Back

Epistemología y metodología de las prácticas de investigación en las ciencias agrarias

FECHA

26, 27, 28 de octubre y  2, 3, 4, 9 y 10 de noviembre de 2023
 

MODALIDAD

virtual sincrónica

 

DURACIÓN

60 Horas

 

CRÉDITOS

3 (tres) 

 

 

PLATAFORMA

Plataforma Moodle del campus Académico FCA-UNC

Plataforma Meet para las videoconferencias

 

EQUIPO DOCENTE

Dra. Lic. en Filosofía Penélope Lodeyro
Dra. Lic. en Filosofía. Ing. Agr. María Silvia Polzella

 

Maestrandos, doctorandos y egresados que quieran continuar su formación

Objetivo General

  • Brindar recursos epistemológicos para emplear como herramientas de análisis crítico de las prácticas científicas y tecnológicas de las ciencias agrarias

Objetivos Específicos

  • Analizar las fases y sus interrelaciones que conforman el proceso de investigación científico, tanto la diversidad teórica – conceptual, como práctica – operativa, para reflexionar críticamente acerca de las propias prácticas.
  • Deconstruir la concepción reduccionista acerca de “el método científico” identificando las diferentes prácticas de investigación y sus mixturas, las que pueden utilizarse en la detección, precisión y solución de problemas relacionados con las ciencias agrarias.
  • Propiciar el análisis metodológico del trabajo de investigación propio, su grado de adecuación al problema de investigación, resultados y dificultades surgidas durante el proceso de investigación.

Módulo I
¿Hay un método científico? Método hipotético-deductivo, Inducción, confirmación, demarcación. Falsacionismo. Generación y contrastación de hipótesis, abducción. Explicación, causación, predicción.
Representación e intervención. Base empírica. Reproducibilidad de los experimentos.
Hay más que teoría y experimentación y dinámica top down. Tecnología, conocimiento emergente, estrategias bottom up. Idealización y abstracción en ciencia. Modelos científicos.

Módulo II
Prácticas metodológicas de las ciencias agrarias. La estadística como recurso. Hipótesis estadística. Nuevos recursos: Inteligencia artificial.

Módulo III
Análisis de las propias prácticas de investigación, profesionales y docentes.
Problemáticas asociadas a la realización de la tesis.
Escritura académica. Búsqueda de información científica. Descriptores. Indexaciones.
Presentación de resultados. Distintos modos de presentación. La importancia de la forma de exponer los resultados.

  • jueves 26/10 9:00 a 12:00 hs.
  • viernes 27/10  9:00 a 12:00 hs. y  14:00 a 18:00 hs
  •  sábado 28/10  9:00 a 12:00 hs.
  • Jueves 2/11  9:00 a 12:00 hs.
  • Viernes 3/11  9:00 a 12:00 hs.  y  14:00 a 18:00 hs
  • Sábado 4/11  9:00 a 12:00 hs.
  •  Jueves 9/11  9:00 a 12:00 hs.
  • Viernes 10/11  9:00 a 12:00 hs.  y  14:00 a 18:00 hs

Actividades sincrónicas: 39 horas (según los horarios consignados).
Actividades asincrónicas: 11 horas

Descarga y completa la solicitud de Inscripción Curso y luego enviar a posgrado@agro.unc.edu.ar

Aguardar confirmación de cupo.

Docentes FCA & UNC, profesionales o becarios contemplados en Ordenanza 02/09 o RHCD 792/2019, deberán enviar resoluciones que acrediten su situación de revista.

Dra. Lic. en Filosofía Penélope Lodeyro
Dra. Lic. en Filosofía. Ing. Agr. María Silvia Polzella

  • Anderson, P. (1972). More is different. Science 177(4047): 393-396.
  • Baker, M. (2016). Is there a reproducibility crisis? Nature 533, 452-454.
  • Bert, F. et al (2011). An agent-based model to simulate structural and land use changes in agricultural systems of the argentine pampas. Ecological Modelling 222, 3486-3499.
  • Boltzmann, L. (1902). Model. Encyclopaedia Britannica. 10th ed.
  • Bousquet, F & Le Page, C. (2004). Multi-agent simulations and ecosystem management: a review. Ecological Modelling 176, 313-332.
  • Carlino, P. (2006). La escritura en la investigación. Documentos de Trabajo. Universidad de San Andrés. https://www.aacademica.org/instituto.de.lingoistica.de.la.universidad.de.buenos.aires/box/paula.carlino/66.pdf
  • Diez, J. & Moulines, U. (1999). La explicación científica, Fundamentos de filosofía de la ciencia, cap. 7, 219-266.
  • Franzblau, L. Chung, K. (2012). Graphs, Tables, and Figures in Scientific Publications. J Hand Surg. Am. 37(3):591-596.
  • García, G. et al (2018). A linked modelling framework to explore interactions among climate, soil water, and land use decisions in the Argentine Pampas. Elsevier open-access. https://doi.org/10.1016/j.envsoft.2018.10.013
  • Grimm, V. et al (2006). A standard protocol for describing individual-based and agent-based models. Ecological Modelling 1 9 8, 115–126.
  • Hacking, I. (1983). Representar e intervenir: (cap. 1, 39-50, ¿Qué es el realismo científico?, cap. 11, 215-238, Los microscopios, cap. 16, 291-304, La experimentación y el realismo científico). Paidós. Méjico. 1996.
  • Jumper, J. et al & Hassabis, D. (2021). Highly accurate protein structure prediction with AlphaFold. Nature 596, 583-589.
  • Klein, I. (coord.) (2007). El taller del escritor universitario. Buenos Aires: Prometeo Libros.
  • Klimovsky, G. (1994). Las desventuras del conocimiento científico. Buenos Aires: A-Z editora.
  • Levins, R. (1966). The strategy of model building in population biology. American Scientist 54(4):421-431.
  • Manterola, C. et al (2007). ¿Cómo presentar los resultados de una investigación científica? Cirugía Española 81(2):70-77.
  • McNutt, M. (2014). Journals unite for reproducibility. Science 346(6210): 679
  • Mayr, E. (1961). Causa y efecto en biología. En:
  • Martinez, S. & Barahona, A. (eds.) Historia y explicación en biología, pgs. 82-85. Fondo de Cultura Económica, México. 1998.
  • Nature Announcement (2013). Reducing our irreproducibility. Nature 496, 398. https://doi.org/10.1038/496398a
  • Nature editorial (2014). Number crunch. Nature 506, 131–132. https://doi.org/10.1038/506131b
  • Nuzzo, R. (2014). Statistical errors. Nature 506, 150 – 152.
  • Popper, K. (1963). Ciencia: conjeturas y refutaciones. Editorial Paidós. Buenos Aires.
  • Popper, K. (1998). Los dos problemas fundamentales de la epistemología. Buenos Aires: Tecnos.
  • Reynolds, C. (1987). Flocks, Herds, and Schools: A Distributed Behavioral Model. Computer Graphics 21 (4):25-34.
  • Salmon, W. (1971). Statistical explanation and causality. En: Pitt, J. (Ed.). Theories of explanation, cap. 4, 75-79. Oxford University Press. Oxford. 1988.
  • Salmon, W. (1998). Causality and explanation. Oxford University Press. Oxford.
  • Thom, R. (1989). El método experimental: un mito de los epistemólogos (¿y de los científicos?). En: Hamburger, J. (ed.), Filosofía de las ciencias hoy, (pp. 14- 31). Editorial Siglo XXI.
  • Van Fraassen, B. (1980). La imagen científica. Paidós. Méjico. 1996.
  • Wigner, E. (1960). La irrazonable eficacia de la matemática en las ciencias naturales.https://www.u-cursos.cl › material_docente
  • Wolfram, S. (2002). A new kind of science. Wolfram Media.

Complementaria:

  • Atmanspacher, H. & Maasen, S. (2016). Reproducibility. John Wiley & Sons, Inc. New Jersey.
  • Benjamin, D. et al (2017). Redefine statistical significance. Nature human behaviour, 2(1): 6-10.
  • Curd, M. & Cover, J. (1998). Philosophy of science. W. W. Norton & Co., Inc. USA.
  • Derry, G. (1994). What science is and how it works. Princeton University Press. Princeton.
  • Gauch, H. (2003). Scientific method in practice. Cambridge University Press. Cambridge. USA.
  • Kauffman, S. (1998). La explicación por articulación de partes en la biología y su búsqueda racional. En: Barahona, A. y Martinez, S. (Ed.) Historia y explicación en biología (pp. 42-60). Fondo de Cultura Económica, México.
  • Mayo, D. (1996). Error and the growth of experimental knowledge. Chicago University Press. Chicago.
  • Morgan, M. y Morrison, M. (1999). Models as mediators. Perspectives on natural and social science. Cambridge University Press
  • Plencovich, M.C., A.M. Bocchicchio, A. Ayala Torales, R. Golluscio, G. y Jaunarena, M. Aguiar. (2008). Cómo formular trabajos científicos en las Ciencias Agropecuarias. Buenos Aires: Hemisferio Sur.

+54 9 351 355-2301+54 9 351 355-2301

posgrado@agro.unc.edu.ar