¿Cómo saben lo que saben los peritos?: el modelo de Philip Candilis sobre epistemología forense
De qué va todo esto
En agosto de 2026, Philip J. Candilis, profesor de psiquiatría forense en la George Washington University, publicó en el Journal of the American Academy of Psychiatry and the Law un texto titulado "An Epistemology for Forensic Psychiatry". No es un artículo de investigación al uso: es un discurso presidencial, el texto con el que el presidente de la AAPL (la Academia Americana de Psiquiatría y Derecho) se dirige a sus colegas. Ese formato importa, porque le permite hacer algo que un paper normal no haría: plantear una pregunta incómoda y muy de fondo sobre el oficio entero.
La pregunta es esta: ¿por qué dos psiquiatras forenses igual de formados, igual de titulados y con acceso a la misma información pueden llegar a conclusiones opuestas en el mismo caso?
Cualquiera que haya seguido un juicio con peritos conoce la escena. La defensa presenta a un psiquiatra que afirma que el acusado no comprendía la naturaleza de sus actos. La acusación presenta a otro psiquiatra, con un currículum igual de sólido, que afirma exactamente lo contrario. El jurado se queda mirando y piensa lo que piensa todo el mundo: aquí alguien está comprado. O peor: esto de la psiquiatría forense no es una ciencia, es una opinión que se vende al mejor postor.
Candilis no quiere despachar eso con la explicación fácil. La explicación fácil existe y es parcialmente cierta: los peritos difieren por su formación teórica, por su afiliación institucional, por sesgos, por su apego a una metodología concreta. También difieren porque manejaron fuentes distintas, porque uno consiguió más cooperación del entrevistado que el otro, o porque simplemente uno entrevista mejor. Todo eso es verdad. Pero Candilis sostiene que todas esas diferencias se pueden clarificar si uno sube un nivel de abstracción y se pregunta por la epistemología: la disciplina que estudia cómo sabemos lo que sabemos.
Su tesis, resumida en una frase: la psiquiatría forense necesita una epistemología explícita, y esa epistemología debe construirse sobre dos pilares que trabajan juntos, la lógica y la probabilidad.
Primero, qué es una epistemología (y por qué a un perito debería importarle)
Epistemología suena a asignatura de filosofía con poco que ver con un juzgado. Pero la idea central es muy práctica.
La epistemología clásica define el conocimiento con una fórmula célebre:
Verdad + Creencia Justificada = Conocimiento
Desglosémosla. La verdad es el estado real de las cosas: lo que efectivamente ocurrió, lo que efectivamente le pasa por la cabeza a una persona. La creencia es tu grado de convicción sobre eso. Y la justificación es el conjunto de razones y evidencias que sostienen tu creencia.
Los tres elementos tienen que estar. Si crees algo que resulta ser cierto pero lo crees por casualidad, sin buenas razones, eso no es conocimiento: es suerte. Si tienes razones excelentes para creer algo que resulta ser falso, tampoco es conocimiento. Y si algo es verdad pero tú no lo crees, evidentemente no lo sabes.
Candilis señala que esta fórmula tiene su versión científica. La empiria de Isaac Newton —observar sistemáticamente y sacar leyes de esa observación— produjo conocimiento sobre la gravedad y el movimiento planetario que marcó a generaciones de investigadores. La falsabilidad de Karl Popper —una hipótesis solo es científica si puede ser refutada por la evidencia— es la que está detrás del diseño de estudios y de la redacción de proyectos de investigación tal como los conocemos hoy. Ambas son maneras de justificar creencias para convertirlas en conocimiento fiable.
Para un perito, esto se traduce en algo muy concreto: decidir qué entra en el informe y qué se queda fuera. Cada vez que un forense descarta un parte policial por poco fiable, o le da más peso al testimonio de una hermana que al de un vecino, o decide que un test psicométrico es concluyente y otro no, está haciendo epistemología sin llamarla así. Candilis propone hacerlo consciente, sistemático y comunicable.
Y aquí aparece un beneficio que no es evidente al principio: una epistemología explícita ofrece un vocabulario común. Si dos peritos discrepan y ambos pueden explicar en los mismos términos cómo llegaron a su conclusión, la discrepancia deja de ser un choque de autoridades y se convierte en algo examinable. Se puede señalar exactamente en qué paso se separaron los caminos.
El problema de fondo: la incertidumbre viene de todas partes
Antes de proponer soluciones, Candilis hace un inventario honesto de las fuentes de incertidumbre que una epistemología forense tendría que atravesar. Son más de las que uno esperaría.
Las definiciones no son estables
Uno pensaría que al menos los conceptos legales están fijados. No lo están. En Estados Unidos, la inimputabilidad (insanity) se define de forma distinta según la jurisdicción: algunos estados siguen el estándar del American Law Institute, otros la regla histórica derivada del caso M'Naughten, y algunos directamente no tienen criterios de inimputabilidad. El mismo acusado, con el mismo cuadro clínico, puede ser inimputable en un estado y plenamente responsable en el de al lado.
Lo mismo pasa con la discapacidad, otra evaluación forense frecuentísima. La Administración de la Seguridad Social la define en función de la capacidad de trabajar. El CDC la enfoca como deterioro funcional. Y el gobierno federal, a través de la Americans with Disabilities Act, la define como una categoría de protección de derechos civiles. Tres definiciones, tres instituciones, un solo término.
Esto no es un tecnicismo. Cambia cómo el perito estudia el tema, cómo lo conceptualiza y qué dice en el estrado.
Ni siquiera hay acuerdo sobre qué es la justicia
Candilis sube todavía un peldaño más. Los peritos trabajan dentro de un sistema de justicia, y tienen —lo sepan o no— una concepción de qué es la justicia. Y esas concepciones han variado enormemente:
Platón entendía la justicia como una característica tanto de las instituciones armoniosas como de los individuos.
Tomás de Aquino la describía como una virtud específica, un hábito.
John Rawls, en 1971, la definió como equidad (justice as fairness): unas reglas de juego diseñadas de forma imparcial.
Amartya Sen, en 2009, corrigió a Rawls: no basta con un estado ideal de reglas justas; la justicia es un asunto práctico y remediable, un problema que hay que corregir caso por caso.
El pensamiento contemporáneo ha añadido la cuestión del trato desigual a grupos marginados, que sufren más violencia policial, fianzas más altas y condenas más largas.
Esto tiene una consecuencia práctica preciosa que Candilis señala: un perito rawlsiano y un perito seniano evaluarían de forma distinta el éxito de un caso. El que sigue a Sen juzgaría el resultado: si el desenlace fue injusto, algo falló. El que sigue a Rawls podría aceptar un resultado desfavorable si el procedimiento fue el correcto, asumiendo que el sistema es imperfecto pero legítimo. Dos personas honestas, dos varas de medir distintas, y ninguna de las dos lo ha dicho en voz alta.
A eso se suman las preguntas incómodas de siempre: ¿Cómo influye la visión de la justicia del perito cuando el acusado pertenece a una minoría? ¿Y en casos especialmente cargados, como delitos sexuales o custodia de menores? ¿Cómo pesa la relación con la parte que le contrata? ¿Cómo pondera fuentes primarias frente a fuentes de terceros, o datos cuantitativos frente a cualitativos?
El problema nomotético/idiográfico: el más gordo de todos
De todas las incertidumbres, Candilis identifica una como la mayor: aplicar información general a un caso concreto.
En medicina forense y clínica esto se conoce como el problema nomotético versus idiográfico. Lo nomotético es lo que sabemos de grupos: estadísticas, estudios poblacionales, tasas. Lo idiográfico es este señor, aquí, ahora, con su biografía irrepetible.
El salto de uno a otro nunca es automático. La persona que tienes delante puede no parecerse a la población del estudio en condición, conducta o demografía. Y sin embargo el tribunal quiere una respuesta sobre esta persona.
El ejemplo que da Candilis es demoledor. En las evaluaciones de competencia para ser juzgado, uno de los escenarios más difíciles es predecir si la medicación va a funcionar en alguien diagnosticado de trastorno delirante. El trastorno delirante ya es difícil de tratar en un contexto clínico normal; especular sobre su respuesta al tratamiento en un contexto forense es todavía más arriesgado. Los estudios forenses relevantes son pocos, pequeños y de diseño pobre. Y sin embargo, en una audiencia Sell —el procedimiento por el que se decide si se puede medicar a alguien contra su voluntad para restaurar su competencia procesal—, la probabilidad de que el tratamiento restaure la competencia es un elemento central del testimonio. Hay que dar una respuesta sobre la base de una evidencia débil. El razonamiento que conecta lo general con lo particular tiene que estar muy bien construido, porque es casi lo único que sostiene la conclusión.
La navaja de Occam como herramienta
Aquí Candilis introduce la primera herramienta concreta: la navaja de Occam, en honor al filósofo y teólogo Guillermo de Occam (c. 1287-1347).
El principio es conocido: no multiplicar las causas de un fenómeno más allá de lo necesario; entre teorías predictivas rivales, elegir la más simple. Candilis lo llama parsimonia, y la presenta como un valor forense: el razonamiento afilado que corta lo superfluo del informe pericial.
Pero el uso que le da, que es más sutil que "lo simple es mejor". La navaja sirve como contraste frente al pensamiento excesivamente inclusivo: ese informe que acumula hipótesis, diagnósticos alternativos y factores concurrentes hasta que ya no dice nada. Y sirve además como indicador: cuando el razonamiento de un perito es apretado y parsimonioso, eso mismo revela que detrás hay una epistemología coherente. La forma del argumento delata la calidad del método.
El sesgo: por qué creemos lo que creemos
La segunda parte del artículo aborda el otro gran obstáculo: el sesgo. Y lo hace enlazando con un precedente dentro de la propia AAPL.
En 2013, Charles Scott dio su propio discurso presidencial con un título que lo dice todo: "Believing doesn't make it so" (creerlo no lo hace cierto). Scott sostenía que la pericia forense depende de la confianza en información científicamente fiable y no sesgada, y se apoyaba en un modelo de Paul Appelbaum que distingue dos cosas:
la verdad objetiva: la evidencia científica, lo que realmente es el caso;
la verdad subjetiva: la creencia del perito en esa evidencia.
El sesgo es exactamente lo que se mete entre las dos. Scott repasó los sospechosos habituales: sesgo de anclaje (quedarse pegado al primer dato que uno recibe), de atribución (explicar la conducta ajena por el carácter y la propia por las circunstancias), de confirmación (buscar solo lo que respalda la hipótesis que ya tenemos) y retrospectivo o hindsight (una vez conocido el desenlace, todo parecía predecible —especialmente venenoso en casos de mala praxis, donde el perito ya sabe que el paciente se suicidó cuando evalúa si el clínico debió preverlo).
Candilis conecta esto con el trabajo de Daniel Kahneman y Amos Tversky, los psicólogos que fundaron el estudio moderno de los sesgos cognitivos. De sus décadas de investigación destaca especialmente el sesgo de disponibilidad: juzgamos la probabilidad de algo según la facilidad con la que nos vienen ejemplos a la cabeza, y lo reciente y emocionalmente cargado viene con mucha facilidad.
Los ejemplos son inmediatos. La cobertura constante de crímenes en las noticias hace que la gente crea que hay mucho más crimen del que hay. Los accidentes de avión, que son noticia mundial cada vez que ocurren, parecen más frecuentes de lo que son. Y esto no afecta solo a los legos: se ha documentado en pacientes oncológicos y diabéticos, cuyas experiencias emocionales recientes condicionan sus decisiones médicas.
De ahí el famoso marco de Kahneman en Pensar rápido, pensar despacio: un sistema rápido, intuitivo y emocional, y otro lento, deliberado y cognitivo. El primero es indispensable para vivir y catastrófico para peritar.
La conclusión de Candilis es que la investigación sobre sesgos respalda la intuición de Scott: las conclusiones forenses no las determina solo la evidencia, sino cómo los peritos la interpretan, la evalúan y reaccionan a ella. Y con eso queda cerrada la conexión epistemológica: la verdad y la creencia justificada, otra vez, produciendo conocimiento.
La falacia del fiscal: el error que demuestra por qué la lógica importa
Esta es, con diferencia, la sección más brillante del artículo, y la que más vale la pena entender bien aunque uno no tenga nada que ver con la psiquiatría forense.
El error, explicado despacio
La falacia del fiscal consiste en confundir dos probabilidades que suenan igual pero no lo son:
La probabilidad de observar esta evidencia si la persona fuera inocente — en notación: P(E|I), que se lee "probabilidad de E dado I".
La probabilidad de que la persona sea inocente dado que observamos esta evidencia — P(I|E).
La falacia consiste en tratarlas como si fueran la misma: P(E|I) = P(I|E). No lo son. Nunca lo son, salvo por coincidencia numérica.
Una analogía que ayuda: la probabilidad de que estés mojado si está lloviendo es altísima, cerca del 100%. La probabilidad de que esté lloviendo si estás mojado es mucho menor: podrías haber salido de la ducha, de la piscina, o haberte caído un vaso encima. Misma pareja de hechos, dos probabilidades completamente distintas según cuál sea la condición y cuál la consecuencia.
Candilis señala que el error tiene dos caras. Una es direccional: se invierten las variables y se sigue tratando el número como si valiera igual. La otra es contextual: se ignora la tasa base, es decir, cuánta gente hay que podría producir esa misma evidencia. Por eso a la falacia del fiscal se la llama también negligencia de la tasa base (base rate neglect).
People v. Collins: cómo unas matemáticas mal hechas condenan a alguien
El caso que mejor ilustra esto en la jurisprudencia estadounidense es People v. Collins, resuelto por el Tribunal Supremo de California en 1968.
Los hechos: en Los Ángeles, en 1964, el matrimonio Collins fue detenido por un robo tras coincidir con las características descritas por un testigo. La acusación llamó a declarar a un estadístico local, que trabajó con una serie de tasas suministradas por la propia fiscalía: la probabilidad de que una mujer sea rubia, la de una pareja interracial en un coche amarillo, la de un hombre negro con barba, la de un hombre con bigote.
El estadístico multiplicó todas esas probabilidades y obtuvo una cifra espectacular: una probabilidad de 1 entre 12.000.000 de que la pareja no fuera culpable.
El número es basura, y por al menos cuatro razones distintas:
Las tasas eran inventadas. No procedían de ninguna medición empírica; eran cifras que la acusación proporcionó.
Se multiplicaron variables que no son independientes. Multiplicar probabilidades solo es válido si los sucesos son independientes entre sí. Y aquí claramente no lo eran: un hombre con barba probablemente tiene también bigote, así que esas dos "características" son en gran medida la misma. Y un hombre negro cuya pareja es de otra raza es, por definición, parte de una pareja interracial: no son dos hechos independientes, es el mismo hecho contado dos veces. Cada vez que se multiplica una redundancia como si fuera información nueva, el número final se hincha artificialmente.
Se usó una probabilidad de muestreo donde hacía falta una probabilidad inferencial. Esta distinción es clave. Una cosa es preguntar "¿qué probabilidad hay de que una pareja tomada al azar tenga estas características?" (probabilidad de muestreo, sobre una observación). Otra muy distinta es preguntar "¿qué probabilidad hay de que estos acusados sean culpables?" (probabilidad inferencial, sobre una hipótesis). Son ideas conceptualmente distintas, y equipararlas condiciona la probabilidad sobre supuestos diferentes.
Se ignoró la tasa base. En el área de Los Ángeles había, según distintas estimaciones, entre cinco y seis millones de parejas. Cuando se toma eso en cuenta, la probabilidad de culpabilidad se desploma.
El Tribunal Supremo de California anuló la condena y su razonamiento tiene dos partes preciosas.
Primero, el tribunal observó que toda la teoría probabilística de la acusación descansaba en un supuesto no demostrado: que los testigos habían establecido de manera concluyente que la pareja culpable poseía exactamente esas características. Ninguna fórmula matemática, dijo el tribunal, puede establecer más allá de toda duda razonable que los testigos observaron correctamente y describieron con exactitud los rasgos que sirvieron para vincular a los acusados con el delito. Es decir: por muy elegante que sea el cálculo, si los datos de entrada son observaciones humanas frágiles, la conclusión hereda esa fragilidad.
Segundo —y aquí está la parte matemáticamente demoledora— el tribunal aceptó hipotéticamente la cifra de 1 entre 12 millones y aun así demostró que no probaba nada. Aun aceptando el número como aritméticamente correcto, no se podía concluir que los Collins fueran probablemente la pareja culpable. Al contrario: las propias cifras de la acusación implicaban una probabilidad superior al 40% de que existiera al menos otra pareja con las mismas características.
Piénselo un segundo, porque es contraintuitivo y por eso funciona tan bien ante un jurado. "Uno entre doce millones" suena a certeza absoluta. Pero si en la zona hay millones de parejas, es bastante probable que haya otra que también encaje. Y si hay dos parejas que encajan, la evidencia por sí sola no distingue entre ellas: la probabilidad de culpabilidad de estos acusados concretos no es 99,99…%, es como mucho un cara o cruz.
La versión moderna: el ADN
Candilis traslada el mismo esquema a un escenario mucho más actual, el de las pruebas de ADN, donde el problema sigue vivísimo.
Supongamos que se encuentra ADN en la escena de un crimen y hay una coincidencia con alguien de la ciudad. La cifra que se presenta en el juicio suele ser la probabilidad de coincidencia aleatoria, y suele ser impresionante. Pero hay que contextualizarla con los falsos positivos que genera la tasa base.
El ejemplo que usa: en una ciudad de un millón de habitantes, supongamos que el método produce nueve coincidencias falsas. Si además está el verdadero culpable, tenemos diez coincidencias en total, de las cuales nueve son falsas: una tasa de falsos descubrimientos de nueve sobre diez. Dicho de otro modo: dada la coincidencia, la proporción es de nueve a uno a favor de la inocencia, no de la culpabilidad.
La lógica, corregida por las tasas base, apunta en dirección contraria a la que sugería el número deslumbrante.
Por qué esto le importa a un psiquiatra forense
Podría parecer que todo esto va de estadísticos y de ADN, no de salud mental. Candilis cierra el círculo: los peritos en salud mental viven exactamente en este problema todos los días.
Las tasas base de violencia y de suicidio son bajas. Precisamente por eso el forense responsable testifica sobre factores de riesgo y no sobre cálculos de certeza. Decir "este hombre va a ser violento" es cometer la falacia del fiscal en versión clínica: ignorar que, aunque los violentos compartan ciertos rasgos, la inmensa mayoría de las personas con esos rasgos nunca serán violentas, simplemente porque la violencia es infrecuente. El razonamiento que salva al perito de ese error es el mismo que salvó a los Collins.
La probabilidad como segundo pilar: Bayes entra en escena
Si la lógica es el primer pilar, la probabilidad es el segundo. Y el nombre que lo articula todo es el de Thomas Bayes (1702-1761), ministro y matemático inglés del siglo XVIII.
Qué dice el teorema, sin fórmulas asustadizas
Bayes ofreció un marco para pensar la calidad del conocimiento a partir de tres ingredientes:
La probabilidad previa (prior): cuán probable era la hipótesis antes de mirar los datos. Esto son, esencialmente, las tasas base.
La probabilidad de la evidencia: cuán esperable era observar lo que hemos observado.
La probabilidad relativa frente a explicaciones alternativas: no basta con que la evidencia encaje con nuestra hipótesis; hay que preguntarse si encajaría igual o mejor con otras.
Formalmente, el teorema deriva P(A|B) —la probabilidad de la hipótesis A dada la evidencia B— a partir de P(B|A), P(A) y P(B). El resultado se llama probabilidad posterior (posterior): la probabilidad de la hipótesis a la luz de la evidencia, y se actualiza con cada nuevo dato que llega.
En términos prácticos, y esto es lo que hay que retener: el razonamiento bayesiano actualiza conclusiones provisionales a medida que llega información nueva. Cuanto más fuerte y fiable es la evidencia, mayor es la confianza en el resultado.
Candilis hace notar algo elegante: la probabilidad posterior está compuesta por las probabilidades previas más sus actualizaciones. Es decir, es una analogía estadística de la vieja fórmula epistemológica: Verdad + Creencia Justificada = Conocimiento. Los previos son el punto de partida, la evidencia es la justificación, el posterior es el conocimiento provisional.
Hay un detalle que merece subrayarse: el razonamiento bayesiano es al mismo tiempo el estándar normativo contra el que Kahneman y Tversky midieron los sesgos —los sesgos se llaman sesgos precisamente porque desvían nuestro juicio respecto de lo que dictaría el cálculo bayesiano— y el antídoto contra ellos, si se aplica deliberadamente.
Bayes ya estaba en la psiquiatría forense (aunque no siempre con ese nombre)
Candilis muestra que este marco no es una importación exótica: encaja con dos tradiciones importantes dentro de su propia disciplina.
Thomas Gutheil y su equipo del Massachusetts Mental Health Center desarrollaron a principios de los noventa un enfoque de toma de decisiones para casos de mala praxis y otros, que era esencialmente probabilístico. Reconocía abiertamente las incertidumbres de la observación, la medición y el análisis en el terreno forense: la ciencia es incierta, las conductas son inciertas y las motivaciones son inciertas. Este planteamiento era más subjetivo que los enfoques tradicionales que buscaban respuestas concretas a preguntas científicas, e incorporaba explícitamente valores además de probabilidades. Los ejemplos que da: las leyes de internamiento involuntario, que ponderan en un espectro la seguridad de la comunidad frente a la autonomía del paciente; los jueces y peritos, que equilibran factores sociales y científicos según su rol; y todos ellos, que combinan de distintas maneras lo objetivo y lo subjetivo. Conclusión de Gutheil: el razonamiento forense es, en última instancia, un juicio ponderado que trabaja con probabilidades e incertidumbre.
Douglas Mossman, de la Universidad de Cincinnati, fue más lejos y conectó explícitamente el pensamiento probabilístico con el análisis bayesiano. Lo hizo en dos frentes:
Primero, en la evaluación del riesgo de violencia. Mossman describió cómo, antes de la sentencia Tarasoff (1976, el caso que estableció el deber del terapeuta de proteger a terceros identificables), el campo funcionaba fundamentalmente con predicciones binarias: este paciente es peligroso o no lo es. Después de Tarasoff se produjo un cambio de fondo: aparecieron niveles graduales de confianza y las evaluaciones empezaron a tener en cuenta tasas base y falsos positivos. Mossman demostró que esa evolución podía describirse con precisión mediante el teorema de Bayes. Lo que había ocurrido, en el fondo, es que las evaluaciones de riesgo de violencia habían dejado de ser predicciones para convertirse en estimaciones de probabilidad.
Segundo, en la simulación de síntomas (malingering). Aquí Mossman hizo algo más ambicioso: construyó ecuaciones bayesianas concretas para evaluar a un individuo. Tomaba las tasas base de simulación de una población equiparable a la del sujeto —y así, de paso, atacaba de frente el problema nomotético/idiográfico, porque el previo ya está ajustado a alguien como esta persona— y las combinaba con las puntuaciones del test del sujeto. El resultado era una probabilidad postest (es decir, posterior) para ese examinado concreto.
El valor de esto es fácil de ver si uno piensa en cómo se testificaba antes. La formulación clásica era vaga: los resultados del sujeto son "característicos de personas que simulan". ¿Y eso qué significa exactamente ante un jurado? Con el enfoque de Mossman, la respuesta se convierte en una probabilidad concreta de simulación, dada una estimación previa y unos resultados de test específicos.
Y Candilis añade un matiz importante para no espantar a nadie: para caracterizar una epistemología forense basta con demostrar hasta dónde puede aplicarse el pensamiento bayesiano; no hace falta que cada perito se ponga a derivar ecuaciones. Lo que se pide es la disciplina mental, no el álgebra.
La paradoja del cuervo: cómo se acumula el conocimiento y cómo se desmonta una conspiración
La última pieza teórica del artículo es la más rara y también la más divertida.
La paradoja
Carl Gustav Hempel, filósofo de la ciencia de la época de la Segunda Guerra Mundial, planteó lo que se conoce como la paradoja del cuervo o de la confirmación. Va así:
Todos los cuervos son negros.
Por lógica elemental, eso es equivalente a decir: todo lo que no es negro no es un cuervo. (Es la contraposición: si "A implica B", entonces "no B implica no A". Son la misma afirmación con otra cara.)
Por tanto, cualquier cosa no negra que no sea un cuervo confirma que los cuervos son negros.
Y ahí está el escándalo. Si esto es correcto, entonces un sofá rojo confirma que los cuervos son negros. Un atril marrón también. Y una manzana verde, y su camiseta si no es negra. Sin salir de casa, sin ver un solo cuervo, uno estaría acumulando evidencia sobre la ornitología.
La lógica es impecable y la conclusión parece absurda. De ahí lo de paradoja.
La lección que Candilis extrae
Lo interesante no es el ejemplo, sino lo que revela. La paradoja muestra que incluso observaciones aparentemente irrelevantes aportan una cantidad pequeñísima de apoyo a una hipótesis. Y de ahí la idea central:
La evidencia contribuye a una hipótesis de manera incremental y probabilística, no absoluta.
Para un estudiante de ornitología, el sofá rojo vale muchísimo menos que un petirrojo rojo —que sí es un no-cuervo no-negro informativo, porque pertenece al dominio relevante—, pero aun así mueve la probabilidad un poquito en la dirección de la conclusión. El filósofo estadounidense Marc Lange plantea la cuestión en términos de la calidad y validez de los datos que hacen falta para confirmar una hipótesis, lo que devuelve la discusión al punto de partida: verdad más creencia justificada igual a conocimiento.
Candilis señala que esto es familiarísimo para cualquier perito. Los forenses validan constantemente datos usando fuentes colaterales de valor incierto: declaraciones de testigos que se contradicen, grabaciones de cámara granulosas, historiales médicos llenos de jerga o clonados (esos informes donde el clínico copió y pegó la nota del día anterior). Ninguna de esas fuentes prueba nada por sí sola. Todas mueven la aguja un poco. La probabilidad cuantifica esa creencia que va creciendo.
Anders Breivik y la teoría del gran reemplazo
Y aquí Candilis aplica todo el aparato a un caso real y terrible.
En 2011, Anders Breivik hizo estallar una bomba en el edificio de oficinas del primer ministro en Oslo y después asesinó a decenas de jóvenes en un campamento de las juventudes del Partido Laborista en la isla de Utøya. Aunque los peritos discreparon en el juicio, la teoría dominante fue que Breivik actuó movido por rumores difundidos por Internet sobre la teoría del gran reemplazo: la idea supremacista de que existe una conspiración de élites políticas y sociales para sustituir a los europeos blancos y cristianos por musulmanes y personas racializadas, creando lo que sus proponentes llaman "Eurabia" (Europa + Arabia). Los supremacistas europeos hacen un uso torticero de los datos demográficos para sostener este esquema.
La tesis de Candilis es que Breivik no razonaba como un pensador crítico: no sopesaba evidencias, no reconocía la verdad, no construía conocimiento. En su cabeza no había ninguna consideración de tasas base ni de probabilidades.
Y muestra cómo el análisis bayesiano desmonta la teoría paso a paso:
El previo es bajísimo. ¿Cuál es la probabilidad a priori de que exista un complot multifacético coordinado entre múltiples gobiernos y funcionarios, mantenido en secreto durante décadas? Muy baja. Las conspiraciones grandes son, por naturaleza, muy improbables —exigen la coordinación malintencionada de muchísimos actores— y por tanto improbables. La navaja de Occam ya las está cortando antes de empezar.
La explicación alternativa es mucho más verosímil. Los patrones migratorios observados son mucho más esperables bajo hipótesis caóticas y desordenadas —guerra y hambruna en África y Oriente Medio, migración global sin coordinación— que bajo la hipótesis del plan concertado. Y esto es crucial: la evidencia que los conspiracionistas citan como prueba encaja igual de bien, o mejor, con la explicación aburrida. Una evidencia que es compatible con ambas hipótesis no discrimina entre ellas y por tanto no aporta apoyo diferencial a ninguna.
El posterior queda dominado por las alternativas realistas. Previo bajo más evidencia que no discrimina igual a conclusión desestimada.
Nótese la elegancia del argumento: los dos pilares trabajando juntos. La lógica (parsimonia) rebaja el previo; la probabilidad (comparación con alternativas) impide que la evidencia lo levante.
¿Y esto funciona en la práctica?
Candilis podría haberse quedado en el plano teórico, pero aporta evidencia empírica.
Una revisión sistemática de 25 estudios sobre intervenciones para contrarrestar teorías conspirativas encontró que enseñar pensamiento crítico era la estrategia más eficaz. Funcionan también:
La inoculación: avisar a la gente antes de que se exponga a la desinformación ("es posible que te encuentres con información que dice que…"), lo que genera resistencia igual que una vacuna.
El priming: activar deliberadamente las habilidades de pensamiento crítico antes de la exposición.
La educación en el método científico propiamente dicho (aquí resuenan otra vez Newton y Popper).
Esto ya se probó a gran escala durante la pandemia de COVID, donde advertir a los pacientes sobre la información falsa demostró ser eficaz. Si funcionó ahí, argumenta Candilis, no es ningún salto atribuir a estas estrategias epistémicas la capacidad de combatir la ilógica y la falsa atribución conspirativa en general.
Y añade un estudio que le parece especialmente esperanzador: investigadores estadounidenses usaron un chatbot de inteligencia artificial para generar contraargumentos hechos a medida de las creencias de cada participante. El resultado fue que los creyentes en conspiraciones redujeron de forma duradera sus creencias, en teorías tan diversas como el asesinato de Kennedy o los Illuminati. La hipótesis sobre por qué funcionó: el razonamiento del chatbot era personalizado y dinámico, es decir, respondía a los argumentos concretos de cada persona en lugar de soltar un desmentido genérico.
Esto tiene un valor casi terapéutico para el gremio: los profesionales llevaban mucho tiempo asumiendo que el pensamiento conspirativo era resistente a los hechos y a la lógica. El estudio sugiere que no lo es tanto, siempre que el razonamiento crítico se aplique de forma dirigida.
Dos rendimientos prácticos del enfoque
Antes de la conclusión, Candilis señala dos beneficios concretos que se derivan de todo lo anterior.
La "certeza médica razonable" podría por fin significar algo
En los tribunales estadounidenses, los peritos deben expresar sus opiniones con un grado de "certeza médica razonable" (reasonable medical certainty). El problema, que se arrastra desde hace décadas, es que nadie se pone de acuerdo sobre qué significa. ¿Es un estándar legal, equivalente a la preponderancia de la prueba o a la evidencia clara y convincente? ¿O es un umbral clínico de calidad y credibilidad? La discusión sigue abierta.
Candilis no la resuelve, pero apunta algo razonable: sea lo que sea, la certeza médica razonable exige un nivel de confianza en la propia información, y eso es justamente lo que una epistemología de lógica y probabilidad sabe articular. En lugar de una fórmula ritual vacía, el perito podría explicar qué previos manejaba, qué evidencia los actualizó y en qué punto quedó su confianza.
La transparencia epistémica destapa el sesgo
Este argumento es más sutil y me parece el más agudo del artículo.
Cuando un perito identifica sistemáticamente los datos y el razonamiento que producen su conocimiento, inevitablemente acaba exponiendo también su visión de la justicia. ¿Por qué? Porque el proceso obliga a justificar cada elección. Y algunas elecciones no se pueden justificar sobre bases científicas.
Si un perito da sistemáticamente más crédito a una parte que a otra, o a un tipo de dato sobre otro, y no puede explicar por qué en términos de calidad probatoria, entonces lo que ha quedado al descubierto no es un criterio científico sino un valor personal. La exigencia de justificar y confirmar hace visible lo que de otro modo permanecería implícito: las perspectivas idiosincrásicas sobre la justicia misma.
En otras palabras: el método no solo mejora las conclusiones, sino que audita al que las emite. Un procedimiento transparente convierte el sesgo en algo detectable, porque el sesgo es precisamente aquello que no sobrevive a la petición de justificación.
Lo que Candilis pide al final
La conclusión del artículo es a la vez modesta y ambiciosa.
Modesta porque no promete certezas. Candilis reconoce explícitamente que la incertidumbre habita en la ciencia y la conducta humanas y no se va a ir. Su propuesta no elimina la incertidumbre: le da forma manejable.
Ambiciosa porque pide un cambio en la formación del gremio. Sus peticiones concretas:
Durante la especialización forense y después de ella, entrenar tres cosas: la revisión crítica de la literatura, el método científico y el razonamiento probabilístico. No como adornos, sino como núcleo del oficio.
Usar el lenguaje probabilístico en el estrado. Y aquí hay un argumento que puede sorprender: Candilis sostiene que el razonamiento probabilístico permite presentar la incertidumbre de forma realista y a la vez accesible para jueces y jurados legos. La intuición habitual es la contraria —que hablar de probabilidades confunde al jurado y que lo que quieren es un sí o un no—. Pero el caso Collins demuestra lo contrario: la falsa precisión ("uno entre doce millones") es lo que engaña; la probabilidad honesta ("dadas las tasas base, esta evidencia es compatible con varias parejas") es lo que informa.
Combatir los sesgos con técnicas explícitas de confrontación. Y señala que esto no es nuevo para los buenos peritos: es exactamente lo que hacen los profesionales veteranos cuando preparan un testimonio. Igual que Kahneman y Tversky, confrontan sus supuestos, cuestionan sus datos y consideran perspectivas alternativas. La propuesta es convertir en método explícito y enseñable lo que hoy es sabiduría artesanal de los que llevan muchos años.
Y el argumento final es de supervivencia profesional. En un contexto —el que Candilis describe desde la primera página— de escepticismo, desconfianza y desinformación, una disciplina que no puede explicar cómo llega a sus conclusiones no va a mantener su autoridad mucho tiempo. La transparencia metodológica no es un lujo académico: es lo que hace que la profesión siga siendo creíble y útil cuando se la llama a explicar algo tan complicado como la condición humana.
Una lectura de conjunto
Si hubiera que resumir el artículo en un movimiento, sería este: Candilis toma una queja gremial vieja —los peritos se contradicen y eso nos desprestigia— y en lugar de responderla con más credenciales o más protocolos, la responde cambiando el nivel de la conversación.
La pregunta no es "¿quién tiene razón?" sino "¿cómo sabemos lo que sabemos, y podemos enseñarnos mutuamente ese cómo?".
Sus dos herramientas son antiguas y sorprendentemente compatibles. La lógica —Occam, Hempel, la contraposición, la distinción entre P(E|I) y P(I|E)— aporta el rigor formal: qué inferencias están permitidas y cuáles no. La probabilidad —Bayes, las tasas base, la actualización, la comparación con alternativas— aporta el realismo: cuánta confianza merece cada paso.
Juntas producen algo que ninguna de las dos da por separado: un modo de razonar que es riguroso sin ser falsamente preciso, y humilde sin ser inútil. Que puede decir "no lo sé con certeza" y a continuación decir algo informativo.
Y hay una honestidad de fondo que vale la pena reconocer. Candilis podría haber escrito un texto tranquilizador sobre lo científica que es su disciplina. En lugar de eso admite que ni siquiera hay acuerdo sobre qué es la locura, qué es la discapacidad o qué es la justicia; que los estudios sobre restauración de la competencia son pequeños y de mal diseño; que sus colegas testifican sobre trastornos difíciles con evidencia insuficiente; y que las visiones personales sobre la justicia se cuelan en los informes sin que nadie las declare.
Su apuesta es que una disciplina que reconoce abiertamente sus incertidumbres y explica con precisión cómo las gestiona es más creíble, no menos, que una que finge certezas. Es un argumento que se extiende bastante más allá de la psiquiatría forense.
