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

• El rigor matemático o analítico de un tema hace que sea más difícil para los de afuera entender o tener una opinión sobre él, 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 invertida en 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 realmente tratan muchos de los problemas realmente difíciles de la sociedad, las cosas con las que todos luchamos y no sabemos cómo lidiar bien, como la injusticia, la política y el conflicto social. A nosotros, 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 realmente podemos hacer es crear disrupciones que desestabilicen el orden actual, tras lo cual la sociedad puede volverse más inclusiva (por ejemplo, el creación de Internet) o más explotadoras (p. ej., la creación de protocolos de QoS, lo que lleva a la batalla actual por la neutralidad de la red).

Las ciencias sociales se enfrentan aún más a problemas de instrumentación (la mayor parte de lo que les importa es realmente difícil o inadecuado de medir), la replicabilidad (muchos fenómenos son lo suficientemente grandes o de duración suficiente para que solo tengamos uno o unos pocos puntos de datos) y controles experimentales (muchos experimentos interesantes no se pueden realizar porque serían horriblemente 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 ein es parte de la razón por la que el arco del universo moral se inclina hacia la justicia.

Por tanto, creo que está bien que un científico social envidie la accesibilidad de los datos para las personas que solo necesitan construir una máquina de miles de millones de dólares para realizar su investigación. Pero no les envidie su campo: sus problemas son tan importantes como los de ellos.

Antecedentes : 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 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 Unix y una amplia gama de otros conceptos informáticos; (c) estadísticas más avanzadas relevantes para mi área (por ejemplo, estadísticas bayesianas, psicometría, etc.).

También pasé bastante tiempo interactuando con personas capacitadas cuantitativamente en otras áreas (por ejemplo, estadísticos, bioestadísticos y profesionales centrados 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 eficaz 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 administran 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. Como yo, puede resultarle gratificante ser un académico que aplica técnicas cuantitativas de vanguardia a su disciplina.
• Si le apasionan los métodos cuantitativos pero su formación es en las ciencias sociales, siempre podrá adquirir habilidades más rigurosas cuantitativamente . Haz cursos formales; ver videos; trabajar con libros de texto; trabaje en proyectos que requieran un mayor nivel de comprensión.
• Aprecie las habilidades que tiene . 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, diseñar técnicas de medición relevantes para su disciplina; y así. Es probable que exista una amplia gama de habilidades que da por sentado que las personas de otras disciplinas más rigurosas cuantitativamente no poseerían normalmente.

Preguntas de seguimiento: equilibrar lo sustantivo y método de trabajo

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

Creo que este es un ejemplo del equilibrio general entre invertir en la superación personal y producir resultados valiosos. Hasta cierto punto, esta compensación debería estar en la mente de todos los estudiantes de doctorado. Y no se detiene cuando ingresas a la academia. Algunos pensamientos aleatorios:

• 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.
• Participar en proyectos con resultados tangibles que se extiendan usted pero que es 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 en artículos con sus colegas menos alfabetizados en estadística.
• Recuerde que las habilidades cuantitativas son solo una parte de ser un buen -Estudiante de doctorado / académico redondeado. Es importante seguir desarrollando estas otras habilidades en paralelo. Tratar de producir un resultado tangible (como una publicación o una tesis) lo mantendrá firme en términos de si está desarrollando sus habilidades de manera equilibrada.
• Considere la posibilidad de participar en otras actividades profesionales relevantes que se 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 concentrarse en áreas particulares. Enfoque en los valores académicos.
• El equilibrio entre el aprendizaje y la producción depende de muchas circunstancias personales. ¿Qué tan seguro está de que las habilidades que está desarrollando ahora son realmente relevantes para el lugar al que desea ir? ¿Qué presiones a corto plazo tiene para producir resultados tangibles? ¿Qué tan dispuesto y capaz está de retrasar las recompensas inmediatas por un objetivo a más largo plazo?

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

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

• Algunos de los artículos más citados en las ciencias sociales son artículos metodológicos (p. ej. , Barron y Kenny's 1984 mediator-moderator paper 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 directo porque le será más fácil comunicarse con el colaborador sustantivo.
• Puede realizar 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 ayudarlo 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 está determinada por la naturaleza de la pregunta de investigación. Si bien los métodos cuantitativos tienen la ventaja de, por ejemplo, ser precisos, los métodos de investigación cualitativos siguen teniendo su lugar. La investigación cualitativa captura aspectos del mundo físico / social que no se prestan a la cuantificación. Un ejemplo de combinación de métodos de investigación cualitativos y cuantitativos en las ciencias sociales es el libro Soul Searching de Christian Smith, donde puede ver cómo las entrevistas cara a cara brindan una visión única de la religiosidad adolescente que no es revelada por preguntas de la encuesta cuantitativa. Para superar la sensación de que las ciencias sociales no son "científicas", recomendaría el libro How to Think Straight about Psychology de Stanovich, que ofrece un buen argumento de por qué la psicología (y realmente las ciencias sociales en general ) es científica, aunque estas disciplinas no utilizan ningún equipo sofisticado o matemáticas rigurosas.

Si eso te haría sentir mejor, simplemente señalo disciplinas como las matemáticas que se consideran más "rigurosas" y " hard "tienen sus propios problemas que amenazan la validez e interpretación de la disciplina (por ejemplo, los teoremas de incompletitud de Gödel y el teorema de Löwenheim-Skolem).

Si levantaras la vista de tu examen de cuán verde es la hierba en el lado cuantitativo de la cerca, es posible que notes que alguien mira en la dirección opuesta (¡Sorpresa! ¡Ese soy yo!).

Como tú, me gusta aprender teorías sobre cómo funciona el mundo, pero mi formación inicial en matemáticas me llevó a una carrera universitaria en Física. Buscando una conexión más humana en mi trabajo (a través de la aplicación directa), hice la transición a la ingeniería en la escuela de posgrado, específicamente al trabajo de simulación. A medida que aprendí más sobre el modelado matemático, fui expuesto a ejemplos de otras disciplinas, por ejemplo. 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 del modelado (estadístico o de otro tipo) reflejan solo tanta verdad como sus suposiciones y simplificaciones dejar atrás. Cuanto más "suave" sea la disciplina, más suposiciones se verá obligado a hacer para que las matemáticas sean manejables. En muchos casos, las suposiciones que hace dictan los resultados del modelo, lo que básicamente le da una palmada en la espalda costosa, circular y de autocomplacencia. 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, trate de hacer la transición de su investigación en esa dirección; hay muchas personas que modelan el comportamiento social, por ejemplo (consulte inteligencia de enjambre). Pero hágalo sin albergar ilusiones sobre la existencia de una panacea matemática que revelará La verdad en mayúscula. Un cambio de grado al por mayor puede ser demasiado costoso (o no, si tiene los recursos y la paciencia), pero mudarse dentro del departamento o a un asesor adecuado en una institución diferente son opciones que pueden ser de interés.

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

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 en qué lado de la acera caminará la gente. Desafortunadamente, la geografía humana cuantitativa ha pasado de moda en Cambridge y la mayoría de las otras instituciones de geografía humana. En cambio, discuten sobre el discurso, la performatividad y la otredad y leen mucho de Foucalt. Después de un año o dos me di cuenta de que la mayor parte de lo que estaba aprendiendo no era lo suficientemente riguroso / cuantitativo para ser de mucha utilidad o interés. Experimenté la misma envidia que tú. Me trasladé lo más que 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 medida una farsa. Prometí hacer "ciencia real" para la escuela de posgrado. Obtuve una maestría en geoquímica y ahora me estoy orientando hacia la geofísica a medida que completo mi doctorado. Todo el tiempo me he estado volviendo más cuantitativo, pero deseando haber comenzado con las matemáticas y luego haberme suavizado en lugar de lo contrario.

Entonces, para responder a su pregunta: ¡complazca su envidia! Vaya cuantitativo lo antes posible. Descubrirá que en realidad sí aprendió habilidades útiles de pensamiento crítico y redacción de las que la gente cuántica a menudo carece. Combina eso con rigor teórico y escribirás artículos increíbles.

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

Además, intente separar la envidia "buena" de la "mala" aquí. Si desea tener herramientas analíticas más poderosas y responder preguntas más difíciles, tiene sentido. Pero si está siendo seducido por bonitas figuras en 3D y costosos equipos de investigación, ¡tenga cuidado! Me he descarriado más de una vez por artilugios geniales ...

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

Creo que su sentimiento está bastante extendido en algunos sectores, y la economía ha sido celebrada por su compromiso con el método cuantitativo de generar nuevo conocimiento (pero por la misma razón, después de la crisis financiera, la economía ha sido ridiculizada por su incapacidad de aventurarse fuera de sus modelos abstractos 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, economistas provienen de fuera de la disciplina propiamente dicha.

El trabajo cuantitativo es fascinante y puede generar muchos conocimientos. Pero pueden ser más preguntas del tipo "cómo" que del tipo "por qué". Si está interesado, digamos, en la crisis de Cuba, y cómo llegó tan cerca como lo hizo, 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. están más allá de tales objetivos y exigen un trabajo decididamente cualitativo. Para obtener una exposición interesante sobre algunos de estos temas, consulte el artículo de Bent Flyvbjerg sobre estudios de casos.

Antecedentes: tengo una licenciatura en física, una maestría en antropología cultural (etnografía) y un doctorado. transversal en métodos matemáticos en Psicología y Economía. Ahora soy psicólogo académico (profesor) y amo mi trabajo. Me consume de buena manera.

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 circunscrito cultural y lingüísticamente. Mi formación en etnografía me ha dejado crítico con las explicaciones ahistóricas y acontextuales que usamos 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. Utilizo mis habilidades cuantitativas y estadísticas para buscar estructura en datos que sea teóricamente significativa. Busco invariancias más que efectos. No invariancias simples, sino más profundas. ¿Existe solo una forma de RT para todas las personas y condiciones? ¿Los errores reflejan adivinar que en esos ensayos no se procesó información de estímulo o hay procesamiento parcial? ¿Se pueden describir todas las curvas ROC con un modelo de un solo factor o necesita múltiples factores (digamos de dos procesos)? A veces, dado mi conjunto de habilidades, puedo responder preguntas de nuevas formas que otros no han visto, pensado o no están preparados para hacer.

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

Lo mejor,

He tenido el mismo sentimiento en el pasado y todavía lo tengo hasta cierto punto. Sin embargo, para mí está dentro de las áreas de la ingeniería. Personalmente, cambié de campo dentro de mi especialidad 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 estaba más interesado en instrumentación, sensores, procesamiento de señales, etc. También me di cuenta de que disfruto codificando. Finalmente 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 estaba muy cerca de elegir CS). Una vez que conseguí un trabajo, realmente no me gustó mucho el trabajo de todos modos, así que me animé mucho a volver a la escuela de posgrado. Mi mayor problema era que tenía miedo de cambiar de especialización ya que sentía que no tenía la formación necesaria para estudiar EE o CS. Tampoco pensé que sería admitido en ningún programa de CS o EE y no tenía dinero extra para postularme a muchos programas de posgrado. Terminé postulando nuevamente a los programas de ME y una vez que me incorporé a un programa de posgrado intenté unirme a grupos de investigación que eran multidisciplinarios. Finalmente 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 remunerado y una carrera decente por esto y tengo miedo en silencio de terminar teniendo problemas. encontrar un trabajo que me guste nuevamente (porque siento que las especialidades de informática 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 hablabas ... Todavía envidio las carreras 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 el mismo. Los 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 investigación social en la que el análisis estadístico realmente no contribuye a la conversación. Para ser claros, hay científicos perezosos que podrían estar haciendo las cosas mejor, pero debes preguntarte qué aportará un análisis estadístico detallado . Vivimos en una cultura que glorifica lo científico y asume que si puedes poner un número a algo, entonces sabes más que alguien que no puede, pero esa no siempre es la mejor manera de abordar las cosas.

Considera un ingeniero que quiere determinar la resistencia máxima de un nuevo tipo de aleación de metal. Construyen un montón de varillas de metal y las pegan 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 más óptima, pero pueden probar muchos diseños diferentes y decidirse por el que ofrezca la mayor resistencia al tiempo que cumple con todos los requisitos especificados. limitaciones. En este caso, la pregunta es compleja pero admite un criterio de evaluación simple (resistencia total), por lo que es fácil saber cuál de los cien diseños propuestos es "correcto": el diseño con la mayor resistencia.

Ahora considere un ingeniero encargado de construir el puente más ecológico. De repente, ni siquiera sabe necesariamente cómo formular preguntas razonables, y mucho menos encontrar la solución "correcta". No existe una medida bien definida de "ecológico". Un puente podría generar un millón de toneladas de CO2 en la atmósfera para construir, mientras que otro puente podría generar diez millones de toneladas de CO2. El segundo puente atraviesa humedales sensibles y probablemente matará 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 las posibles alternativas con precisión, 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 cuando se le ordena. En la Segunda Guerra Mundial, un hombre llamado SLA Marshall hizo estudios de observación simples que mostraron que alrededor del 75% de las tropas no dispararían a otro humano y no dispararían sus armas en combate, incluso si su propia vida estaba en peligro. De ahí 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 era cómo podían hacer que más personas dispararan sus armas en combate. Experimentaron con una serie de técnicas, pero en el libro de Dave Grossman On Killing , él informa que para cuando Vietnam comenzó a funcionar, el ejército pudo 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 velocidad 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 horribles consecuencias) para las que no están naturalmente preparadas para hacer. 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 entrena para que sean demasiado agresivos, las tasas de PTSD y trauma psicológico aumentan. Si no son lo suficientemente agresivos, tus soldados mueren en el campo de batalla. Equilibrar esas dos preocupaciones no admite una medida simple que podamos maximizar o medir.

Surgen preguntas difíciles en todas las disciplinas; da la casualidad de que las ciencias naturales tienden a plantear 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 un 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 grados, civil, mecánico y sociología que estudió extensamente sobre el efecto de la industrialización.

Estoy en la situación inversa. Sé que lo que estoy aprendiendo es más accesible para una carrera, más riguroso 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 ¿El dolor que sienten los nativos americanos que los lleva al abuso y al suicidio o detener la explotación de los trabajadores del tercer mundo en esta nueva era de esclavitud?

¿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?

En última instancia, la cuestión radica en tu 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 sus vidas. Conozco a innumerables ingenieros que ahora estudian informática porque el campo tiene más vacantes, esto no es lo que quieren hacer. Las personas en el desarrollo de software a menudo trabajan sin una comprensión muy profunda de la teoría de fondo, y muchas personas tienen dificultades para tragar. Muchos vuelven a la escuela, pero la mayoría se queda 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 las personas de matemáticas puras y usted sabe que las especialidades de matemáticas puras envidiarán a las personas 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 empleado, me pregunto qué pasaba por su mente como empleado, me pregunto si alguna vez se dio cuenta de que toda la raza humana lo recordaría para siempre. 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 va 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 a Johannes Kepler, por ejemplo. Vino 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 otra forma? Kepler no tenía una respuesta.

No fue hasta que apareció Newton, y se le ocurrió el modelo mecánico de gravitación e inercia, y agregó algunas matemáticas nuevas y de alta potencia a la mezcla, que elipses de repente "tenía sentido". Si aplica las leyes de Newton al problema, encontrará 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 del 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 preguntara 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 en el campo de estudio durante los últimos 50 años. Esa es más o menos la era de las computadoras, si comienza con circuitos transistorizados. Los transistores hicieron que las computadoras fueran mucho más rápidas y mucho más baratas 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 en estudio es fundamentalmente más complejo. La física, la química y la biología avanzan en sus modelos abstrayendo los aspectos que "no importan". Separar lo que importa y lo que no importa en sociología me parece, en última instancia, difícil. Hay más, pero he llegado tan lejos, con una capacidad intelectual limitada.

En su pregunta, se centra mucho en cuestiones cuantitativas. Pero "cuantitativo" no significa "exacto" o "mejor". Como dicen, "mentiras, malditas mentiras y estadísticas". Puede utilizar 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 utiliza un muestreo de conveniencia y obtiene una tasa de respuesta inferior al 10%, sus resultados no tienen sentido, independientemente de cómo numéricamente sólidos son. Del mismo modo, si ignora las variables de confusión pertinentes, puede obtener respuestas que sean técnicamente correctas, pero informativamente inútiles. (Consulte la paradoja de Simpson).

Si aún no lo ha hecho, lea el ensayo " Cargo Cult Science" de Feynman, en particular la parte sobre las ratas. . (Sí, Feynman era sexista; por favor, lea detenidamente el sexismo y concéntrese en lo que está diciendo sobre la ciencia). La buena ciencia está tratando de comprender adecuadamente el mundo, y eso requiere algo más que ejecutar una gran cantidad de números a través de un algoritmo sofisticado. incluso uno en el que conozca todos los supuestos 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 problemas de simplificación excesiva. Pero no se sienten 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 comienzan a fallar sus métodos y solo tienen que levantar las manos y dejar de fumar.

Los científicos sociales realmente no se dan ese lujo. Tienen que lidiar con los humanos como son: desordenados, complejos, interconectados y caóticos. No se puede lidiar con el equivalente a un 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 proviene 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 las cosas como una pifia.

Eso no quiere decir eso no hay un montón de científicos sociales rudos por ahí, o que un enfoque más riguroso no los beneficiaría. Es solo que arrojar "cuantitativo" al problema es ciencia del culto al cargo. Mejores técnicas estadísticas no valen nada si su sistema de estudio tiene variables de confusión mal definidas o si está intrínsecamente submuestreo.

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

Tenga en cuenta que el objetivo no es ser "cuantitativamente riguroso", sino ser científicamente riguroso. Las técnicas cuantitativas son solo una herramienta para hacer eso, y pueden no ser la principal o incluso la mejor herramienta 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 incluso pueden tener una ventaja, ya que están acostumbrados a lidiar con la complejidad de la condición humana. No puedes simplemente decir "imagina un propietario 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 los científicos sociales hacen 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 pueden usarse de manera efectiva en ellas. No hay distinción entre los dos, aunque parezca superficial.

Si bien 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 muy importante, porque solo cuando lo aceptes, mágicamente te sentirás mejor inmediatamente *. Luego, con el relieve en la mano, utilícelo para descubrir qué tan importante es su trabajo para los técnicos . Ya está ahí, simplemente no lo has visto todavía. Cuando y solo cuando encuentres tu propio valor, entonces tu envidia puede detenerse.

_{* Psicología 101. ¿Cómo podrían las ciencias sociales no ser maravillosas? sub>}

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

Agregue más rigor : tome más clases de estadísticas 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 mucho trabajo en el análisis de redes sociales, modelos basados ​​en agentes y otros métodos cuantitativos.

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

Esto también ha sido una crítica dirigida contra economía más recientemente: que se han utilizado modelos matemáticos sofisticados para ocultar un elemento del pensamiento mágico y dar a las cosas un barniz de rigor sin que realmente esté allí.