En la primera parte de este artículo introduje el tema de la transferencia de conocimiento entre la universidades y la sociedad, expliqué las tres misiones de la universidad, donde la transferencia es una de ellas y relaté cómo los expertos, con la finalidad de realizar políticas públicas en ciencia y tecnología, construyeron un modelo teórico de la transferencia de conocimiento en el que se eligieron unos indicadores que entendían relevantes. De esta manera, con el fin de realizar un análisis de la realidad se implantaba un análisis cuantitativo basado en dichos indicadores. Por último, expliqué cómo la elección de indicadores supone categorizar el mundo, lo que implica haber tomado una opción en favor de visibilizar partes de la realidad y de invisibilizar las que no se hallan en las mediciones. Finalizaba recordando a Wittgenstein para mostrar la problemática que se desprende de todo análisis cuantitativo. Si para este autor «Los límites de mi lenguaje significan los límites de mi mundo» (Tractatus 5.6) (2003, 111), se puede decir que, en los análisis cuantitativos, los límites de los indicadores significan los límites del mundo posible: lo que no se puede medir resulta que no existe. La conclusión final de la primera parte de este artículo es que, si no se toman indicadores relevantes o la medición es incorrecta, las políticas públicas que se fundamenten en tales indicadores nacen defectuosas.

Ahora bien, ¿cómo mejorar los indicadores existentes? En mi opinión, hay tres campos en los que se podrían realizar mejoras: el primero de ellos se refiere a los indicadores sobre los actores intervinientes; el segundo de los campos hace referencia a la inclusión de ciertos bienes tecnocientíficos y el último consistiría en la corrección de efectos indeseados del actual sistema. En este artículo me referiré a los actores, dejando para sucesivas entregas los otros apartados.

Indicadores y actores no institucionalizados

En 1994 se produjo un vivo debate, todavía abierto, causado por la publicación de la obra The new production of knowledge: The dynamics of science and research in contemporary societies (Gibbons et al., 1994). En el libro se defendían las tesis de que tanto el conocimiento como la investigación científica se enfrentaban a nuevos modos de producción y se hallaban mutando desde una fase en “Modo 1” a otra en “Modo 2”. Mientras que en el “Modo 1” de producción reinaban los principios de la jerarquía entre disciplinas y de autonomía de los científicos e instituciones donde trabajaban, en el novedoso “Modo 2” las características eran bien diferentes, pudiéndose destacar según estos autores las siguientes:

• Un nuevo contexto de aplicación de la ciencia, donde no sólo se tienen en cuenta los supuestos teóricos sino también el entorno donde se producen los problemas necesitados de respuesta, los métodos que se aplican y la investigación que se realiza;

• Una transdisciplinariedad, que se refleja en una configuración cambiante de investigadores y de otros participantes (stakeholders), donde los equipos se unen y disuelven según las necesidades;

• Una mayor heterogeneidad del conocimiento producido;

• Un cambio epistemológico, donde se sustituye la idea de neutralidad por la de diversidad de opiniones que se emiten en una intensa conversación entre los actores y los sujetos de la investigación.

• Una emergencia de nuevos sistemas de control.

Sobre la oposición entre los “Modos 1 y 2”, de la lectura de la obra de The new production of knowledge pudiera deducirse que, en términos históricos, este nuevo “Modo 2” vendría a reemplazar a un tradicional “Modo 1”. Sin embargo, autores como Antonio Lafuente y Andoni Alonso (2011, 89) defienden que, en realidad, la ciencia siempre se produjo en “Modo 2” y que es después de la II Guerra Mundial cuando se les asigna a ciertos centros de producción del saber el monopolio de la resolución de los problemas científicos por lo que la producción en “Modo 1” sería una singularidad histórica que en la actualidad está siendo revisada:

Esto de encomendar a los centros de investigación que encuentren soluciones para las epidemias, las comunicaciones o el comercio, algo que ahora parece normal, como si siempre hubiera sido así, en realidad es algo muy nuevo, es casi de antes de ayer. Creemos que habría que considerarlo un movimiento posterior a la Segunda Guerra Mundial. El problema entonces no es explicar la aparición de lo que siempre hubo, la llamada ciencia en modo 2, sino entender la aparición de esa excepcionalidad histórica que llamamos ciencia en modo 1.

En el contexto de este debate, al año siguiente de la publicación del libro de Gibbons et al. The new production of knowledge, apareció otra importante obra, en este caso del académico Alan Irwin. Se trataba de Citizen Science: A Study of People, Expertise and Sustainable Development (Irwin, 1995), donde su autor defendía la necesidad de un nuevo modelo de ciencia participativa. Este nuevo modelo debería resolver los retos socio-científicos para lograr un desarrollo sostenible (sustainability), lo que no podría conseguirse sin una mayor participación ciudadana en la ciencia para así controlar sus propias vidas, salud y entorno (1995, 7). De esta manera, para Irwin se necesitaba incorporar en los modelos de producción de la ciencia a un nuevo actor que es el público en general, puesto que es a este público a quien le afectan las decisiones de las políticas científicas que se desarrollarían en un Estado. La ciencia no sería propiedad de una élite científica sino que Irwin, inspirándose en “Culture is ordinary”, un muy influyente artículo de Raymond Williams, señalaría que la ciencia pertenece a todos.

Casi simultáneamente, en ese mismo año 1995, el académico ornitólogo norteamericano Rick Bonney también utilizó académicamente el término Citizen Science, pero en esta ocasión con un sentido diferente al de Irwin. Bonney se refería en su caso al creciente número de proyectos del Cornell Lab of Ornithology en los que, bajo la guía de científicos, participaban ciudadanos legos en ciencia.

De esta doble manera, mediante las aportaciones de Irwin y de Bonney, nacía el concepto polisémico de “Ciencia Ciudadana”, que para Irwin tenía contenido político y para Bonney social o participativo. No se trataba de llamar la atención sobre una actividad nueva, ya que la participación de la ciudadanía en la ciencia es una labor antigua, sino sobre una construcción conceptual de la participación, de la que podemos citar tres ejemplos que Caren Cooper nos recuerda:

• el primero, sobre el posteriormente presidente de los EE.UU. Thomas Jefferson, que en 1776 implantó en el Estado de Virginia un registro colaborativo de mediciones de temperatura y viento;

• el segundo sobre el marino norteamericano Matthew Fontaine Maury, quien en 1847 recopiló los datos meteorológicos de los diarios de a bordo de los buques;

• y el último sobre el marino inglés William Whewell, quien en 1835 coordinó voluntarios para medir las mareas en 650 estaciones. Construir ciencia colaborativamente es algo que según nos muestra la historia ha sido una labor habitual.

Nada de lo anterior podemos encontrar en los indicadores de transferencia de conocimiento objeto de este artículo, que parecen responder al “Modo 1” de hacer y compartir ciencia. Los indicadores parten de la existencia de un emisor del conocimiento, la figura de la universidad, y de un receptor del mismo, una persona jurídica institucionalizada, dejando fuera de las mediciones las influencias que el conocimiento generado por las universidades tienen en otros actores que intervienen en el uso del conocimiento científico de una sociedad. Cierto es que en el estudio y selección de los indicadores se ha tenido en cuenta la diversidad de los agentes institucionales productores de conocimiento (las universidades) pero no de los agentes receptores de conocimiento no institucionalizados. En cuanto a los creadores de conocimiento, se ha tenido en cuenta la existencia de «hospitales, institutos de investigación y otras entidades» periféricas a la universidad (Conesa et al, 2010, p. 17), donde deberán ajustarse los datos obtenidos para no caer en duplicidades o en omisiones, pero se ignora la medición de la transferencia hacia grupos que no tengan formalización jurídica, de los que se pueden destacar las comunidades de prácticas (también llamadas de aprendizaje) cuya existencia se ha visto favorecida por la utilización masiva de las Tecnologías de la Información y Comunicación (TIC).

Las comunidades de prácticas han sido definidas por Wenger, McDermot y Snyder (2002, 4) como “un grupo de personas que comparten una preocupación, un conjunto de problemas, una pasión sobre un tema, y que profundizan su conocimiento y saber experto en este área interactuando de manera continua”. Esta manera de compartir el saber trae como consecuencia, como señalan Lave y Wenger (1991, 36), que el conocimiento no tiene un centro y una periferia sino que todos los integrantes de la comunidad mantienen una participación completa, lo que finalmente produce que el conocimiento libre generado no se pueda atribuir a un autor concreto, sino a un colectivo.

El problema surgiría en cómo medir las aportaciones de este tipo de comunidades de prácticas. Wenger, McDermot y Snyder (2002, 168-171) proponen la utilización de dos principios complementarios: la demostración de la causalidad mediante narraciones y el asegurar la sistematicidad mediante una rigurosa documentación:

• La importancia de las narraciones proviene de que son el mejor sistema para explicar las relaciones entre las actividades de las comunidades, los recursos de conocimiento y los desarrollos que realizan tales grupos. Sólo una historia, señalan, puede describir estas “complejas relaciones causales, incorporando factores contextuales implícitos cuya apreciación puede ser crucial pero sin embargo difícil de codificar o de generalizar”. Y, en efecto, no todo hacer en ciencia puede ser codificado, aun cuando pudiera ser muy relevante, para lo que proponen que la narración incluya tres partes (2002, 168): la inicial actividad utilizada para innovar, aprender una habilidad o resolver un problema, el recurso generado por esta actividad (por ejemplo una nueva visión, nuevo método o relación) y cómo este recurso fue aplicado para crear valor.

• En cuanto al aseguramiento de la sistematicidad mediante una rigurosa documentación, proponen tanto análisis cuantitativos como cualitativos desde ambas perspectivas Bottom-up y Top-down. Desde la perspectiva de las bases, se pretenden descubrir todas las actividades de la comunidad y comprender sus efectos. Desde la perspectiva jerárquica, se parte de los principios que se necesitan para competir y se evalúa cómo la comunidad puede ayudar a alcanzarlos.

Más en la línea del contenido de los actuales indicadores es interesante recordar los estudios en el ámbito mercantil, donde si en un principio se estudió la empresa como una organización de creación de conocimiento luego abrieron dichos estudios a reconocer que una empresa se halla en un entramado social del cual no puede independizarse. Evaluar los resultados únicamente en función de la existencia de las empresas supone ignorar la realidad. En este tipo de análisis destacan las teorías de Ikujiro Nonaka quien, en coherencia con la tradición occidental de considerar una empresa como una máquina de procesamiento de información, desarrolló el modelo SECI del ciclo de conocimiento. Para Nonaka, el conocimiento no consiste en un bien material sino que se trata de un proceso que involucra una relación entre diferentes participantes. El conocimiento no es un objeto que se gestione por una organización, sino que surge en el transcurso de un ciclo que para este autor consta de cuatro actividades: socialización, externalización, combinación e interiorización (SECI). Nonaka defiende que las personas socializan su conocimiento personal al externalizarlo y compartirlo con los demás. Este conocimiento luego se enriquece con las aportaciones de las personas que lo han recibido y el resultado de la combinación se interioriza lo que, a su vez, sirve de base para el siguiente ciclo de creación de conocimiento. (Nonaka et al. 2008, 18-19).

Para facilitar estos ciclos de conocimiento, Nonaka señalaba cinco factores relevantes (von Krogh 2000, 8): (1) inculcar en la organización una visión de conocimiento, (2) manejar conversaciones, (3) movilizar nuevos actores intervinientes (activistas del conocimiento, caring experts y epistemólogos), (4) crear un contexto correcto (una atmósfera afectuosa en la que los miembros de una organización tengan un interés activo en utilizar las percepciones de los demás) y (5) globalizar el conocimiento local.

Ni más ni menos, parecería que Nonaka se estaba refiriendo a la actividad habitual de un colectivo informal que presumo conocen y cuyo nombre es el de Naukas. ¿Qué mejor ejemplo de inculcar una visión de conocimiento, de manejar conversaciones, de ser activistas del conocimiento, de crear una atmósfera afectuosa y de globalizar el conocimiento local que el de un grupo como Naukas? Unas mínimas cifras: Desde el 28 de junio de 2010 hasta hoy hay 4.154 (incluido éste) posts en el blog, en la lista de correo en la que nos auto-organizamos bajo la dictadura blanda de Irreductible (Javier Peláez) comentamos unas 115 personas, entre las nos hallamos legos, profesores tanto de instituto como de universidad, catedráticos, doctorandos, doctores, estudiantes, licenciados, graduados, una lista en la que desde el 11 de enero de 2013 (fecha en que me invitaron a Naukas –de lo que me sentí muy honrado–) hay 27.682 correos electrónicos sobre los asuntos más variados. La colaboración con la universidad es constante y no sólo por la relación que muchos integrantes de Naukas tenemos con esta institución, sino por el apoyo que recibimos de la Cátedra de Cultura Científica de la Universidad del País Vasco que se vertebra de múltiples maneras y se enriquece especialmente con la labor de su titular Juan Ignacio Pérez. Pues bien, esta transferencia continua de conocimiento universidad-sociedad en la que Naukas consiste, no tiene cabida en ninguno de los indicadores de transferencia de conocimiento entre la universidad y la sociedad. Simplemente no existe.

En síntesis del panorama descrito hasta ahora, es importante señalar que el actual sistema tiene límites. Todo análisis que se fundamente únicamente en los actuales indicadores es necesariamente incompleto por dejar fuera una relevante parte de la realidad. Si para medir la transferencia de conocimiento de las universidades los indicadores solo tienen en cuenta la transferencia realizada a las empresas, entonces nos encontramos con una herramienta muy pobre para hacer mejores políticas públicas. La tercera de las misiones de la universidad, la transferencia de conocimiento a la sociedad, merece ser medida con una mejor precisión y utilizando una visión más rica.

Indicadores y cuestiones de género

Pero si hay un problema grave en los indicadores, éste es el de la ausencia de la desagregación de los datos por género. ¿Cómo poder analizar el papel de la mujer en la ciencia si no se tienen datos? Nuevamente, ¿cómo pueden desarrollarse políticas públicas si no se tienen datos?

Esta ausencia ha sido corregida por primera vez en su última edición (octubre 2015) por la publicación de referencia en la medida de actividades científicas, tecnológicas y de innovación, el Manual de Frascati. Así, la recomendación de su apartado 5.76 (OECD: 2015, 172) consiste en que todo esfuerzo de contabilización debería realizarse para producir datos estadísticos desagregados por género. Que sea en el año 2015 cuando la OECD introduce esta novedad en una publicación de referencia dice mucho del mundo en el que vivimos y del camino que todavía nos queda por recorrer. Menciona el Manual de Frascati (2015, 361) que en esta sexta edición las orientaciones en personal de investigación y desarrollo se han revisado sustancialmente, incluyendo nuevas propuestas para reportar datos por género y edad.

Pero no hay que olvidar que las orientaciones del Manual de Frascati no tienen valor normativo sino que lo que se han de modificar son los indicadores. Pero esto solo no basta sino que debe venir acompañado con una recogida de datos, que supone una modificación de los campos de las bases de datos donde se almacenan los mismos, labor que, por lo general, tiene unas inercias temporales. El trabajo de mejorar los indicadores, por tanto, compete a unos órganos que han de decidir qué datos sobre género han de ser incluidos, y de otros órganos que modifican los sistemas de recolección de datos para permitir su desagregación por género. El trabajo no es difícil sino que simplemente se necesita una decisión política o incluso basta, según el tipo de organización, una decisión administrativa. Mejorar los indicadores para granular las cuestiones de género indudablemente permitirá la mejora de políticas públicas y su resolución supone una muy interesante interacción entre las disciplinas humanísticas y tecnológicas.

Referencias

Conesa, Fernando J.; de la Peña, Yolanda; García Plaza, Lola; Ramírez, Mayte; Lucena, Fermín; Muro, Mencía; Martínez Vasallo, Javier. (2010). Indicadores en Transferencia de Conocimiento. Cuadernos Técnicos RedOTRI. Cuaderno Técnico n.º 5. Abril 2010. Madrid: Crue – RedOTRI Universidades. http://redotriuniversidades.net/index.php/menu-aplicaciones/7-cuadernos-tecnicos-de-redotri/indicadores-en-transferencia-de-conocimiento/detail

Gibbons, M.; Limoges, C.; Nowotny, H.; Schwartzman, S.; Scott, P. & Trow, M. (1994). The New Production of Knowledge: The Dynamics of Science and Research in Contemporary Societies. Londres (Reino Unido): SAGE Publications.

Lafuente, A. & Alonso, A. (2011). Ciencia expandida, naturaleza común y saber profano. Bernal (Argentina): Universidad Nacional de Quilmes Editorial.

Lave, J. & Wenger, E. (1991). Situated Learning. Legitimate Peripheral Participation. Nueva York (EE.UU.): Cambridge University Press.

Irwin, A. (1995). Citizen Science: A Study of People, Expertise and Sustainable Development. Londres (Rieno Unido): Routledge.

Nonaka, I.; Toyama, R.; Hirata, T.; Bigelow, S. J.; Hirose, A. & Kohlbacher, F. (2008). Managing Flow: A Process Theory of the Knowledge-Based Firm. Hampshire (Reino Unido): Palgrave Macmillan.

von Krogh, G., Ichijo, K., & Nonaka, I. (2000). Enabling Knowledge Creation: How to Unlock the Mystery of Tacit Knowledge and Release the Power of Innovation. Oxford (Reino Unido): Oxford University Press.

OECD. (2015). Frascati Manual 2015: Guidelines for Collecting and Reporting Data on Research and Experimental Development, The Measurement of Scientific, Technological and Innovation Activities. Paris: OECD Publishing. DOI: http://dx.doi.org/10.1787/9789264239012-en

Wenger, E., McDermott, R. & Snyder, W. M. (2002). Cultivating Communities of Practice. Boston (Massachusetts, EE.UU): Harvard Business School Press.

Wittgenstein, Ludwig. (2014) [1921]. Tractatus logico-philosophicus. Frankfurt am Main (República Federal Alemana): Suhrkamp Verlag. Traducción: (2003) [1921]. Tractatus logico-philosophicus. Madrid: Alianza Editorial.