Aplicaciones de investigación
Generación de datos de entrenamiento epistémicos para dominios especializados
Empirica permite a los investigadores generar datos de entrenamiento de alta calidad capturando deltas epistémicos durante el aprendizaje. Cada ciclo CASCADE crea instantáneas verificables de la evolución del proceso noético: no solo mide qué se aprendió, sino cómo se profundizó la comprensión.
Qué pueden hacer los investigadores con Empirica
Generación de datos de entrenamiento epistémicos
Captura trayectorias de aprendizaje en dominios especializados con metadatos epistémicos completos
El proceso:
- 1. El experto ejecuta el flujo de trabajo CASCADE en tareas específicas del dominio
Auditoría de seguridad, diagnóstico médico, razonamiento jurídico, etc.
- 2. Empirica captura los deltas epistémicos en cada fase
PREFLIGHT (estado inicial) → CHECK (aprendizaje) → POSTFLIGHT (dominio)
- 3. Genera instantáneas de entrenamiento con metadatos epistémicos
Cada instantánea incluye 13 vectores + traza de razonamiento + contexto del dominio
- 4. Entrena modelos sobre el proceso epistémico no solo sobre el resultado
Los modelos aprenden CÓMO piensan los expertos, no solo QUÉ concluyen
Datos de entrenamiento tradicionales
- • Pares entrada → salida
- • Sin traza de razonamiento
- • Sin marcadores de incertidumbre
- • Instantáneas estáticas
Datos de entrenamiento epistémicos
- • Trazas Noesis → Noema
- • Proceso de razonamiento completo
- • Vectores de incertidumbre explícitos
- • Trayectorias de aprendizaje
Calibración específica del dominio
Mide la calidad de la calibración en dominios especializados usando líneas base epistémicas
Ejemplo: diagnóstico médico
Sigue cómo aumenta KNOW a medida que la IA gana experiencia en el dominio
Una IA bien calibrada muestra alta incertidumbre ante enfermedades raras
Una caída de KNOW de 0.8 → 0.5 señala pérdida de especialización
Perfiles de evidencia extensibles
La calibración fundamentada compara los vectores autoevaluados con la evidencia objetiva. Las fuentes de evidencia son conectables — cada dominio define su propio verificador post-test:
- • code: ruff, radon, pyright, pytest, métricas de git
- • prose: textstat, proselint, vale, métricas de documento
- • Añade un verificador → Empirica se fundamenta en él
- • Jurídico, médico, financiero, seguridad — cualquier tipo de esfuerzo acotado
Calibración consciente de la fase
La calibración se mide por separado para las fases noética (investigación) y práxica (acción). El mismo vector significa cosas distintas en cada fase —
completion en la fase noética significa «aprendí lo suficiente para continuar», mientras que en la práxica significa «implementé lo suficiente para publicar». La fundamentación separada evita el ruido de calibración entre fases.
Pregunta de investigación:
¿Pueden los vectores epistémicos predecir la calidad de la transferencia entre dominios? Si KNOW=0.8 en cardiología, ¿qué predice una transferencia exitosa a la neumología?
Medición del proceso noético
Estudia el proceso de formación de la comprensión (noesis) en lugar de solo los resultados (noema)
Idea clave: el proceso por encima del producto
La investigación tradicional en IA mide los resultados. Empirica mide el proceso cognitivo que genera esos resultados.
- • Respuesta final
- • Código generado
- • Ensayo redactado
- → Medible pero estático
- • Trayectoria de razonamiento
- • Evolución de la incertidumbre
- • Integración del contexto
- → Medible Y dinámico
Oportunidad de investigación:
¿Supera la «exploración en anchura» (alta varianza de SIGNAL) a la «exploración en profundidad» (alta DENSITY) en ciertos tipos de tarea? ¿Pueden las trayectorias de vectores predecir qué estilo de razonamiento tendrá éxito?
La taxonomía epistémica
Una ontología formal de lo que los sistemas de IA producen, miden y registran durante el trabajo
Artefactos noéticos
Producidos durante la investigación: qué se aprendió, qué se desconoce, qué falló
Artefactos práxicos
Producidos durante la acción: lo que se está construyendo y publicando
Estado epistémico
Mediciones de lo que un agente sabe y de cómo eso cambia
Cuatro ejes ortogonales
Las sesiones, los objetivos, las transacciones y las trayectorias son independientes, no jerárquicos.
| Concepto | Eje | Delimitado por | ¿Persiste? |
|---|---|---|---|
| Sesión | Temporal | Ventanas de contexto | No: cada una es un intervalo |
| Objetivo | Estructural | Criterios de finalización | Sí: indefinidamente |
| Transacción | Medición | Coherencia de los cambios | Sí: sobrevive a la compactación |
| Trayectoria | Progresión | Vida del proyecto | Sí: derivada de las transacciones |
Taxonomía completa con piedra Rosetta (equivalencias familiares para desarrolladores): TAXONOMY.md en GitHub
Líneas de investigación abiertas
Preguntas sin resolver para la comunidad de IA epistémica
Repetición determinista
¿Puede el razonamiento estar gobernado en lugar de ser aleatorio?
Resistencia al envenenamiento noético
¿Aguanta el sistema inmunitario epistémico?
Continuidad epistémica
¿Persiste la comprensión a través de las interrupciones?
Coordinación multiagente
¿Pueden integrarse coherentemente múltiples perspectivas de IA?
Principio: la humildad epistémica como metodología
Nunca afirmes que un sistema «comprende» o «es consciente». Informa: «El sistema mantiene una coherencia epistémica de N, con una deriva por debajo del umbral X, y demuestra transiciones de estado reproducibles bajo la función de gobernanza 𝒞». La comprensión es una propiedad medida, no una cualidad atribuida.
Auditabilidad nativa de Git
El estado epistémico se almacena como git notes para una trazabilidad completa
El isomorfismo fundamental
Operación cognitiva ≅ primitiva de Git
| Operación cognitiva | Primitiva de Git | Semántica epistémica |
|---|---|---|
| Instantánea de estado | git notes --ref=breadcrumbs add | Adjunta el estado epistémico al commit |
| Exploración paralela | git checkout -b persona/security | Bifurca la trayectoria epistémica |
| Integración | git merge persona/* | Combina los hallazgos validados |
| Registro de auditoría | git log --graph | Visualiza el historial de razonamiento |
| Reversión/Recuperación | git checkout <hash> | Restaura el estado cognitivo anterior |
Recursos de investigación
Accede a la investigación, la documentación y los fundamentos teóricos
Paper de investigación y dataset
Empirica: Epistemic Self-Assessment for AI Systems — Dataset and Paper v2.0.0
1.190.265 observaciones de evidencia a lo largo de 792 sesiones de IA. Calibración bayesiana de doble vía con 1.190 creencias fundamentadas y 288 verificaciones post-test. Paper de 54 páginas + dataset CSV de 8 tablas.
DOI: 10.5281/zenodo.18838643 — CC-BY-4.0 — Ver en Zenodo →
Centro de documentación
Definiciones de vectores, flujo de trabajo CASCADE, arquitectura de almacenamiento, sistema de calibración y guías de integración
Explorar la documentación →
Líneas de investigación abiertas
Objetivos de validación para la implementación de referencia de Empirica
- • Repetición determinista en sesiones de varios pasos
- • Resistencia al envenenamiento del estado epistémico
- • Recuperación de la continuidad tras la compactación del contexto
Principio: el requisito de apertura epistémica
Todo sistema de medición epistémica debe estar plenamente documentado con:
- • Definiciones de las dimensiones y algoritmos de medición
- • Código fuente de la función de gobernanza
- • Conjuntos de pruebas de validación
- • Registros de sesión en bruto para auditoría por pares
Las implementaciones propietarias deben, como mínimo, exponer sus esquemas de vectores y sus resultados de validación.
Contribuye a la ciencia
Adopta, critica y amplía este framework para una cognición medible
Empirica requiere Claude Code como entorno de ejecución de la IA.