a la falta de bases de datos sólidas, sino también a la amplia libertad que tienen los investigadores para

diseñar sus modelos exploratorios, lo que puede conducir a resultados sesgados o poco reproducibles.

Al seleccionar diferentes variables ambientales, los investigadores pueden encontrar patrones aleatorios

o ruido en los datos, en lugar de relaciones genuinas, siguiendo una lógica más exploratoria que el

seguimiento de un proceso teórico basado en evidencia histórica. Afortunadamente, este problema se

mitiga en los estudios computacionales que utilizan inteligencia artificial, concretamente técnicas de

aprendizaje automático. Surge entonces la pregunta de si estas técnicas también pueden reducir el

escepticismo sobre los desplazamientos climáticos. Sin embargo, una limitación importante de estos

enfoques computacionales sigue siendo la escasez de bases de datos suficientemente grandes y

confiables. Además, estos métodos enfrentan desafíos asociados con lo que Conway llama la "zona de

mejor los patrones y tendencias migratorias a nivel global.

Palabras clave: movilidad humana, cambio climático, inteligencia artificial, métodos cuantitativos,

ciencias sociales computacionales

This flexibility can lead to biased or poorly reproducible results. By selecting different environmental

variables, researchers risk identifying random patterns or noise in the data instead of uncovering genuine

relationships, often relying on exploratory logic rather than theoretical frameworks grounded in

historical evidence. Fortunately, this issue can be mitigated by computational studies employing

artificial intelligence, particularly machine learning techniques. This raises the question of whether

these methods can also reduce skepticism surrounding climate-induced displacement. However, a key

limitation of these computational approaches remains the scarcity of sufficiently large and reliable

datasets. Additionally, these methods face challenges associated with what Conway terms the 'danger

zone,' where AI is treated as a black box. This includes issues such as user misunderstanding of

underlying assumptions, undetected confirmation biases, misinterpretation of data, and LLM

social science

La elección personal de variables o especificaciones climáticas basadas en los datos disponibles puede

aumentar la flexibilidad de los investigadores, lo que a su vez puede dar lugar a resultados sesgados o

no reproducibles. Esto es especialmente cierto cuando la construcción de los modelos estadísticos se

basa en un proceso exploratorio en lugar de uno teórico (Ioannidis, 2005). Al elegir entre diferentes

variables climáticas o especificaciones de los datos, los expertos pueden, sin darse cuenta, aprovechar

a diferentes conjuntos de datos (Yarkoni y Westfall 2017). Cuantas más variables o

especificaciones prueben los investigadores en sus datos, mayor será la probabilidad de

obtener un resultado significativo puramente por casualidad y menor será la probabilidad

de que los resultados se repliquen en un conjunto de datos diferente.” (Molina et al., 2023,

pp. 466-467).

El problema que hemos descrito se conoce comúnmente como "p-hacking" o "minado de datos" en el

ámbito de la investigación científica, y es especialmente relevante en campos como la climatología,

donde los conjuntos de datos son extensos y complejos.

Cuando los investigadores tienen demasiada flexibilidad en la selección de variables o en la

2. Sobreajuste: Los modelos pueden ajustarse demasiado a los datos de la muestra, perdiendo

capacidad de generalización.

3. Falta de reproducibilidad: Otros investigadores pueden no obtener los mismos resultados al intentar

replicar el estudio.

4. Sesgo de confirmación: Los investigadores pueden seleccionar variables que confirmen sus

hipótesis previas.

contextos específicos en los que se obtuvieron. Para abordar este problema, los investigadores pueden:

1. Establecer hipótesis y métodos de análisis de antemano, antes de examinar los datos.

2. Emplear técnicas de validación cruzada y conjuntos de datos de prueba independientes.

3. Ser transparente sobre todos los análisis realizados, incluyendo aquellos que no produjeron

resultados significativos.

4. Basar la selección de variables en sólidos fundamentos teóricos, no solo en correlaciones empíricas.

5. Utilizar métodos estadísticos robustos que controlen el problema de las comparaciones múltiples.

6. Llevar a cabo análisis de sensibilidad para evaluar la solidez de los resultados.

Además, como lo señala Llopis (2007), entre otros autores, los datos utilizados en la mayoría de los

estudios sobre migración sufren del "nacionalismo metodológico". Es decir, estos estudios suelen estar

Los electores nacionalistas pueden exigir controles migratorios y ello sesgar las investigaciones. Todo

ello se traduce en una falta de investigación sobre las sociedades de origen de los inmigrantes,

centrándose principalmente en las condiciones de la inmigración en el país receptor, sin analizar los

procesos de emigración y sus efectos en los países de origen.

Los investigadores en ciencias sociales a menudo analizan la migración desde una perspectiva limitada

al marco del estado-nación, lo cual Llopis (2007), Dumitru (2023) y otros consideran inadecuado. La

son: 1. Problemas de categorización: - Confusión sobre si los datos se clasifican por lugar de origen,

lugar de nacimiento o nacionalidad del inmigrante. - Falta de acuerdo en la definición de migraciones

"internas" vs "externas". - Nuevas clasificaciones derivadas de la movilidad dentro de la Unión Europea.

2. Problemas conceptuales relacionados con diferencias idiomáticas y culturales: - Uso de instrumentos

de investigación (cuestionarios, escalas) diseñados originalmente para la población autóctona. -

Necesidad de garantizar el conocimiento suficiente del idioma de la investigación y de realizar

adaptaciones lingüísticas. - Importancia de pruebas piloto, investigación exploratoria, traducciones

paralelas y entrevistadores bilingües.

En este sentido se requiere una validación cruzada rigurosa, pruebas fuera de la muestra o controles de

solidez para asegurar que los resultados no sean meros artefactos del proceso de selección de datos o

Dos de estos estudios (Xu et al., 2020; Hoffmann et al., 2020) emplearon modelos estadísticos

tradicionales, mientras que el tercero (Molina et al., 2023) recurrió a técnicas de inteligencia artificial.

La selección de estos tres trabajos se debe a su notable impacto en la actual investigación sobre

migraciones.

El estudio de Xu et al. (2020) respalda posturas maximalistas sobre los futuros movimientos

poblacionales provocados por la crisis ambiental. Por el contrario, la investigación de Hoffmann et al.

computacionales y la ciencia de datos a las investigaciones sociales. Como veremos, esta última

tendencia interdisciplinaria está transformando no solo la metodología de la investigación social, sino

también la enseñanza de la estadística en las ciencias sociales. La confluencia de estas disciplinas se

puede visualizar mediante el siguiente diagrama de Venn: (Imagen 1. Elaboración propia a partir de

Conway 2010).

El diagrama de Venn de Drew Conway (2010) ilustra las tres principales áreas de conocimiento que se

intersectan para definir la ciencia de datos:

(a) Conocimientos técnicos en computación y programación. Esto abarca dominar lenguajes de

programación como Python o R, trabajar con bases de datos y utilizar herramientas avanzadas de

análisis de datos. Estas destrezas permiten a los científicos de datos investigar y explorar datos de

formular preguntas relevantes, interpretar los resultados de manera significativa y tomar decisiones

informadas.

La "ciencia de datos pura" (véase el centro del diagrama) surge de la combinación de habilidades de

programación, conocimientos estadísticos y experiencia en un campo específico. Esta intersección de

competencias permite a los nuevos científicos o equipos abordar problemas complejos de manera

integral, aprovechando las tecnologías actuales.

De manera más acotada, técnicas de inteligencia artificial como el aprendizaje de máquina (machine

learning) implican la confluencia de la computación más avanzada y de las disciplinas lógico-

Por su parte, los modelos tradicionales ("investigación tradicional"), anteriores a la inteligencia

artificial, surgen de la intersección de los conocimientos matemáticos/estadísticos y de la experiencia

en un campo determinado, sin recurso a la computación.

¿Y qué pasa cuando algunas personas tienen conocimiento de un campo y emplean la inteligencia

artificial, pero sin tener suficiente capacidad de análisis estadístico? Drew Conway (2010) incluyó esta

"zona de peligro" en su diagrama de Venn sobre la ciencia de datos para destacar los riesgos potenciales

suposiciones subyacentes, lo que conduce a resultados incorrectos o engañosos. (c) Sesgo de

confirmación: centrarse en los resultados que confirman nociones preconcebidas a partir de

conocimientos sustantivos sin una validación estadística adecuada.

El objetivo de Conway (2010) era destacar la importancia de un conjunto equilibrado de habilidades en

la ciencia de datos. Si bien la programación y el conocimiento del dominio son esenciales, una base

sólida en matemáticas y estadísticas permite que los conocimientos extraídos de los datos sean válidos

y confiables.

Este concepto de riesgo tiene una gran importancia relacionada con el fenómeno de las alucinaciones

en los grandes modelos de lenguaje (LLM, por sus siglas en inglés). Las alucinaciones ocurren cuando

una IA genera resultados que son factualmente incorrectos o inventados pero que parecen plausibles.

La información sobre usuarios de plataformas de Internet es una fuente potencial de datos sobre

migración que está siendo explotada gracias a la inteligencia artificial (Leasure et al., 2023; Rampazzo

et al., 2023). Por ejemplo, podemos revisar el número de usuarios de Facebook en México que se

encontraban viviendo en Venezuela hace 5 años, como una estimación indirecta de la migración

que se compararon los datos de Facebook con fuentes de referencia externas, incluidas las oficinas

nacionales de estadística y las Naciones Unidas (Grow et al., 2022).

En concreto, se centran en características demográficas como edad, género y nivel educativo,

comparando estos indicadores con los datos oficiales para evaluar las discrepancias. Su estudio también

considera la representatividad de los datos de los usuarios de Facebook de la población en general, lo

que es crucial para los investigadores que utilizan estos datos para obtener hallazgos generalizables.

Grow et al., (2022) encuentran lo siguiente: los datos de Facebook generalmente sobreestiman la

proporción de usuarios más jóvenes y subestiman la proporción de usuarios mayores, lo que refleja

sesgos en la base de usuarios de la plataforma. La representación de hombres y mujeres es bastante

precisa en general, pero existen variaciones entre países. Este estudio encontró discrepancias

Esta inconsistencia sugiere que los investigadores deben ser cautelosos al generalizar los hallazgos de

los datos de Facebook a las poblaciones nacionales. Grow et al. (2022) destacan que los datos de

Facebook son propensos a sesgos inherentes a la información autoinformada, como el hecho de que los

usuarios tergiversen sus datos demográficos. Además, los datos de anuncios de Facebook reflejan sólo

a los usuarios activos, no a toda la población, lo que limita la representatividad para estudios de

población más amplios.

calidad de los datos demográficos de Facebook. Dados los sesgos e imprecisiones identificados en los

datos publicitarios de Facebook, el aprendizaje automático puede ayudar a abordar algunos de estos

desafíos al identificar patrones, corregir tergiversaciones y mejorar la confiabilidad general de la

información.

Una de las formas en que se puede aplicar el aprendizaje de máquina para limpiar y mejorar los datos

demográficos de Facebook es la detección de sesgos algorítmicos. Los algoritmos de inteligencia

artificial se pueden entrenar para detectar sesgos demográficos en los datos de Facebook,

comparándolos con datos de referencia de fuentes confiables, como las oficinas nacionales de

estadística. Las técnicas como los modelos de aprendizaje automatizado que tienen en cuenta la

imparcialidad pueden ayudar a ajustar los grupos sobrerrepresentados o subrepresentados.

En tercer lugar, estas técnicas computacionales pueden imputar y corregir datos. Modelos de

aprendizaje de máquina como k-Nearest Neighbors (k-NN) o los algoritmos de aprendizaje profundo

pueden imputar información demográfica faltante en función de patrones en los datos disponibles

Las técnicas de aprendizaje de máquina, como la agrupación en clústeres o la detección de anomalías,

pueden identificar y corregir valores atípicos en los datos demográficos, como entradas de edad

o la ocupación (Jurafsky & Martin, 2021). Al combinar datos de múltiples fuentes (por ejemplo, datos

de Facebook con otras redes sociales o conjuntos de datos demográficos externos), los métodos de

aprendizaje de conjunto pueden mejorar la precisión de los datos (Dietterich, 2000; Hastie et al., 2009).

Las técnicas de aprendizaje automatizado se pueden utilizar para validar de forma cruzada los datos de

Facebook con conjuntos de datos de referencia de alta calidad (Kohavi, 1995; Arlot & Celisse, 2010).

En el mediano plazo es previsible que las técnicas de aprendizaje de máquina mejoren la confiabilidad

de los datos sobre migración inducida por causas ambientales provenientes de Facebook. Sin embargo,

la transición no está libre de desafíos éticos y metodológicos que deben ser abordados cuidadosamente.

La tabla 1 busca ofrecer una visión detallada y matizada sobre cómo los enfoques tradicionales y los

innovadores difieren en su tratamiento de los estudios migratorios. Resalta las limitaciones de los

Perspectiva Global

Históricamente, el estudio cuantitativo de la movilidad impulsada por factores ambientales se ha

enfrentado a la falta de bases de datos sólidas y a la excesiva libertad de los investigadores para diseñar

sus modelos exploratorios, lo que ha conducido en ocasiones a resultados sesgados o poco

reproducibles. Afortunadamente, la selección subjetiva de variables ambientales se mitiga gracias a los

nuevos estudios computacionales que utilizan inteligencia artificial, concretamente técnicas de

Conway, cuando los investigadores carecen de suficientes conocimientos matemáticos o en las

disciplinas de migración y estudios ambientales. En esos casos, se corre el riesgo de usar a la inteligencia

artificial como una caja negra, sin la posibilidad de identificar sesgos de confirmación, la incomprensión

por parte del usuario de los supuestos subyacentes, interpretaciones erróneas de los datos y

alucinaciones por parte de los grandes modelos de lenguaje.

El otro desafío de los nuevos enfoques computacionales para el estudio de la migración y el

desplazamiento ambientales lo comparten éstos con los estudios exploratorios: se trata de la falta de

grandes bases de datos relativas al clima, la biodiversidad, el número de trayectos y otras variables

propias del tema. Esta carencia se resiente especialmente en los países del Sur Global. No obstante,

Estas nuevas bases de datos no institucionales (distintas a censos y encuestas) representan una valiosa

fuente de información que podrá ser utilizada para complementar las cifras oficiales y comprender

mejor los patrones y tendencias migratorias a nivel global.

El aprendizaje de máquina ofrece soluciones innovadoras para detectar y corregir sesgos en los datos

demográficos en general y de las redes sociales en particular. Técnicas como la detección de sesgos

algorítmicos, la ponderación de los datos para mejorar la representatividad y la imputación y corrección

Sin embargo, la adopción de técnicas de inteligencia artificial conlleva desafíos éticos y metodológicos

que deben ser abordados con sumo cuidado. Es crucial garantizar que los modelos de aprendizaje

automático sean interpretables y transparentes, de modo que se puedan identificar posibles sesgos o

alucinaciones. Es preciso que la minería de datos y los nuevos modelos no comprometan la privacidad

de los usuarios. Asimismo, se requiere una validación continua de los modelos a medida que

evolucionan los patrones de datos, a fin de mantener la fiabilidad y la relevancia de los resultados. Solo

de esta manera podremos aprovechar plenamente el potencial de las tecnologías de aprendizaje

automático en el estudio de la migración climática, sin perder de vista consideraciones éticas

fundamentales.

Es importante complementar estos datos con otras fuentes de información, como encuestas, registros

oficiales y estudios de campo, siempre con la vision critica de los sesgos de tratamiento de datos de

corte nacionalista (el nacionalismo metodológico típico de los estudios migratorios).

Asimismo, es crucial que los hallazgos obtenidos a partir de los enfoques computacionales sean

contrastados con otras evidencias empíricas, menos tecnológicas y, por ello, menos

occidentalocéntricas. Esto permitiría asegurar la comprensión de la movilidad ambiental en diferentes

podrá generar conocimiento sólido y confiable que contribuya a comprender, cuantificar y predecir la

migración ambiental.

Aguado-Rodríguez, G. J., Quevedo-Nolasco, A., Castro-Popoca, M., Arteaga-Ramírez, R., Vázquez-

Peña, M. A., & Zamora-Morales, B. P. (2016). Predicción de variables meteorológicas por

medio de modelos ARIMA. Agrociencia, 50(1), 1-13.

Arlot, S., & Celisse, A. (2010). A survey of cross-validation procedures for model selection. Statistics

Surveys, 4, 40–79. https://doi.org/10.1214/09-SS054

Ashraf, M., Salal, Y. K., & Abdullaev, S. M. (2021). Educational data mining using base (individual)

and ensemble learning approaches to predict the performance of students. In Data Science:

Bohra-Mishra, P., Oppenheimer, M., & Hsiang, S. (2014). Nonlinear permanent migration response to

climatic variations but minimal response to disasters. Proceedings of the National Academy of

Sciences, 111(27), 9780–9785. https://doi.org/10.1073/pnas.1317166111

Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140.

https://doi.org/10.1007/BF00058655

Calonico, S., Cattaneo, M. D., Farrell, M. H., & Titiunik, R. (2022). Regression discontinuity designs

Dallmann, I., & Millock, K. (2017). Climate variability and inter-state migration in India. CESifo

Economic Studies, 63(4), 560–594. https://doi.org/10.1093/cesifo/ifx014

Dietterich, T. G. (2000). Ensemble methods in machine learning. In International Workshop on Multiple

Classifier Systems (Vol. 1857, pp. 1–15). Springer.

Drouhot, L. G., Deutschmann, E., Zuccotti, C. V., & Zagheni, E. (2023). Computational approaches to

migration and integration research: Promises and challenges. Journal of Ethnic and Migration

Studies, 49(2), 389–407.

Dumitru, S. (2023). The ethics of immigration: How biased is the field? Migration Studies, 11(1), 1-22.

Engle, R. F. (Ed.). (2020). Handbook of financial econometrics: Tools and techniques (Vol. 1). Elsevier.

Entwisle, B., Williams, N. E., Verdery, A. M., Rindfuss, R. R., Walsh, S. J., Malanson, G. P., Mucha,

Feng, L., Shi, Y., & Chang, L.-T. (2021). Forecasting mortality with a hyperbolic spatial temporal VAR

model. International Journal of Forecasting, 37(1), 255–273.

https://doi.org/10.1016/j.ijforecast.2020.05.003

Feng, S., Krueger, A. B., & Oppenheimer, M. (2010). Linkages among climate change, crop yields and

Mexico–US cross-border migration. Proceedings of the National Academy of Sciences,

107(32), 14257-14262.

Garip, F. (2008). Social capital and migration: How do similar resources lead to divergent outcomes?

Demography, 45(3), 591–617.

Garip, F. (2012). An integrated analysis of migration and remittances: Modeling migration as a

mechanism for selection. Population Research and Policy Review, 31, 637–663.

Garip, F. (2012). Discovering diverse mechanisms of migration: The Mexico–US stream 1970–2000.

Population and Development Review, 38(3), 393–433.

Garip, F. (2017). On the move: Changing mechanisms of Mexico–US migration. Princeton University

Press.

Garip, F. (2023, May 19). Climate change, migration, and inequality. Ponencia en el Data Science

Institute, University of Toronto.

Grow, A., Flahault, A., & Devillanova, C. (2022). Are Facebook advertising data reliable proxies for

population indicators? Demography, 59(1), 49–72. https://doi.org/10.4054/MPIDR-WP-2021-

006

Grow, A., Perrotta, D., Del Fava, E., Cimentada, J., Rampazzo, F., Gil-Clavel, S., Zagheni, E., Flores,

R. D., Ventura, I., & Weber, I. (2022). Is Facebook’s advertising data accurate enough for use

in social science research? Insights from a cross-national online survey. Journal of the Royal

206, 116276.

Henry, S., Schoumaker, B., & Beauchemin, C. (2004). The impact of rainfall on the first out-migration:

A multi-level event-history analysis in Burkina Faso. Population and Environment, 25(5), 423–

460.

Ioannidis, J. P. A. (2005). Why most published research findings are false. PLoS Medicine, 2(8),

e1004085. https://doi.org/10.1371/journal.pmed.1004085

Jang, J.-H., Choi, J., Roh, H. W., Son, S. J., Hong, C. H., Kim, E. Y., Kim, T. Y., & Yoon, D. (2020).

Deep learning approach for imputation of missing values in actigraphy data: Algorithm

development study. JMIR mHealth and uHealth, 8(7), e16113.

Jurafsky, D., & Martin, J. H. (2021). Speech and language processing. Pearson Education.