Hay una cosa que la IA nunca nos va reemplazar: la intuición teórica de las preguntas de investigación. Y es exactamente la cosa que más estudiantes le piden.
Año tras año, la misma escena. Estudiante llega a sesión 5 con una base de datos perfecta y un método decidido: “Voy a hacer DiD.” Le pregunto cuál es su pregunta. Me da el método. Le pregunto cuál es el supuesto causal. Me da el método otra vez.
El método se vuelve la pregunta. Los datos gobierna la teoría. Y la IA, sin querer, acelera el desastre.
Lo que probamos en el seminario fue invertir el orden y usar una herramiento como el DAG para poner en el centro la teoría y la intuición, antes que los datos. Para esto, invertimos el orden:
- Pregunta investigable. Filtro FINER.
- DAG explícito en dagitty.net. Actores, relaciones, variables.
- Identificación: ¿qué supuesto causal estoy haciendo explícito?
- ENTONCES el método. Casi nunca es el que el estudiante traía.
Mi observación, hasta ahora: la IA es excelente auditando un DAG (encuentra back-door paths que pasaste por alto), pero pésima inventándolo. Porque inventar un DAG es decir qué teoría sostienes, y eso sigue siendo humano.
Pero la pregunta sigue viva: ¿hasta cuándo? ¿Cuándo llegará el modelo que sí sepa proponer DAGs razonables a partir de una pregunta económica? ¿Y qué hacemos como docentes cuando llegue?
Quienes enseñan métodos: ¿están usando IA en clase para algo de esto?
Unidad 5 del curso (slides + podcast NotebookLM): https://lnkd.in/eEUkX7MS