Modelos formales y pensamiento matemático: hacía una epistemología científica de la psicología

Autores/as

Palabras clave:

Formalización matemática, modelos formales, psicología matemática, falsación, modelo dinámico, inferencia bayesiana, psicología clínica, redes psicológicas, epistemología de la psicología

Resumen

Este ensayo sostiene que la psicología requiere del pensamiento matemático en sentido amplio para fortalecer su carácter científico. Se argumenta que la reducción de las matemáticas al ámbito puramente numérico en la formación escolar limita la capacidad de razonamiento formal de profesionales y estudiantes, favoreciendo la aceptación de discursos carentes de estructura verificable dentro de la práctica clínica. A partir de la distinción entre modelos verbales y modelos formales, se muestra cómo la matematización, ya sea mediante ecuaciones, modelos probabilísticos, estructuras lógicas o topológicas, permite explicitar supuestos, generar predicciones y someter hipótesis a falsación. Se presentan ejemplos de aplicaciones: un modelo logístico hipotético que relaciona incertidumbre situacional y conducta prosocial, y un modelo dinámico inspirado en la física no lineal para describir la interacción terapeuta–paciente. Asimismo, se discute la viabilidad de incorporar formalismos no numéricos, como los propuestos en ciertas lecturas contemporáneas del psicoanálisis, dentro del marco científico siempre que se expresen como estructuras coherentes y contrastables. Se concluye que la formalización matemática no sustituye la dimensión humana de la clínica, sino que la complementa al dotarla de mayor claridad operacional, capacidad predictiva y responsabilidad epistemológica.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Arumugam, D., Ho, M. K., Goodman, N. D., & Van Roy, B. (2024). Bayesian reinforcement learning with limited cognitive load. Open Mind, 8, 395–438. https://doi.org/10.1162/opmi_a_00132

Franco, V. R., & Iglesias, F. (2023). Invitation to mathematical psychology: Models and benefits of formal theorizing. Psicologia: Teoria e Pesquisa, 39, e39515. https://doi.org/10.1590/0102.3772e39515.en

Golino, H. F., & Epskamp, S. (2016). Exploratory graph analysis: A new approach for estimating the number of dimensions in psychological research. arXiv. https://arxiv.org/abs/1605.02231

Goodwin, I., Hester, R., & Garrido, M. I. (2024). Temporal stability of Bayesian belief updating in perceptual decision-making. Behavior Research Methods, 56(12), 6349–6362. https://doi.org/10.3758/s13428-023-02306-y

Lacan, J. (2013). Escritos 1. Siglo XXI Editores.

Liebovitch, L. S., Peluso, P. R., Norman, M. D., Su, J., & Gottman, J. M. (2011). Mathematical model of the dynamics of psychotherapy. Cognitive Neurodynamics, 5(3), 265–275. https://doi.org/10.1007/s11571-011-9157-x

López Puga, J., García García, J., De la Fuente Sánchez, L., & De la Fuente Solana, E. I. (2007). Las redes bayesianas como herramientas de modelado en psicología. Anales de Psicología, 23(2), 307–316. https://www.redalyc.org/pdf/167/16723218.pdf

Malkin, J., O’Donnell, C., Houghton, C. J., & Aitchison, L. (2024). Signatures of Bayesian inference emerge from energy-efficient synapses. eLife, 12, Article RP92595. https://doi.org/10.7554/eLife.92595

Nachiketa, A. (2019). Mathematical psychology: An approach to psychological research. Research Review International Journal of Multidisciplinary, 4(6), 1025–1030. https://old.rrjournals.com/wp-content/uploads/2019/07/1025-1030_RRIJM190406215.pdf

Pott, J., & Schilbach, L. (2022). Tracking and changing beliefs during social interaction: Where computational psychiatry meets cognitive behavioral therapy. Frontiers in Psychology, 13, Article 1010012. https://doi.org/10.3389/fpsyg.2022.1010012

Ramos, S., López-Tolsa, G. E., Martínez-Herrada, A., Molines, F., Palomino, M., & Pellón, R. (2025). Uso de modelos matemáticos como parte del análisis de datos en psicología: El caso del descuento por demora. Acción Psicológica, 22(1), 101–114. https://doi.org/10.5944/ap.22.1.43727

Rutherford, A. (2021). Mathematical thinking: For people who hate math: Level up your analytical and creative thinking skills: Excel at problem-solving and decision-making. Independently Published.

Townsend, J. T., & Neufeld, R. W. J. (2010). Introduction to special issue on contributions of mathematical psychology to clinical science and assessment. Journal of Mathematical Psychology, 54(1), 1–4. https://doi.org/10.1016/j.jmp.2009.12.003

van den Ende, M. W. J., Epskamp, S., Lees, M. H., van der Maas, H. L. J., Wiers, R. W., & Sloot, P. M. A. (2022). A review of mathematical modeling of addiction regarding both (neuro-)psychological processes and the social contagion perspectives. Addictive Behaviors, 127, Article 107201. https://doi.org/10.1016/j.addbeh.2021.107201

Xu, Z., Hemmer, P., & Zhang, Q. (2025). Towards a generalized Bayesian model of reconstructive memory. Computational Brain & Behavior, 8(2), 134–146. https://doi.org/10.1007/s42113-024-00222-8

Publicado

2026-06-30