Sophia 38: 2025.

https://doi.org/10.17163soph.n38.2025.09

los modelos CientífiCos Como herramientas ePistÉmiCas

abstraCtas Para aPrender a razonar

Scientific Models as Abstract Epistemic Tools

for Learning how to Reason

J B B C*

Universidad del País Vasco/Euskal Herriko Unibertsitatea,

Donostia, San Sebastián, España

juanbautista.bengoechea@ehu.eus

https://orcid.org/0000-0003-1158-1122

Forma sugerida de citar: Bengoetxea Cousillas, Juan Bautista (2025). Los modelos cientíﬁcos como herramientas

epistémicas abstractas para aprender a razonar. Sophia, Colección de Filosofía de

la Educación, (38), pp. 295-321.

Resumen

La variedad de metodologías cientíﬁcas dedicadas a obtener conocimiento, generar creencias y motivar

la acción es amplia. La ﬁlosofía de la ciencia y de la educación ha valorado críticamente las virtudes de los

diversos métodos cientíﬁcos, en especial de los inductivos y deductivos. Sin embargo, la aparición de nuevos

procedimientos vinculados a ciencias no académicas ha promovido el desarrollo de nuevas perspectivas

reﬂexivas que analicen dichas virtudes. Desde los métodos controlados aleatorios hasta los procedimientos

epidemiológicos o clínicos, la ﬁlosofía ha examinado las virtudes y también los defectos de su puesta en práctica.

El presente artículo asume que la modelación basada en evidencias empíricas es una práctica de alto interés en

lingüística. Con el ﬁn de sustanciar tal asunción, se comparan dos enfoques ﬁlosóﬁcos de la modelación cientíﬁca

distinguidos por sus respectivas líneas de investigación en torno a la noción de representación: el representacional

y el pragmático. Los enfoques se ilustran posteriormente con un caso de la lingüística denominado “análisis

sintáctico del lenguaje”, dirigido a examinar muestras particulares recogidas como evidencias en fases iniciales

de la modelación experimental. Como conclusión, se enfatiza que ambos enfoques ﬁlosóﬁcos aportan elementos

analíticos realmente pertinentes para el tipo de razonamiento cientíﬁco que pivota en torno a modelos y cuyo

alcance en la enseñanza de las ciencias puede resultar de gran interés práctico.

Palabras clave

Modelación cientíﬁca, representación, lenguaje, educación, pragmática, herramienta epistémica.

* Doctor y profesor titular de Lógica y Filosofía de la Ciencia por la Universidad del País Vasco/

Euskal Herriko Unibertsitatea, así como miembro del Laboratorio de Investigación en Comple-

jidad y Lingüística Experimental (LICLE) de la Universitat de les Illes Balears (UIB). Ha publi-

cado recientemente en revistas internacionales como Revista Iberoamericana de CTS (2024),

Principia: An International Journal of Epistemology (2024), Azafea (2022), Veritas (2023), Ma-

nuscrito (2021) y Revista Portuguesa de Filosoa (2021). Google Académico: https://scholar.

google.com/citations?user=OocOb_oAAAAJ&hl=es

Índice h: 5

296

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

Abstract

e variety of scientiﬁc methodologies aimed at obtaining knowledge, generating beliefs,

and promoting action is very wide. Both philosophy of science and science education have

been concerned with critically assessing the virtues of the various scientiﬁc methods, especially

the inductive and deductive ones. However, the emergence of new procedures speciﬁc to non-

academic sciences has encouraged the development of new reﬂective perspectives that can analyze

those virtues. From randomized controlled trials to epidemiological or clinical procedures, the

Philosophy of Science has been concerned with examining the virtues and also the defects of their

practical set-up. e article assumes that modeling based on empirical evidence is a practice of high

interest in linguistics. In order to substantiate this assumption, two philosophical approaches to

scientiﬁc modeling distinguished by their respective research lines on the notion of representation

are compared: the Representational and the Pragmatic. ese accounts are then illustrated with a

brief case taken from linguistics called “language parsing”, aimed at examining several particular

samples collected as evidence in early stages of experimental modeling. By way of conclusion, it is

emphasized that both philosophical accounts provide analytical elements that are relevant for the

kind of scientiﬁc reasoning around models and whose scope in science education may be of great

practical interest.

Keywords

Scientiﬁc Modeling, Representation, Language, Education, Pragmatics, Epistemic Tool.

Introducción

La diversidad metodológica en los ámbitos epistémicos y educativos es

un hecho que la ﬁlosofía, especialmente la ﬁlosofía de la ciencia, ha ana-

lizado durante las últimas décadas. El método inductivo, siempre impor-

tante en la vida cotidiana y en las fases no tan teóricamente avanzadas

de la ciencia empírica, presenta cierta incapacidad para crear conceptos

nuevos y no puramente empíricos (Bunge, 1963, p. 141). Las alternati-

vas deductiva y abductiva se han convertido en ingredientes clave para

comprender los tipos de argumentación en epistemología y en los ám-

bitos educativos, pero comportan sus propias debilidades. Todas estas

propuestas son copartícipes de los nuevos métodos y procedimientos de

obtención y creación de creencias y conocimiento, ya que, como es bien

sabido, la inducción se emplea al formular ciertas hipótesis —formales o

fácticas— en ciencia y a la hora de validar las teorías fácticas. Como se-

ñalaba Bunge (1963, p. 149), la mera mención de la inferencia estadística

debería ser suﬁciente.1

Los procedimientos epistémicos actualizados a las nuevas ne-

cesidades cientíﬁcas y tecnológicas son, como decíamos, diversos. En

medicina (Sackett et al., 1996), farmacología, nutrición (Bengoetxea &

Todt, 2021) o educación (Cartwright, 2015; Cartwright & Hardy, 2012),

amén de en casi todas las ciencias reguladoras, es habitual recurrir a

procedimientos basados en evidencias y que emplean herramientas

297

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

formales de inferencia. Cuentan con sus propias jerarquías metodoló-

gicas (organizadas en función de su ﬁabilidad y de otros valores epis-

témicos) y con sus normas predilectas. Un procedimiento crucial es el

denominado “ensayo controlado aleatorizado” o “ensayo clínico” (RCT,

en inglés), enraizado inicialmente en la experimentación en medicina

y farmacología, aunque extendido a otros ámbitos. En un contexto así

caracterizado, es importante distinguir las ciencias más tradicionales o

académicas, en las cuales las condiciones de estudio y conocimiento se

aproximan más a estándares experimentales de laboratorio, de las cien-

cias orientadas a la toma de decisiones, a veces denominadas “ciencias

reguladoras” o “ciencias orientadas a la toma de decisiones” (Bengoet-

xea & Todt, 2021, p. 43). Ambos ámbitos son básicos para obtener co-

nocimiento, proyectar creencias y motivar acciones que, cuando menos,

puedan ser caracterizadas como razonables.2 La metodología dirigida a

obtener conocimiento en ciencia, como señalábamos, no solo es induc-

tiva, aunque esta sea habitual en la ciencia empírica. Incidir en esto en

las aulas parece ser un aspecto pedagógico crucial en una época en la

que el escepticismo infundado y los diversos “negacionismos” avanzan a

su antojo, tal y como, por ejemplo, muestra acertadamente Adrian Bar-

don (2020) mediante su estudio del “razonamiento motivado” vincula-

do a las creencias y a las actitudes del “negar”.

Por el contrario, la conﬁguración experimental idealizada de los

RCT no parece ser una base suﬁciente para tomar decisiones regulatorias

deﬁnitivas. Ya se han detectado ciertas carencias procedimentales (Trus-

swell, 2001), amén de un sesgo fuertemente reduccionista que insiste en la

primacía de la experimentación RCT como ideal aplicable a todo ámbito

de investigación. Esto genera un problema práctico (muchos RCT no son

viables) que nos obliga a sugerir alternativas metodológicas aplicables a

otros ámbitos del conocimiento. Un objetivo directo de este texto es mos-

trar un procedimiento metodológico relacionado con las operaciones de

modelar y razonar, especialmente en el ámbito de la lingüística. Para su

posible elucidación, proponemos analizarlo con el ﬁn de entender la gene-

ración de conocimiento y ciertas formas de razonamiento en este ámbito

de las ciencias humanas. Lo denominaremos “razonamiento basado en la

modelación”. Los modelos, también los cientíﬁcos, pueden ser de muchos

y diversos tipos (materiales, abstractos, a escala, analógicos, etc.). En este

texto, partimos de una noción general, según la cual, un modelo es aque-

lla herramienta construida por los cientíﬁcos con la cual la teoría (sus

leyes, sus principios, sus conceptos) se pone en contacto (por mediación

e interacción) con el ámbito empírico del que trata, con el ﬁn de actuar

298

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

sobre este o aprender de este representacionalmente. Subyace a esto, ante

todo, la noción mediadora de modelación que encontramos en Morgan

y Morrison (1999) y en las propuestas de Nancy Cartwright (2022). Esta

idea de razonar en términos de modelación exigirá confrontar y analizar

dos concepciones epistemológicas fundamentales en los debates actuales,

en el seno de las disciplinas empíricas, la investigación en enseñanza de la

ciencia y la ﬁlosofía: el representacional y el pragmático.

La modelación experimental en el estudio del lenguaje es una acti-

vidad de enorme pertinencia en la medida que el lenguaje se ve inﬂuido

por diversas funciones cognitivas con un valor crucial para la educación

y la enseñanza, desde la memoria y la percepción hasta el control y la mo-

nitorización del sujeto y las acciones de este. Somos testigos desde hace

décadas de un avance sin precedentes en las hipótesis cientíﬁcas acerca

de la metodología lingüística (McKinley & Rose, 2020), de modo que,

desde el prisma de la epistemología y de la ﬁlosofía de la ciencia, resulta

apremiante examinar este tipo de hipótesis desde un enfoque naturalista

y pragmático (Schulz, 2014), más allá de conjeturar hipótesis de manera

intuitiva (McMullin, 2014). La modelación cientíﬁca es, por lo tanto, el

tema crucial subyacente al texto. En particular, se trata de la modelación

general elaborada en las disciplinas que se ocupan del estudio del lengua-

je, pero enfocadas desde una perspectiva pragmática que posibilite con-

cebir los modelos como herramientas epistémicas generadas en prácticas

experimentales y cuyo objetivo apunta parcialmente a la mejora de los

procedimientos de aprendizaje en las aulas o en los manuales. Tanto la

comprensión de contenidos materiales (cientíﬁcos, lingüísticos) como el

aprendizaje de mejores métodos y prácticas de razonamiento constituyen

una empresa imprescindible que alumnos, profesores e investigadores

deberían desarrollar si la enseñanza en ciencias es realmente un objetivo

fundamental de la educación reglada.

En tal sentido, es necesario entender que la práctica cientíﬁco-lin-

güística es tanto empírica como conceptual (Bunge, 1984, p. 163). Esto

hace interesante procurar indagar acerca de si los datos y las evidencias

experimentales de la adquisición, comprensión y producción de lenguaje

contribuyen o no de alguna manera a la modelación y a sus hipótesis

de trabajo (Baggio et al., 2012; Glymour, 2000). El método presente, por

ello, consistirá en el empleo de ciertos avances de la propia lingüística

empírica con el ﬁn de proponer dos conceptos ﬁlosóﬁcos (modelación y

representación) dentro de un marco en el que examinar prácticas cien-

tíﬁcas reales,3 no meramente prototipos idealizados que, supuestamente,

tendrían que “respetar” ciertos códigos normativos de la propia ﬁlosofía.

299

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

El estudio de dichos conceptos, sobre la base de referencias bibliográﬁcas

vinculadas a ellos, tiene por objetivo ﬁnal mostrar la validez, importancia

y realidad del uso de modelos cientíﬁcos para ayudar a enseñar y educar

en las aulas, seminarios y laboratorios.

El texto se estructura en cinco secciones, incluida esta introduc-

ción (sec. 1). En la sec. 2 incidimos en la importancia del estudio de la

modelación en lingüística basado en evidencias (LBE, en adelante), de

carácter empírico y experimental en ocasiones. La sec. 3 está dedicada

a contraponer dos enfoques ﬁlosóﬁcos fundamentales de la modelación

cientíﬁca distinguidos por sus correspondientes tratamientos y usos de la

noción de representación: el representacional y el pragmático. Expone-

mos como aplicación un breve caso de la lingüística (“análisis sintáctico

del lenguaje”) dirigido a examinar la modelación con evidencias y me-

diante herramientas representacionales (sec. 4). La conclusión enfatiza el

interés de los dos enfoques ﬁlosóﬁcos desarrollados previamente para el

razonamiento cientíﬁco basado en modelos y para la enseñanza de las

ciencias (sec. 5).

Datos y evidencias frente a intuiciones en lingüística

Desde mediados del siglo XX, la gramática generativa y la semántica for-

mal comienzan a señalar un aspecto arriesgado de las teorías de la com-

petencia lingüística: estas aparecían rodeadas de un cinturón protector

frente a los datos proporcionados por ciertas disciplinas empíricas (neu-

rociencia, psicología experimental) (Baggio et al., 2012; Derwing, 1979).

Se suponía que la lingüística generativa se ocupaba principalmente de un

modelo especíﬁco del habla real —el modelo más general (lenguaje)—

que no atendía a las circunstancias particulares (ﬁsiológicas y sociales)

de las acciones lingüísticas concretas ni a su “complejidad” (Bunge, 1984,

p. 165). Hoy sabemos que esto no es correcto del todo ni aconsejable.

Chomsky no se opuso a esta objeción y lo que él y otros generativistas

hicieron en realidad fue clariﬁcar y defender que es el componente sintác-

tico (opuesto, por ejemplo, al pragmático) el que más y mejor luz arroja

sobre las características de lo que denominaban “facultad del lenguaje”

(Chomsky & Miller, 1963).

Esto no preocupa a la ﬁlosofía de la lingüística. Lo que sucede es

que la tensión que siempre ha motivado y fortalecido esta idea de la gra-

mática generativa puede que sea algo problemático en la medida en que

ha inhibido, relativamente, el avance de la lingüística experimental. Dado

300

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

que la lingüística pretende dar cuenta de la competencia conceptualizada

a partir de información acerca de la actuación (performance) —es decir,

mediante registros normalizados de conducta lingüística— los chomskia-

nos aceptaron que dichos datos sí eran pertinentes para la actividad lin-

güística teórica. Ahora bien, lo importante de ello consistía en averiguar

a partir de qué tipo de actuación se podía derivar la base empírica de “las

teorías de la competencia” (Baggio et al., 2012, p. 328).

Bajo el prisma generativista, la base probatoria de la lingüística

sería la formada básicamente por juicios introspectivos. Parecía que los

enfoques chomskianos rechazaban las intuiciones propias del hablante

y exigían información performativa con el objetivo de imponer ciertas

constricciones a la teoría de la competencia (Baggio et al., 2012). Que-

daba en suspenso, sin embargo, la pregunta acerca de la base empírica

de las teorías de la competencia: ¿cómo tendríamos que obtener infor-

mación sobre la competencia de un hablante-oyente? Según Chomsky

(1976, p. 20), la obtendríamos en virtud de la actuación lingüística y de la

introspección de un hablante nativo o de un lingüista nativo. Estos serían

los medios que proporcionarían al lingüista los datos con los que mostrar

la adecuación de la hipótesis acerca de la estructura lingüística subyacen-

te a la facultad del lenguaje.

Parece claro que los generativistas no tomaron en consideración

los datos obtenidos mediante la observación controlada (experimental)

y la inferencia estadística. Según ellos, estas metodologías eran ineﬁcaces

para los propósitos de una teoría de la competencia lingüística. Deﬁniti-

vamente, los tipos de datos que podrían inﬂuir en una teoría de este tipo

quedaban reducidos a ser intuiciones perspicaces del lingüista.4 Supues-

tamente, la investigación experimental buscaba alcanzar evidencias que

en último término se referían a datos de introspección. Por ello, defendían

que la teoría lingüística se basaba en las intuiciones de hablantes nativos

(Baggio et al., 2012, p. 331).

La lingüística no modela ni realiza experimentos del mismo tipo ni

diseño que los de las ciencias naturales (en términos generales), pero esto

tampoco le es necesario. En los casos de la fonología de Ilse Lehiste (Bun-

ge, 1984, p. 167), de la psicolingüística (Prideaux, 1979), de los estudios

comparativos multivariados (Fine et al., 2011) o del ámbito de las redes

complejas (Bengoetxea, 2024) no se intenta evaluar una supuesta natu-

raleza ideal de la experimentación ni de la modelación (Radder, 2003).

Más bien se asume que el rasgo básico genuino de estas dos actividades

es la modiﬁcación de variables (modiﬁcar el tono y la velocidad del habla,

por ejemplo, para ver si la comprensión depende críticamente de alguno

301

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

de los cambios realizados) y su comparación con los grupos de control

(Bunge, 1984; De Regt, 2017; Knuuttila & Merz, 2009). Es decir, es una

actividad experimental modeladora.

Desde este prisma, la pregunta emergente es esta: ¿proporciona

LBE algo a nuestra comprensión de la modelación cientíﬁca? ¿Aporta

algo la lingüística al esquema general de la cientiﬁcidad y a los ámbi-

tos ﬁlosóﬁco y educativo cientíﬁcos? La ﬁlosofía de la ciencia acepta

que la lingüística a veces sí contribuye a entender mejor la modelación

cientíﬁca, si bien con un matiz no desdeñable: la ﬁlosofía de la ciencia

sigue considerando que la inmadurez de la lingüística —debido a su

carencia de leyes y a una supuesta falta de explicaciones (Egré, 2015)—

es lo que la ubica en un segundo plano si se compara con las ciencias

naturales. Sin embargo, exigir el manejo de leyes propias y una oferta de

explicaciones es un criterio heredado de una concepción excesivamente

positivista de la ciencia, por no decir controvertido. La noción de ley se

podría entender en términos de la ﬁlosofía de Hume, como regularidad

(un patrón sistemático) y, por ende, como vía posible a un estableci-

miento de leyes (probabilistas) en la lingüística. Además, hasta no hace

mucho tiempo la noción de explicación en ﬁlosofía había recibido un

tratamiento bastante sesgado a favor de las ciencias naturales (Bengoet-

xea, 2023). Por ello, sugerimos focalizar aspectos de la lingüística que

proyecten una imagen manejable y alternativa a la de las ciencias natu-

rales con el objetivo de entender mejor cómo se puede razonar median-

te el uso de modelos integrados en prácticas reales de la lingüística. Tal

y como se ha señalado, la modelación y la representación son dos nocio-

nes cruciales aquí, siendo esta última el origen de la bifurcación teórica

entre corrientes pragmáticas, más próximas a las disciplinas empíricas,

y las más ontológicas y epistemológicas, más próximas a actividades

propiamente ﬁlosóﬁcas.

Modelación y representación

para el razonamiento en ciencias

Un modelo se puede construir de muchos modos. El modelo no es una

copia del fenómeno sometido a examen o descripción, sino una abs-

tracción, más o menos elevada, de este. Un modelo de los hablantes

ecuatorianos del español no está formado por todos los hablantes. Los

modelos son incompletos porque se idealizan. Hay quien los considera

“falsedades” (Bokulich, 2012) o verdades tan solo “parciales” (Bueno &

302

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

French, 2018). Este rasgo de los modelos ha motivado diversas cuestio-

nes ﬁlosóﬁcas acerca de sus virtudes epistémicas, como son su ﬁabilidad,

su capacidad de replicación y su validez (Magnani & Bertolotti, 2017;

Abbuhl et al., 2013, p. 116). Más allá de estas virtudes interesantes, aquí

nos ocuparemos únicamente de las posibilidades que abre considerar la

naturaleza instrumental versus la naturaleza puramente representacio-

nal de la modelación en las prácticas cientíﬁcas y educativas, así como

en la ﬁlosofía.

Lo que normalmente sirve de modelo de un dominio empírico (un

fenómeno o sistema diana) es un sistema construido mediante abstraccio-

nes, idealizaciones, analogías o simulaciones computacionales. El fenó-

meno o sistema diana puede ser algo existente o no empíricamente, pues

cabe la posibilidad de que sea ﬁccional o simulado.5 Y en el caso de que

exista, puede que a su vez sea algo construido —por ejemplo, mediante

tecnologías— sin necesidad de ser un hecho propio de un género natural

(Bird, 1998). En cualquier caso, la construcción del modelo del fenóme-

no atravesará al menos dos fases distintas (Weisberg, 2013; Bailer-Jones,

2009; Bokulich, 2012; Bokulich, 2017; Bueno & French, 2018):

1. La modelación se lleva a cabo mediante un proceso constructivo

especíco. Los cientíﬁcos buscan acceder a sistemas empíricos del mundo

de una manera que les permita generar razonamiento y obtener conoci-

miento (o creencias para la acción). La especiﬁcidad es crucial aquí. Esta

se consigue porque los modelos son constituidos de forma constreñida

para proporcionarnos conocimiento dirigido a estudiar o examinar cues-

tiones (o hipótesis) de interés. Es en este sentido que se puede aﬁrmar

que los modelos son herramientas dirigidas al razonamiento, sistemas ar-

tiﬁciales, construidos y constreñidos, orientados a responder a preguntas

fundamentales de la investigación.

Esta imagen de los modelos es pragmática y no insiste en la re-

presentación de un sistema diana o de fenómenos empíricos externos

al modelo, pues los modelos no se conciben como entidades separadas

que haya que conectar a los sistemas de fenómenos del mundo mediante

una relación de representación. En este sentido, ya aparecen inmersos en

nuestro conocimiento del mundo. En consecuencia, es importante enfati-

zar que la propia construcción de un modelo puede facilitar (por analogía

o por alguna otra relación entre la estructura de ese modelo en construc-

ción y los fenómenos del mundo real estudiado) el examen que se haga de

los distintos elementos (y las relaciones y funciones posibles establecidas

entre ellos) postulados o dados en una conﬁguración experimental.

303

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

La constricción es crucial y está relacionada con la idealización en

la modelación. Sin idealización, algunos sistemas empíricos serían intra-

tables matemática o computacionalmente —los fenómenos sociales son

sistemas complejos con muchas variables, por ejemplo— (agard, 1993)

y no se podrían diseñar con el ﬁn de aislar ciertos rasgos pertinentes o di-

ferenciales del sistema diana mediante el rechazo del resto (Mäki, 2011).

En lingüística, las poblaciones de hablantes se tratan idealmente porque

no todas las propiedades de una población son susceptibles de tenerse en

cuenta. Por ejemplo, al trabajar con muestras de habla, los lingüistas no

atienden a todas las relaciones sintácticas entre palabras (Buchstaller &

Khattab, 2013). Los investigadores seleccionan un subconjunto cientíﬁca-

mente importante de las propiedades de un fenómeno estudiado y es este

el que constituirá el sistema diana.6

No obstante, la regulación de los tipos de idealizaciones admisibles

no es un asunto de respuesta simple (Weisberg, 2013). Para evitar la arbi-

trariedad, se proponen principios generales (en realidad, constricciones)

adaptados al trabajo empírico de la disciplina. Estos principios guían un

proceso continuo y dinámico de aﬁnación gradual en el proceso modela-

dor (Zielińska, 2007), el cual se erige parcialmente a través de recursos ya

establecidos (teóricos, empíricos, matemáticos, computacionales y repre-

sentacionales) y es el resultado de la triangulación de distintos medios:

otros modelos, experimentos, observaciones, teorías de fondo.

2. Desde una perspectiva teórica, se deende que el modelo debe te-

ner capacidad representacional. Hay dos maneras de entender esta capa-

cidad. La más ﬁlosóﬁca (enfoque representacional) la concibe como un

ajuste general entre modelo y sistema diana. Esto se plantea una vez que

el sistema diana ha sido esbozado o diseñado (una muestra poblacional,

por ejemplo)7 con una serie de elementos seleccionados y con alguna pre-

gunta e hipótesis a mano en la conﬁguración experimental. Una diﬁcul-

tad potencial de este proceder radica en que, aunque el sistema empírico

diana sea una entidad abstraída, las propiedades del sistema en realidad

son concretas —como sucede con las muestras de corpus de hablantes

(Stubbs, 2006)—. Si los modeladores emplean herramientas matemáticas

y/o computacionales es importante saber si se puede comparar de algún

modo el modelo con su diana. ¿Se puede establecer alguna analogía o

semejanza? (Eco, 1995, p. 59). La manera estándar de responder a esto

es reconstruir el fenómeno mismo en términos formales (matemáticos,

computacionales) para posteriormente compararlo con el modelo em-

pírico. Es decir, se confrontan dos modelos para detectar alguna posible

semejanza mutua (o un isomorﬁsmo, un homomorﬁsmo parcial, etc.). De

304

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

esta manera, un modelo computacional, por ejemplo, también adoptará

cierta naturaleza material (en una computadora), autónoma y concreta

(Hausser, 2006). Modelo y diana se distinguirán gracias a que el modela-

dor elige libremente la estructura del modelo formal (o computacional),

mientras que el sistema diana es una entidad constreñida perteneciente

al mundo.8

La otra manera de entender la capacidad representacional es la

pragmática. La modelación es un proceso de interacción con las herra-

mientas representacionales disponibles para los cientíﬁcos. El modelo se

diseña con un propósito y sirve de herramienta epistémica artiﬁcial. Es

habitual que al cientíﬁco —lingüista— no le interese en absoluto una des-

cripción realista de ningún sistema particular de hablantes, sino que sim-

plemente preﬁera examinar una serie de interacciones entre elementos y

causas internos al propio modelo.

Entre las herramientas representacionales están, en las matemá-

ticas, el cálculo diferencial, los grafos, las redes o los diagramas, y en la

computación ciertos programas informáticos. El autor ha desarrollado

esta cuestión, aplicada al estudio del lenguaje, en otros lugares (Bengoet-

xea, 2023); allí especiﬁcaba el uso de recursos y herramientas represen-

tacionales en la labor modeladora de los lingüistas experimentales, por

ejemplo, ante la cuestión de cómo se puede comparar el desarrollo del

lenguaje en niños sin problemas lingüísticos detectados y niños con al-

gún síndrome (Down, Williams), la modelación experimental y el uso de

herramientas representacionales incluía corpus recogidos de la base de

datos CHILDES (http://childes.psy.cmu.edu/), conversaciones transcri-

tas de tres subcorpus de lenguaje (alemán, neerlandés y español), la he-

rramienta SAN (red local de alta velocidad formada por dispositivos de

almacenamiento) para resolver problemas pendientes en modelaciones

previas que combinaban scripts materiales con soware, el soware Net-

lang —plataforma de integración que opera como servicio para agilizar el

proceso de conexión de aplicaciones (www.netlang.com)— para recoger

datos y evidencias de muestreos de habla, y con el ﬁn de modelar com-

putacionalmente el experimento, el soware de red Cytoscape (Shannon

et al., 2003) gracias al cual se procesan los datos recogidos en diversas

fases de la modelación experimental.

Este caso sirve para ilustrar el hecho de que concebir los modelos

como herramientas puede ser algo altamente recomendable para la ense-

ñanza de las ciencias y del razonamiento con modelos. Los modelos pue-

den ser herramientas que motiven a los estudiantes a reﬂexionar sobre

fenómenos existentes, aunque también sobre fenómenos nuevos, en lugar

305

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

de entenderlos como proyecciones literales de cómo es en realidad un

fenómeno empírico. De esta manera, incluso se promovería la construc-

ción de múltiples modelos de fenómenos relacionados mutuamente con

el objetivo de solventar problemas que el profesor plantease inicialmente

en torno a alguna teoría, conocimiento previo e hipótesis de trabajo (Re-

ith y Nehring, 2020).9

Representación formal y representación pragmática

Los apartados previos permiten establecer el estado de la cuestión ﬁlosó-

ﬁca en torno a la modelación cientíﬁca sobre la base de un debate actual:

o bien los modelos se emplean como herramientas dirigidas a razonar

y solventar problemas prácticos que surjan en un contexto cientíﬁco, o

bien se usan con propósitos más ﬁlosóﬁcos y ontológicos en busca de

alguna realidad que los modelos supuestamente representan. Desmerecer

cualquiera de ambas opciones, algo que se hace a menudo, constituiría en

realidad negar la propia valía de la disciplina que realizase el análisis de

tal tarea modeladora.

En la ﬁlosofía de la ciencia, estas dos formas generales de interpretar

la representación (Contessa, 2011) han adoptado un registro formal, cuyo

objetivo ha sido identiﬁcar y elucidar la naturaleza de los modelos cientíﬁ-

cos (concepción sintáctica y concepción semántica) (Chakravartty, 2010),

y otro pragmático, según el cual hay que examinar los roles que los mo-

delos desempeñan en las prácticas cientíﬁcas reales y en el razonamiento

(generación de creencias y conocimiento, resolución de rompecabezas).10

Ambos registros han empleado estudios de casos reales. Por ejemplo, Bue-

no (2014; Bueno & French, 2018) proyectan la modelación mediante un

enfoque de estructuras parciales, mientras que Suárez (2015) propone una

concepción inferencial en la que los modelos construidos son máquinas

productoras de inferencias. Sin embargo, desde el prisma pragmático, estas

propuestas han sido criticadas por no enfatizar suﬁcientemente que ana-

lizar el proceso de construcción y manipulación de los modelos —como

ya hemos mencionado previamente— es un requisito indispensable del

estudio de la modelación orientada a obtener conocimiento y a razonar.11

Tal y como Knuuttila y Voutilainen (2003) señalan:

Mientras que los defensores de la concepción semántica procuran re-

presentar los modelos de la ciencia como entidades relativamente es-

tables y prefabricadas, los proponentes de la concepción orientada a las

prácticas están interesados en el proceso modelador y en explicar por

306

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

qué y cómo se emplean los modelos en el trabajo cientíﬁco (p. S 1485)

(traducción propia).

La alternativa pragmatista de Knuuttila (2006) presenta un caso

de modelación enfrentado al meramente representacional y sirve para

ilustrar la idea de los modelos como herramientas para el estudio del len-

guaje. Se trata del “análisis sintáctico del lenguaje”.12 Knuuttila propone

concebir los modelos como herramientas epistémicas que destacan la na-

turaleza material y el papel instrumental (herramientas) de los modelos.

Esta forma de concebir los modelos busca identiﬁcar cómo se constru-

yen, se usan y se “imaginan” realmente en las diversas actividades cien-

tíﬁcas —entre ellas, las dedicadas a la enseñanza de cómo se hace cien-

cia— puesto que la variedad de modelos existente en las ciencias es muy

amplia. En este sentido, es correcta la apreciación de Knuuttila de que el

intento de parte de la ﬁlosofía de la ciencia (concepciones sintáctica y

semántica, ante todo) de proporcionar una teoría general de la represen-

tación basada en la modelación es una empresa titánica y poco realista.13

Compatibilizar este deseo con un proyecto naturalizado y pragmático se-

ría algo más recomendable.

La idea de una construcción de modelos (que sean la base del ra-

zonamiento) es crucial aquí porque la noción dinámica y continuada de

un modelo en la práctica cientíﬁca apenas se tuvo en cuenta en la ﬁlosofía

de la ciencia del siglo XX (Rost & Knuuttila, 2022). Los modelos no son

entidades estables, detenidas, que solo actúan como mediadores (quietos)

entre un constructo formal y otro empírico (Morgan & Morrison, 1999).

El problema radica en que los modelos de las ciencias son más comple-

jos de lo que Morgan y Morrison admiten, lo cual se debe en parte a

que los fenómenos que representan son ellos mismos también entidades

complejas. Los primeros no están formados únicamente por teoría, datos

y evidencias empíricas, sino también por analogías, metáforas, nociones

teóricas, conceptos matemáticos, técnicas formales y otros ingredientes

pragmáticos (Boumans, 1999). Es decir, la triangulación de la tarea de

modelación es una empresa compleja y ardua. Por ello, allende la imagen

más común del modelador como un agente teórico, podríamos proyectar

la imagen del investigador como un agente enriquecido con característi-

cas más propias del “conocer-cómo” (Stanley, 2011), tales como las habili-

dades y la experiencia o pericia.

Esta nueva concepción de la modelación y del agente modelador

nos hace ver con buenos ojos el enfoque productivo y dinámico de los mo-

delos entendidos como “artefactos epistémicos” (Knuuttila & Merz, 2009),

aunque sin aprobar el rechazo de toda noción de representación sustan-

307

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

cial ﬁlosóﬁca que los pragmatistas profesan. Es conveniente no concebir

la modelación como una actividad que representa pasivamente, es cierto,

pero la ﬁlosofía de la ciencia siempre tendrá derecho a defender un espa-

cio de reﬂexión más profunda acerca de la naturaleza de los propios mo-

delos. Esto, obviamente, no es muy útil en lo que respecta al entendimiento

de las prácticas reales ni a los planteamientos educativos de las ciencias. De

ahí que separemos ambos objetivos. Desde un prisma práctico, insistimos,

aceptamos que la modelación es parte sustancial de un proceso de com-

prensión y conocimiento de los procedimientos epistémicos que interesan

a los cientíﬁcos (lingüistas, químicos, físicos, economistas), dado que la

práctica de crear modelos y de usarlos puede ayudar a comprender más

profundamente esas mismas prácticas (Svetlova, 2015). En este sentido,

aﬁrmar que los modelos son artefactos epistémicos equivale a decir que

son cosas concretas que tienen su propia manera de funcionar, sin necesi-

dad de representar (ontológicamente) con rigurosidad ninguna estructura

empírica diana, ningún fenómeno empírico (Baird, 2004). En deﬁnitiva,

son “modelos concretos” (Knuuttila & Merz, 2009, p. 150). Esto encaja bien

en la idea de los procesos de modelación en términos de herramientas

ubicadas en el seno de ensamblajes diseñados experimentalmente (Rouse,

2015) o “agregados sociales” Latour (2008, p. 57).

Herramientas modeladoras en torno al lenguaje

Desde un prisma próximo al enfoque pragmático antes expuesto (Knuut-

tila, 2021; Rost & Knuuttila, 2022), se puede sugerir que en la modela-

ción la supuesta distinción entre representar y producir sin necesidad

de un ajuste entre modelo y fenómeno diana se hace borrosa (Boon &

Knuuttila, 2009). La labor con modelos computacionales, por ejemplo,

es un trabajo parcialmente virtual en el que se emplean sustitutos (su-

rrogates) mediante los cuales los investigadores tienen la opción de ra-

zonar y construir inferencias. Aunque se hubiese reexaminado el valor

representacional de la modelación en términos pragmáticos (Bailer-Jo-

nes, 2009; French, 2013; Giere, 2004), mejorando con ello los modelos

previos de representación per se (noción realista ingenua) (Hughes, 2010;

Teller, 2001), esta perspectiva “mixta” seguiría sin estimar suﬁcientemente

la gran importancia de los aspectos productivos (creadores), prácticos y

dinámicos de la modelación y del razonamiento generado por ella (Hum-

phreys, 2004), dirigidos a actuar y a obtener conocimiento (Knuuttila &

Loettgers, 2012). Este aspecto debe ser tenido en cuenta porque es clave

308

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

para enseñar al alumnado a razonar y a producir inferencias con modelos

para responder a preguntas planteadas por hipótesis iniciales vinculadas

a las teorías manejadas.

Esto se puede observar claramente en el caso de los modelos com-

putacionales, ante todo cuando se diseñan y aplican simulaciones. Las

aproximaciones, las idealizaciones e incluso las “falsiﬁcaciones” de la mo-

delación están vinculadas a ciertas constricciones y aordances aplicados

a un objeto material y concreto: la computadora (Zuidema & de Boer,

2013). El género de representación implementado en la modelación com-

putacional se puede ver, ante todo, en los resultados de la modelación y no

tanto en la estructura pasiva de los modelos que, supuestamente, reﬂejan

la estructura del fenómeno empírico estudiado (Rost & Knuuttila, 2022).

En el caso de los análisis sintácticos del lenguaje, el criterio para su valo-

ración es más pragmático que representacionalista, dado que el lingüista

y el programador computacional representan cosas completamente di-

ferentes, a pesar de estar construyendo el mismo artefacto. El lingüista

busca representar el mundo lo más ﬁelmente posible; el programador, en

cambio, valora el programa-analizador (parser) por lo que este produce

(Knuuttila, 2006, p. 42). En consecuencia, parece adecuado sostener que

los modelos prefabricados, preﬁnalizados, que supuestamente represen-

tan (stand for) fenómenos no conﬁguran el concepto de modelo ni de

modelación más interesante en los procesos de producción modelar diri-

gidos a generar razonamiento, creencias-conocimiento y acciones.

Un análisis sintáctico mediante modelación artefactual

El análisis sintáctico es un procedimiento lingüístico que ha recibido

muestras abiertas de interés teórico en la ﬁlosofía de la modelación cien-

tíﬁca. Desde una ﬁlosofía que mira a las prácticas cientíﬁcas y no a proto-

tipos ideales de ciencia, Knuuttila (2006) se ha dedicado a analizar la tarea

computacional-experimental que rodea a la construcción tecnológica de

modelos de análisis sintáctico (Karlsson et al., 1995). Se puede sugerir,

por ende, que esta línea de investigación es altamente interesante para en-

tender algunas prácticas de razonamiento y generación de conocimiento

lingüístico dirigidas a la enseñanza en ciencias.

El análisis sintáctico (parsing) es un procedimiento gramatical de

descripción de palabras u oraciones, o de partes de un discurso cons-

tituidas por palabras con sus propios rasgos gramaticales compartidos

(sustantivos, verbos, adverbios, adjetivos, conjunciones, etc.). Este tipo de

análisis asigna automáticamente una estructura morfológica y sintácti-

309

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

ca —sin una interpretación semántica— a textos de entrada (input) de

extensión y complejidad diversas (Knuuttila, 2006, p. 43; Karlsson et al.,

1995). Constituye, por lo tanto, un dispositivo tecno-lingüístico o progra-

ma orientado a producir un texto analizado sintácticamente, y sirve de

ilustración para ver cómo la construcción de modelos puede ayudar tanto

a entender cientíﬁcamente los fenómenos estudiados como a producir

resultados útiles.

Hay dos enfoques generales del análisis sintáctico: por un lado, el

basado en la gramática, de naturaleza lingüística y descriptiva; por otro,

el enfoque orientado por datos, de naturaleza estadística y probabilista,

el cual incluye reglas de aprendizaje basadas en corpus, modelos ocul-

tos de Markov y concepciones del aprendizaje con máquinas (Knuutti-

la & Merz, 2009, p. 160). El caso particular del “análisis de gramática de

constricción” (CGP, en inglés) —bien desarrollado en la ﬁlosofía de la

modelación en lingüística— combina una base gramatical con el manejo

de características experimentales, y se fundamenta en corpus lingüísticos.

Se mantiene completamente en el nivel de la estructura superﬁcial y, en

lugar de estipular reglas para expresiones bien formadas (como hacía la

gramática generativa universal chomskiana durante sus primeros años),

se constituye según constricciones que rechazan oraciones inadecuadas

(Knuuttila, 2006, p. 43). Ahora bien, el análisis sintáctico no describe o

“representa” de forma realista una competencia lingüística humana, ni

lo pretende. La comprensión cientíﬁca que proporciona no se deriva de

una supuesta imagen “real” de un sistema empírico, sino más bien es algo

dinámico e inherente a la pericia del lingüista en el proceso de construc-

ción del modelo —pericia con el manejo y conocimiento del lenguaje, de

elementos cognitivos y de los “artefactos tecnológicos” empleados en la

práctica— (Knuuttila & Merz, 2009, p. 159).

El análisis sintáctico tiene por objetivo modelar computacional-

mente algún aspecto del lenguaje mediante una herramienta consisten-

te en un programa computacional. La gramática de constricción es un

formalismo del análisis sintáctico que suministra una interpretación

gramática correcta de cada palabra de un texto funcional, amén de enri-

quecer cada palabra con información sintáctica adicional. De esta mane-

ra, el CGP se erige a partir de un análisis metodológico previo realizado

mediante un analizador morfológico y sintético (Knuuttila, 2006, p. 43;

Knuuttila & Merz, 2009, p. 160).

Las palabras normalmente empleadas por los hablantes son tales

que su forma (por ejemplo, “cuadrado”) se interpreta de distinta manera

en función del contexto de su uso. Es decir, muchas palabras arrastran

310

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

una naturaleza ambigua. El CPG entonces busca seleccionar cuál de las

interpretaciones es la apropiada en el contexto de la ocurrencia léxica,

normalmente en un texto o en un discurso hablado. A esto se lo deno-

mina “desambiguación” (DeRose, 1988; Knuuttila, 2006, p. 44). Esta bús-

queda de alguna interpretación es una de las formas más interesantes de

modelar el lenguaje y de obtener resultados relativamente satisfactorios y

ajustables al mundo (Eco, 1995).

Un CGP procede en tres etapas (Knuuttila, 2006), en las cuales lo

que se expresa como “interpretación” puede ser traducido a “modelación”

en nuestro léxico más ﬁlosóﬁco:

• Una vez que el analizador morfológico ha proporcionado todas

las interpretaciones morfológicas admisibles, el CGP comprueba

o chequea cuáles son las apropiadas. Lo hace mediante la apli-

cación de constricciones morfológicas que aprovechan el cono-

cimiento contextual o vecindad de cada palabra. Por ejemplo, si

una palabra cuenta con una interpretación sustantiva y otra ver-

bal, y si está precedida por un artículo, las constricciones perti-

nentes restan las interpretaciones verbales acerca de esa palabra.

• Una vez elucidado el carácter de las palabras morfológicamente

ambiguas, es el momento de analizarlas superﬁcial y sintácti-

camente. El resultado del módulo de desambiguación morfo-

lógica se convierte en input para el siguiente módulo: a saber,

será un mapeo sintáctico. Este asignará todas las funciones sin-

tácticas superﬁciales posibles a cada interpretación morfológi-

ca aceptada. Nuevamente, la forma de una palabra puede tener

distintas funciones sintácticas (sujeto, objeto o complemento

directo, objeto o complemento indirecto, etc.), de modo que,

para conceder a cada palabra su interpretación sintáctica co-

rrecta, el lingüista aplicará constricciones sintácticas tras reali-

zar el mapeo y descartará asignaciones a las funciones sintácti-

cas contextualmente incorrectas o ilegítimas.

• La etapa ﬁnal es consecuencia directa de CGP, a saber, es un

texto en el que, en el mejor de los escenarios, cada palabra será

asignada con sus correspondientes interpretación morfológica

correcta y función sintáctica apropiada.

Dos tareas cruciales aquí son la forma de representar “conjuntos de

reglas” del lenguaje (Knuuttila, 2006, p. 45; Karlsson et al., 1995) y la imple-

mentación de la gramática a modo de programa computacional. Este reto

es muy delicado, puesto que el lingüista genera los modelos con el objetivo

311

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

de describir el mundo y de computar intentos por producirlo, construirlo y

modiﬁcarlo de una manera dinámica e intervencionista (Knuuttila, 2006;

Hacking, 1983, p. 220). Esta construcción del modelo es un proceso conti-

nuado de modelación que involucra distintas capas (representacionales) y

comprobaciones replicadas de corpus varios (Knuuttila, 2006, p. 45). Tres

pasos necesarios de este tipo de modelación activa y productiva que em-

plea herramientas representacionales son los siguientes:

• La escritura de la gramática CG para un corpus. Se parte de un

texto analizado morfológicamente, para el cual se establecen las

constricciones que desambigüen sus palabras.

• Tras aplicar la gramática resultante a un corpus desambiguado ma-

nualmente (tarea empírica del lingüista), el soware del sistema ge-

nera una estadística aplicativa para cada una de las constricciones.

• A partir de esta estadística y tras identiﬁcar las predicciones

equivocadas, el lingüista (gramático) o bien corrige y, o, descar-

ta constricciones previas, o bien crea otras nuevas. Este ciclo se

repite mediante el empleo de las evidencias de nuevos corpus

hasta que la gramática resulte lo suﬁcientemente próxima a la

“actuación humana” (Knuuttila & Merz, 2009, pp. 160).

Como se puede observar, la construcción de un análisis sintáctico

de este tipo abre una vía interesante a las nociones de modelación y de

representación, que se alejan de la idea tradicional y estática propia de

la ﬁlosofía de la ciencia, más bien ocupada de la relación entre un tipo

de modelo prefabricado y un sistema diana real. Según ese tipo de ﬁ-

losofía de la ciencia y de epistemología, un modelo es epistémicamente

útil si proporciona una imagen amplia del objeto o fenómeno estudiado.

Pero si se adopta un enfoque, si cabe, más próximo a la idea productiva

y pragmática de Knuuttila —y aunque el análisis sintáctico sea resulta-

do de ciertos usos de herramientas representacionales— dicho enfoque

será valorado básicamente por lo que produce según lo que los agentes

se hayan propuesto (preguntas), y no según el reﬂejo ontológico de una

realidad postulada.

Razonar, creer y conocer mediante modelos

para educar en ciencias

Es conveniente matizar analíticamente la función de la empresa mode-

ladora. Por un lado, cabe destacar que en la investigación cientíﬁca los

312

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

modelos se conciben sin necesidad de asignaciones ontológicas; esto es,

como herramientas epistémicas dirigidas a resolver problemas. Es la for-

ma más radicalmente pragmatista. En el campo educativo de la ciencia

también convendría proyectar el carácter pragmático de la modelación

para que los estudiantes aprendieran a razonar con vistas a metas: res-

ponder a preguntas cientíﬁcas prácticas, resolver rompecabezas, etc. Sin

embargo, cabe también dejar un espacio a las cuestiones ﬁlosóﬁcas vin-

culadas con la modelación, de tal modo que no resulte tan enigmático,

dada la milenaria tradición ﬁlosóﬁca occidental, preguntarse por la na-

turaleza de aquello que se procura modelar. No permitir esto tendría

una consecuencia nefasta para muchos ﬁlósofos en ámbitos próximos

a la ﬁlosofía de la ciencia, a saber, su impericia y falta de preparación

en actividades empíricas en las que, a menudo, actuarían como meros

invitados. El supuesto rol de sociólogo, politólogo, experto en políticas

cientíﬁcas, regulador o pedagogo, que muchos ﬁlósofos se arrogan so

pretexto de que las cuestiones propiamente ﬁlosóﬁcas no interesan en

un campo como el de la modelación, debería —si encomiamos la since-

ridad— enviarlos al desempleo.

Fox-Keller (2000), así como Gouvea y Passmore (2017, p. 50),

entre otros, distinguen dos interpretaciones interesantes: los “modelos

de” y los “modelos para”. Sostienen que los “modelos de”, ubicados en

un entorno de representación ﬁlosóﬁca sustantiva, siempre aparecen

acompañados de “modelos para” porque los modelos cientíﬁcos son

herramientas para entender, explicar y predecir, y no solo en la inves-

tigación propiamente dicha, sino también en la enseñanza en las aulas.

Consideran que los “modelos de” son menos capaces de respaldar la

agencia epistémica de los experimentadores y de los alumnos a la hora

de hacer ciencia, ya que tienden a tratar los modelos como representa-

ciones de lo que ya conocemos, en lugar de actuar como herramientas

que se usen para generar conocimiento y razonamientos nuevos (Gou-

vea & Passmore, 2017).

No obstante, analizar ﬁlosóﬁcamente las prácticas también tiene

su razón de ser. Debe reconocerse que concebir los modelos como he-

rramientas y artefactos construidos para razonar y generar conocimien-

to no es algo que tenga que partir necesariamente de asumir que tiene

que haber una representación directa de un sistema empírico. Puede

darse el caso, y a menudo se da, de que si un profesor quisiera presentar

cómo funciona la modelación cientíﬁca, el razonamiento subrogado ba-

sado en una correspondencia simpliﬁcada entre, por ejemplo, moléculas

y un modelo material de bolas y palos, o entre el lenguaje y una facultad

313

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

inherentemente humana del lenguaje, no añadiría ningún valor al en-

torno de aprendizaje (el aula o el laboratorio) a menos que el profesor

elaborase mucho mejor esa supuesta correspondencia. En un caso así,

la clave del ejercicio sería entender el carácter hipotético y práctico del

modelo. Sin embargo, desde un ángulo más ﬁlosóﬁco y propio de las

humanidades, la comprensión y la interpretación de la noción de re-

presentación puede ser fuente de preguntas interesantes para entornos

cientíﬁcos y educativos.

Conclusiones

En el texto se ha procurado exponer los dos polos del debate y respetar en

cierta medida las posibilidades que cada uno abre. Para ello, se ha consi-

derado que el trabajo de modelación ha de partir de cuestiones de interés,

conocimiento teórico previo y conocimiento empírico, amén de una re-

cogida de datos y evidencias que permitan construir modelos sucesivos,

continuadamente, del sistema (idealizado) elegido como objeto de estu-

dio. Un examen ﬁlosóﬁco de esta práctica dirigida al razonamiento y que

sea útil en la investigación cientíﬁca y en la enseñanza de las ciencias ha

permitido distinguir los conceptos de modelación y de representación, y

proyectar, dentro del debate ﬁlosóﬁco actual, dos enfoques básicos, el re-

presentacional y el pragmático, así como sus conexiones mutuas. Por últi-

mo, se ha sugerido un esbozo de aplicación de las reﬂexiones propuestas al

estudio modelador del lenguaje y, en especial, al caso del análisis sintáctico.

La conclusión ﬁnal, por lo tanto, pretende dejar sitio a la reﬂexión propia-

mente ﬁlosóﬁca, sin menoscabo de la pragmática, en la que las diversas

herramientas representacionales (recursos simbólicos, semióticos o mate-

riales) también desempeñen un rol educativo con carácter propio.

Notas

1 El lector puede encontrar innumerables títulos dedicados a la metodología de las

ciencias escritos desde una perspectiva ﬁlosóﬁca e introductoria. Recomiendo el

clásico, original de 1976, ¿Qué es esa cosa llamada ciencia? de Alan F. Chalmers

(1993) y el más novedoso y muy ameno A Philosopher Looks at Science, de Nancy

Cartwright (2022).

2 Cabe destacar que el uso de las pruebas empíricas viene dictado, al menos en parte,

por consideraciones axiológicas (pragmáticas y epistémicas, por ejemplo) con el

ﬁn de tomar decisiones que pueden afectar a regulaciones en las políticas públicas,

la alimentación, la salud (fármacos) o —entre otros campos claramente importan-

tes— la educación (Cartwright & Hardy, 2012).

314

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

3 Entre estas prácticas se incluyen las actividades relacionadas con la investigación

en educación cientíﬁca. Al respecto, algunas referencias interesantes son Krell et al.

(2020) y Matthews (2007).

4 La investigación lingüística adelantaba así uno de los tópicos más en boga en la ﬁ-

losofía de la ciencia: el debate entre la obtención intuitiva (de butaca) y la obtención

experimental de datos y evidencias para generar razonamientos (véase Sytsma &

Buckwalter, 2016).

5 Acerca de la modelación sin fenómeno diana, véase, por ejemplo, Weisberg (2013,

pp. 129-131).

6 Un ejemplo de esto en lingüística es el de los corpus, cuyos casos prototípicos son

los que pretenden ser representativos de un lenguaje particular, de una variedad de

este o de alguno de sus registros (Gries & Newman, 2013; Kepser & Reis, 2005).

7 Cabe destacar que la conﬁguración y extensión de una muestra depende del juicio,

del conocimiento de fondo y de las herramientas representacionales del lingüista

experimental, mas no tanto de un algoritmo estadístico automatizado.

8 Este es el tema que subyace al debate entre Eco y Rorty (Eco, 1995) en torno a la

interpretación. Esta, y la modelación también, por analogía, puede ser una actividad

puramente pragmática, dirigida a razonar para resolver problemas prácticos (cien-

tíﬁcos) que poco tienen que ver con lo que haya en el mundo (Rorty) o, en cambio,

puede depender de asunciones ontológicas y epistemológicas de carácter ﬁlosóﬁco

que ocasionalmente son tachadas despectivamente de “realistas ingenuas”.

9 Aunque sea para criticarlas por no caracterizar adecuadamente la noción de repre-

sentación, Rost y Knuuttila (2022) repasan algunas propuestas representacionales

pragmáticas aplicadas al campo de la educación, entre ellas Cheng et al. (2019) (he-

rramientas para explicar los mecanismos subyacentes a los sistemas diana), Stieﬀ

et al. (2016) (modelos moleculares concretos) y Oliva et al. (2015) (competencia de

los estudiantes de secundaria al modelar las transformaciones químicas).

10 La distinción entre los enfoques analítico (sustantivo) y pragmático de la repre-

sentación —algunos lo denominan de otras maneras: “informacional-funcional”

(Chakravartty, 2010) o “informacional-deﬂacionario” (Poznic, 2015)— establece

dos agendas de investigación que se pueden distinguir gracias a su relativa cone-

xión hipotética con el estudio de actividades cientíﬁcas reales (Suárez, 2015). Los

enfoques analíticos buscan elucidar relaciones básicas entre la teoría y el mundo,

mientras que los pragmáticos intentan dar cuenta de la práctica cientíﬁca de la

construcción de modelos (Boon & Knuutila, 2009; Bueno & French, 2018; Chakra-

vartty, 2010; Suárez, 2015; van Fraassen, 2008; Weisberg, 2007).

11 Rost y Knuuttila (2022) critican, una por una, cada propuesta representacionista-

pragmática porque ninguna de estas caracteriza o deﬁne adecuadamente la noción

de representación. Aparentemente, como sostendremos en la última sección, esto

les sirve para descaliﬁcar en su conjunto la empresa ﬁlosóﬁca (representacionalista,

ontologicista, epistemológica) que intenta dar una respuesta a la cuestión de la na-

turaleza del conocimiento mediante modelación cientíﬁca.

12 Knuuttila sostiene que los modelos son artefactos epistémicos (herramientas) crea-

dos para satisfacer o alcanzar ciertas metas especíﬁcas y que se hacen productivos

mediante el trabajo humano y la manipulación dentro de prácticas cientíﬁcas par-

ticulares (Svetlova, 2015).

13 Para un breve análisis crítico de algunos aspectos fundamentales (así como de algu-

nos enigmas) de la teoría general de la representación, véase Frigg (2006, pp. 50-52).

315

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

Bibliografía

ABBUHL, Rebehka, GASS, Susan & MACKEY, Alison

2013 Experimental Research Design. En Robert Podesva & Devyani Sharma

(eds.), Research Methods in Linguistics (pp. 116-134). Nueva York: Cambrid-

ge University Press. https://doi.org/10.1017/CBO9781139013734

BAGGIO, Giosuè, VAN LAMBALGEN, Michiel & HAGOORT, Peter

2012 Language, Linguistics and Cognition. En Ruth Kempson, Tim Fernando &

Nicholas Asher (eds.), Philosophy of Linguistics (pp. 325-355). Amsterdam:

Elsevier. https://doi.org/10.1016/C2009-0-16474-7

BAILER-JONES, Daniela

2009 Scientic Models in Philosophy of Science. Pittsburgh: University of Pitts-

burgh Press.

BAIRD, Davis

2004 ing Knowledge: A Philosophy of Scientic Instruments. Berkeley: Universi-

ty of California Press.

BARDON, Adrian

2020 e Truth about Denial. Oxford: Oxford University Press.

BENGOETXEA, Juan Bautista

2024 Complex networks, structural explanations, and the role of values in experi-

mental linguistics. Principia: An International Journal of Epistemology, 28(4),

517-540. https://doi.org/10.5007/1808-1711.2024.e92531.

2023 Modelación, representación lingüística y redes complejas. Veritas, 56, 109-

133. http://dx.doi.org/10.4067/S0718-92732023000300109

BENGOETXEA, Juan Bautista & TODT, Oliver

2021 Decision-Making in the Nutrition Sciences: A Critical Analysis of Scientiﬁc

Evidence for Assessing Health-claims. Manuscrito, 44(3), 42-69. https://doi.

org/10.1590/0100-6045.2021.V44N3.JB

BIRD, Alexander

1998 Philosophy of Science. Londres: UCL Press.

BOKULICH, Alisa

2017 Models and Explanation. En Lorenzo Magnani & Tommaso Bertolotti

(eds.), Handbook of Model-Based Science (pp. 103-118). Dordrecht: Springer.

https://doi.org/10.1007/978-3-319-30526-4

2012 Distinguishing Explanatory from Nonexplanatory Fictions. Philosophy of

Science, 79(5), 725-737. https://doi.org/10.1086/667991

BOON, Mieke & KNUUTTILA, Tarja

2009 Models as Epistemic Tools in Engineering: A Pragmatic Approach. En

Anthonie Meijers (ed.), Handbook of the Philosophy of Science (vol. 9,

pp. 687-719). Amsterdam: Elsevier.

BOUMANS, Marcel

1999 Built-In Justiﬁcation. En Margaret Morrison & Mary Morgan (eds.), Mo-

dels as Mediators: Perspectives on Natural and Social Science (pp. 66-

96). Cambridge: Cambridge University Press. https://doi.org/10.1017/

CBO9780511660108.003

316

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

BUCHSTALLER, Isabelle & KHATTAB, Ghada

2013 Population Samples. En Robert Podesva & Devyani Sharma (eds.), Research

Methods in Linguistics (pp. 74-95). Cambridge: Cambridge University Press.

https://doi.org/10.1017/CBO9781139013734

BUENO, Otavio

2014. Computer Simulations: An Inferential Conception. e Monist, 97(3), 378-

398. https://doi.org/10.5840/monist201497324

BUENO, Otavio & FRENCH, Steven

2018 Applying Mathematics: Immersion, Inference, Interpretation. Oxford: Oxford

University Press.

BUNGE, Mario

1984 Philosophical Problems in Linguistics. Erkenntnis, 21(2), 107-173. https://

doi.org/10.1007/bf00166382

1963 e Myth of Simplicity. Englewood Cliﬀs, NJ: Prentice-Hall.

CARTWRIGHT, Nancy

2022 A Philosopher Looks at Science. Cambridge: Cambridge University Press.

2015 Evidence: for Policy. Londres: LSE.

CARTWRIGHT, Nancy & HARDY, Jeremy

2012 Evidence-Based Policy: A Practical Guide to Doing it Better. Oxford:

Oxford University Press. https://doi.org/10.1093/acprof:osobl/978019984

1608.001.0001

CHAKRAVARTTY, Anjan

2010 Informational versus Functional eories of Scientiﬁc Representation.

Synthese, 172(2), 197-213. https://doi.org/10.1007/s11229-009-9502-3

CHALMERS, Alan Francis

1993 ¿Qué es esa cosa llamada ciencia? Madrid: Siglo XXI.

CHENG, Meng-Fei, WU, Tsung-Yu & LIN, Shu-Fen

2019 Investigating the Relationship Between Views of Scientiﬁc Models and

Modeling Practice. Research in Science Education, 51, 307-323. https://doi.

org/10.1007/s11165-019-09880-2

CHOMSKY, Noam

1976 Aspects of the eory of Syntax. Cambridge, MA: e MIT Press.

CHOMSKY, Noam & MILLER, George

1963 Introduction to the Formal Analysis of Natural Languages. En D. Luce, R.

Bush & E. Galanter (eds.), Handbook of Mathematical Psychology (pp. 269-

321). Hoboken, NJ: John Wiley.

CONTESSA, Gabriele

2011 Scientiﬁc Models and Representation. En Steven French & Juha Saatsi (eds.),

e Bloomsbury Companion to the Philosophy of Science (pp. 120-137). Lon-

dres: Bloomsbury.

DE REGT, Henk

2017 Understanding Scientic Understanding. Oxford: Oxford University Press.

DEROSE, Steven

1988 Grammatical Category Disambiguation by Statistical Optimization. Com-

putational Linguistics, 14(1), 31-39. https://bit.ly/49LxBq6

317

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

DERWING, Bruce L.

1979 Psycholinguistic Evidence and Linguistic eory. En Gary Prideaux (ed.),

Perspectives in Experimental Linguistics (pp. 113-138). Amsterdam: John

Benjamins.

ECO, Umberto

1995 Interpretación y sobreinterpretación. Cambridge: Cambridge University

Press.

EGRÉ, Paul

2015 Explanation in Linguistics. Philosophy Compass, 10(7), 451-462. https://doi.

org/10.1111/phc3.12225

FINE, Eric, DELIS, Dean, PAUL, Brianna & FILOTEO, Vincent

2011 Reduced Verbal Fluency for Proper Names in Nondemented Patients with

Parkinson”s Disease: A Quantitative and Qualitative Analysis. Journal of Cli-

nical and Experimental Neuropsychology, 33(2), 226-233. https://doi.org/10.

1080/13803395.2010.507185

FOX-KELLER, Evelyn

2000 Models of and Models for: eory and Practice in Contemporary Biology.

Philosophy of Science, 67, S72-S86. https://doi.org/10.1086/392810

FRENCH, Steve

2013 e Structure of the World. Oxford: Oxford University Press.

FRIGG, Roman

2006 Scientiﬁc Representation and the Semantic View of eories. eoria, 21(1),

49-65. https://bit.ly/3BplceK

GIERE, Ronald

2004 How models are used to represent physical reality. Philosophy of Science, 71,

S 742-S 752. https://doi.org/10.1086/425063

GLYMOUR, Bruce

2000 Data and Phenomena: A Distinction Reconsidered. Erkenntnis, 52(1), 29-37.

https://doi.org/10.1023/A:1005499609332

GOUVEA, Julia & PASSMORE, Cynthia

2017 “Models of” versus “Models for”. Science & Education, 26(1-2), 49-63. https://

doi.org/10.1007/s11191-017-9884-4

GRIES, Stephan & NEWMAN, John

2013 Creating and Using Corpora. En Robert Podesva & Devyani Sharma (eds.),

Research Methods in Linguistics (pp. 257-287). Cambridge: Cambridge Uni-

versity Press. https://doi.org/10.1017/CBO97811390137

HACKING, Ian

1983 Representing and Intervening: Introductory Topics in the Philosophy of Natu-

ral Science. Cambridge: Cambridge University Press.

HAUSSER, Roland

2006 A Computational Model of Natural Language Communication: Interpre-

tation, Inference, and Production in Database Semantics. Berlín: Springer.

https://doi.org/10.1007/3-540-35477-8

HUGHES, Robin

2010 e eoretical Practices of Physics. Oxford: Clarendon Press.

HUMPHREYS, Paul

2004 Extending Ourselves: Computational Science, Empiricism, and Scientic

Method. Oxford: Oxford University Press.

318

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

KARLSSON, Fred, VOUTILAINEN, Atro, HEIKKILÄ, Juha & ANTTILA, Arto

1995 Constraint Grammar: A Language-Independent System for Parsing Unrestric-

ted Text. Berlín: Mouton de Gruyter.

KEPSER, Stephan & REIS, Marga

2005 Evidence in Linguistics. En Autores (eds.), Linguistic Evidence: Empirical,

eoretical and Computational Perspectives (pp. 1-6). Berlín: De Gruyter.

KNUUTTILA, Tarja

2021 Models, Fictions and Artifacts. En Wenceslao González (ed.), Language and

Scientic Research (pp. 199-220). Cham: Palgrave-Macmillan. https://doi.

org/10.1007/978-3-030-60537-7

2006 From Representation to Production: Parsers and Parsing in Language Tech-

nology. En Johannes Lenhard, Günter Küppers & Terry Shinn (eds.), Simu-

lation: Pragmatic Construction of Reality (pp. 41-55). Dordrecht: Springer.

https://doi.org/10.1007/1-4020-5375-4

KNUUTTILA, Tarja & LOETTGERS, Andrea

2012 e Productive Tension: Mechanisms vs. Templates in Modeling the Pheno-

mena. En Paul Humphreys & Cyrille Imbert (eds.), Models, Simulations, and

Representations (pp. 3-24). Abingdon, Oxfordshire: Routledge.

KNUUTTILA, Tarja & MERZ, Martina

2009 Understanding by Modeling: An Objectual Approach. En Henk de Regt,

Sabina Leonelli & Kai Eigner (eds.), Scientic Understanding: Philosophical

Perspectives (pp. 146-168). Pittsburgh: University of Pittsburgh Press.

KNUUTTILA, Tarja & VOUTILAINEN, Atro

2003 A Parser as an Epistemic Artifact: A material view on models. Philosophy of

Science, 70, S1484-S1495. https://doi.org/10.1086/377424

KRELL, Moritz, REDMAN, Christine, MATHESIUS, Sabrina, KRÜGER,

Dirk & VAN DRIEL, Jan

2020 Assessing Pre-Service Science Teachers” Scientiﬁc Reasoning Competencies.

Research in Science Education, 50(12), 2035-2329. https://doi.org/10.1007/

s11165-018-9780-1

LATOUR, Bruno

2008 Reensamblar lo social: una introducción a la teoría del actor-red. Buenos Ai-

res: Manantial.

MAGNANI, Lorenzo & BERTOLOTTI, Tommaso

2017 Handbook of Model-Based Science. Dordrecht: Springer. https://doi.

org/10.1007/978-3-319-30526-4

MÄKI, Uskali

2011 Models and the Locus of their Truth. Synthese, 180(1), 47-63. https://doi.

org/10.1007/s11229-009-9566-0

MATTHEWS, Michael

2007 Models in Science and in Science Education: An Introduction. Science &

Education, 16(7-8), 647-652. https://doi.org/10.1007/s11191-007-9089-3

McKINLEY, Jim & ROSE, Heath

2020 e Routledge Handbook of Research Methods in Applied Linguistics. Abing-

don, Oxfordshire: Routledge.

319

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

McMULLIN, Ernan

2014 e Virtues of a Good eory. En Martin Curd & Stathis Psillos (eds.), e

Routledge Companion to the Philosophy of Science (pp. 561-571). Abingdon,

Oxfordshire: Routledge.

MORGAN, Mary & MORRISON, Margaret

1999 Models as Mediators. Cambridge: Cambridge University Press.

OLIVA, José María, ARAGÓN, María del Mar & CUESTA, Josefa

2015 e Competence of Modelling in Learning Chemical Change. Internatio-

nal Journal of Science and Mathematics Education, 13, 751-791. https://doi.

org/10.1007/s10763-014-9583-4

POZNIC, Michael

2015 Representation and Similarity: Suárez on Necessary and Suﬃcient Condi-

tions of Scientiﬁc Representation. Journal for General Philosophy of Science,

47, 331-347. https://doi.org/10.1007/s10838-015-9307-7

PRIDEAUX, Gary

1979 Perspectives in Experimental Linguistics. Amsterdam: John Benjamins.

RADDER, Hans

2003 Technology and eory in Experimental Science. En Hans Radder (ed.), e

Philosophy of Scientic Experimentation (pp. 152-173). Pittsburgh: Universi-

ty of Pittsburgh Press.

REITH, Marco & NEHRING, Andreas

2020 Scientiﬁc Reasoning and Views on the Nature of Scientiﬁc Inquiry: Testing a

New Framework to Understand and Model Epistemic Cognition in Science.

International Journal of Science Education, 42(16), 2716-2741. https://doi.or

g/10.1080/09500693.2020.1834168

ROST, Marvin & KNUUTTILA, Tarja

2022 Models as Epistemic Artifacts for Scientiﬁc Reasoning in Science Educa-

tion Research. Education Sciences, 12(4), 276. https://doi.org/10.3390/educs-

ci12040276

ROUSE, William

2015 Modeling and Visualization of Complex Systems and Enterprises: Explora-

tions of Physical, Human, Economic, and Social Phenomena. Hoboken, NJ:

Wiley. https://doi.org/10.1002/9781118982747

SACKETT, David, ROSENBERG, William, GRAY, Muir, HAYNES, Brian & RICHARD-

SON, Scott

1996 Evidence Based Medicine: What it is and what it isn’t. British Medical Jour-

nal, 312(7023), 71-72. http://doi.org/10.1136/bmj.312.7023.71

SCHULZ, Roland

2014 Philosophy of Education and Science Education: A Vital but Underdeve-

loped Relationship. En Michael Matthews (ed.), International Handbook of

Research in History, Philosophy and Science Teaching (pp. 1259-1316). Dor-

drecht: Springer. http://doi.org/10.1007/978-94-007-7654-8_39

SHANNON, Paul, MARKIEL, Andrew, OZIER, Owen, BALIGA, Nitin, WANG, Jo-

nathan, RAMAGE, Daniel, AMIN, Nada, SCHWIKOWSKI, Benno & IDEKER, Trey

2003 Cytoscape: A Soware Environment for Integrated Models of Biomolecular

Interaction Networks. Genome Research, 13(11), 2498-2504. https://10.1101/

gr.1239303

320

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

Los modelos cientícos como herramientas epistémicas abstractas para aprender a razonar

Scientic Models as Abstract Epistemic Tools for Learning how to Reason

STANLEY, Jason

2011 Know How. Oxford: Oxford University Press.

STIEFF, Mike, SCOPELITIS, Stephanie, LIRA, Matthew & DESUTTER, Dane

2016 Improving Representational Competence with Concrete Models. Science &

Education, 100(2), 344-363. https://doi.org/10.1002/sce.21203

STUBBS, Michael

2006 Language Corpora. En Alan Davies & Catherine Elder (eds.), e Handbook

of Applied Linguistics (pp. 106-132). Hoboken, NJ: Wiley-Blackwell. http://

doi.org/10.1002/9780470757000

SUÁREZ, Mauricio

2015 Deﬂationary Representation, Inference, and Practice. Studies in History and

Philosophy of Science, 49, 36-47. https://doi.org/10.1016/j.shpsa.2014.11.001

SVETLOVA, Ekaterina

2015 Modeling as a Case for the Empirical Philosophy of Science. En Susann Wa-

genknecht, Nancy Nersessian & Hanne Andersen (eds.), Empirical Philoso-

phy of Science: Introducing Qualitative Methods into Philosophy of Science

(pp. 65-82). Cham: Springer. https://doi.org/10.1007/978-3-319-18600-9

SYTSMA, Justin & BUCKWALTER, Wesley

2016 A Companion to Experimental Philosophy. Hoboken, NJ: Wiley-Blackwell.

THAGARD, Paul

1993 Computational Tractability and Conceptual Coherence. Canadian Journal

of Philosophy, 23(3), 349-363.

TELLER, Paul

2001 Twilight of the Perfect Model. Erkenntnis, 55, 393-415. https://doi.

org/10.1023/A:1013349314515

TRUSSWELL, Stewart

2001 Levels and kinds of Evidence for Public-Health Nutrition. e Lancet,

357(9262), 1061-1062. https://doi.org/10.1016/S0140-6736(00)04308-7

VAN FRAASSEN, Bas

2008 Scientic Representation. Oxford: Oxford University Press.

WEISBERG, Michael

2013 Simulation and Similarity: Using Models to Understand the World.

Oxford: Oxford University Press. https://doi.org/10.1093/acprof:oso/978

0199933662.001.0001

2007 Who is a Modeler? e Brisith Journal for the Philosophy of Science, 58(2),

207-233. https://doi.org/10.1093/bjps/axm011

ZIELIŃSKA, Dorota

2007 e Selective Mode of Language use and the Quantized Communicative

Field. Journal of Pragmatics, 39(5), 813-830. https://doi.org/10.1016/j.prag-

ma.2006.12.006

ZUIDEMA, Willem & DE BOER, Bart

2013 Modeling in the Language Sciences. En Robert Podesva & Devyani Sharma

(eds.), Research Methods in Linguistics (pp. 422-439). Cambridge: Cambrid-

ge University Press. https://doi.org/10.1017/CBO9781139013734

321

Sophia 38: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 295-321.

J B B C

Apoyos

Ayuda PID2023-147251NB-I00 del proyecto “OUTAGENCIES: Varieties

of autonomous agency across living, humanimal and technical system” (IP:

Xabier Barandiaran) ﬁnanciado por MICIU/AEI/10.13039/501100011033

y FEDER/UE.

Declaración de Autoría - Taxonomía CRediT

Autor Contribuciones

Juan Bautista Bengoetxea Cousillas

Al tratarse de autoría única, la contribución

total corresponde al mismo autor.

El contenido presentado en el artículo es de

exclusiva responsabilidad del autor

Declaración de Uso de Inteligencia Articial

Juan Bautista Bengoetxea Cousillas, DECLARA que la elaboración del artículo Los

modelos cientíﬁcos como herramientas epistémicas abstractas para aprender a ra-

zonar, no contó con el apoyo de Inteligencia Artiﬁcial (IA).

Fecha de recepción: 12 de julio de 2024

Fecha de revisión: 15 de septiembre de 2024

Fecha de aprobación: 15 de noviembre de 2024

Fecha de publicación: 15 de enero de 2025