Filosofia da Ciência
0 Porque É Que Precisamos de Filosofia da Ciência?
Fazer ciência não exige ler filosofia da ciência, tal como andar de bicicleta não exige perceber física. Mas quando a bicicleta cai, ou quando um estudo “não replica”, ou quando dois investigadores discordam sobre se um resultado sequer testou alguma coisa, ajuda a perceber os mecanismos por baixo do capô. Este capítulo introduz um punhado de autores — Popper, Duhem, Kuhn, Lakatos, Laudan, Feyerabend, Barseghyan, Hacking e Mayo — que discordam entre si sobre o que é a ciência, como progride e o que distingue um bom teste dum teste de fachada. Não vamos fingir que chegam a acordo. Vamos tentar perceber porque discordam, e porque é que essa discórdia continua a ser útil para quem faz investigação hoje.
O complemento natural deste capítulo é Filosofia da Estatística, onde desenvolvemos em detalhe a formalização estatística de vários destes problemas (valores-p, poder, intervalos de confiança). Aqui ficamos deliberadamente no plano conceptual; lá entramos em fórmulas.
Antes de Mais: Duas Cautelas
Cautela histórica. É tentador contar a história da ciência como se esta tivesse nascido num dia específico — “antes de Popper era tudo escuridão, depois foi luz”. Essa narrativa é enganadora: cria a ilusão de um início limpo e de um método único e inevitável. E o perigo de apontarmos uma data de nascimento é que, no futuro, alguém poderá apontar uma data ainda mais recente e dizer que só a partir daí é que a coisa começou a sério (adaptado de Barseghyan, 2015).
Uma forma útil de resistir a esta tentação é lembrar que “ciência” pode não ser o tipo de coisa que se define com uma lista de condições necessárias e suficientes. Wittgenstein (1953) desenvolveu a noção de semelhança de família (family resemblance) a propósito de conceitos como “jogo”; a aplicação dessa noção à ciência é uma proposta posterior, não uma conclusão do próprio Wittgenstein (Park e Brock, 2023). Nesta abordagem, as ciências formam um conjunto de traços sobrepostos: nenhuma característica tem de estar presente em todos os casos, mas há parecenças que se cruzam. Se isto for razoável, a pergunta “qual é o critério único que separa ciência de não-ciência?” talvez seja mais frutífera quando se transforma noutra: “que características aproximam esta prática daquilo a que chamamos ciência — e que diferenças continuam a importar?” Vamos ver mais à frente que há quem defenda (Laudan) que a própria procura de um critério único é um beco sem saída. A abordagem por semelhança de família é, também ela, contestada e não resolve automaticamente o problema da pseudociência.
Cautela geográfica. A ciência não se faz, nem se fez, só no Ocidente, e os seus praticantes não são todos homens brancos barbudos de cachimbo. Isto não é apenas uma correcção de justiça histórica — é também um lembrete epistémico: histórias da ciência centradas num único lugar e numa única tradição tendem a esconder outros métodos, outras perguntas e outros modos de validar conhecimento que poderiam enriquecer a prática científica actual. Os autores que vamos discutir neste capítulo são quase todos europeus ou norte-americanos do século XX — o que diz mais sobre a formação académica de quem escreve manuais de filosofia da ciência do que sobre a geografia real da produção de conhecimento.
Há exemplos concretos que complicam essa narrativa. A astronomia no mundo islâmico medieval não foi apenas uma transmissão passiva de conhecimentos gregos: desenvolveu modelos matemáticos, instrumentos e práticas de observação próprias, algumas das quais contribuíram para transformações posteriores na astronomia europeia (Saliba, 2007). O exemplo não substitui uma história global da ciência — uma frase não faz esse milagre —, mas mostra por que razão convém perguntar quem produziu, transmitiu e avaliou conhecimento antes de contar uma sucessão europeia de nomes.
Inferir É Arriscar: Dedução, Indução e Abdução
Antes de falarmos de Popper propriamente dito, vale a pena distinguir uma relação lógica do acto de raciocinar com ela.
Inferência é o acto de passar de umas afirmações (premissas) para outra (conclusão). A consequência lógica, por sua vez, é a relação entre premissas e conclusão: dizer que as premissas implicam a conclusão é dizer que não há um caso admissível em que as primeiras sejam verdadeiras e a segunda falsa. A dedução é uma forma de inferência que explora essa relação. Se o argumento for válido e as premissas forem verdadeiras, a conclusão tem de ser verdadeira.
Por isso, a dedução é não ampliativa: a conclusão não acrescenta conteúdo que não esteja já implicado pelas premissas. Isso não a torna psicologicamente inútil. Podemos conhecer as premissas sem reconhecer todas as suas consequências; uma demonstração torna explícito o que estava longe de ser óbvio. Caso contrário, boa parte da matemática seria uma actividade muito trabalhosa para descobrir coisas que toda a gente já sabia.
A ciência empírica usa dedução constantemente. Num teste hipotético-dedutivo, podemos representar a hipótese por H, os pressupostos auxiliares e condições iniciais por A, e uma consequência observável por O:
\[ H \land A \rightarrow O \]
A passagem de H e A para O é dedutiva. O que geralmente não é dedutivo é o percurso inverso, dos dados observados para uma hipótese, previsão ou generalização que vai além deles.
Há mais de uma forma de fazer esse percurso ampliativo. Na indução, observações sustentam uma generalização ou uma previsão sem a implicarem logicamente: “observámos o efeito nesta amostra; esperamos encontrá-lo na população”. Na abdução, procuramos ou seleccionamos uma hipótese por explicar melhor aquilo que observámos. A abdução é frequentemente chamada inferência para a melhor explicação e é comum na investigação científica, embora a sua forma e força justificativa sejam disputadas (“Abduction”, Stanford Encyclopedia of Philosophy). Indução e abdução são ambas ampliativas; não são dois nomes garantidamente intermutáveis para toda a inferência não dedutiva.
O problema da indução de Hume é mais fundo do que notar que uma conclusão indutiva não tem garantia lógica. A questão é que justificação racional temos para passar do observado ao não observado. Uma justificação demonstrativa não serve, porque a natureza mudar não implica contradição; uma justificação baseada na experiência parece pressupor que o futuro se assemelhará ao passado — precisamente aquilo que tentava justificar — e torna-se circular (Hume, 1748, secção IV, parte II).
É aqui que Popper entra como “desmancha-prazeres profissional”: se não podemos justificar a indução pela simples acumulação de casos favoráveis, então talvez a ciência não avance por “confirmar” teorias dessa maneira. Talvez avance por deduzir consequências arriscadas, tentar refutá-las e sobreviver ao ataque.
1 Karl Popper: Cisnes Negros e o Problema da Demarcação
Demarcação e Falsificabilidade
O problema do critério de demarcação é uma das questões centrais da filosofia da ciência: qual é o critério que separa ciência de não-ciência (ou pseudociência)? Para Popper, a resposta é a falsificabilidade: uma teoria é empírica se, pelo menos em princípio, puder colidir com observações possíveis que a contrariem. Falsificável não quer dizer falsificada: um conflito concreto exige aceitar resultados básicos, verificar as condições do teste e decidir se o problema está na teoria ou noutro pressuposto.
Isto é apelativo porque transforma a ciência num jogo com risco real: não basta coleccionar “cisnes brancos” (observações compatíveis com a teoria); é preciso conseguir dizer o que contaria como “cisne negro” — isto é, o que nos faria recuar. Uma teoria compatível com qualquer resultado possível não nos diz nada de específico sobre o mundo.
Popper defendia que a ciência não tem um algoritmo que indique sempre qual decisão tomar. A sua regra metodológica é preferir teorias que se arriscam mais e desconfiar de remendos que as tornam compatíveis com qualquer resultado. Uma alteração a um pressuposto auxiliar pode ser legítima se aumentar o conteúdo testável da teoria e for testada de forma independente; não basta ser um remendo ad hoc (ver Popper, 1983).
O Problema Auxiliar: Testar Nunca É Testar Só a Teoria
Há, no entanto, um problema estrutural: na prática, não testamos uma teoria isolada — testamos sempre um pacote: a teoria principal, mais pressupostos auxiliares, mais decisões de análise, mais instrumentos, mais condições de medição. E quando algo corre mal, essa dúvida não nos diz sozinha onde está o erro. Este é o problema que Duhem identificou muito antes de Popper, e ao qual voltaremos já a seguir.
Isto significa que aplicar o falsificacionismo na prática é mais complicado do que o slogan sugere. Imaginemos que testamos uma teoria e obtemos um resultado inesperado. Rejeitamos a teoria? Rejeitamos um pressuposto auxiliar? Talvez o instrumento de medição seja o problema. Talvez a análise estatística não seja apropriada. Ou talvez a amostra fosse simplesmente atípica. Popper sabia disto, mas a lógica não força uma resposta única: os cientistas têm de tomar decisões metodológicas sobre que pressuposto rever. A sua regra é evitar proteger a teoria preferida com remendos meramente ad hoc e procurar, sempre que possível, testes mais arriscados e auxiliares testados independentemente.
Regra de Popper, em jeito de mnemónica. Contar cisnes brancos é para adormecer — procurem cisnes negros. Se queremos testar seriamente uma teoria, procuramos os casos que a podem derrubar, não os que a confirmam mais uma vez. Se um estudo está desenhado de forma a que quase qualquer resultado seja compatível com a teoria, então não é um teste sério — é teatro.
Sobreviver a testes exigentes também pode contar como corroboração, no vocabulário de Popper: informa-nos de que a teoria sobreviveu a determinados testes, sem a confirmar como verdadeira nem lhe atribuir uma probabilidade de verdade. Assim, a linguagem de “evidência a favor” pode ser aceitável se significar sobrevivência corroborada; torna-se enganadora se significar verificação definitiva.
Platt: A Inferência Forte
O método da inferência forte (strong inference method) é uma operacionalização do espírito popperiano. Platt (1964) propõe que nos obriguemos, perante qualquer explicação científica proposta, a fazer duas perguntas:
“But sir, what experiment could disprove your hypothesis?”; or, on hearing a scientific experiment described, “But sir, what hypothesis does your experiment disprove?” (Platt, 1964, p. 352)
(O tratamento por “sir” reflecte o registo do artigo original, escrito em 1964; adaptem à vontade o tom para o vosso próprio contexto.)
A pergunta que deveria doer um pouco é: que resultado nos deixaria desconfortáveis — e aceitaríamos esse desconforto, ou arranjaríamos uma desculpa elegante para o ignorar?
Exemplo: “A intervenção X melhora Y.” O popperiano pergunta: “em que condições é que X não deveria melhorar Y?”, e tenta conceber um teste em que “falhar” seja informativo. O contra-exemplo inevitável é que, se a teoria for vaga o suficiente (“X melhora Y quando o contexto é apropriado”), então quase tudo é compatível com ela, e a falsificação transforma-se em teatro. Isto não é apenas um defeito moral — é um defeito lógico do teste: já não há um alvo claro para errar.
2 Pierre Duhem: Nunca Testamos Uma Teoria Sozinha
Antes de chegarmos a Kuhn, vale a pena isolar um problema que é frequentemente confundido com outro, apesar de serem coisas diferentes: o holismo do teste (formulado por Duhem para a teoria física e ampliado por Quine a uma rede mais vasta de crenças; Duhem, 1954; Quine, 1951) e a carga teórica da observação (theory-ladenness). Os dois problemas empurram na mesma direcção — tornam a ciência menos parecida com um duelo limpo entre teoria e dados — mas não são a mesma afirmação.
O holismo do teste diz que uma teoria científica não é testada isoladamente: é testada em conjunto com um conjunto de hipóteses auxiliares (sobre instrumentos, condições experimentais, modelos estatísticos, etc.). Quando a previsão falha, a lógica, por si só, não nos diz qual dos elementos do pacote está errado — a teoria principal ou algum dos seus auxiliares. Isto é essencialmente um ponto sobre a estrutura lógica da inferência de teste: mesmo que todas as observações fossem perfeitamente “neutras”, o problema já existiria.
Podemos representar o primeiro problema de forma esquemática. Se H e os auxiliares A implicam O, mas observamos \(\neg O\), a lógica autoriza-nos a concluir que o conjunto falhou:
\[ \neg O \rightarrow \neg(H \land A) \]
Não autoriza, por si só, a conclusão mais específica \(\neg H\). O teste não traz uma etiqueta a dizer qual pressuposto foi o culpado (Duhem, 1954, pp. 180–195).
A carga teórica da observação designa uma família de teses diferentes. Numa versão mínima, produzir e interpretar dados científicos exige conceitos, modelos e pressupostos sobre instrumentos. Uma versão mais forte afirma que compromissos teóricos alteram a própria experiência perceptiva. Não precisamos de aceitar todas estas versões, nem de lhes dar a mesma força, para reconhecer que um datum científico não chega já interpretado e com a sua fiabilidade garantida. Também não se segue que a teoria sob teste determine inevitavelmente o resultado ou que a objectividade seja impossível (“Theory and Observation in Science”, Stanford Encyclopedia of Philosophy).
Na prática, os dois problemas podem cooperar: interpretar a observação depende de pressupostos e, além disso, testamos um pacote de hipóteses. Mas vale a pena guardar a distinção, porque resolver um problema não resolve automaticamente o outro. Podemos, por exemplo, mitigar o holismo do teste tornando as hipóteses auxiliares mais explícitas e testáveis à parte, e controlar riscos de carga teórica com medições independentes, sem fingir que eliminámos todo o conhecimento de fundo.
Implicação prática do holismo do teste: quando um estudo dá um resultado inesperado, há múltiplos “culpados” possíveis. A teoria principal pode estar errada, ou pode estar certa mas algum pressuposto auxiliar falhou (o instrumento, a amostra, a análise). Não há forma puramente lógica de isolar o erro apenas olhando para os dados — é preciso julgamento, argumento e, muitas vezes, mais experiências.
Para quem quiser aprofundar o problema da subdeterminação de teorias pelos dados, a entrada da Stanford Encyclopedia of Philosophy é um bom ponto de partida — e um exemplo de recurso que preferimos indicar a reconstruir: Stanford Encyclopedia of Philosophy: Underdetermination of Scientific Theory.
3 Thomas Kuhn: Paradigmas, Ciência Normal e Revoluções
Se Popper soa como “a ciência é uma máquina de testar e eliminar erros”, Kuhn aparece e diz: calma — a ciência também é uma comunidade humana com hábitos, formação, incentivos, reputação e um conjunto de exemplos canónicos que definem o que conta como bom trabalho. Isto não é apenas um detalhe sociológico decorativo: muda o que significa “testar”. Mesmo perante um resultado estranho, raramente é óbvio que ele deva derrubar uma teoria inteira — pode ser “erro de medição”, “amostra atípica”, “análise discutível”, “efeito pequeno”, “contexto diferente”. E, como acabámos de ver com Duhem, a própria ideia de “resultado puro” já é questionável antes de qualquer sociologia entrar em cena.
Paradigmas
Um paradigma, para Kuhn (1970), não é apenas uma teoria — é um pacote mais amplo que inclui generalizações simbólicas, modelos, métodos e valores partilhados. Inclui também exemplares: soluções concretas de problemas que os investigadores aprendem como modelos de como fazer boa ciência. Instrumentos e técnicas podem fazer parte desse pacote, mas não constituem, sozinhos, um paradigma.
Ciência Normal vs. Ciência Revolucionária
Ciência normal é o período em que a comunidade científica trabalha dentro de uma matriz disciplinar estabelecida, usando exemplares para resolver problemas bem definidos. Uma anomalia não é, por si só, uma refutação imediata: pode ser atribuída ao problema, ao investigador ou a um pressuposto auxiliar.
Ciência revolucionária pode surgir quando uma anomalia persistente e central contribui para uma crise e existe uma alternativa promissora. Não há um número mágico de anomalias, nem toda a crise termina numa revolução. A mudança envolve também alterações de compromisso teórico e profissional; mecanismos institucionais concretos, como mudanças em revistas, financiamento e currículos, são contingentes e não definem qualquer transição kuhniana.
Incomensurabilidade — Local, Não Total
Diferentes paradigmas podem ser, segundo Kuhn, incomensuráveis em alguns aspectos: certos termos e categorias podem não admitir uma tradução termo-a-termo que preserve exactamente o seu papel em cada paradigma. Isso não significa que não exista qualquer linguagem partilhada, nem que os cientistas percam todo o terreno comum.
Aqui é fácil escorregar para uma leitura demasiado forte: se dois paradigmas são “incomensuráveis”, os seus defensores não teriam absolutamente nada em comum para discutir, e a escolha entre eles seria pura questão de gosto ou poder. Esta não é a leitura mais defensável. Sobretudo nos textos tardios de Kuhn, a incomensurabilidade é melhor entendida como local e parcial: afecta um subconjunto de termos e as relações conceptuais em que entram, não a totalidade do vocabulário científico — e não implica que as teorias sejam totalmente incomparáveis. Hoyningen-Huene e Oberheim (2009) tornam este ponto explícito num debate sobre realismo científico: a incomensurabilidade não implica incomparabilidade de conteúdo entre teorias — cientistas de paradigmas diferentes continuam a conseguir comparar previsões específicas, mesmo quando alguns dos seus termos centrais mudam de sentido. Continua a haver, tipicamente, sobreposição suficiente para que a comparação — e o desacordo genuíno — sejam possíveis.
Implicação mais moderada: se os paradigmas partilham apenas parcialmente uma linguagem, então a escolha entre eles não é um cálculo lógico puro — envolve também elementos de persuasão, valores e julgamento colectivo. Mas ausência de algoritmo não significa ausência de razões. Kuhn enumera cinco valores partilhados na escolha de teorias: exactidão, consistência, âmbito, simplicidade e fecundidade. Esses valores não determinam uma resposta única, porque podem ser interpretados e ponderados de maneiras diferentes, mas fornecem critérios racionais para o debate (Kuhn, 1977, pp. 321–322).
Será Que a Psicologia Teve a Sua Revolução Kuhniana?
Há várias tentativas de aplicar o modelo kuhniano à psicologia. Um caso frequentemente citado é a chamada “revolução cognitiva” — a transição do behaviorismo para a psicologia cognitiva a meio do século XX.
À primeira vista, parece kuhniano: uma tradição dominante, dificuldades teóricas e metodológicas e a emergência de novas abordagens. Mas convém não simplificar esta história em demasia. Watrin e Darwich (2012) mostram que a narrativa de uma revolução que matou e substituiu o behaviorismo não é a única leitura compatível com os indicadores históricos: a análise do comportamento continuou activa e as tradições envolvidas eram heterogéneas. O artigo não basta, por si só, para provar uma transição gradual, a ausência de influência de Tolman ou a inexistência de incomensurabilidade.
Isto não significa que “não houve mudança nenhuma” na psicologia dessa época — significa apenas que descrevê-la como uma substituição limpa de um paradigma kuhniano por outro simplifica uma história plural e contestada. O modelo de Kuhn é uma lente útil, não um molde a que toda a história da ciência (ou da psicologia) tenha de se encaixar.
4 Imre Lakatos: Programas de Investigação
Lakatos tenta salvar duas intuições ao mesmo tempo: Kuhn tem razão em dizer que uma teoria raramente cai com um único golpe, e Popper tem razão em dizer que “vale tudo” não pode ser a moral da história. A sua solução é pensar em programas de investigação (Lakatos, 1970), cada um com um núcleo duro protegido e um cinturão protector de hipóteses auxiliares ajustável.
Núcleo Duro, Cinturão Protector e Heurísticas
O núcleo duro são as hipóteses centrais que definem o programa, e que os seus proponentes mantêm provisoriamente fora do alvo da refutação directa. O cinturão protector é o conjunto de hipóteses auxiliares — sobre condições iniciais, instrumentos e extensões da teoria — que pode ser ajustado, refinado ou abandonado quando surgem anomalias, sem que isso obrigue a abandonar o núcleo.
Lakatos acrescenta ainda duas noções que orientam este trabalho de protecção: a heurística negativa, que diz aos investigadores quais os caminhos de investigação a evitar (não questionar o núcleo duro directamente), e a heurística positiva, que sugere que problemas resolver a seguir e como ir modificando o cinturão protector de forma construtiva, em vez de reactiva.
Exemplo (simplificado): o núcleo duro pode ser “a cognição humana processa informação de forma computacional”, enquanto o cinturão protector inclui especificações sobre tipos de memória, arquitectura de processamento, ou relação com a emoção. Se uma experiência falha, podemos ajustar o cinturão (“afinal a memória de trabalho não funciona exactamente como pensávamos”) mantendo o núcleo intacto — desde que essa mudança seja produtiva e não apenas uma desculpa.
Problemshifts Progressivos e Degenerativos
É aqui que Lakatos oferece o critério que faltava a Kuhn para distinguir “ajuste legítimo” de “salvar as aparências”: olhar para a trajectória do programa ao longo do tempo, isto é, para as suas sucessivas mudanças de problema (problemshifts).
Um problemshift é teoricamente progressivo quando a nova versão acrescenta conteúdo empírico relativamente à anterior, abrindo espaço para previsões novas e independentemente testáveis. É empiricamente progressivo quando parte desse conteúdo novo é corroborada. O programa está, por assim dizer, a crescer para a frente.
Um problemshift é degenerativo quando as sucessivas modificações do cinturão protector servem apenas para acomodar anomalias já conhecidas a posteriori, sem o excesso de conteúdo novo que caracteriza uma trajectória progressiva. O programa está a crescer apenas para trás — a defender-se, não a explorar. Este diagnóstico acompanha uma sequência histórica; não decide automaticamente o destino de um programa depois de um único teste.
O problema, como o próprio texto de Lakatos reconhece, é que esta distinção só é fácil de aplicar em retrospectiva. No momento presente, um investigador dificilmente sabe se está a fazer um ajuste progressivo ou um ajuste desesperado — e é precisamente por isso que Lakatos é mais tolerante do que versões ingénuas ou dogmáticas do falsificacionismo com programas em dificuldades: um programa temporariamente degenerativo pode, mais tarde, tornar-se progressivo de novo. A racionalidade lakatosiana é mais uma racionalidade de longo prazo e de comunidade do que de decisão imediata e individual.
5 Larry Laudan: Progresso Como Resolução de Problemas
Laudan oferece uma alternativa tanto ao falsificacionismo de Popper como ao modelo kuhniano baseado em paradigmas. Para Laudan (1977), a ciência progride ao resolver problemas — tanto problemas empíricos (fenómenos não explicados) como problemas conceptuais (inconsistências internas, conflitos com outras teorias, dificuldades metodológicas). Uma tradição de investigação pode ser avaliada pela sua eficácia na resolução de problemas: contam o número e a importância dos problemas empíricos resolvidos, mas descontam-se anomalias importantes e problemas conceptuais gerados pela própria teoria. Isto desloca o foco da verdade ou da verosimilhança para a resolução comparativa de problemas, tornando o progresso científico mais pragmático e menos dependente de compromissos metafísicos sobre a verdade última das teorias.
A abordagem de Laudan tem vantagens práticas: não exige revoluções de paradigma (a ciência pode progredir incrementalmente) e reconhece que os cientistas trabalham frequentemente em problemas locais sem necessitarem de um paradigma unificado. Mas Laudan é ainda mais conhecido, entre filósofos da ciência, por uma tese negativa: em “The Demise of the Demarcation Problem” (Laudan, 1983), argumenta que o próprio “problema da demarcação” — a busca por um único critério necessário e suficiente que separe ciência de pseudociência — é um pseudo-problema que desvia atenção de perguntas mais produtivas (por exemplo: esta afirmação específica está bem ou mal apoiada pela evidência disponível?). A sua alternativa não é abandonar a avaliação epistémica: é perguntar quando uma afirmação está bem confirmada ou bem testada, em vez de usar “ciência” e “pseudociência” como rótulos que fazem apenas trabalho emotivo. Mesmo quem discorde do veredicto final pode aproveitar esta mudança de foco.
6 Paul Feyerabend: Contra o Método Único
Feyerabend entra como um alerta desconfortável: a história real do avanço científico inclui oportunismo metodológico, importações de outras áreas e violações criativas das regras do “bom método” da época. Feyerabend gosta de apontar casos históricos em que o avanço dependeu de alguém quebrar as regras metodológicas vigentes — o exemplo mais citado é o próprio Galileu, que na defesa do copernicanismo recorreu a retórica, persuasão política e argumentos que, pelos padrões metodológicos da época, seriam considerados “duvidosos”.
“Vale Tudo”: Slogan ou Posição?
Segundo a entrada “Paul Feyerabend” da Stanford Encyclopedia of Philosophy, o prefácio à terceira edição de Against Method explica que o livro nasceu como uma carta ao seu amigo Imre Lakatos, no âmbito de um projecto conjunto: Lakatos escreveria uma defesa racionalista da ciência e Feyerabend atacaria o racionalismo (Feyerabend, 1993).
A leitura mais comum do slogan “vale tudo” (anything goes) — e durante muito tempo quase consensual entre comentadores — é que se tratava de uma reductio ad absurdum: Feyerabend estaria apenas a mostrar que, se insistirmos em regras metodológicas universais e válidas em qualquer circunstância, a única regra sobrevivente seria vazia (“vale tudo”), não uma posição que ele próprio defendesse a sério.
Shaw (2017) contesta directamente esta leitura de consenso. Segundo Shaw, o apoio textual para a interpretação “é só uma reductio” é mais fraco do que a literatura secundária costuma admitir, e há boas razões para ler “vale tudo” como uma tese positiva de Feyerabend. Shaw apresenta duas reconstruções possíveis dessa tese: numa, ela decorre do pluralismo radical de Feyerabend; noutra, os cientistas devem ser oportunistas metodológicos. Em qualquer das leituras, Feyerabend não estaria apenas a fazer humor filosófico à custa dos racionalistas — estaria, ainda que de forma provocadora, a propor algo.
Isto não decide sozinho o debate — Shaw discute e responde a críticas influentes a esta leitura no mesmo artigo — mas é uma boa lição de humildade interpretativa: mesmo autores lidos há décadas continuam a ter a sua obra genuinamente disputada, e “toda a gente sabe que X quis dizer Y” nem sempre resiste a uma leitura cuidadosa dos textos originais.
Cientismo e Democracia
Em Science in a Free Society (Feyerabend, 1978), Feyerabend argumenta que o cientismo — a ideia de que a ciência é a única forma válida de conhecimento — pode ser antidemocrático: se apenas “especialistas científicos” têm autoridade para falar sobre certos temas, excluímos outras formas de conhecimento (tradicional, local, experiencial) e concentramos poder numa elite técnica. A sua proposta é radical: submeter a ciência a controlo democrático e separar ciência e Estado, em vez de deixar que a autoridade científica se transforme automaticamente em autoridade política. Isto não significa que a ciência seja “apenas mais uma opinião” — significa que é uma prática humana e falível, que deve prestar contas quando tem impacto directo em políticas públicas.
Oportunismo Metodológico: Uma Ponte Pedagógica Para Barseghyan
Se levarmos a sério a leitura de Shaw, o “vale tudo” de Feyerabend não é caos puro — é, no limite, uma recomendação para sermos oportunistas metodológicos: usar, combinar ou abandonar teorias e métodos conforme as circunstâncias, incluindo, quando for útil, importá-los de outras áreas, em vez de insistirmos em que cada disciplina reinvente todas as suas ferramentas do zero. Podemos usar esta ideia como ponte pedagógica para perguntar como essas importações são avaliadas e aceites (ou rejeitadas) por uma comunidade ao longo do tempo. Não estamos a propor uma genealogia intelectual em que Barseghyan simplesmente desenvolve Feyerabend; estamos a aproximar duas perguntas que ajudam a organizar o capítulo.
7 Hakob Barseghyan: O Mosaico Científico
Uma imagem ligada a uma teoria da mudança. Hakob Barseghyan propõe uma imagem alternativa para pensar a mudança científica: o mosaico científico (Barseghyan, 2015). Em vez de imaginarmos a ciência como um edifício monolítico que cai e é reconstruído ou como uma árvore com um tronco único, podemos pensar na ciência de um dado momento e lugar como um mosaico composto por muitas peças.
Na formulação original de 2015, o mosaico era o conjunto de teorias aceites e métodos empregados. Barseghyan (2018) propôs depois uma ontologia mais geral: o conjunto de elementos epistémicos aceites e/ou empregados por um agente epistémico. Esta formulação permite incluir, por exemplo, perguntas e teorias normativas sem confundir “teoria” com qualquer afirmação isolada. Usamos aqui a definição revista, assinalando a mudança em vez de fundir as duas versões.
A mudança acontece, nesta imagem, peça a peça: algumas peças são substituídas, outras permanecem e novas peças são adicionadas. Barseghyan liga esta imagem a um projecto mais amplo, a scientonomy, que procura formular leis gerais para a aceitação, emprego e substituição de elementos. Entre os princípios ou leis propostas no projecto estão regras de emprego de métodos, aceitação de teorias, inércia científica e compatibilidade.
Não devemos, contudo, transformar estas leis numa receita que explique automaticamente qualquer episódio histórico. A proposta é uma teoria controversa e introdutória: apresentá-la aqui serve para tornar visível a alternativa entre uma narrativa de revolução total e uma narrativa de acumulação linear, não para declarar resolvido o debate sobre mudança científica.
Também vale a pena não sobrestimar o que a metáfora do mosaico resolve. É tentador dizer que o mosaico “evita” ou “resolve” o problema da incomensurabilidade kuhniana — mas isso exigiria um argumento detalhado sobre como peças vizinhas do mosaico continuam comparáveis mesmo quando mudam de significado, e esse argumento vai além do que podemos verificar neste capítulo. Preferimos ficar por uma afirmação mais modesta: a imagem do mosaico oferece uma forma alternativa e útil de descrever continuidade e descontinuidade científica, que complementa (mas não substitui automaticamente) a discussão sobre incomensurabilidade que já vimos com Kuhn.
Implicação prática, mesmo com esta cautela: quando avaliamos uma teoria ou método, talvez não precisemos de perguntar “isto é a Verdade Final?” ou “este paradigma vai durar para sempre?”. Podemos perguntar, de forma mais modesta: “esta peça encaixa bem no mosaico actual? Resolve problemas? Cria novas possibilidades de investigação?”
8 Novo Experimentalismo: Hacking e Mayo
Ian Hacking: Experimentar Como Intervir
O chamado novo experimentalismo reúne propostas diferentes em torno da relativa autonomia da experiência. Hacking (1983) é uma obra fundadora desta viragem; o rótulo ganhou uma formulação explícita no artigo “The New Experimentalism” de Ackermann (1989), e Mayo (1996) desenvolve uma versão centrada no erro experimental. Nenhum deles inventou as experiências — daí ter “novo” no nome, e não “sério pela primeira vez”. O que há de novo é a ênfase na sua relativa independência face às teorias de larga escala que estão a ser testadas: em vez de perguntarmos apenas “esta experiência confirma ou refuta a Grande Teoria?”, Hacking chama a atenção para o facto de as experiências e os seus instrumentos terem, em certo sentido, “vida própria”. Uma das ideias centrais de Hacking — normalmente associada ao seu realismo de entidades — é que aceitar a existência de uma entidade (por exemplo, um electrão) não depende de aceitarmos como definitivamente verdadeira toda a teoria que fala sobre ela: aceitamo-la sobretudo porque conseguimos intervir nela e manipulá-la de forma fiável (por exemplo, usando-a para produzir efeitos previsíveis noutros sistemas), mesmo quando as teorias que a descrevem continuam a mudar. “Se conseguimos borrifar electrões, eles existem” é a paráfrase informal, mas útil, deste ponto.
Este é um ponto sobre ontologia e experimentação — sobre o que nos dá boas razões para aceitar a existência de algo — e é distinto, embora relacionado, do ponto que Deborah Mayo desenvolve a seguir sobre o que faz de um teste um bom teste (o problema da severidade). Hacking pergunta sobretudo “que entidades podemos manipular com confiança?”; Mayo pergunta sobretudo “que testes nos permitem aprender com o erro?”. São perguntas complementares, mas não a mesma pergunta.
Mayo (1996) define “experiência” de forma liberal, incluindo observações sistemáticas e análises de dados já existentes — não precisa de ser uma “experiência laboratorial controlada” no sentido mais estrito do termo.
Garcia-Marques e Ferreira (2011) resumem bem a razão pela qual o novo experimentalismo interessa particularmente à psicologia: ao contrário de outras tradições da filosofia da ciência, em que a experiência era vista sobretudo como um meio para um fim — a selecção entre teorias rivais —, o novo experimentalismo trata a investigação experimental em si como fundamental para a construção teórica, e tenta caracterizar que tipo de experiências realmente justificam essa confiança.
Deborah Mayo: Severidade — Primeiro Sem Fórmulas
A questão que atravessa toda a obra de Mayo é enganosamente simples: quando é que um resultado experimental conta como boa evidência para uma hipótese? A sua resposta é o princípio da severidade, que podemos apresentar, para já, sem nenhuma equação.
Há aqui duas perguntas relacionadas, mas distintas. Antes dos dados, avaliamos propriedades do procedimento: taxas de erro, poder e sensibilidade a discrepâncias relevantes. Essas propriedades dizem-nos o que o procedimento tenderia a detectar; ainda não dizem quão severamente uma afirmação passou com um resultado que não observámos. Depois dos dados, usamos essas propriedades para avaliar uma inferência concreta: com o resultado \(x_0\) em mãos, perguntamos quão severamente uma afirmação específica passou o teste. Mayo e Spanos (2006) insistem nesta passagem das probabilidades de erro pre-data para uma avaliação inferencial post-data; as duas coisas estão ligadas, mas não são intermutáveis.
A Ideia, em Português Corrente
Um teste é severo para uma hipótese H quando cumpre duas condições ao mesmo tempo:
- Concordância: o resultado que observámos concorda efectivamente com H.
- Força probatória: se H fosse falsa (de alguma forma específica e relevante), este mesmo procedimento de teste muito provavelmente não teria produzido um resultado tão favorável a H como o que obtivemos.
Só quando as duas condições se verificam é que dizemos que H passou um teste severo, e que temos boa evidência a seu favor. Reparem que a primeira condição, sozinha, não chega: um resultado pode concordar com H e, ainda assim, fornecer evidência fraca — se fosse quase impossível o procedimento produzir um resultado desfavorável a H, mesmo que H fosse falsa. É a segunda condição, a força probatória, que é decisiva: obriga-nos a perguntar não “os dados combinam com a minha teoria?”, mas “este procedimento tinha alguma hipótese real de me mostrar que eu estava errado, se estivesse errado?”.
Um teste que quase sempre “passa”, seja qual for a verdade sobre o mundo, não nos ensina nada — é como um detector de fumo que nunca apita, mesmo com a casa em chamas: o facto de não ter apitado não nos diz nada sobre a existência de um incêndio.
Implicação para a “crise da replicação”: o problema central pode não ser apenas “será que isto replica?”, mas “será que o teste original era severo?”. Se o teste original tinha alta probabilidade de “passar” mesmo que a hipótese fosse falsa, então saber se ele replica ou não é, por si só, menos informativo do que parece.
Um exemplo histórico que Mayo discute em detalhe: os experimentalistas de física de partículas queriam saber se certos eventos sem muões eram genuínos eventos de corrente neutra ou meros artefactos de muões a escapar à detecção. Usaram simulações para modelar quantos eventos sem muões ocorreriam se apenas artefactos estivessem presentes. O excesso observado foi muitos desvios-padrão acima do esperado por artefacto — ou seja, se a explicação do artefacto fosse a correcta, este resultado seria extremamente improvável. O teste eliminou severamente a hipótese do artefacto, precisamente porque tinha uma hipótese real de o fazer.
Esta forma de pensar responde a alguns quebra-cabeças filosóficos que já encontrámos:
- O problema das hipóteses alternativas: não precisamos de considerar todas as alternativas logicamente possíveis — só as relevantes para o erro específico que estamos a investigar.
- A carga teórica da observação: produzir e interpretar dados depende de pressupostos teóricos (ver a secção sobre Duhem), mas as teorias sob teste podem continuar a ser relativamente independentes das teorias que fazem o teste (por exemplo, dos pressupostos sobre o funcionamento dos instrumentos).
- Progresso sem certeza total: podemos progredir eliminando erros específicos e bem definidos, mesmo permanecendo incertos sobre afirmações teóricas de grande alcance.
E Também, Formalmente: Uma Nota Breve
O que acabámos de descrever em prosa tem, em Mayo, uma contrapartida estatística explícita. Mayo e Spanos (2006) formulam duas condições: o resultado observado tem de concordar com a afirmação H e, se H fosse falsa de uma forma relevante, o procedimento teria de produzir, com probabilidade elevada, um resultado que concordasse menos com H do que aquele que observámos. A formulação equivalente diz que seria muito improvável obter, sob essa falsidade específica, um resultado que concordasse tão bem ou melhor com H.
A avaliação é posterior aos dados (post-data) e específica à afirmação, ao resultado e ao teste. Não substitui a pergunta abstracta sobre as propriedades prévias do procedimento; usa-as para interpretar o resultado que realmente obtivemos. Distribuições amostrais, valores-p e funções de poder podem entrar no cálculo, mas a severidade não é simplesmente outro nome para qualquer uma dessas quantidades (Mayo, 2018).
Não vamos desenvolver esse aparelho formal aqui: a formalização estatística da severidade, o seu lugar na disputa entre frequencismo e bayesianismo, e a sua relação com valores-p e poder estatístico são tratados em detalhe em Filosofia da Estatística. Nesta página, o que importa reter é a ideia filosófica: a evidência é forte quando o procedimento podia revelar um erro relevante e o resultado concreto passou essa avaliação exigente. É esta ideia que explica porque a formalização estatística interessa, e não o contrário.
Uma Ponte Breve: De Onde Vêm as Hipóteses?
Uma tradição importante da filosofia da ciência distinguiu o contexto da descoberta — os processos pelos quais surgem hipóteses — do contexto da justificação — as relações e razões usadas para as avaliar. A distinção é associada sobretudo a Reichenbach, mas a história é menos limpa do que a versão de manual: a sua formulação mudou ao longo do tempo e procurava separar relações objectivas de formas subjectivas de as encontrar, não simplesmente proibir a filosofia de falar sobre a criação de hipóteses (“Hans Reichenbach”, Stanford Encyclopedia of Philosophy).
Além disso, Kuhn rejeitou uma fronteira rígida entre descoberta e justificação: formação disciplinar, exemplares e práticas históricas ajudam tanto a tornar certas soluções visíveis como a orientar a sua avaliação (Kuhn, 1970, p. 8). A distinção continua a ser uma ferramenta pedagógica útil, desde que não a tratemos como divisão absoluta. Até aqui concentrámo-nos sobretudo em testar e avaliar; falta perguntar como chegamos às hipóteses que pomos à prova.
McGuire (1997) argumenta que esta pergunta não devia ser tratada como um mistério inefável — um “dom criativo” que não se ensina. No seu artigo, cataloga dezenas de heurísticas concretas que investigadores em psicologia já usaram para gerar hipóteses testáveis: desde notar o estranho num padrão geral de resultados, até inverter a direcção causal de uma relação óbvia, passando por transferir uma analogia doutra área (foi assim que o próprio McGuire chegou à sua teoria da inoculação, por analogia com a vacinação biológica). Um teste severo continua a ser inútil se nunca chegarmos a formular a hipótese certa para testar — daí que valha a pena lembrar, ainda que de forma breve, que “ter ideias” também é um trabalho com técnica, e não apenas sorte.
Duas heurísticas de McGuire (1997), a título de amostra.
- Análise de casos desviantes: se um efeito geralmente se verifica, em que grupos ou condições é que ele falha? Essas excepções podem gerar hipóteses novas em vez de serem descartadas como ruído.
- Analogia entre domínios: um mecanismo bem estabelecido noutra área (biologia, economia, física) pode sugerir, por analogia, um mecanismo psicológico ainda não testado.
O artigo original de McGuire (1997) apresenta muitas mais, organizadas por grau de exigência metodológica — vale a pena consultá-lo directamente para uma lista completa.
Como Não Fazer Testes Severos
Gerar hipóteses não testáveis (por exemplo, tentar testar teorias não falsificáveis). Recolher dados que não permitem sequer testar a hipótese em causa. Fazer mau uso da estatística. Cometer erros sistematicamente a favor da nossa hipótese preferida (viés de confirmação institucionalizado no desenho do estudo).
Como Fazer Testes Mais Severos
Testar hipóteses bem definidas — hipóteses vagas produzem testes vagos. Testar hipóteses que podem facilmente estar erradas: um teste em que quase qualquer resultado seria compatível com a hipótese não é um teste sério. Planear estudos cujo resultado previsto não é trivial. E, quando temos de errar, tentar errar contra a nossa própria hipótese, em vez de a favor dela — é o oposto do viés de confirmação, e é desconfortável de propósito.
9 Exercícios
Estas actividades pedem-vos que apliquem as distinções do capítulo a casos concretos. Em questões interpretativas, justifiquem a leitura escolhida: nem sempre há uma única resposta filosófica consensual.
1. Deduzir, induzir, abduzir e arriscar com Popper
Escolham uma hipótese científica (por exemplo, «este tratamento reduz o tempo de recuperação») e escrevam: (a) uma dedução que dela e de auxiliares resulte, (b) uma inferência indutiva a partir de várias observações, (c) uma hipótese abductiva que procure explicar um resultado, e (d) um resultado que pudesse contrariar a hipótese inicial. Expliquem ainda em que sentido vários testes exigentes a que a hipótese sobreviva podem ser corroborantes, sem a confirmarem como verdadeira.
Pista
Na dedução, a conclusão é necessária se as premissas forem verdadeiras; na indução, a conclusão vai além delas; na abdução, comparamos explicações possíveis sem fingir que a melhor das consideradas é automaticamente verdadeira. Para a falsificabilidade, especifiquem condições e um resultado incompatível, em vez de dizerem apenas que a hipótese «pode falhar».2. Quando um teste falha: Duhem ou carga teórica?
Inventem (ou descrevam, identificando-o, um caso real) em que um resultado não previsto surge num estudo: por exemplo, um instrumento não detecta o efeito esperado. Diagnostiquem duas possibilidades: qual seria o problema de holismo do teste (teoria mais auxiliares) e qual seria o problema da carga teórica da observação (conceitos e pressupostos envolvidos em medir e interpretar o resultado). Proponham uma verificação adicional para tornar cada diagnóstico mais informativo, sem fingirem que a lógica decide sozinha o culpado.
3. Kuhn e Lakatos diante da mesma mudança
Escolham uma mudança histórica ou construam um caso ficcional em que uma comunidade enfrenta anomalias e uma alternativa. Analisem-no primeiro com a lente de Kuhn (ciência normal, crise, possível revolução) e depois com a de Lakatos (núcleo duro, cinturão protector e problemshift progressivo ou degenerativo). Identifiquem um termo cujo papel ou significado mude entre as tradições — uma incomensurabilidade local — e indiquem também que terreno comum ainda permite a comparação. Justifiquem onde cada lente ilumina o caso e onde fica aquém; não é necessário escolher um vencedor.
O que procurar
Uma anomalia isolada não basta para diagnosticar uma revolução ou um programa degenerativo. Perguntem se há previsões novas e corroboradas, não apenas remendos retrospectivos, e se a mudança afecta um termo ou prática particular, não toda a linguagem científica.4. Feyerabend, Barseghyan e a mudança de método
Escolham um episódio em que investigadores importaram uma técnica, alteraram uma regra ou combinaram métodos de áreas diferentes (real ou explicitamente inventado). Comparem-no com o oportunismo e pluralismo metodológico de Feyerabend e com a mudança peça a peça do mosaico de Barseghyan: que métodos, teorias ou normas mudaram, quais permaneceram e como foram aceites? No fim, identifiquem pelo menos uma coisa que o episódio não demonstra — por exemplo, que «vale tudo» seja uma interpretação consensual, que a mudança seja automaticamente progresso, ou que o mosaico resolva a incomensurabilidade.
5. Desenhar um teste severo à maneira de Mayo
Desenhem ou critiquem um teste para uma hipótese H. Especifiquem primeiro, antes dos dados, com que probabilidade o procedimento detectaria uma discrepância relevante se H fosse falsa (a capacidade abstracta do teste). Depois, usando um resultado hipotético ou já observado, expliquem depois dos dados se esse resultado teria sido improvável sob uma falsidade relevante e específica de H — a severidade post-data. Avaliem separadamente a concordância do resultado com H e a sua força probatória; um teste caro ou estatisticamente significativo não é automaticamente severo.
Pista
Perguntem: «Se H fosse falsa desta maneira, o procedimento teria tido uma boa oportunidade de mostrar isso?» A primeira resposta descreve o desenho e a sua capacidade; a segunda usa o resultado concreto e a alternativa relevante, não uma avaliação vaga feita depois de qualquer resultado.6. Actividade opcional: gerar uma hipótese
Usem uma heurística de McGuire (por exemplo, procurar um caso desviante ou transferir uma analogia entre domínios) para formular uma hipótese nova e provisória, indicando numa frase que observação a tornaria testável.
10 Referências
Ackermann, R. (1989). The new experimentalism. The British Journal for the Philosophy of Science, 40(2), 185–190. https://doi.org/10.1093/bjps/40.2.185
Barseghyan, H. (2015). The Laws of Scientific Change. Springer. https://link.springer.com/book/10.1007/978-3-319-17596-6
Barseghyan, H. (2018). Redrafting the ontology of scientific change. Scientonomy, 2, 13–38. https://doi.org/10.33137/js.v2i0.31032
Duhem, P. (1954). The aim and structure of physical theory (P. P. Wiener, Trans.). Princeton University Press. (Original work published 1906.) https://doi.org/10.1515/9780691233857
Feyerabend, P. (1978). Science in a free society. New Left Books.
Feyerabend, P. (1993). Against method (3rd ed.). Verso.
Garcia-Marques, L., & Ferreira, M. B. (2011). Friends and foes of theory construction in psychological science: Vague dichotomies, unified theories of cognition, and the new experimentalism. Perspectives on Psychological Science, 6(2), 192–201. https://doi.org/10.1177/1745691611400239
Hacking, I. (1983). Representing and intervening: Introductory topics in the philosophy of natural science. Cambridge University Press. https://www.cambridge.org/core/books/representing-and-intervening/BA9EB3C136EA9A68FFE106CCE0019606
Hume, D. (1748). An enquiry concerning human understanding. https://www.gutenberg.org/ebooks/9662
Hoyningen-Huene, P., & Oberheim, E. (2009). Reference, ontological replacement and Neo-Kantianism: A reply to Sankey. Studies in History and Philosophy of Science Part A, 40(2), 203–209. https://doi.org/10.1016/j.shpsa.2009.03.013
Kuhn, T. S. (1970). The structure of scientific revolutions (2nd ed.). University of Chicago Press.
Kuhn, T. S. (1977). Objectivity, value judgment, and theory choice. In The essential tension: Selected studies in scientific tradition and change (pp. 320–339). University of Chicago Press. https://doi.org/10.7208/chicago/9780226217239.001.0001
Lakatos, I. (1970). Falsification and the methodology of scientific research programmes. In I. Lakatos & A. Musgrave (Eds.), Criticism and the growth of knowledge (pp. 91–196). Cambridge University Press. https://doi.org/10.1017/CBO9781139171434.009
Laudan, L. (1977). Progress and its problems: Towards a theory of scientific growth. University of California Press. https://www.ucpress.edu/book/9780520421062/progress-and-its-problems
Laudan, L. (1983). The demise of the demarcation problem. In R. S. Cohen & L. Laudan (Eds.), Physics, philosophy and psychoanalysis: Essays in honor of Adolf Grünbaum (pp. 111–127). D. Reidel. https://doi.org/10.1007/978-94-009-7055-7_6
Mayo, D. G. (1996). Error and the growth of experimental knowledge. University of Chicago Press. https://global.oup.com/academic/product/error-and-the-growth-of-experimental-knowledge-9780226511993
Mayo, D. G. (2018). Statistical inference as severe testing: How to get beyond the statistics wars. Cambridge University Press. https://www.cambridge.org/core/books/statistical-inference-as-severe-testing/D9DF409EF568090F3F60407FF2B973B2
Mayo, D. G., & Spanos, A. (2006). Severe testing as a basic concept in a Neyman–Pearson philosophy of induction. The British Journal for the Philosophy of Science, 57(2), 323–357. https://doi.org/10.1093/bjps/axl003
McGuire, W. J. (1997). Creative hypothesis generating in psychology: Some useful heuristics. Annual Review of Psychology, 48, 1–30. https://doi.org/10.1146/annurev.psych.48.1.1
Park, W., & Brock, R. (2023). Is there a limit to resemblances? Teaching about science and pseudoscience from a family resemblance perspective. Science & Education, 32(5), 1265–1286. https://doi.org/10.1007/s11191-022-00394-4
Platt, J. R. (1964). Strong inference. Science, 146(3642), 347–353. https://doi.org/10.1126/science.146.3642.347
Saliba, G. (2007). Islamic science and the making of the European Renaissance. MIT Press. https://doi.org/10.7551/mitpress/3981.001.0001
Popper, K. R. (1959). The logic of scientific discovery. Hutchinson.
Popper, K. R. (1983). Realism and the aim of science. Routledge. https://doi.org/10.4324/9780203713969
Quine, W. V. O. (1951). Two dogmas of empiricism. The Philosophical Review, 60(1), 20–43. https://doi.org/10.2307/2181906
Shaw, J. (2017). Was Feyerabend an anarchist? The structure(s) of ‘anything goes’. Studies in History and Philosophy of Science Part A, 64, 11–21. https://doi.org/10.1016/j.shpsa.2017.06.002
Watrin, J. P., & Darwich, R. (2012). On behaviorism in the cognitive revolution: Myth and reactions. Review of General Psychology, 16(3), 269–282. https://doi.org/10.1037/a0026766
Wittgenstein, L. (1953). Philosophical investigations. Blackwell.