Este artículo analiza el aprendizaje correlacional a partir de datos, que constituye la base de la investigación en aprendizaje automático (ML) e inteligencia artificial (IA). Los métodos modernos pueden descubrir automáticamente patrones complejos, pero son propensos a no capturar correlaciones no deseadas. Esta vulnerabilidad ha dado lugar a un creciente cuerpo de investigación sobre correlaciones espurias, a menudo vistas como amenazas para el rendimiento, la imparcialidad y la robustez del modelo. En este artículo, vamos más allá de la definición estadística tradicional de correlaciones espurias, que se refieren a relaciones no causales que surgen debido al azar o a variables de confusión, e investigamos cómo se negocia su significado en la investigación de ML. En lugar de basarse únicamente en definiciones formales, los investigadores evalúan las correlaciones espurias a través de lo que llamamos un marco pragmático. Un marco pragmático es un juicio basado en lo que realmente hace la correlación: cómo afecta el comportamiento del modelo, apoya o dificulta el rendimiento de la tarea o se alinea con objetivos normativos más amplios. Basándose en un amplio estudio de la literatura sobre aprendizaje automático (ML), este artículo identifica cuatro marcos: relevancia (“los modelos deben usar correlaciones relevantes para la tarea”), generalizabilidad (“los modelos deben usar correlaciones que se generalicen a datos no vistos”), semejanza humana (“los modelos deben usar correlaciones que los humanos usarían para realizar la misma tarea”) y nocividad (“los modelos deben usar correlaciones que no sean social ni éticamente dañinas”). Estas representaciones demuestran que la deseabilidad de una correlación no es una propiedad estadística fija, sino un juicio situacional informado por consideraciones técnicas, epistemológicas y éticas. Al examinar cómo se problematizan los problemas fundamentales del ML en la literatura de investigación, este artículo contribuye a la discusión más amplia de las prácticas contingentes mediante las cuales se definen y operacionalizan conceptos técnicos como las correlaciones espurias.
