O que a interdisciplinaridade parece na prática - mapeamento da interdisciplinaridade e seus limites nas ciências ambientais

Prévia do material em texto

O que a interdisciplinaridade parece na prática: mapeamento da interdisciplinaridade e seus limites nas ciências ambientais
Resumo
Neste artigo, examinamos atentamente as atuais práticas de modelagem interdisciplinar nas ciências ambientais e sugerimos que seja dada mais atenção à natureza das práticas científicas ao investigar e planejar a interdisciplinaridade. Embora a interdisciplinaridade seja retratada como um meio de trabalho metodológico inovador e transformador, as estratégias atuais de modelagem nas ciências ambientais são conservadoras, evitando conflitos metodológicos, enquanto confinam interações interdisciplinares a um conjunto relativamente pequeno de estruturas e estratégias de modelagem pré-existentes (um processo que nós cristalização de chamadas). Argumentamos que tais práticas podem ser racionalizadas como respostas, em parte, às restrições cognitivas que restringem o trabalho interdisciplinar. Identificamos quatro estratégias de modelagem integrativas salientes em ciências ambientais e argumentamos que essa cristalização, contrariando um tanto as metas novas que muitos têm para a interdisciplinaridade, faz sentido quando consideradas à luz de práticas disciplinares comuns e restrições cognitivas. Esses resultados fornecem motivos para repensar em termos metodológicos mais concretos para que a interdisciplinaridade e quais tipos de interdisciplinaridade podem ser obtidos nas ciências ambientais e em outros lugares.
1. Introdução
A Interdisciplinaridade (ID) foi convocada para abordar uma ampla gama de problemas ambientais urgentes com base em que os sistemas sociais, econômicos, ecológicos e climáticos estão causalmente entrelaçados. Resolver esses problemas, pensa-se, requer abordagens conceitualmente ou metodologicamente integradas de múltiplas ciências sociais e naturais, e também pode exigir a participação de partes interessadas extra-acadêmicas (ver Klein et al., 2012). Existe, portanto, um forte interesse político em promover e financiar a colaboração entre ecologistas, economistas, sociólogos, engenheiros civis, cientistas atmosféricos e muitos outros que trabalham em problemas ambientais. No entanto, apesar de uma literatura grande e ainda crescente sobre o tema da interdisciplinaridade, permanece incerto como o trabalho interdisciplinar entre campos como estes pode ser estruturado cognitivamente, a fim de obter respostas interdisciplinares remuneradas ao gerenciamento de recursos e outros problemas ambientais.
Muita literatura atual caracteriza (e muitas vezes define) interações interdisciplinares (ID) como interações localizadas orientadas por problemas que resultam em desenvolvimentos conceituais e conceituais inovadores e transformadores (ver Huutoniemi, Klein, Bruun e Hukkinen, 2010 para uma visão geral de como " interdisciplinaridade "é entendida na literatura). No entanto, mostraremos aqui que, no caso das ciências ambientais, a modelagem transfronteiriça é conservadora, fazendo uso de estruturas metodológicas pré-existentes. Ao invés de exibir inovações e diversificação metodológicas substanciais, práticas interdisciplinares estão cristalizando em torno de quatro plataformas metodológicas integrativas principais - cada uma das quais descrevemos aqui. Cada um tem vários benefícios interdisciplinares. Essas vantagens ajudam a explicar a eficácia desses quadros na superação das restrições institucionais e cognitivas que geralmente inibem a interdisciplinaridade nas ciências ambientais. Argumentaremos que a cristalização desse tipo não é um fenômeno contra intuitivo, por mais que seja contrário a hipóteses ou expectativas metodológicas normativas de estudiosos de interdisciplinaridade. Pode ser entendido como uma tentativa bastante natural de construir interações interdisciplinares bem estruturadas em torno de um conjunto limitado de estruturas e estratégias de modelagem gerenciáveis ​​de uma maneira similar à qual os próprios campos participantes estruturaram internamente suas próprias práticas em torno de tais estruturas e estratégias (ver Humphreys, 2004).
Essas lições da prática científica sugerem que há motivos para ser mais cautelosos ou mais estratégicos sobre como a interdisciplinaridade é gerenciada e implementada, e o que podemos razoavelmente esperar dela. A presunção atual de que a interdisciplinaridade precisa de contextos altamente orientados para o problema que requerem soluções conceituais e abordagens metodológicas fundamentalmente inovadoras deve ser ponderada em nossas descobertas de que as estratégias de cristalização da prática interdisciplinar são mais consistentes com os modelos tradicionais de descoberta científica. Tais modelos favorecem o desenvolvimento incremental, construindo a partir de estruturas matemáticas bem estabelecidas e ajustando conceitos e métodos nas bordas externas dos campos. Tais técnicas evitam a interrupção dos campos, mas colocá-los em uma boa posição para desenvolver uma sólida colaboração ou integração transfronteiras agora e no futuro.
O artigo prossegue da seguinte forma: a seção a seguir fornece um histórico geral sobre expectativas crescentes de pesquisa interdisciplinar. A seção 3 discute um contexto mais específico em que a pesquisa interdisciplinar é exigida nas ciências ambientais como resultado de interações crescentes entre sistemas naturais e sociais, que tradicionalmente foram estudados separadamente. A Seção 4 oferece nossa tipologia de estratégias emergentes de modelagem de identificação, a saber, modelagem baseada em dados, modelagem modular, modelagem integral e acoplamento modelo substitutivo, com base em nosso estudo de caso em andamento. Seção 5desencadeia várias lições metodológicas para a interdisciplinaridade com base em nossas descobertas e, mais geralmente, defende a importância de compreender a prática científica, a fim de prescrever como realizar pesquisas interdisciplinares. A seção 6 conclui resumindo nosso argumento.
2. Expectativas de interdisciplinaridade (ID)
Nos últimos 20 anos, a interdisciplinaridade (ID) tem sido amplamente discutida na política científica, nos estudos científicos e na ciência da educação. Grande parte dessa discussão é fortemente favorável a ID, considerando-a como essencial para resolver os problemas ambientais, sociais e de saúde do século XXI, ao mesmo tempo em que percebe a rigidez institucional e cognitiva das disciplinas estabelecidas como obstáculos para resolver esses problemas com eficiência. Novas abordagens são necessárias, e as interações de ID (sejam colaborativas ou não) são vistas como o meio através do qual essas abordagens podem ser desenvolvidas. Como resultado, um imperativo importante foi colocado na identificação de interações de identidade "genuínas" que alcançam esses objetivos, daqueles que não, particularmente para fins de financiamento de pesquisa (ver Huutoniemi et al., 2010).
No entanto, concordar com uma definição de ID que pode distinguir interações de ID genuínas de outros tipos de interações ou trocas transfronteiriças, como multidisciplinar ou mesmo imperialista (Mäki, 2013), se revelou difícil. De fato, um foco importante de estudos de ID tem sido a taxonomia de diferentes formas em que a interdisciplinaridade e a multidisciplinaridade podem ser conceitualizadas ou ocorrer na prática (Klein, 2010). Os cientistas não se uniram de nada sobre o que eles podem significar por ele (ver Aboelela et al., 2006). As definições abrangentes mais abrangentes não tomam uma posição sobre quais tipos de atividades ou identificação de interações consistem. Klein (1990, p. 196), por exemplo, dá a seguinte definição geral: "A interdisciplinaridade é um meio de resolver problemas e responder a questões que não podem ser abordadas satisfatoriamente usando métodos ou abordagens únicas".
Dentro desta, muitas atividades poderiam ser consideradas interdisciplinares. No entanto, nos últimos anos, uma visão predominante se formou em torno da expectativa de que ID genuína requer integração (ver Lattuca, 2003). Ou seja, a interdisciplinaridade é,
umprocesso de resposta a uma pergunta, resolução de um problema ou abordando um tema muito amplo ou complexo para ser tratado adequadamente por uma única disciplina ou profissão, desenhar sobre perspectivas disciplinares e integrar suas ideias através da construção de uma perspectiva mais abrangente. (Klein & Newell, 1997, pp. 393-394)
A Academia Nacional de Ciências (2006) dá uma definição semelhante, segundo a qual a interdisciplinaridade é:
"Um modo de pesquisa por equipes ou indivíduos que integram informações, dados, técnicas, ferramentas, perspectivas, conceitos e / ou teorias de duas ou mais disciplinas ou corpos de conhecimento especializado para avançar a compreensão fundamental ou para resolver problemas cujas soluções estão além do âmbito de uma única disciplina ou campo de pesquisa prática ".
As interações de identificação são integrativas na medida em que as estruturas metodológicas e conceituais ou outros recursos disciplinares de disciplinas e campos separados são integrados para resolver um problema. Em teoria, a integração serve para distinguir ID da multidisciplinaridade. Em contextos multidisciplinares, os pesquisadores simplesmente dividem um problema em partes reconhecíveis como problemas disciplinares, e vão embora e resolvem essas partes separadamente sem estabelecer conexões reais entre suas abordagens. No entanto, a integração e conceitos similares são frequentemente cobrado na literatura relevante em termos de metáforas, em vez de critérios metodológicos ou conceituais mais difíceis. Klein (2010) cita uma série de "descritores-chave" aplicados para descrever o ID; "Integrando", "interagindo", "vinculando", "focando" e "mesclando".3 Outras metáforas populares incluem "cruzamento de fronteira" ou "construção de ponte" ou "bilinguismo" (Repko, Szostak e Buchberger, 2016). A multidisciplinaridade em contraste está associada a frases como "justaposição", "sequenciamento" ou "coordenação". A "integração", no entanto, permanece indiscutivelmente vaga (embora veja O'Rourke, Crowley e Gonnerman (2016) para alguma tentativa filosófica de esclarecer o conceito usando casos da biologia).
Embora muitas noções de ID tratem a integração como o cerne da ID, alguns conceitos requerem mais, muitas vezes motivados pelas fortes posturas normativas que os autores tomam para a identificação e o que esperam disso. Dois requisitos adicionais, ou pelo menos expectativas, destacam-se a este respeito. O primeiro é que a identificação adequada exige tentativas sinceras de resolver problemas do mundo real. A motivação para isso se relaciona com os objetivos que muitos têm para ID em primeiro lugar, e / ou as condições necessárias para solicitar a integração. A pesquisa de identificação ou a resolução de problemas devem ser aplicadas a pesquisas de pesquisa e trabalho de resolução de problemas, em vez de serem direcionadas internamente a questões ou problemas enquadrados em contextos disciplinares. Mais distante, Repko et al., 2016). Portanto, há uma expectativa de que a solução de problemas do mundo real induz ou a integração necessite de outros contextos. Vale a pena notar que essas ideias que a ID é ou devem ser orientadas por problemas se encaixam em padrões comuns de esquemas de financiamento de curto prazo de 3 a 5 anos, que muitas vezes constituem a base pela qual a ID é patrocinada institucionalmente. Esses esquemas de financiamento exigem que cientistas e engenheiros se juntem no contexto de solicitar financiamento para resolver um problema específico do mundo real e fornecer um plano para uma solução integrada ao longo desse período.
O segundo critério adicional para ID está implícito no conceito de "perspectiva abrangente" na definição de Klein e Newell (1997, pp. 393-415) acima. Existe uma expectativa comum de que, independentemente da integração, o resultado seja, de certa forma, inovador e transformador para os campos envolvidos, resultando em novos conceitos e práticas (Huutoniemi et al., 2010).), ou uma compreensão global, mais global ou sistemática de um conjunto de fenômenos ou dos problemas a serem abordados. Uma implicação comum é que é insuficiente para juntar métodos e conceitos de diferentes campos, sem novas práticas emergentes. Se tal requisito for usado para ajudar a definir a integração para fins de identificação, isso cria um padrão muito alto, o que, como veremos, provavelmente não é frequentemente alcançado nas ciências ambientais, nem em outros lugares. A motivação de tal padrão deriva dos objetivos supostamente perturbadores da ID (ver concepções em particular da ciência "Modo 2" ou "pós-normal") e a necessidade prevista de separar estruturas disciplinares e abrir disciplinas científicas para outros pontos de Visão (Funtowicz & Ravetz, 1993; Nowotny, Scott, Gibbons, e Scott, 2001). Mas também é uma extensão da ideia de que as abordagens disciplinares são insuficientes para problemas do mundo real mesmo quando aplicadas em conjunto a um problema. As interações em que as práticas e estruturas disciplinares não são interrompidas ou reformadas são, portanto, às vezes consideradas a marca de multidisciplinar. Os praticantes que são críticos sobre o quadro metodológico padrão da economia, por exemplo, tendem a concordar com essa visão (por exemplo, Berg & Gigerenzer, 2010; Costanza et al., 2014). Assim, a economia ecológica é, por vezes, entendida como uma tentativa de criar apenas uma abordagem tão genuinamente ID.
É um pouco difícil saber se esses critérios são considerados requisitos reais de identificação verdadeira ou adequada, ou simplesmente expectativas de que as interações integrativas produzirão e em que contextos isso acontecerá. De qualquer forma, ambos adicionam um grau de "bagagem normativa" às discussões em torno do ID. Nós achamos que ambos os critérios estão desacreditados com a prática científica atual e não refletem a forma como a ID comum ocorre no domínio da construção de modelos nas ciências ambientais, que são intrinsecamente interdisciplinares e orientadas para a resolução de problemas no mundo real. Como mostramos neste artigo, muitas interações que de outra forma são integrativas não conseguem produzir novas transformações metodológicas ou conceituais. Nosso diagnóstico é que essas expectativas em torno da ID não estão bem alinhadas com o que geralmente é viável, considerando os constrangimentos em que os pesquisadores científicos trabalham, particularmente no contexto de bolsas de curto prazo. De fato, embora as restrições institucionais que inibam o trabalho de identificação (como revisão por pares, promoção de posse e outros, veja Jacobs & Frickel, 2009) são bem compreendidos, as restrições cognitivas na pesquisa de ID não são (Brister, 2016; MacLeod, 2016).
Em outros contextos, MacLeod e Nagatsu (2016) e MacLeod (2016) analisaram as restrições cognitivas que afetam as interações economia / ecologia e as interações engenheiro / biólogo molecular em biologia de sistemas, argumentando que essas restrições não devem ser subestimadas. As restrições cognitivas incluem, por exemplo, diferentes padrões evidenciais e valores epistêmicos, diferentes modelagens e práticas experimentais, conceitos inconsistentes e a opacidade geral das práticas devido à sua complexidade. Brister (2016), em seu próprio estudo de interações entre biólogos de conservação e antropólogos, identifica restrições similares que afligem as relações entre cientistas naturais e sociais. Além disso, ela observa que as disciplinas muitas vezes impedem a interação de ID produtiva enquadrando problemas em termos de suas próprias metodologias específicas e valores específicos. Todos estes restringem os pesquisadores de ID a encontrar maneiras de coordenar suas práticas, e muito menos para produzir novas transformações metodológicas ou conceituais integradas.
Geralmente, as restrições cognitivas que enfrentam as interações de identificação correm o risco de trivialização quando apresentadas como "problemas de comunicação", como costumam ser (Brister, 2016; MacLeod, 2016). Essas restriçõesmuitas vezes resultam de disputas epistemológicas profundas enraizadas na natureza das práticas dentro dos campos. Uma das razões pelas quais muitas dessas diferenças metodológicas em suposições, conceitos e valores são tão difíceis de resolver é que eles se apresentam a montante nos sistemas de resolução de problemas sobre os quais os campos dependem. Tais sistemas foram otimizados ao longo do tempo para resolver classes específicas de problemas. Isso torna essas diferenças difíceis de remover sem exigir mudanças substanciais, e muitas vezes impraticáveis ​​em outros lugares a esses sistemas.
Para construir o caso para uma compreensão de identificação mais minuciosa baseada na prática, descrevemos.
As estratégias de modelagem atuais escolhidas nas ciências ambientais para a modelagem de ID e por que elas são escolhidas. Em particular, avaliamos os rendimentos interdisciplinares e os ganhos dessas estratégias de modelagem. MacLeod e Nagatsu (2016) definem alocações colaborativas como as características de uma estratégia metodológica que fornece aos colaboradores meios para superar as restrições de identidade e apesar de eles coordenar e integrar suas práticas científicas e recursos científicos (modelagem, experimentação, valores e padrões epistêmicos, etc.). No entanto, a identificação nas ciências ambientais nem sempre é colaborativa. Alguns níveis de integração ocorrem apenas dentro de um único campo, quando os pesquisadores constroem modelos, por exemplo, que incorporam recursos de vários outros campos. Isso acontece nas ciências ambientais até certo ponto. Por isso, vale a pena avaliar as estratégias em geral, em termos de recursos gerais interdisciplinares, recursos que facilitam a integração diante das restrições, que podem incluir oportunidades de colaboração.
Esta investigação revela dois fatos importantes. Em primeiro lugar, relativamente poucos padrões de interação dominam as maneiras pelas quais os modeladores nas ciências ambientais escolhem interagir. Esses modos de interação são baseados em um conjunto limitado de modelos de modelagem. Em segundo lugar, a escolha desses modos pode ser entendida até certo ponto como respostas a restrições cognitivas. Ou seja, os seus recursos interdisciplinares residem na maior parte na sua minimização de novas invenções metodológicas ou conceituais. Vamos discutir ainda mais as implicações dessas descobertas sobre a natureza conservadora das práticas de ID na Seção 5.
3. Interações natureza-sociedade: ID nas ciências ambientais e suas restrições
Antes de passar a considerar esses padrões de interação, no entanto, vale a pena dar alguma introdução ao contexto de fundo e motivação para a interdisciplinaridade nas ciências ambientais. O ID é visto por muitos como essenciais para a ciência ambiental moderna: os problemas ambientais contemporâneos são complexos e as exigências ambientais, sociais ou outras que temos de soluções muitas vezes diversas e multifacetadas. Essas soluções, indiscutivelmente, residem fora do alcance das estruturas clássicas de resolução de problemas disciplinares (DesRoches, Inkpen e Green). As soluções para esses problemas exigem compreensão dos sistemas naturais e sociais, e como esses sistemas interagem (ver Sistemas humanos e naturais acoplados, CHANS: Liu et al., 2007; The Anthropocene: Crutzen, 2006). 4 Engenheiros civis / ambientais, economistas, ecologistas, cientistas atmosféricos, sociólogos, planejadores urbanos e outros encontram-se sob pressão das agências de financiamento para colaborar.
Embora seja impossível desenvolver um relato geral de quão bem-sucedidas as interações de ID provaram nas ciências ambientais, apesar do financiamento e outros incentivos institucionais dedicados a eles, estudos publicados indicam que nem sempre é uma navegação suave. Certamente, a colaboração se mostrou difícil entre economistas e ecologistas, e entre cientistas sociais qualitativos e qualquer campo quantitativo de ciência ambiental ou engenharia (ver, por exemplo, Roy et al., 2013; Strang, 2009; Brister, 2016; Fox et al., 2006). Para obter dados originais sobre interações economia-ecologia, desde 2014 realizamos 14 entrevistas semiestruturadas com 13 indivíduos (6 economistas, 5 ecologistas e 2 sociólogos) que trabalham em projetos interdisciplinares de manejo florestal, pesqueiro e de água, bem como sobre o meio ambiente proteção. Além disso, assistimos e registramos 4 encontros de pesquisa em um laboratório bio-econômico. A partir deste conjunto de dados, juntamente com outros artigos metodológicos escritos pelos próprios profissionais de identificação, identificamos várias restrições cognitivas importantes como principais dificuldades que governam as interações entre economistas e ecologistas.
Em primeiro lugar, por exemplo, a economia e a ecologia criam modelos e experimentos de projeto em diferentes escalas temporais e espaciais que refletem as diferentes escalas em que ocorrem fenômenos ecológicos e econômicos importantes e que são práticos para estudar, atendendo aos objetivos de cada campo (Wätzold et al., 2006, Stevens, Fraser, Mitchley e Thomas, 2007). Embora a economia se centre no equilíbrio de nível administrativo útil para a política econômica, experiências ecológicas ou estudos observacionais tendem a se concentrar em áreas geográficas muito menores que podem ser efetivamente controladas ou medidas. Economia e ecologia também estão divididas em termos de escalas de tempo nas quais eles consideram que seus respectivos sistemas podem ser efetivamente estudados. Em economia, a análise de equilíbrio normalmente presta pouca ou nenhuma atenção à velocidade do processo em resposta a choques, por exemplo, e a dinâmica é assumida para operar em baixas escalas de tempo (ou sem tempo). A dinâmica ecológica opera em contraste em escalas de tempo muito mais longas. Os modelos construídos em economia e ecologia por ambas as razões geralmente não estão em alinhamento espacial ou temporal. Como Stevens et al. (2007). O estresse, a ampliação das experiências em ecologia é longe de ser trivial por razões metodológicas e práticas. Da mesma forma, construir modelos multi escala que podem integrar modelos construídos em diferentes escalas espaciais ou temporais levanta uma riqueza de seus próprios desafios metodológicos e permanece particularmente difícil de fazer sem grandes pressupostos que enfraquecem a validade dos resultados.
Além disso, como documentado por Armsworth, Gaston, Hanley e Ruffell (2009), 7 economistas e ecologistas diferem muito em relação a vários padrões evidentes e valores epistêmicos, em particular sobre a legitimidade das estatísticas na construção de modelos. Os economistas estão de acordo com eles mais orientados pela teoria, ecologistas mais orientados por dados. O objetivo da pesquisa econômica canônica é derivar e testar modelos teóricos. O papel da regressão estatística na economia é limitado ao teste desses modelos. Essas práticas ajudam a "definir" o papel adequado de técnicas como a regressão estatística dentro do campo. Os ecologistas, no entanto, usarão dados para gerar modelos através de técnicas estatísticas, empregando esses modelos sem fundamentos teóricos mais profundos. Os economistas empregam dados para testar a validade de seus modelos teóricos e testar relações "off-model", em vez de usar os dados como fonte de tais relações. Essas práticas e padrões de modelagem divergentes, Armsworth et al. (2009) relatório, pode criar conflitos e criar obstáculos para as interações entre ecologistas e economistas que podem discordar fundamentalmente sobre quais são abordagens confiáveis ​​e eficazes para resolver um determinado problema ambiental. As abordagens orientadas a dados na ecologia podem ser vistas como improdutivas e não informativas do ponto de vista econômico, enquanto o compromisso que os economistas exibem em relação à teoria estabelecida e às estruturas de resolução de problemas, como a otimização restrita (que os ecologistas prontamente desafiam) podem ser vistos como estreitos elimitados. Em geral, os conceitos econômicos neoclássicos e as estruturas de resolução de problemas podem parecer muito simplistas e injustificáveis ​​fora da economia.
Enquanto pesquisadores de mente aberta podem e tentam resolver esses problemas, parte da intransigência desses obstáculos decorre da centralidade desses padrões para os campos. Muitos modelos de modelagem matemática e técnicas experimentais foram projetados em torno deles e, como resultado, as habilidades e expertise economistas e ecologistas, incluindo a capacidade de avaliar o que conta como pesquisa boa ou ruim, não podem ser facilmente reaplicadas sob diferentes conjuntos de padrões de governo. Usando termos populares na ciência cognitiva e na biologia, as tarefas cognitivas dos pesquisadores são encadeadas por recursos conceituais e metodológicos básicos, que são fortemente adaptados ao espaço-problema de um determinado campo. Esses andaimes cognitivos, por sua vez, afetam o que os pesquisadores veem como um problema e como solucioná-lo. Tal os nichos epistêmicos (Sterelny, 2010) são construídos em torno de um conjunto de padrões epistêmicos ou conceitualizações básicas de fenômenos que muitas vezes estão em desacordo com os de outro campo. Às vezes, tais padrões ou conceitos fundamentais podem ser incomensuráveis ​​e, portanto, tecnicamente impossíveis de fazer ponte sem uma reforma em grande escala de princípios ascendentes profundamente incorporados (ver Longino, 2013). Por exemplo, DesRoches et al., (próximo) apontam que as ontologias historicamente enraizadas de fatores causais naturais versus artificiais (ou antropogênicos) reforçam os domínios "apropriados" de investigação para cada campo e impedem conceituações mais unificadoras. Tais divisões ontológicas podem contar fortemente contra qualquer síntese colaborativa profunda entre ecologia e economia.
Além disso, outra diferença fundamental, ou seja, as diferenças na orientação de valores não epistêmica em diferentes campos, pode dar origem a práticas incomensuráveis. Por exemplo, a economia ambiental dominante adota pontos de vista antropocêntricos, enquanto a economia ecológica (e talvez, implicitamente, a ecologia também) adotam pontos de vista biocêntricos. Esta diferença se manifesta nas diferentes extensões às quais o capital natural é visto como substituível por outros capitais, ou os diferentes métodos e conceitos pelos quais os serviços ecossistêmicos são valorizados (ver Costanza et al., 2014). Mesmo dentro das ciências sociais, que são amplamente antropocêntricas, a teoria de utilidade unidimensional dos economistas e as visões mais pluralistas dos sociólogos podem levar a avaliações incomensuráveis ​​dos impactos líquidos de diferentes políticas no meio ambiente e na sociedade. Uma vez que esses valores não epistêmicos estão inseridos nas práticas científicas epistêmicas (em termos de conceitos, modelos e métodos), muitas vezes é difícil identificar a natureza exata dos desentendimentos entre os praticantes.
Em geral, todas essas diferenças nas escalas de modelagem, valores e padrões epistemológicos e não epistêmicos e pressupostos ontológicos criam aberturas conceituais e epistemológicas entrincheiradas entre os campos, que consolidam metodologias e práticas incompatíveis, mas também um certo grau de opacidade. A opacidade surge quando as dependências de outro campo em certas noções conceituais e padrões e práticas evidentes podem ser difíceis de identificar, para não mencionar justificar, de fora do campo. Isso torna difícil para os colaboradores descobrir quais tipos de alterações seriam consideradas confiáveis ​​e produtivas para ambas as partes e práticas, dado os recursos que cada campo tem.
Tendo dito tudo isso, vale ressaltar que as lacunas cognitivas entre economia e ecologia, e entre outros campos de ciência ambiental, nem sempre são tão substanciais. Por exemplo, as abordagens orientadas por teoria são comuns em ciências ambientais baseadas em física ou química, como ciências atmosféricas e ciências hidrológicas. Os limites desses campos um do outro são muito mais claros e menos propensos a estar em conflito. No entanto, os problemas de escala frequentemente surgem na medida em que os modelos econômicos, por exemplo, geralmente não possuem a resolução e a complexidade de modelos em muitos outros campos naturais da ciência ambiental como a hidrologia (Voinov & Shugart, 2013). Além disso, existem lacunas compartilhadas entre os campos quantitativos da ciência ambiental e as abordagens não matemáticas das ciências sociais, particularmente as da sociologia. De fato, os limites cognitivos que separam a economia e a ecologia são, em certa medida, inferiores aos que separam os sociólogos dos ecologistas, já que os dois primeiros compartilham uma "orientação positivista e quantitativa" (Lowe, Whitman e Phillipson, 2009, p. 301). Os sociólogos tiveram, em geral, dificilmente convincentes economistas, ecologistas e outros da viabilidade de suas abordagens interpretativas e qualitativas, ou puramente estatísticas, e encontrar formas de integrar essas abordagens com os modelos matemáticos que os cientistas ambientais quantitativos tendem a construir. (Ver 4.1 na próxima seção como uma estratégia para resolver esse problema.)
Embora não desejemos dar a impressão de que as colaborações nas ciências ambientais e, em particular, a economia e a ecologia são impossíveis, pensamos que a amplitude das restrições cognitivas que esses pesquisadores enfrentam foi subestimada na bolsa de estudos em geral. Os obstáculos cognitivos de várias formas estão sempre presentes no trabalho de identificação nas ciências ambientais, além de instituições. Como tal, qualquer colaborador estratégico (ou integradores) empregado pode ser avaliado em termos dos recursos que possui, o que ajuda a facilitar.
Interações interdisciplinares sobre um problema. Nós nos referimos a essas características como recursos interdisciplinares. Na próxima seção, analisamos as estratégias dominantes que os cientistas ambientais atualmente estão empregando e analisam essas estratégias em relação aos seus benefícios interdisciplinares.
4. Estratégias de modelagem ID
Dadas as expectativas que muitos estudiosos da interdisciplinaridade têm sobre identificação, pode vir como alguma surpresa, como é limitado, muitas vezes pode ser. A análise de nossas entrevistas com cientistas, bem como a literatura dos próprios participantes em práticas neste contexto, revelam que a maioria das estratégias de modelagem podem ser agrupadas em quatro categorias principais: modelagem baseada em dados, acoplamento modelo modular, modelagem integral e substituição modelagem. Essas estratégias são todas integrativas em um sentido ou outro. Em outras palavras, essas estratégias fornecem conjuntamente um significado mais concreto para o termo "integração", que muitas vezes não é analisado na literatura ID.
4.1. Estratégias de modelagem orientadas por dados
As estratégias interdisciplinares baseadas em dados empregam uma plataforma de modelagem estatística como análise de regressão múltipla ou outros tipos de processos inferenciais estatísticos para construir relações entre variáveis. Diferentes campos contribuem com seus próprios conjuntos de dados individuais e o método de análise de dados escolhido permite que as conexões sejam feitas entre variáveis ​​que não são normalmente medidas ou que podem ser medidas em um único campo. Algumas formas de análise de rede bayesiana podem ser úteis neste contexto. Diferentes colaboradores podem contribuir com um conjunto de variáveis ​​para ajudar a construir um mapa de dependências causais relevantes para um determinado problema de gerenciamento e um conjunto de prioridades que governam as relações. Essas relações podem ser atualizadas com base nos dados fornecidos pelos colaboradores. Haapasaari & Karjalainen, 2010, para o uso de conhecimentos especializados). O processo Bayesiano, em última instância, estima o relacionamento através das iterações usando os dados disponíveis.
O fatode que esses métodos precisam envolver poucos compromissos metodológicos ou teóricos dos participantes ou qualquer método e método de modelagem mais específicos para o domínio permite uma interação interdisciplinar relativamente direta. Os pesquisadores podem trazer seus dados, conjuntos de variáveis ​​e, no caso da modelagem de rede bayesiana, expectativas de fundo para a tabela. Um benefício é que os pesquisadores não matemáticos, como os sociólogos, têm uma oportunidade razoável de contribuir com seus dados para tais estruturas de modelagem (Haapasaari, Kulmala e Kuikka, 2012). Em geral, esses tipos de estratégias têm abordagens interdisciplinares (mais especificamente colaborativas) e produzem um modelo construído coletivamente, o que não precisa preferir o método ou a teoria de um campo sobre outro (embora seja claro que existe uma tendência positivista para essa abordagem). Alternativamente, é claro, os aspectos teoricamente e superficialmente superficiais desses tipos de esquemas podem não ser aceitáveis ​​para todos os envolvidos, como observamos no caso da análise de regressão acima (Armsworth et al., 2009). Considere um estudo de caso, por exemplo, sobre a aplicação de uma análise Bayesian Belief Network, que foi empregada para analisar cenários de gestão para a pesca do salmão do Báltico. Haapasaari et al. (2012, p. 5) relatam que os economistas "não acreditavam nas possibilidades das redes de crenças bayesianas na otimização dinâmica" e optaram por um modelo mais tradicional de economia de recursos naturais. O economista, quando entrevistado por nós (realizado em 8 de dezembro de 2015), atribuiu o problema a uma grande diferença cognitiva ao invés de conflito de crença ou valor epistêmico, sugerindo que o problema era devido à dificuldade de fazer um modelo particular bayesiano discreto usando um software particular compatível com otimização dinâmica dentro do prazo de um projeto de doutorado. De qualquer forma, alinhar as duas abordagens pode ser muito difícil. Os economistas geralmente medem lucro ou utilidade (com base em preferências individuais) como o único critério e identificam uma medida de política que maximiza o lucro ou a utilidade sob determinadas restrições. Em contraste, dada a centralidade da maximização da utilidade na economia (e seu compromisso com o individualismo normativo como princípio da avaliação antropocêntrica), pesá-la contra outros tipos de utilidade, cujas origens são opacas, podem parecer arbitrárias e injustificadas. Em suma, enquanto as estratégias de modelagem orientadas por dados têm altos rendimentos colaborativos, fornecer uma estrutura para integrar informações de campos diferentes, sua neutralidade teórica e abertura para múltiplas perspectivas pode ser um obstáculo.
4.2. Modelagem integral
A modelagem integral (um termo que emprestamos de Voinov & Shugart, 2013) emprega um domínio particular neutro estrutura de modelagem para combinar informações de diferentes campos. Por domínio neutro, queremos dizer que essas estruturas de modelagem são semelhantes às práticas orientadas por dados, fornecendo um esquema ou modelo para relacionar quaisquer variáveis (independentemente da sua origem disciplinar) em sistemas complexos e metodologias subjacentes para analisar esses modelos. Incluímos aqui, por exemplo, os modelos baseados em agentes (ABM) e os modelos de dinâmica do sistema (SD). Ambos são empregados nas ciências ambientais como meio para integrar diferentes campos. Concentramo-nos aqui em modelos SD. A modelagem da dinâmica do sistema, por exemplo, desempenhou um papel proeminente na pesquisa de ID e ciência ambiental, sendo consistentemente encarada para incorporar o tipo de estrutura metodológica e atitudes filosóficas necessárias para capturar interações ambientais complexas que atravessam limites disciplinares. Geralmente, os modelos de dinâmica do sistema relacionam variáveis ​​através de conjuntos de equações diferenciais acopladas. Esta equação representa o que comumente se refere nas ciências ambientais como relações de fluxo de estoque, ou seja, tanto a quantidade de um estoque dado quanto seu fluxo ou taxa de mudança em um determinado ponto no tempo. Esses modelos acompanham o movimento de ações (recursos) em torno de um sistema. Importantemente, os modelos de dinâmica do sistema podem ser facilmente construídos em interações complexas entre variáveis (de maneiras não necessariamente disponíveis em casos modulares de acoplamento de modelo (ver 4.3)), como as relações de feedback e as variâncias de escala de tempo (embora as variáveis ​​espaciais raramente caracterizem). Não só os modeladores fornecem variáveis ​​como no caso da modelagem baseada em dados, mas também fornecem modelos que regem as relações entre essas variáveis.
Tal como acontece com os outros casos, essas estratégias de modelagem integral proporcionam benefícios interdisciplinares específicos, tratando bem obstáculos cognitivos. As questões de compatibilidade modelo e metodológica são evitadas, uma vez que uma plataforma de modelagem comum é utilizada, embora, ao contrário do modelo de modelo baseado em dados, o modelo causal-mecanicista seja o resultado, o que pode servir para fornecer uma visão mais completa dos fenômenos em questão. Os padrões metodológicos a serem aplicados para parametrizar, validar e analisar o modelo são conduzidos até certo ponto pelo paradigma da modelagem, evitando possíveis conflitos metodológicos, pelo menos entre aqueles que se inscrevem para participar na construção desses modelos.
Isso tudo dito, modelos integrais (por exemplo, dinâmicas do sistema ou modelos baseados em agentes) atualmente não servem como plataformas para interação colaborativa, embora eles servem como plataformas de integração. As suas possibilidades colaborativas parecem limitadas. Nós especulamos sobre alguns dos motivos aqui. A maioria dos modelos parece ser gerada em um único campo, que empresta variáveis ​​e dados de outros campos e elementos de modelos para descrever interações entre variáveis. Como resultado, há prováveis ​​vieses e padrões disciplinares incorporados em tais modelos que restringem sua capacidade de provar credível ou informativo fora de sua disciplina. A dificuldade de realizar tal integração em uma ampla gama de campos pode de fato ajudar a explicar por que esses modelos geralmente são construídos dentro de um campo. Ao fazê-lo, evita a necessidade de padronizar modelos complexos desenvolvidos de forma independente, de modo que sejam interpretados dentro de uma linguagem de software, o encadeamento do modelo modular do desafio (4.3 abaixo). Ainda falta de colaboração real e, de fato, limites computacionais, restringe o detalhe e a complexidade das representações das interações entre variáveis ​​que os modeladores trazem para modelos SD ou AB fora do campo. Isso pode muito bem servir para tornar esses modelos parecidos menos credíveis e úteis para pessoas de fora, e apenas credíveis para os insiders que acreditam fortemente na capacidade de dinâmicas de sistemas e modelos baseados em agentes, apesar de interações relativamente simples, representar e explicar comportamentos emergentes complexos. Como Kelly et al. (2013), os modelos SD são principalmente limitados a analisar tendências de escala grosseira, que nem sempre parecem úteis ou valiosas para pessoas de fora. A modelagem integral cria assim os seus próprios obstáculos para a colaboração de ID, mesmo que possa, até certo ponto, servir como uma plataforma de integração de ID.
4.3. Modelo modelo de acoplamento
O acoplamento de modelos modulares é talvez a forma predominante de modelagem integrativa usada atualmente nas ciências ambientais e representa uma forma altamente canônica de modelagem interdisciplinar. Nesta estratégia, cada disciplina fornece um modelo a ser montado com outros modelos. As variáveis ​​de saída dos modelos de componentes servem como entrada para outros modelos de componentes. Esses modelos alimentam informações relevantes entre si. O sistema resultante é calibradopara atender às restrições de um problema e aos dados disponíveis. Por exemplo, Strasser et al. (2014) relatório sobre o desenvolvimento de um modelo integrado em larga escala para avaliar os efeitos das mudanças climáticas na viabilidade econômica das estâncias de esqui nos Alpes austríacos. Os modelos integrados combinam um modelo climático, estimando a mudança climática futura e um modelo de evolução da cobertura de neve com base no modelo de mudança climática para estimar os futuros requisitos técnicos de produção de neve e sua eficiência, consumo de água e energia. Além disso, o modelo de produção de neve alimenta informações para um modelo econômico que analisa os custos e benefícios da produção de neve e um modelo de turismo, modelando a estrutura do turismo regional, para análise de políticas. Ambos os últimos modelos também alimentam informações entre si. Construir cada um desses modelos e integrá-los exigiu uma equipe interdisciplinar de cientistas climáticos, hidrologistas de neve, economistas,
Para a maioria, os pesquisadores que desenvolvem esses modelos geralmente contribuem com os chamados modelos "legados" (Voinov e Shugart, 2013) para projetos de acoplamento de modelo e dependem de metodologias estabelecidas associadas a esses modelos para aplicá-los a cenários específicos; daí a modularidade dessa abordagem. Isso não significa, no entanto, que esses modelos são simplesmente conectados. Obter modelos de diferentes campos para operar em conjunto requer processos integrativos substanciais, como Strasser et al. (2014)enfatizam, incluindo a seleção de ferramentas de interface adequadas, que podem vincular modelos frequentemente formulados em diferentes linguagens computacionais, a seleção de métodos matemáticos para vincular modelos de diferentes escalas espaciais ou temporais e concordar com valores epistêmicos e outros para derivar e medir os resultados do modelo em para solucionar o problema de gerenciamento. Embora este seja um trabalho frequentemente difícil, um rendimento crítico do modelo-acoplamento modular vem do grau em que as práticas disciplinares estabelecidas são, no entanto, preservadas. Pesquisadores disciplinares individuais continuam responsáveis ​​por seus componentes e para avaliar a confiabilidade, valor teórico e outros padrões dos componentes que eles fornecem. O trabalho substancial de construção de novos modelos, que de alguma forma integram métodos e conceitos dos campos de fundo,19
O ganho de tais esforços colaborativos pode ser bastante significativo, em termos do que a interdisciplinaridade pode trazer para um problema. Em vez de os modeladores terem que fazer grandes suposições ou simplificações sobre sistemas ou processos que estão fora de seus conhecimentos, os modelos teoricamente bem motivados e estabelecidos podem ser fornecidos, que têm maior robustez e, portanto, permitem, digamos, otimização ou estratégias de gerenciamento baseadas em cenários para explorar relacionamentos e sensibilidade entre uma grande variedade de variáveis ​​ambientalmente significativas.
Mais confiável e com uma profundidade mais teórica do que os métodos direcionados por dados e integrados podem alcançar. Por outro lado, há trade-offs, como o relatório de Voinov e Shugart (2013). Embora a modelagem integral e orientada por dados possa, até certo ponto, fazer escala e as dependências teóricas e metodológicas específicas do domínio da maioria dos modelos, o modelo modular de acoplamento geralmente é difícil para ambos. Os modelos de contribuições geralmente são projetados para metas e escalas específicas para os campos de origem e suas performances são avaliadas em relação a esses objetivos (Bennett et al., 2013). Reaplicá-los a problemas fora de suas especificações de design pode empurrá-los para fora de sua validade adequada. O tratamento de problemas de escala geralmente é mais facilmente abordado através de procedimentos de agregação e de média que introduzem erros e tendem a ignorar as possibilidades de feedback. Combinar modelos complexos ainda pode levar a um modelo integrado ainda mais complexo, que é extremamente difícil de calibrar e de interpretar. Voinov e Shugart (2013, p. 151) referem-se a construções como "integradores", que são "perfeitamente válidas como produtos de software, mas feias e inúteis como modelos". Essas estratégias de modelagem podem dar respostas tecnicamente a problemas primordiais, mas fornecem muito poucos meios para entender as causas que governam a solução e, portanto, para gerar princípios teóricos gerais ou informações sobre essas soluções.
4.4. Modelo substitutivo de acoplamento
A última categoria é a menos observada daqueles acima, mas talvez a mais interessante do ponto de vista interdisciplinar. O modelo de acoplamento substitutivo ocorre quando dois campos compartilham modelos de modelos de estrutura aproximadamente similar para resolver determinadas classes de problemas, mas usam métodos e representações simplificados para componentes desses modelos, que outro campo pode lidar com muito mais sofisticação. Estudamos estreitamente as interações entre ecologistas e economistas que lidam com problemas de gerenciamento de recursos naturais renováveis. Ecologistas e economistas há muito tempo empregaram estruturas de modelagem semelhantes para lidar com esses problemas. Os quadros compostos por cada um contêm um componente de modelo de crescimento biológico e um componente de otimização econômica. O modelo de crescimento é tradicionalmente representado em economia usando simplificado, representações de biomassa não mecanicistas do recurso (como estoque de árvores ou peixes) e suas taxas de crescimento. Os ecologistas podem empregar representações muito mais sofisticadas, como modelos baseados em processos, que capturam uma série de variáveis ​​que afetam o crescimento. Por outro lado, os ecologistas usam o que os economistas considerariam critérios de otimização irreflexivos, com uma história de confiar em rendimento sustentado máximo (MSY), sem qualquer consideração de variáveis ​​econômicas, como custos e preços, bem como descontos de valor futuro. Os economistas, em vez disso, usam como objetivo de gestão o rendimento econômico máximo (MEY), ou seja, o valor presente líquido de uma determinada ação, tendo em conta os custos e os preços (ver Binkley, 1987 para silvicultura, Grafton, Kompas e Hilborn, 2007 para pescaria). Como tal, esses frameworks de modelagem podem ser integrados trocando componentes não sofisticados para os mais sofisticados que os colaboradores podem fornecer.
Esta estratégia provou até agora ser uma plataforma colaborativa muito útil. A estratégia pode aproveitar as relações pré-existentes entre variáveis ​​para juntar componentes, com essas variáveis ​​(como números de população) já desempenhando o papel de ligar componentes nas estruturas de modelagem disciplinar originais. Uma vez que, na maior parte dos casos, os componentes já estão em alinhamento espacial e temporal dentro das estruturas existentes, os problemas de escala não surgem. Além disso, as tarefas de construção do modelo permanecem em grande parte dentro do domínio de cada campo e, portanto, sob a governança de seus próprios métodos e padrões. Uma vez que os componentes de modelagem estão bem integrados e os relacionamentos são claros, o feedback entre os componentes pode ser usado para ajudar a conceber melhor os componentes usando informações de fronteiras disciplinares. MacLeod e Nagatsu (2016), por exemplo, relata um caso em que os algoritmos de otimização econômica foram capazes de encontrar erros no modelo de crescimento subjacente (descontinuidades, por exemplo), que foram enviados de volta aos ecologistas e, em última análise, utilizados para corrigir e melhorar o modelo de crescimento.
Naturalmente, no entanto, embora essa abordagem tenha possibilidades de compra interdisciplinares (e, em particular, colaborativas) bastante claras, sua viabilidade depende de circunstâncias particulares, a saber, a existência de estruturas de modelagemhomóloga. É provável que estes sejam incomuns, embora talvez não sejam tão raras as histórias de compartilhamento de modelo, e o conjunto finito geral de sistemas matemáticos em operação em ciência, de acordo com Humphreys (2004). Além disso, os fatores específicos do campo podem complicar o julgamento sobre quais modelos são mais ingênuos e, portanto, devem ser substituídos. Por exemplo, a ciência da pesca tem uma longa história de usar o RMS como o objetivo de gerenciamento por várias razões (ver Smith e Punt 2001) e ainda está sendo usado como objetivos da política da pesca da UE, por exemplo, e os economistas ainda não conseguiram convencer os cientistas da pesca e os decisores políticos a mudar para MEY (ver Grafton et al., 2007 como uma tentativa recente). Esses fatores específicos de campo incluem obstáculos não cognitivos, incluindo diferenças em valores e instituições, e não podem ser resolvidos através de modelagem integrativa bem-sucedida sozinho.
5. Lições para a interdisciplinaridade: cristalização e a importância da compreensão da prática científica.
As estratégias que discutimos acima têm várias características importantes com ramificações para discussões e expectativas normativas de interdisciplinaridade nas ciências ambientais e além. Em primeiro lugar, analisar práticas de ID em termos de estratégias como essas fornece uma compreensão metodológica mais concreta sobre o que é ID ou como se manifesta em um determinado contexto de pesquisa concreto. Os estudiosos de ID tiveram tendência a discutir ID em termos metafóricos, descrevendo-o como um processo de aprender "línguas" e entender diferentes "culturas"; ID é uma questão de "comunicação", "cruzamento de fronteiras", e assim por diante. Provavelmente, a falta de envolvimento com as práticas científicas limita essas discussões a conversas bastante figurativas. Nossa análise de práticas nas ciências ambientais, no entanto, mostra que, atualmente, existem significados metodológicos e mais técnicos concretos a serem "interdisciplinaridade" na forma, por exemplo, dessas estruturas de modelagem. Dada a natureza altamente interdisciplinar e orientada para o problema das ciências ambientais, conjecturamos que nossos resultados são generalizáveis ​​até certo ponto. Em particular, conjectamos que práticas de metodologia ID similares podem ser identificadas em outros campos de ID e que as estruturas metodológicas reais que extraímos em nosso caso podem ser usadas como modelos para estruturar a pesquisa de ID em outros lugares. conjectamos que nossos resultados são generalizáveis ​​até certo ponto. Em particular, conjectamos que práticas de metodologia ID similares podem ser identificadas em outros campos de ID e que as estruturas metodológicas reais que extraímos em nosso caso podem ser usadas como modelos para estruturar a pesquisa de ID em outros lugares. conjectamos que nossos resultados são generalizáveis ​​até certo ponto. Em particular, conjectamos que práticas de metodologia ID similares podem ser identificadas em outros campos de ID e que as estruturas metodológicas reais que extraímos em nosso caso podem ser usadas como modelos para estruturar a pesquisa de ID em outros lugares.
Em segundo lugar, enquanto as discussões de ID se concentraram nos constrangimentos institucionais enfrentados pela pesquisa de ID em termos de sistemas de recompensa centrados na disciplina e estruturas organizacionais (tanto para desincentivos de indivíduos para pesquisa de ID), nossa análise acima indica quão importantes são as restrições cognitivas na modelagem de práticas de ID. Embora nem todas essas estratégias possam ser usadas para lidar com qualquer tipo de problema, nenhuma dessas estratégias de modelagem que identificamos acima é arbitrária em relação a restrições cognitivas, mas fornece vias específicas para lidar com pelo menos um subconjunto delas. O modelo modular de acoplamento e o modelo substitutivo, por exemplo, são estratégias que visam construir modelos em colaboração, preservando os padrões e métodos de modelagem disciplinar. A prevalência do modelo modular de acoplamento na prática certamente pode ser explicada pelas dificuldades de alcançar a integração quando envolvem estruturas teóricas relativamente heterogêneas. Ao mesmo tempo, essas escolhas significam que os pesquisadores muitas vezes têm que enfrentar restrições que não são tratadas na frente durante o processo de interação, como escala e outros problemas de compatibilidade. Os métodos de modelagem orientados por dados e integrados, por outro lado, evitam as dificuldades de resolução de conflitos metodológicos ou teóricos, minimizando os papéis requeridos que os métodos e teorias disciplinares de fundo desempenham na construção do modelo. Como tal, eles têm alguma capacidade para ignorar problemas de escala ou outros problemas de incompatibilidade de modelo. Além do que, além do mais, A dependência de uma pequena teoria e método disciplinar substantivo no caso da modelagem orientada por dados abre a porta para uma colaboração inclusiva com, digamos, pesquisadores não matemáticos, mas potencialmente com o custo de excluir mais pesquisadores orientados por teoria. A dependência de uma única estrutura de modelagem integral como SD tem prós e contras semelhantes. As análises como a que fornecemos aqui ajudam a mostrar como as restrições cognitivas moldam as práticas de ID em termos metodológicos concretos.
Em terceiro lugar, essas estruturas de modelagem podem ser entendidas como respostas essencialmente conservadoras à necessidade entre os pesquisadores e seus financiadores para pesquisa de ID. Esta conservatividade como mencionada no início (nas Seções 1 e 2) desafia a expectativa comum de que os contextos de resolução de problemas de ID conduzirão desenvolvimento metodológico e conceitual inovador e transformador. Para a maioria, esses frameworks tentam preservar práticas metodológicas e estruturas conceituais usando estruturas estabelecidas, ou fornecem abordagens mais neutras que evitem mudanças metodológicas ou conceituais substantivas e possam ser envolvidas de forma alguma casualmente.
Como resultado, no caso da modelagem nas ciências ambientais, pelo menos - se considerarmos novos campos como a economia ecológica - estamos vendo a cristalização das práticas interdisciplinares em torno de um conjunto limitado de estruturas ou estratégias conservadoras de modelos, em vez de novidade e transformação. Assim, enquanto os estudos de identificação promovem uma visão de interdisciplinaridade como relativamente fluida e inventiva, a existência desse conjunto limitado de estratégias, fortemente ponderadas para lidar com restrições cognitivas de maneira conservadora, aponta para o contrário. As expectativas normativas de que ID deve ser não estão sendo atendidas, mesmo em uma área como as ciências ambientais, para as quais a interdisciplinaridade é cada vez mais aceita como boa prática a nível institucional e, portanto, bem financiada.
Os estudiosos de ID podem responder a isso, como costumam fazer, ao declarar que muitos dos quadros dados acima não são de fato casos de interdisciplinaridade, mas sim casos de multidisciplinaridade porque esses métodos não são verdadeiramente integrativos, mas representam mais uma assembleia de abordagens que dívida problemas ao longo de linhas disciplinares. Por exemplo, o caso do modelo de acoplamento pode ser considerado apenas um caso de "justaposição", "sequenciamento" ou "coordenação", metáforas associadas à multidisciplinaridade. Contudo, como sugerido acima, os modelos acoplados não são simplesmente justapostos ou coordenados, se aplicarmos qualquer significado direto desses termos. O trabalho de identificação e o acordo são necessários para construir sistemas de modelos que funcionem de forma eficaz. As abordagens baseadas em dados e integradas combinam variáveis ​​e dados de diferentes campos em modelos únicos. Mais distante, MacLeod e Nagatsu (2016) apontam, o modelo substitutivo do acoplamento, sem dúvida, resulta em um novo produto(uma nova estrutura de modelagem) e níveis substantivos de interação contínua que não poderiam ter surgido de outra forma, como usar modelos de diferentes campos para corrigir cada um outros, mesmo que esta estrutura seja construída a partir de componentes e métodos de modelos muito familiares. Dadas essas descobertas, sugerimos que seja uma melhor contabilidade conceitual - mantendo a descompactação da noção multidimensional de "integração" em termos de práticas metodológicas reais, do que insistir em que a noção seja reservada para noções ideais empiricamente desmotivadas de que interdisciplinaridade é esperava ser.
Essas questões conceituais aparecem, pensamos que existem raciocínios metodológicos que conduzem à cristalização, e não à transformação, nas práticas de modelagem integrativa ID. Essas razões são uma extensão daquelas aplicadas em práticas de modelagem disciplinar comuns nas ciências naturais e em algumas ciências sociais baseadas em modelos. Humphreys (2004, capítulo 4), por exemplo, defende a centralidade de conjuntos limitados de o que ele chama de modelos computacionais em campos e disciplinas científicas. Esses modelos são estruturas de representação matemática básica que são computacionalmente atraentes. Um aspecto central da prática disciplinar é o desenvolvimento e aplicação desses modelos, incluindo o desenvolvimento de metodologias experimentais e a produção de conjuntos de dados, etc., que podem aplicá-los, e uma investigação matemática que possa enriquecer as propriedades desses modelos (algumas vezes chamado de modelagem horizontal). Tais atividades têm prontamente sentido desde uma perspectiva cognitiva: restringir a metodologia de um campo ao desenvolvimento de um conjunto de modelos permite o desenvolvimento de práticas padronizadas e fornece restrições que reduzem as escolhas de resolução de problemas que os pesquisadores enfrentam.
Nossa ideia de modelagem é menos concreta do que a noção de Humphreys de modelo computacional. Os quadros, como os descrevemos aqui, existem em um nível mais abstrato, prescrevendo modelos de interação em vez das formas matemáticas específicas que Humphreys tem em mente. No entanto, dada a complexidade dos problemas de identificação nas ciências ambientais e em outros lugares, e as restrições cognitivas e institucionais que os cientistas têm de lidar, é bastante racional perseguir um tipo semelhante de estratégia em relação à pesquisa de ID, ou seja, uma estratégia que se concentra no desenvolvimento de um conjunto finito de estruturas de modelagem. Experiências desse tipo podem ser coletadas e metodologias desenvolvidas para ajudar a padronizá-las e enriquecê-las ao longo do tempo. No geral, eles têm a capacidade de promover um desenvolvimento metodológico colaborativo ou interdisciplinar de longo prazo, de forma que talvez a interação ID ad hoc em um único problema não possa.
Uma das forças putativas do acoplamento do modelo substitutivo é, de fato, o grau em que reflete as práticas disciplinares e ajuda a fornecer uma base para o desenvolvimento e a investigação metodológica sólida e colaborativa. Os casos que observamos combinam estruturas de modelagem pré-existentes e, ao mesmo tempo, passam de casos relativamente simples a mais complexos através de desenvolvimento passo a passo, como em modelos de manejo florestal levando em consideração um regime não-claro (Tahvonen & Rämö, 2016), bioenergia e armazenamento de carbono (Pihlainen, Tahvonen e Niinimäki, 2014 , Tahvonen & Rautiainen, 2017), ou modelos de gestão de renas, levando em consideração os subsídios governamentais (Pekkarinen, Kumpula e Tahvonen, 2015). O modelo-acoplamento substitutivo oferece uma plataforma para estruturas de construção equivalente a algo como os modelos da Humphreys, embora modelos dedicados ao trabalho interdisciplinar colaborativo em vez de trabalho disciplinar. Algo semelhante é esperado com estruturas integrais, como a dinâmica de sistemas. Os modelos originais produzidos em tais estruturas a longo prazo podem ser cuidadosamente expandidos em complexidade através da interação de ida e volta para considerar mais variáveis ​​e relações mais complexas.
Esta cristalização de práticas, obviamente, serve para cristalizar ainda mais pelo menos para as práticas disciplinares estabelecidas no trabalho de identificação. A dependência de práticas de fundo e a prevenção de mudanças metodológicas são racionalizáveis ​​por razões cognitivas, dada a especificidade do domínio de práticas e dificuldades de superação de restrições cognitivas e outras. Mas também existe um outro grau potencial de espelhamento aqui. Assim como é razoável esperar que a inovação nas disciplinas ocorra principalmente na fronteira das disciplinas, para evitar a reforma radical (Par Lakatos (1970) ideias de um cinto de proteção), por isso também deve ser esperado em contextos de ID. Ou seja, assim como os pesquisadores geralmente buscam modificações consistentes com métodos e práticas estabelecidas dentro de disciplinas, pesquisadores em contextos interdisciplinares devem fazer o mesmo. A este respeito, as práticas de identificação recapitulam práticas disciplinares racionais comuns.
Este espelhamento da estratégia disciplinar tem consequências não apenas para as expectativas sobre o que a ID parece e o que ela consegue, mas também para as formas mais eficazes de implementá-la. Em particular, levanta uma questão sobre se os contextos problemáticos do mundo real são sempre contextos apropriados para o trabalho de identificação. Se certas plataformas metodológicas são vistas como polos importantes do trabalho de ID em geral, então existe um interesse no financiamento de pesquisas mais teóricas nesses, como pesquisas sobre a calibração do modelo para sistemas de modelo acoplado. Este desenvolvimento metodológico já é já aparente nas próprias ciências ambientais. Métodos computacionais estão sendo desenvolvidos para ajudar a padronizar e integrar modelos de acoplamento e calibração (Voinov & Cerco, 2010). Da mesma forma, o típico esquema de financiamento de 3 a 5 anos parece destituir-se com a natureza mais cumulativa dessas práticas, que, como dentro das disciplinas, requerem tempo para reunir e aperfeiçoar. Além disso, os frameworks de modelagem identificados acima podem representar estratégias sólidas e aceitas de integração de ID para fins de tomar decisões de financiamento. Os aplicativos de financiamento geralmente são promissórios ou vagas sobre seus planos de integração, levando a resultados de projetos que não atendem a qualquer padrão de integração. No entanto, escolher uma estratégia de modelagem de ID bem aceita, como as acima descritas, pode ajudar a informar os financiadores sobre a gravidade da intenção de interagir e uma via metodológica para fazê-lo, permitindo decisões de financiamento de ID que são muito menos especulativas ou que se baseiam em critérios disciplinares por não ter outro.
Para resumir, as expectativas de como a ID pode e devem ocorrer dentro das ciências ambientais e em outros lugares, sugerimos, podem não estar bem alinhadas com uma compreensão mais profunda de como a prática científica opera e, por sua vez, como a identificação pode se desenvolver de forma substantiva e sustentável (ou seja, de forma contínua no longo prazo). Se isso for verdade, então suscita preocupações sobre se a bolsa de estudos de ID atual tem expectativas irrealisticamente altas sobre ganhos epistêmicos e práticos da pesquisa de ID. No entanto, o nosso estudo não implica que devemos simplesmente diminuir as expectativas da pesquisa de ID ou deixá-lo das prioridades das políticas científicas. O ID é reconhecido pelos próprios profissionais como um objetivo desejável, e algumas práticas de identificação estão produzindo ganhos genuínos. Não obstante,
6. Conclusão
Neste artigo, identificamos quatro estratégias de modelagem interdisciplinar nas ciências ambientais, com base em nossos estudos de caso passados ​​e em curso, bem como em uma revisão da literatura metodológica em ciênciasambientais. Discutimos os recursos e as limitações de cada estratégia, argumentando que nossa tipologia fornece uma estrutura analítica útil para reconstruir racionalmente práticas de modelagem de ID integrativas existentes. Nossa tipologia é informada pela prática, mas ao mesmo tempo motivada pelo nosso desejo de fornecer informações teórico-metodológicas para as discussões de ID, baseando-se na filosofia da ciência. Nós desafiamos a dependência do discurso de identificação dominante em metáforas na análise de práticas de ID e criticamos certas expectativas normativas na literatura de Estudos ID como fora de etapa com as práticas reais de modelagem de ID.
Reconhecimentos
Uma versão anterior deste artigo foi apresentada em Lisboa (Interdisciplinary Futures: Open the Social Sciences 20 Anos depois, 19-20 de janeiro de 2017) e beneficiou dos comentários do público. Agradecemos a dois revisores anônimos desta revista por comentários úteis que melhoraram o primeiro rascunho. Este estudo faz parte do projeto "Construção de modelos em fronteiras disciplinares: Economia, Ecologia e Psicologia", financiado pela Academia da Finlândia (nº 294545). Agradecemos aos pesquisadores entrevistados por suas generosas contribuições voluntárias de tempo e ideias.
Apêndice A. Dados suplementares.