¿Verdad o desinformación? Un estadístico explica el desafío de evaluar la evidencia

Cuando el Secretario de Salud de los Estados Unidos, Robert F. Kennedy Jr., presentó a principios de este año nuevas pautas dietéticas para “Hacer que Estados Unidos vuelva a ser saludable”, recibió una respuesta mixta.

Algunas organizaciones, incluida la Asociación Estadounidense del Corazón, han acogido con satisfacción el énfasis renovado en las verduras, las frutas y los cereales integrales. Otros estaban preocupados por la promoción de la carne roja y los lácteos enteros, o acusaron a Kennedy de difundir “información flagrantemente errónea de que las ‘grasas saludables’ incluyen la mantequilla y el sebo de res”.

La palabra “desinformación” se ha vuelto muy común en los medios y el discurso popular, a veces por una buena razón, ya que las mentiras que engloba pueden socavar la democracia, dañar la salud e incitar a la violencia.

Como decano asociado de Estrategia de Inteligencia Artificial en la Facultad de Matemáticas de la Universidad de Waterloo, sé que a muchos les preocupa especialmente que la IA pueda exacerbar la difusión de información errónea.

Sin embargo, la palabra “desinformación” también está cargada. Parece haber una tendencia creciente entre las personas a aplicar la etiqueta a casi cualquier cosa con la que no estén de acuerdo, en lugar de a mentiras descaradas.

Como profesor de estadística, creo que la dificultad inherente a la evaluación de la evidencia es en parte culpable.

¿Está cargado el cubo?

Afirmaciones como “no hay evidencia de que comer carne roja sea perjudicial” o “existe evidencia de que los productos lácteos enteros son perjudiciales para la salud” no son tan fáciles de fundamentar.

Esto se debe en parte a que a menudo es difícil (aunque no imposible con técnicas estadísticas avanzadas) aislar el efecto de un hábito particular de la multitud de otros factores de confusión, ya sean genéticos o de estilo de vida, que también afectan la salud. Esta es la razón por la que muchos estudios de investigación sólo señalan una “asociación” o “correlación” entre el consumo de alimentos y los efectos sobre la salud.

Pero incluso en casos claros en los que no existe tal entrelazamiento, evaluar la evidencia sigue siendo sorprendentemente difícil. Por ejemplo, supongamos que se lanza un dado siete veces y muestra un resultado impar (los números uno, tres o cinco) en seis de esas ocasiones. En principio, los resultados pares e impares deberían ser igualmente probables.

Si estás jugando y tu oponente sigue lanzando el doble seis deseado, ¿eso significa que tus dados están cargados? (Getty/Unsplash+)

¿Un resultado aparentemente sesgado es evidencia de que el dado puede estar cargado? ¿Indica esto la posibilidad de que alguien haga trampa?

Utilizando una escala de evidencia conocida como valor p, se podría decir que no, ya que todavía existe una alta probabilidad de que un dado normal muestre un resultado impar en más de cinco de esas siete tiradas, por lo que sacar seis números impares no es tan inesperado como parece.

Sin embargo, utilizando una escala probatoria diferente conocida como valor-e, se podría decir que sí, ya que sería mucho más probable que el dado mostrara un resultado impar en seis de siete tiradas si estuviera cargado que si no. Por lo tanto, sacar seis números impares es consistente con sospechar que el dado puede estar cargado.

A lire aussie: La desinformación climática se está convirtiendo en una amenaza para la seguridad nacional. Canadá no está preparado para eso.

Escala de evidencia científica

A pesar de las crecientes críticas, el valor p sigue siendo actualmente la escala más utilizada para evaluar la evidencia científica. En otras palabras, a la mayoría de los científicos actuales se les enseñó en la escuela que debían responder a nuestra pregunta con “no, el cubo no está lleno”.

Sin embargo, el argumento opuesto no carece de fundamento. De hecho, si hubiera apostado honestamente a que el dado estaba cargado, el corredor de apuestas habría tenido que recompensarme con una ganancia tras observar el resultado de seis números impares. Eso es lo que en última instancia significa e-value: el resultado de una apuesta. Y si se puede ganar dinero con tal apuesta, entonces la sospecha no puede ser del todo irrazonable.

¿Pero seguramente dos argumentos opuestos no pueden ser ciertos al mismo tiempo? ¿O puedo? Ambos argumentos requieren un umbral implícito para sacar conclusiones de sí o no. Para el primer argumento, el umbral es: ¿qué tan alta probabilidad (dos por ciento, cinco por ciento o 10 por ciento) es “alta probabilidad”? Por otro lado, el umbral es: ¿cuánto más probable (cinco, diez o veinticinco veces) es “mucho más probable”?

Los dos argumentos no se contradicen fundamentalmente, pero, utilizando umbrales diferentes, uno termina diciendo “negro” y el otro “blanco”, cuando la realidad es sólo un cierto tono de gris. De hecho, los estadísticos pueden calibrar sus respectivos umbrales de decisión para llegar siempre a la misma conclusión.

¿Cómo se sopesa la evidencia al decidir si se come o no un donut? (Unsplash/Rod Long) Usemos la ‘desinformación’ para mentiras reales

Pero el ser humano promedio no es muy bueno psicológicamente para realizar este tipo de calibración. Tendemos a reaccionar de manera muy diferente cuando cambia la escala subyacente.

¿Seguirías comiendo este manjar si te dijeran que quienes lo comen con regularidad tienen 25 veces más probabilidades de desarrollar cáncer en el futuro que quienes no lo hacen? ¿Qué pasaría si le dijeran que aumentaría su probabilidad de cáncer del 0,01 por ciento al 0,25 por ciento?

Es posible que decida cambiar su dieta porque teme un mayor riesgo. Puede decidir continuar con su dieta actual, ya que incluso el mayor riesgo no es tan alto.

Ninguna elección es estrictamente correcta o incorrecta. Pero hoy tengo miedo de decir: “No veo la necesidad de cambiar mi dieta dados los riesgos. Si lo hiciera, aquellos que están entusiasmados con cambiar la suya podrían unirse y acusarme de difundir ‘desinformación'”. Esta locura debe detenerse antes de que destruya por completo nuestro discurso social.

La palabra “desinformación” debería reservarse sólo para mentiras descaradas, no para conclusiones extraídas de umbrales subjetivos, incluso si se trata de opciones estándar. Decir que hay o no evidencia simplemente porque el valor p está por debajo o por encima del umbral convencional ya ha generado demasiados hallazgos anecdóticos.

Llamar a algo “desinformación” basándose en ese tipo de evidencia inestable, o la falta de ella, sólo obstaculizará el progreso científico real.