Las máquinas del muddling through y la ciencia de las políticas

Autores/as

Fernando Filgueiras

Universidade Federal de Goiás , Escola Nacional de Administração Pública , Instituto Serzedello Corrêa

Autor/a

https://orcid.org/0000-0001-9570-8113

DOI:

https://doi.org/10.67312/policymaking.v1n1.a9

Palabras clave:

aprendizaje automático, evidencia, cambio epistémico, conocimiento, policymaking

Resumen

Según Lindblom, las políticas públicas se basan en análisis limitados, se formulan bajo condiciones de racionalidad limitada y operan con escasa o ninguna teoría explícita del programa. Las políticas se configuran mediante procesos de prueba y error y solo alcanzan resultados incrementales. Los algoritmos de aprendizaje automático han sido adoptados en el sector público con la expectativa de fortalecer las bases empíricas de la formulación de políticas, materializando la visión de Harold
Lasswell de una ciencia de las políticas sustentada en el conocimiento científico. Sin embargo, casos documentados de implementación de estos algoritmos en la protección social, la actividad policial y la administración de prestaciones en diversos países muestran que estos sistemas reproducen, en lugar de superar, la condición de racionalidad limitada. Este artículo examina cómo la incorporación del aprendizaje automático predictivo al proceso de las políticas públicas transforma los fundamentos epistemológicos de la ciencia de las políticas y qué implicaciones tiene esta transformación para la formulación de políticas basada en evidencias. A partir de una revisión analítica de la literatura sobre aprendizaje automático y políticas públicas, complementada con casos empíricos de Australia, Brasil e India,
sostenemos que el carácter industrial de estos algoritmos y su adopción acrítica no respaldan un proceso de formulación de políticas basado en el conocimiento científico. Los algoritmos de aprendizaje automático tienen importantes implicaciones
para la epistemología y la práctica de la ciencia de las políticas. Sus resultados están determinados no por evidencias científicas, sino por procesos de prueba y error y experimentación desarrollados en procesos de diseño opacos. El diseño de
algoritmos converge con el diseño de políticas públicas, generando nuevos dilemas prácticos para la formulación de políticas. Concluimos que la incorporación del aprendizaje automático al proceso de las políticas públicas produce lo que
denominamos machines of muddling through: sistemas que transforman los fundamentos epistemológicos de la actividad de formulación de políticas sin resolver sus incertidumbres fundamentales.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

Fernando Filgueiras, Universidade Federal de Goiás, Escola Nacional de Administração Pública, Instituto Serzedello Corrêa

Fernando Filgueiras es profesor asociado de la Facultad de Ciencias Sociales de la Universidad Federal de Goiás (UFG). Profesor del Doctorado en Políticas Públicas de la Escuela Nacional de Administración Pública (ENAP). Profesor del Instituto Serzedello Corrêa de la Corte Federal de Cuentas. Profesor afiliado del Taller Ostrom sobre Teoría Política y Análisis de Políticas de la Universidad de Indiana. Investigador del Instituto Nacional de Ciencia y Tecnología (INCT) – Calidad de Gobierno. Becario del Consejo Nacional de Desarrollo Científico y Tecnológico (CNPq). Filgueiras es doctor en Ciencias Políticas por el Instituto Universitario de Investigación de Río de Janeiro (Iuperj).

Cover Image