Hemos dejado atrás la era de la información para dar paso a la del conocimiento, una etapa crucial de la humanidad que está siendo amenazada por una endémica tergiversación de la verdad, en donde las opiniones, las emociones, las creencias y los juicios de valor en general, están predominando por encima de las evidencias, de los hechos. Más allá de que el diccionario Oxford la haya definido como el fenómeno que se produce cuando «los hechos objetivos tienen menos influencia en la opinión pública que las apelaciones a la emoción o a las creencias personales«, la posverdad existe desde que Aristóteles estableció los preceptos de la «Retórica» [1].

En esta disciplina, el objetivo primordial es persuadir a una o más personas para que cambien su postura ante un determinado asunto. Es así como un abogado aprende a torcer la verdad para convencer a un jurado de la supuesta inocencia de su cliente; o una reportera logra aumentar su nivel de audiencia, a través de un montaje televisivo en el que una niña ficticia se debate entre la vida y la muerte, debajo de los escombros producidos por un sismo de 7.1 en la escala de Richter; y es así también como la clase política ha operado desde tiempos inmemoriales para atraer adeptos, manipular a la clase trabajadora y aparentar honestidad a la hora de ejercer su autoridad.

Los cuatro pilares de la Retórica

De acuerdo con Aristóteles, el arte de persuadir a una audiencia descansa en cuatro grandes pilares: el logos, el ethos, el pathos y como bien dice la Dra. Guadalupe Nogués, también en el «empathos» [2]. El logos viene representado por el conocimiento que posee el orador; el ethos por la ética (los valores) que caracteriza a quien después de desplegar cierta credibilidad, termina convenciendo; el pathos por la emoción que aquél necesita imprimir en su discurso para «salirse con la suya»; y el empathos por la empatía que debe otorgársele a la audiencia para sintonizar mejor con su postura (raport). Y mientras esas cuatro columnas sean del mismo tamaño, lo que dicho sea de paso le vendría bien a la ciencia y las humanidades en general, uno no tendrá de qué preocuparse. El problema surge cuando un grupo de poder o un líder de opinión (influencer) reduce la cantidad y la calidad del logos, dejando así coja a la que alguna vez fue la estructura ideal de la retórica.

La posverdad se está convirtiendo en un hábito en las redes sociales y está distorsionando nuestra realidad de maneras nunca antes vistas, en las que cada quien, por decirlo así, está buscándole tres pies al gato «sabiendo» que tiene cuatro (aunque la mayoría de hecho, no sabe siquiera que existe esa cuarta pata, el logos). Así, la era del conocimiento está en riesgo de colapsar gracias a esa mutilación que está sufriendo el logos, con motivo del tipo de tendencias que están experimentando la gran mayoría de las redes «colaborativas» de la web 2.0, así como el tribalismo que ha producido el inevitable uso de teléfonos inteligentes, a través de sus diversas aplicaciones de mensajería instantánea: WhatsApp, Telegram, Signal, etc.

Los usuarios de todos esos medios están más preocupados por atraer clics, likes y visitas, así como en generar suscripciones, retweets y reenvíos, que en producir contenidos de calidad. Y eso se entiende, porque los algoritmos de los motores de búsqueda están diseñados para monetizar, no para optimizar los resultados de las búsquedas en Internet (SEO). Los creadores de esos algoritmos comenzaron a propalar la idea de que si usted aprendía y aplicaba las técnicas SEO, su sitio web aparecería con más frecuencia en las primeras páginas de los resultados. Ese es un claro ejemplo de posverdad. Parafraseando a William James: carece de poder para funcionar.

Los creadores de las redes sociales por su parte, están interesados básicamente en tres estrategias de mercado: analizar el sentir de sus visitantes (sentiment analysis), consensuar sus opiniones (opinion mining) y vender al mejor postor, la información recabada con los mecanismos anteriores, haciendo caso omiso de lo que sus usuarios puedan opinar sobre una práctica tan carente de ética como esa. Acá ya no tiene cabida el consenso de opinión. Es así como ellos detectan nichos y oportunidades de mercado: explotando (mining) los datos privados de quienes se suscriben gratis a su sitio. Como veremos más adelante, la verdad y el conocimiento no se extraen ni de opiniones, ni de sentimientos ni de juicios de valor, sino de las evidencias que revelan los datos: la materia prima de la verdad.

Distinguiendo la paja del trigo para «curarle la pata al gato»

En el seno de dicho espacio, lo que para algunos puede ser paja, para otros constituye el grano, y viceversa. Y es ahí donde radica el meollo del problema. Pasa uno más tiempo buscando contenidos que le puedan atraer, que leyendo, viendo o escuchando aquél que por fin satisfizo sus  necesidades e intereses. Lo que se requiere entonces es descubrir lo que está debajo de las apariencias y seleccionar lo que mejor puede funcionar, en medio de toda esa cantidad de contenidos tan variopintos. Curiosamente, es precisamente debido a esa diversidad que nosotros ahora sabemos algo, porque si todos estuviéramos de acuerdo y creyéramos lo mismo, no habría forma de contrastar teorías, criterios, opiniones, creencias, y por lo tanto, de encontrar soluciones alternativas a los problemas. Para «curarle la cuarta pata al gato», es preciso descubrir lo que funciona mejor en un contexto, el contexto del problema que deseamos resolver. A este respecto, William James escribió:

«Cualquier idea sobre la que podamos cabalgar, por así decirlo; cualquier idea que nos lleve con prosperidad de cualquier parte de nuestra experiencia a otra, uniendo las cosas satisfactoriamente, trabajando con seguridad, simplificando, ahorrando en mano de obra; es verdadera hasta cierto punto, en cuanto lo sea instrumentalmente. Esta es la visión «instrumental» de la verdad…, la visión de que la verdad en nuestras ideas significa su poder para funcionar» [3]. Las negritas son mías.

Asimismo, para los que después de muchos tropiezos aprendimos que un mismo problema puede tener diferentes soluciones, y que una pregunta puede admitir varias respuestas correctas, el pragmatismo podría ser la mejor manera de abordar el problema de la posverdad. Para la Dra. Nogués (izquierda), y para muchas otras mujeres y otros tantos hombres de ciencia, esta podría no ser la «solución para todas las soluciones». Y si hubiera una sola palabra para describir esa frase, supongo que esa podría ser «metasolución». Yo no sé si la Dra. Nogués esté de acuerdo con lo apropiado de ese término. Será cuestión de preguntarle. Como sea, es necesario alejarnos de la posverdad, y uno de los posibles caminos que propongo tomar para dar el primer paso en esa dirección, es el pragmatismo.

El pragmatismo como camino: una primera aproximación a la verdad

En el ensayo que lleva por título «Ayudándote a encontrar la causa de tu enfermedad o la hipótesis que mejor la explica«, expuse las bases en las que se sustenta la medicina ortomolecular de precisión. Esta es un tipo de medicina basada en evidencias, que al igual que la retórica y mi «gato metafórico», camina en cuatro patas: la medicina ortomolecular propiamente dicha, el aprendizaje de máquina no supervisado, las evidencias y, como cabria esperar, el pragmatismo de William James y John Dewey.  Analicemos cada uno de estos pilares, las fuerzas que interactúan entre ellos y combinémoslos para ver la sinergia que resulta del siguiente planteamiento interdisciplinario.

En este mismo portal va a encontrar una descripción detallada de los principios de la medicina ortomolecular que tanto impulsaron Linus Pauling, Max Gerson, Abram Hoffer, Ruth F. Harrell, Bernand Rimland, Jonathan Prousky, Andrew Saul, Patrick Holford y muchos otros referentes de este tipo de medicina alternativa basada en nutracéuticos, por lo que considero innecesario ahondar más en sus fundamentos. Nuestra aportación en este campo ha sido la personalización de las terapias que esos expertos usaron para aliviar diversas enfermedades. Nos hemos enfocado específicamente en dos técnicas de la inteligencia artificial: los aprendizajes de máquina supervisado y no supervisado. Con esta última hemos podido emular en el terreno de la salud, lo que John Dewey (derecha) implementó a principios del siglo XX en el entorno educativo, cuando tuvo a bien innovar el sistema de enseñanza de muchas escuelas y universidades norteamericanas, incluyendo a la mismísima Escuela de Negocios de Harvard.

Por favor, no me mal interprete, Dewey nunca supo nada de inteligencia artificial y nosotros tampoco tenemos idea de cómo se hacen las cosas en Harvard. Lo que hicimos fue simplemente inspirarnos en su método de casos, empleando los reportes de los casos clínicos (case reports) como evidencias, en lugar de los ensayos clínicos aleatorizados, que es lo que utiliza el sistema dominante de salud para respaldar el poder que sus métodos tienen para funcionar.
En cuanto al pragmatismo de James y Dewey se refiere (no estoy muy seguro si en el de Peirce también), lo que se hace es seleccionar las teorías según se requiera, esto es, en función del problema que se pretende resolver, porque como dije en «Ayudándote a encontrar la causa de tu enfermedad o la hipótesis que mejor la explica«, es indispensable ubicar el contexto en donde está enmarcado el problema, para encontrar el espacio de posibles soluciones.

Louis Menand también resultó ser una gran fuente de inspiración. Lo cito textualmente: «el pragmatismo estadounidense se aplicó primero a la religión, en vista de los diversos credos que se mezclaban y combatían en el nuevo país. ¿Qué credo escoger? Cualquier mezcla de ellos, en la combinación que más convenga a su situación personal» [4]. No en balde a la medicina de precisión se le llama también medicina personalizada, pues una vez que la máquina ha clasificado los reportes de todos los casos de éxito en diferentes grupos (clustering), compara las características de éstos, con las del caso por resolver. El tratamiento idóneo para el paciente que protagoniza dicho caso, será una combinación de lo que recomendaron los expertos involucrados en el grupo cuyos casos resultaron ser más afines al del paciente en cuestión. En ese mismo tenor, no quisiera dejar de citar aquí lo que Martin Wolf publicó en el Financial Times, el 19 de octubre del 2005: «Alan Greenspan, director por mucho tiempo de la Reserva Federal de los Estados Unidos, tomaba elementos de diversas teorías económicas y las combinaba según se necesitara, aplicando así un «eclecticismo pragmático» (ob. cit).

El eclecticismo es un enfoque conceptual que no se sustenta rígidamente en un solo modelo o conjunto de suposiciones, sino que se basa en múltiples teorías, estilos o ideas para obtener conocimientos complementarios sobre un tema, o aplica diferentes teorías en casos particulares. Eso mismo es lo que estamos haciendo nosotros, solo que no con las teorías económicas, sino con aquellas que han sido incapaces de explicar la etiología de ciertas enfermedades, incluyendo las «incurables», o que se consideran meras hipótesis o suposiciones.

La medicina integrativa personalizada: un producto del eclecticismo pragmático

Personalización, combinación y clasificación son tres procesos clave que determinan el modus operandi de la medicina integrativa personalizada y que, desde mi particular punto de vista deberían ser tomados muy en cuenta en otros campos del saber, con el objeto de dar soluciones alternativas a sus correspondientes problemas. La personalización no parece suscitar controversia en el ámbito de la salud, pues presumo que usted estará de acuerdo en que cada ser humano es único e irrepetible y que por ende, no debemos esperar que un mismo tratamiento funcione en todos los casos. Eso sería tanto como decir que existen panaceas (una solución única en cada disciplina para todos sus problemas).
La combinación es un proceso que permite conciliar posturas que en principio parecerían opuestas o mutuamente excluyentes; pero que mirándolo bien, no lo son. Tal es el caso de la medicina integrativa de precisión (personalizada). En este tipo de medicina, los profesionales de la salud combinan las propiedades terapéuticas de los fármacos con las de los nutracéuticos: plantas medicinales (fitoterapias) y dosis terapéuticas de vitaminas, minerales, ácidos grasos esenciales, aminoácidos y demás sustancias que integran de manera natural el organismo de un ser humano (medicina ortomolecular convencional).

Desde una perspectiva filosófica, esa posición intermedia entre la medicina alopática y la medicina basada en nutracéuticos, constituye una solución por demás complementaria, ecléctica; el justo medio de Horacio y la dorada «mediocridad» de Aristóteles. Ese pensamiento equilibrado no solo no contraviene ninguna de las teorías que cada uno de ambos enfoques sostiene, sino que hasta resulta sinérgico, porque puede funcionar mejor que cuando cada uno de ellos trabaja por separado.

En principio, los profesionales de la salud que desde sus respectivas trincheras adoptan posturas eclécticas, deben conocer todo lo relacionado con las interacciones y las potenciales reacciones adversas que se pueden presentar como resultado de las combinaciones que prescriben. En este orden de ideas, resulta crucial saber cómo implementar los tratamientos para que todo vaya bien, así como poner atención a lo que John Dewey comentó en «Experiences and Education» (1938), a propósito de la radicalización en cualquier rama del conocimiento: «A la humanidad le gusta pensar en los extremos opuestos. Se inclina a formular sus creencias en relación a esto o lo otro, extremos entre los cuales no admite posibilidades intermedias» (ob. cit.)

Ahora bien, una manera de confeccionar terapias integrativas inteligentes, libres de contraindicaciones y con un mínimo de efectos secundarios, es justamente echando mando del aprendizaje de máquina no supervisado. Esta técnica de la inteligencia artificial consiste, a grandes rasgos, en aplicar el proceso de clasificación que en breve estaré analizando, al total de las evidencias registradas. Para una discusión más detallada de cómo se aplica esta técnica, véase «Medicina alternativa de precisión: inteligencia artificial para curar hasta un cáncer«.

En ese ensayo, puede usted sopesar cómo hemos utilizado a título de evidencias, las decenas de reportes de casos que fueron anteriormente resueltos por naturópatas y oncólogos expertos (casos de éxito), que a pesar de no cumplir con los requisitos de un ensayo clínico aleatorizado tipo doble ciego controlado por placebo, no por eso dejan de reflejar los hechos. Como comentario al margen, si desea usted una explicación más sencilla de los aspectos clave del aprendizaje automático, le recomiendo consultar: «Aprendizaje de máquina para legos: la inteligencia artificial explicada con manzanitas”, también de mi autoría.

Clasificación, tendencias y tribalismo

La clasificación ha sido siempre una actividad clave para descubrir conocimiento en varias disciplinas, y con mayor razón en aquellas que están relacionadas con las ciencias biológicas y de la salud. Es un recurso al que los científicos suelen recurrir para comprender mejor los secretos de la naturaleza. Darwin era un clasificador empedernido, pues tenía una gran curiosidad por descubrir similitudes e identificar las diferencias que podían existir entre las muchas especies que hasta el día de hoy, pueblan el planeta.

Algo similar nos pasa a los que estamos interesados en identificar tendencias en los datos, cuando queremos descubrir el conocimiento que de una manera u otra, parece estar escondiéndose debajo de ellos. La cantidad y la complejidad inherente al diluvio de datos (Big Data) que caracteriza a esta enrevesada era del conocimiento, nos ha orillado a fragmentar el problema para simplificar su análisis; dicho de otra manera: hemos tenido que dividir el universo de datos para conquistar el conocimiento. Así, la clasificación nos permite separar los datos asociados a una esfera de actividad en varios grupos, para que una vez analizados, podamos descubrir con mayor facilidad, las tendencias que en cada uno de esos grupos aparecerán, a modo de consensos.

El tribalismo difiere de la clasificación en dos aspectos básicos. El primero se refiere a la génesis de los grupos o fragmentos que se forman al término del proceso, y el segundo tiene que ver con la métrica de las tendencias que el mismo proceso de clasificación genera. En el tribalismo, son los mismos usuarios de las redes sociales quienes con sus juicios de valor (preferencias, creencias, idiosincrasias, valores, opiniones, etc.) crean tendencias, como cuando un video, un tweet o cualquier otro contenido similar se hace viral. Aquí las métricas que se usan para consensuar son la cantidad de clics, likes, comentarios, número de visitas, seguidores y suscriptores, entre otras.

En la técnica de clasificación que realiza una máquina que aprende a partir de miles de reportes de casos, las tendencias las identifica el científico de datos. Acá las tendencias y por lo tanto los consensos se determinan con métricas estadísticas, conocidas comúnmente como medidas de tendencia central. Son ejemplos de esta clase de métricas la moda, la mediana y la media (promedio). La diferencia entonces es bien clara, los consensos en las tribus parecen reflejar una verdad ciertamente cuestionable, porque como quiera los consensos son reales y dicen mucho acerca de la popularidad de una tribu o de un contenido. Sin embargo, los consensos asociados al análisis de los reportes de casos y los ensayos clínicos en el caso de la medicina por ejemplo, parecerían más confiables, porque más que popularidad, reflejan una verdad, la verdad que guarda el consenso que la respalda.

Dado que las máquinas normalmente carecen de inteligencia emocional, cosa que está siendo cuestionada por algunos investigadores que están desarrollando máquinas que sienten, confiamos en que los consensos que obtendremos a partir de lo que aprende una máquina dotada de inteligencia artificial, no van a presentan sesgos, pues han sido fríamente calculados a través de las métricas recién mencionadas (siempre y cuando los reportes de casos y los ensayos clínicos no presenten conflictos de intereses).

La verdad que guarda un consenso se reparte entre contextos

Así las cosas, toda la verdad y nada más que la verdad podría estar dispersa, o mejor dicho distribuida entre un contexto y otro, porque sucede que los consensos también lo están (véase de nuevo Ayudándote a encontrar la causa de tu enfermedad o la hipótesis que mejor la explica). Y si trasladamos lo que sabemos hasta este momento sobre pragmatismo al plano de la salud, advertiremos que lo que le puede funcionar a usted, podría no ser lo mejor para mí. Tampoco creo que existan varias verdades, sino que, como ya dije, vista como un todo, la verdad se reparte en diferentes contextos, en los que una o más teorías funcionan bien en uno de ellos; pero no necesariamente en los demás. Para los efectos de este ensayo, un contexto es un espacio de soluciones en el que existe evidencia de que una o más teorías tienen poder para funcionar, y su implementación se acostumbra realizar a través de un grupo de tendencias o de consensos, que en el ámbito del aprendizaje de máquina se le conoce como centroide o cluster (derecha). Los ingenieros lo entendemos mejor como vector de tendencias centrales; otros especialistas dirían que se trata de una lista de consensos, o simplemente de un grupo. Edmund Husserl lo llamaría «esfera».

Esa relatividad en las teorías, incluyendo a la de la relatividad de Einstein (metarelatividad), es lo que suele regir en las ciencias de la salud, y con mayor razón en el terreno de la psiquiatría, en donde las hipótesis funcionan muy poco o casi nada, y la verdad ha sido deformada a tal grado, que las prácticas de la industria tabacalera parecen sanas comparadas con las trampas del Gigante Farmacéutico (Big Pharma). Y si existe una preverdad, esa sin duda alguna es la que los psiquiatras nos han estado contando, desde que a un alemán de nombre Johann Christian Reil se le ocurrió ponerle nombre (psique) y apellido (iatros) a ese remedo de pseudociencia.

Implementando contextos con inteligencia artificial: un antídoto contra la posverdad y los juicios de valor

Pero dejemos a un lado los juicios de valor a los que solo recurrí para definir mi postura ante las aberraciones del sistema dominante de salud mental (el establishment), y enfoquémonos en aplicar los principios de la psiquiatría ortomolecular de precisión (personalizada), a un grupo de pacientes con esquizofrenia. Ojo, no estamos hablando de casos aislados del tipo «a mi me funciona«, pues como veremos, hay consenso de que los nutracéuticos en dosis terapéuticas funcionan. Veamos.
La imagen adjunta es una réplica de la captura de pantalla que utilicé en el ensayo intitulado «Terapia inteligente para tratar la esquizofrenia: de la esperanza a la curación«.

Ahí expliqué cómo una máquina dotada de inteligencia me ayudó a personalizar una receta para este trastorno . Si pulsa sobre la imagen anterior y la agranda, advertirá que en un principio, la máquina dividió el total de casos en tres grupos, mismos que etiquetó como clusters 0, 1 y 2; más un grupo adicional al que designó como «Full Data». Este último contiene las tendencias (consensos) del total de los reportes que analizó, es decir, del universo de datos. Ahora bien, cada uno de los tres grupos contiene casos muy parecidos entre sí pero muy diferentes en relación con las características o atributos de los casos en los otros dos grupos.

Así por ejemplo, la mayoría de los pacientes del grupo 0 se caracterizaron por ser mujeres (sexo=F), tener alrededor de 30 años, no escuchar voces (escucha_voces=N), no presentar alucinaciones visuales ni antecedentes genéticos…, haberse aliviado con 1,000 mg diarios de curcumina fitosomada y otros 1,500 mg de niacina; 3 gramos de vitamina C al día y así sucesivamente con los demás nutracéuticos, síntomas y características reportadas. Algo similar se puede leer para los demás clusters que aparecen en la captura de pantalla anterior y la que he adjuntado a la derecha (pulse sobre esta última y agrándela para que pueda ver las tendencias o consensos en los grupos 5 y 8). Note que esta imagen corresponde a un experimento diferente al de la imagen anterior, con 9 grupos, del 0 al 8.

¿Pero que pasaba con Esperanza, la paciente que protagonizó el caso que reporté en el artículo al que hice referencia con anterioridad? Pues que a pesar de que la máquina había determinado que su caso se parecía mucho a lo que había consensuado en el grupo 0, en este último, los pacientes no tendían a escuchar voces ni a experimentar cansancio, que era lo que más preocupaba a Esperanza. Así que fui fragmentando cada vez más el total de casos hasta que al llegar a 9 grupos, apareció un grupo en el que los pacientes mostraban tendencia a escuchar voces y a experimentar cansancio. Ese grupo era el 8 (puede pulsar de nuevo en la imagen anterior para comprobarlo).

Observe cómo en estas condiciones, la máquina decidió que el caso de Esperanza encajaba mejor en dicho grupo, así que fue la máquina la que lo clasificó, no yo. De hecho, yo no hubiera sabido como hacer eso; lo único que hice fue ordenarle que seleccionara el grupo que exhibiera el mayor número de coincidencias entre las tendencias de sus características y el cuadro clínico de Esperanza (edad, género, síntomas, etc.), lo que a su vez determinó el tratamiento ideal para ella. En la imagen adjunta se puede ver cuáles fueron las dosis diarias de los nutracéuticos que la máquina recomendó, a partir de los consensos que ella misma calculó para el cluster 8 (recuerde que debe pulsar sobre la misma y luego agrandarla para ver los detalles).

Consideraciones para otros campos del saber y conclusiones finales

De acuerdo con lo expuesto hasta aquí, estamos ante una solución libre de juicios de valor y de sesgos, pues si la máquina opinó que el tratamiento que se consensuó en el grupo 8 era el que le iba a funcionar mejor a Esperanza, eso no se debió a una especulación o a una mera corazonada. Hay suficientes evidencias de que el tratamiento que los expertos recomendaron a los pacientes implicados en los reportes de los casos que quedaron clasificados en el grupo 8, le funcionó a la mayoría de ellos, y digo la mayoría, porque los consensos los hemos medido con la moda y los promedios de los datos de los pacientes. Aquí no hay juicios de valor, todo ha sido fríamente calculado.

Asimismo, aquí el término «casos aislados» no tiene cabida, porque no son ni uno ni dos ni tres los casos que una máquina suele acomodar en cada cluster, sino decenas, centenas o hasta miles de ellos, dependiendo de la esfera de actividad, la naturaleza del problema y de la disponibilidad de los reportes de casos. Y si usted estuvo tentado a usar los consensos asociados al universo de datos (el «Full Data») para de esa manera dar con una solución para todos los problemas, le tengo una mala noticia: las probabilidades de que esa alternativa le funcione son de poco más del 50%. Eso es tanto como jugar a los dados, y si «Dios no juega a los dados con el universo» [5], no veo por qué deberíamos hacerlo nosotros.

Por otra parte, los criterios que se aplicaron aquí para encontrar una solución alternativa en el campo de la medicina, pueden ser adaptados fácilmente para funcionar en otras disciplinas. A menos de que usted no cuente con un número suficiente de reportes de casos o de que insista en realizar ensayos aleatorizados tipo doble ciego con grupos de control, estaremos más cerca de descubrir conocimiento nuevo, y de muy alto nivel.

Así, podríamos implementar soluciones impregnadas de pragmatismo para abrirle paso a una economía basada en evidencias; una política basada en evidencias; una jurisprudencia basada en evidencias, que de hecho ya existe; un taller de reparaciones basado en evidencias y bueno, la lista sigue; pero la idea central es que usted sepa que puede haber mejores maneras de hacer las cosas, siempre y cuando existan suficientes reportes de casos resueltos, o ejemplos de cómo los expertos hacen esas cosas. Como yo lo veo, no hay tal cosa como una solución para todos los problemas, y mucho menos una «metasolución».

Lo que sí creo es que existen varias soluciones (alternativas) para un mismo problema y varias respuestas correctas para una misma pregunta. Sin embargo, cada cabeza es un mundo, y de la misma manera en que yo no comulgo con la idea de medicar con psicofármacos, con la ley de la atracción (el secreto) y la hipótesis de los fenotipos en la esquizofrenia, el posicionamiento SEO, la discriminación racial o tribal, con Donald Trump y con Walter Mercado, entre otros muchos disparates y personajes por el estilo, comprenderé y respetaré a quien con argumentos sólidos, desee pronunciarse en contra de la metarelatividad* y del concepto que yo atesoro sobre la verdad, que concibiéndola como un todo, parece repartirse en contextos y teorías que no siempre son mutuamente excluyentes.

«El reino de la verdad se divide, objetivamente, en distintas esferas. No está en nuestro albedrío el modo y el punto de deslinde entre las esferas de la verdad«… Edmund Husserl

© Sergio López González. Fundación MicroMédix. 30 de enero de 2021

*Que no debe confundirse con el concepto de relativismo. No es lo mismo

---

Reseña este artículo y únete a nuestro equipo de teletrabajo

---

REFERENCIAS

[1] Aristóteles. Retórica. 2009. Alianza editorial, S.A, Madrid.
[2] Nogués, Guadalupe. Pensar con otros: una guía de supervivencia en tiempo de posverdad: editado por Pablo González -1a ed.- Ciudad Autónoma de Buenos Aires: ABRE, 2019. El Gato y la Caja
[3] James, Williams. Pragmatism: A New Name for Some Old Ways of Thinking. 2013 Read Books Ltd.
[4] Duggan William- Intuición estratégica. La chispa creativa en la realización humana; pg. 246. 2008. Grupo Editorial Norma
[5] Revista de la Universidad Nacional Autónoma de México, Volumen 33, 1978, pp. 21, 22.