Heurística

En psicología, una heurística (del griego εὑρίσκειν, que significa "hallar, inventar") es una regla sencilla para orientar la toma de decisiones. Usualmente una heurística opera cuando un problema es complejo o el problema trae información incompleta. En general, una heurística puede considerarse como un atajo a los procesos mentales activos y, por lo tanto, es una medida que ahorra o reserva recursos mentales. Mientras que el procesamiento sistemático implica un esfuerzo cognitivo elevado para analizar, comprender y evaluar críticamente la evidencia o los argumentos, el procesamiento heurístico requiere un esfuerzo mínimo y se apoya en reglas de decisión simples basadas en claves no de contenido. Las heurísticas funcionan efectivamente en la mayoría de las circunstancias; sin embargo, también pueden conducir a errores sistemáticos en la toma de decisiones.

Un ejemplo de un atajo mental es el uso de un estereotipo. Cuando se juzga a un individuo basándose en la descripción estereotípica de un grupo al cual pertenece, el uso del estereotipo puede resultar en un error, (juicio por preestablecido) ya que el individuo puede ser poco representativo del estereotipo. Sin embargo la heurística, aunque imperfecta, puede seguir siendo válida si el estereotipo es estadísticamente lo bastante correcto (no hay estadísticas de estereotipos disponibles). Así, los posibles errores puntuales quedan sobradamente compensados por los más frecuentes aciertos (más aciertos que errores). Estos son obtenidos, además, mediante una regla relativamente sencilla (no hay que basarse en razonamientos o conocimientos sólidos) que ahorra recursos mentales y acelera de forma significativa la toma de decisiones, lo que en ciertas situaciones puede resultar crítico (por ejemplo cuando la integridad física, mental o económica del individuo está en juego).

Eficiencia

Czerlinski et al. (1999) investigan en qué medida las heurísticas de decisión simples y frugales pueden alcanzar o incluso superar la precisión predictiva de modelos estadísticos lineales complejos como la regresión lineal múltiple y la regla de Dawes. Para ello, los autores evalúan el rendimiento de estas estrategias tanto en tareas de ajuste de datos conocidos (fitting) como en tareas de generalización a datos no observados (cross-validation), indagando bajo qué estructuras ambientales la simplicidad algorítmica resulta ecológicamente racional. El trabajo se fundamenta en la perspectiva de Egon Brunswik, que concibe la psicología como el estudio de las relaciones adaptativas entre el organismo y las estructuras de su entorno. A partir de este marco, el programa de investigación propone que la mente humana utiliza un «abanico adaptativo» (adaptive toolbox) de heurísticas rápidas y frugales que aprovechan la estructura de la información ambiental en lugar de realizar cómputos de optimización inalcanzables.

Los autores diseñaron una competición de simulación por ordenador denominada el «Tour de France» de las heurísticas, evaluando cuatro modelos de decisión a través de veinte entornos empíricos del mundo real procedentes de disciplinas como la psicología, sociología, demografía, economía, transporte, salud, biología y ciencias ambientales. La tarea consistió en realizar inferencias binarias sobre qué objeto de un par presentaba un valor superior en un criterio dado. Las estrategias comparadas fueron dos heurísticas rápidas y frugales (Take The Best y Minimalist) y dos modelos lineales (Regresión Múltiple y la Regla de Dawes). El estudio comprendió dos fases principales: en el primer tour (fitting), los modelos tuvieron acceso al 100 % de los datos para calcular ponderaciones o validez de claves e inferir sobre ese mismo conjunto. En el segundo tour (generalización), se utilizó validación cruzada dividiendo aleatoriamente cada entorno en dos mitades iguales (entrenamiento y prueba) 1000 veces para promediar la precisión predictiva fuera de muestra. Finalmente, se realizaron pruebas complementarias utilizando datos cuantitativos continuos, versiones truncadas de la regla de Dawes y muestras de entrenamiento extremadamente reducidas de solo 10 objetos.

En la prueba de ajuste de datos (fitting), la regresión lineal múltiple obtuvo el promedio más alto con un 77 % de inferencias correctas, seguida por Take The Best con un 75 %, la regla de Dawes con un 73 % y Minimalist con un 69 %. En la prueba de generalización a datos nuevos (cross-validation), la heurística Take The Best resultó la ganadora absoluta con un 71 % de precisión promedio, superando a la regla de Dawes (69 %), a la regresión múltiple (68 %) y a Minimalist (65 %). La regresión múltiple sufrió una pronunciada caída de 9 puntos porcentuales en su precisión al pasar del ajuste a la generalización debido al sobreajuste (overfitting), un problema especialmente crítico en entornos con una proporción baja de objetos por clave disponible. Sorprendentemente, Take The Best logró esta mayor precisión predictiva examinando en promedio únicamente 2.4 claves por inferencia, en comparación con las 7.7 claves requeridas por las estrategias lineales integradoras. Los análisis sobre las características de los entornos revelaron que la ventaja de Take The Best sobre la regresión está correlacionada negativamente con la proporción de objetos por clave, mientras que ni el coeficiente de determinación (R²) ni las intercorrelaciones entre claves lograron explicar las diferencias en el rendimiento.

Los autores concluyen que las heurísticas basadas en una sola razón (one-reason decision making) pueden ser más precisas al realizar predicciones fuera de muestra que las estrategias complejas que recopilan e integran toda la información disponible. Esta paradoja de que «menos puede ser más» se explica porque ignorar información y abstenerse de calcular ponderaciones óptimas actúa como un mecanismo eficaz de protección contra el sobreajuste (overfitting) de datos muestrales ruidosos o limitados. En consecuencia, el estudio demuestra que los procesos de juicio de la mente humana no necesitan imitar el funcionamiento de algoritmos estadísticos complejos como la regresión múltiple para lograr inferencias ecológicamente racionales y altamente precisas en el mundo real.

Ejemplos

Heurística de liderazgo

La heurística de liderazgo es el seguimiento implícito de la recomendación de un líder, incluso cuando este carece de información relevante, ventajas de talento o cualidades éticas que justifiquen dicha conducta.

En ingeniería

En ingeniería, una heurística es un método basado en la experiencia que puede utilizarse como ayuda para resolver problemas de diseño, desde calcular los recursos necesarios hasta en planear las condiciones de operación de los sistemas. Mediante el uso de heurísticas, es posible resolver más rápidamente problemas conocidos o similares a otros conocidos. Existen varios métodos heurísticos disponibles para los ingenieros como, por ejemplo, el Análisis modal de fallos y efectos y los árboles de fallo. En el primero se depende de un grupo de ingenieros experimentados que evalúan los problemas y fallos, los ordenan según su importancia y recomiendan soluciones.

Otros, como los métodos de ingeniería forense, son una amplia fuente de información para la investigación de problemas y responsables, y se basan en la heurística del eslabón más débil y en la eliminación de causas improbables. El conocimiento de qué causas son probables y cuáles no, forma una heurística aprendida por la profesión durante muchos años, más que un conocimiento científico aplicado.

Dado que las heurísticas pueden equivocarse, es fundamental conocer los casos en los que son aplicables y los límites a su uso. En general, en la ingeniería deben considerarse como ayudas o apoyos para hacer estimaciones rápidas y diseños preliminares, pero no como justificaciones finales de un diseño o proyecto u otros.

En la metodología científica

Como metodología científica, la heurística es aplicable a cualquier ciencia e incluye la elaboración de medios auxiliares, principios, reglas, estrategias y programas que faciliten la búsqueda de vías de solución a problemas; o sea, para resolver tareas de cualquier tipo para las que no se cuente con un procedimiento algorítmico de solución. Según Horst Müler: «Los procedimientos heurísticos son formas de trabajo y de pensamiento que apoyan la realización consciente de actividades mentales exigentes». Los procedimientos heurísticos como método científico pueden dividirse en principios, reglas y estrategias.

• Principios heurísticos: constituyen sugerencias para encontrar —directamente— la idea de solución; posibilita determinar, por tanto, a la vez, los medios y la vía de solución. Dentro de estos principios se destacan la analogía y la reducción (modelización).
• Reglas heurísticas: actúan como impulsos generales dentro del proceso de búsqueda y ayudan a encontrar, especialmente, los medios para resolver los problemas. Las reglas heurísticas que más se emplean son:
  • Separar lo dado de lo buscado.
  • Confeccionar figuras de análisis: esquemas, tablas, mapas, etc.
  • Representar magnitudes dadas y buscadas con variables.
  • Determinar si se tienen fórmulas adecuadas.
  • Utilizar números —estructuras más simples— en lugar de datos.
  • Reformular el problema.
• Estrategias heurísticas: se comportan como recursos organizativos del proceso de resolución, que contribuyen especialmente a determinar la vía de solución del problema abordado. Existen dos estrategias:
  • El trabajo hacia adelante: se parte de lo dado para realizar las reflexiones que han de conducir a la solución del problema: hipótesis.
  • El trabajo hacia atrás: se examina primeramente lo que se busca y, apoyándose en los conocimientos que se tienen, se analizan posibles resultados intermedios de lo que se puede deducir lo buscado, hasta llegar a los dados.

Véanse también: Ensayo y error, Gráfica y Método hipotético-deductivo.

Véase también

• Sesgo cognitivo
• Analogía
• Método científico
• Metaheurística
• Holismo
• Estocástico
• Cuasi-empirismo matemático

Bibliografía

• Beuchot, Mauricio (1999). Heurística y hermenéutica. UNAM. ISBN 9789683670892. 
• Czerlinski, Jean; Gigerenzer, Gerd; Goldstein, Daniel G. (1999). «How Good Are Simple Heuristics?». En Gerd Gigerenzer; Peter M. Todd; ABC Research Group, eds. Simple Heuristics That Make Us Smart (en inglés). New York: Oxford University Press. pp. 97-118. 

• Moustakas, Clark (1990). Heuristic Research: Design, Methodology and Applications. Sage Publications. ISBN 9781452210759.