formas que son imposibles o inmorales para un científico social. Es más, saben dónde empiezan a fallar sus métodos y solo tienen que darse por vencidos y renunciar.

Los científicos sociales realmente no se dan ese lujo. Tienen que tratar con los humanos tal como son: desordenados, complejos, interconectados y caóticos. No se puede tratar con el equivalente de un ser humano esférico sin fricción en el vacío. Uno, no mostrarían el comportamiento que le interesa, y dos, nunca obtendrá la aprobación del IRB para realizar la prueba. Eso es parte de donde viene el odio de los científicos sociales: se ven obligados a lidiar con sistemas desordenados con herramientas muy limitadas, haciendo todo lo posible y, a menudo, comprensiblemente, haciendo cosas malas.

Eso no quiere decir que no haya un montón de científicos sociales de mala calidad por ahí, o que un enfoque más riguroso no los beneficiaría. Es solo que arrojar "cuantitativo" al problema es ciencia de culto de carga. Las mejores técnicas estadísticas no sirven de nada si su sistema de estudio tiene variables de confusión mal definidas o está intrínsecamente submuestreado.

Con respecto a los trabajos, sí, los empleadores buscan habilidades cuantitativas, pero principalmente porque eso es lo que es fácil de filtrar en los CV. Lo que realmente buscan son habilidades analíticas . ¿Puede tomar este problema complejo, con estas restricciones difíciles, poner límites al sistema de estudio y llegar a un buen análisis de la pregunta clave de interés a pesar de todo el lío?

Tenga en cuenta que el objetivo no es ser "cuantitativamente riguroso" sino científicamente riguroso. Las técnicas cuantitativas son solo una herramienta para hacer eso, y pueden no ser la herramienta principal o incluso la mejor para ello. Además, aunque los empleadores dicen que quieren habilidades cuantitativas, lo que realmente quieren son habilidades analíticas, y un buen científico social debería tenerlas. De hecho, en algunas áreas pueden incluso tener una ventaja, ya que están acostumbrados a lidiar con la complejidad de la condición humana. No puedes simplemente decir "imagina un dueño de casa esférico..."

Las disciplinas sociales ya son tan rigurosas como sus "rivales"

Si bien parece contradictorio, volvamos a la pregunta básica: ¿de dónde proviene el rigor de las disciplinas naturales? ¿Ser capaz de recopilar datos y reducirlos a fórmulas? Pero, ¿no son exactamente lo que hacen los científicos sociales todos los días: observar y encontrar patrones? No es porque las disciplinas sociales sean tan primitivas que no sean tan cuantitativas como sus rivales, es porque las herramientas cuantitativas son tan primitivas que no se pueden utilizar con eficacia en ellas. No hay distinción entre los dos, aunque parezca superficial.

Mientras los envidias, ellos se envidian a sí mismos: ¿ Cómo debo lidiar con el desánimo como estudiante de posgrado? ¿Qué hacen los investigadores matemáticos si no son buenos? No hay nada de malo en decir que Einstein es el genio, pero eso no significa que nadie más sea menos importante . Eso es lo que llamamos "trabajo en equipo". Has aceptado el hecho de que, en este mismo momento, tus pensamientos son tóxicos. Esto es sumamente importante, porque solo cuando lo aceptes, mágicamente te sentirás mejor inmediatamente*. Luego, con el relieve en la mano, utilícelo para descubrir cómo su trabajo es importante para los técnicos . Ya está ahí, solo que aún no lo has visto. Cuando y solo cuando encuentres tu propio valor, entonces tu envidia puede detenerse.

_{*Psicología 101. ¿Cómo no van a ser maravillosas las ciencias sociales?}

Dos sugerencias, de alguien que está en una ciencia cuantitativa que es "adyacente" a las ciencias sociales, y que a menudo frunce el ceño a mis colegas por ignorar las ciencias sociales y reinventar la rueda de vez en cuando:

Agregue más rigor : tome más clases de estadística y, en su propio trabajo, base su análisis en métodos estadísticamente defendibles. La economía, por ejemplo, ha comenzado a realizar más ensayos controlados aleatorios, y las ciencias sociales han sido responsables de una gran cantidad de trabajo en el análisis de redes sociales, el modelado basado en agentes y otros métodos cuantitativos.

Don't Worship Math : Math =/= Rigor, tanto como a la gente le gusta combinar los dos. Esto ocurre a menudo en mi campo: habrá algunas matemáticas muy elegantes, con muchas pruebas que las acompañan, que en realidad no se corresponden con nada en el mundo real.

Esta también ha sido una crítica lanzada contra la economía más recientemente: que se han utilizado modelos matemáticos sofisticados para encubrir un elemento de pensamiento mágico y dar a las cosas una apariencia de rigor sin que realmente esté allí.