#The Nebula Epistemology™

#The Nebula Framework™ — Scientific Edition v1.0

---

#Convenciones epistemológicas

The Nebula Epistemology™ define cómo The Nebula Framework™ deberá distinguir, relacionar, validar y revisar los objetos que intervienen en la construcción de conocimiento.

Este documento utiliza la expresión realidad material para designar los procesos biológicos, físicos, químicos, ambientales y humanos que existen con independencia de su representación computacional. Una Observation es el resultado registrado de un acto de observación, medición, muestreo o inspección. Evidence es una Observation, muestra, registro o relación de procedencia que puede respaldar o cuestionar una afirmación. Una Inference es una proposición derivada mediante razonamiento, cálculo, Scientific Model, regla o interpretación experta. Una Hypothesis es una proposición contrastable que organiza la búsqueda de nueva Evidence. Un Knowledge Claim es una afirmación cuyo fundamento, alcance, incertidumbre y estado de revisión se encuentran explícitamente declarados.

La expresión Conocimiento Consolidado no designa verdad absoluta, final o infalible. Designa un estado institucional de alta justificación alcanzado por una afirmación dentro de un dominio declarado. Ese estado permanece abierto a revisión cuando surgen nueva Evidence, mejores modelos, cambios de contexto o contradicciones relevantes.

El documento distingue además entre:

• hecho, entendido como una afirmación respaldada por Evidence suficiente dentro de un alcance explícito;
• hipótesis, entendida como una explicación o predicción todavía sometida a contrastación;
• interpretación, entendida como una lectura argumentada de Evidence que puede coexistir con alternativas;
• opinión institucional, entendida como una posición de Nebula que no deberá presentarse como resultado científico;
• decisión arquitectónica, entendida como una elección revisable sobre representación o implementación;
• visión, entendida como un estado futuro deseado y no como una predicción verificada.

La condición Stable declara que esta edición constituye la referencia epistemológica vigente de The Nebula Framework™. No declara que el conocimiento que describe haya alcanzado un estado final.

---

#Prólogo

Toda infraestructura científica contiene una epistemología, aunque no la declare.

Cuando un sistema decide qué registrar, qué descartar, qué variables relacionar, qué modelos ejecutar y qué resultados presentar, ya está adoptando posiciones sobre qué puede conocerse y qué considera evidencia. Cuando una interfaz muestra una predicción junto a una medición sin diferenciarlas, incorpora una epistemología defectuosa. Cuando una organización conserva los resultados favorables y elimina los que contradicen sus expectativas, transforma un problema de almacenamiento en un problema de integridad científica. Cuando un Knowledge Graph presenta todas sus relaciones como si poseyeran el mismo fundamento, convierte una estructura semántica en una fuente de falsa certeza.

La necesidad de una epistemología explícita surge porque los procesos biológicos no se ofrecen al observador como objetos completamente transparentes. Solo una parte de su dinámica es accesible mediante instrumentos, muestras, descripciones humanas o resultados analíticos. Las observaciones poseen resolución limitada. Los instrumentos introducen incertidumbre. Las muestras pueden no representar el conjunto. Los modelos omiten mecanismos. Los conceptos utilizados para clasificar el proceso pueden ser incompletos. Las decisiones humanas se encuentran influidas por experiencia, incentivos, expectativas y restricciones operacionales.

The Nebula Framework™ busca representar procesos biológicos mediante Biological Trajectories. Esa representación no puede consistir únicamente en acumular datos. Debe conservar la diferencia entre el proceso y su registro, entre la señal y su interpretación, entre una asociación y un mecanismo, entre una predicción y una Observation, entre una afirmación plausible y una conclusión respaldada.

The Nebula Epistemology™ existe para gobernar esas diferencias.

Su propósito no es resolver los problemas clásicos de la filosofía de la ciencia mediante una declaración institucional. No pretende establecer una teoría universal del conocimiento. Su función es más concreta: construir una epistemología operacional para Computational Bioeconomy™.

Una epistemología operacional debe traducir principios filosóficos en objetos, estados y procedimientos verificables. Debe permitir que una plataforma indique si un valor fue medido o estimado, que un Scientific Model declare qué Evidence lo respalda, que una hipótesis conserve sus intentos de refutación y que una decisión pueda reconstruirse según el conocimiento disponible en el momento en que fue tomada.

También debe admitir que el conocimiento puede ser plural. Dos modelos pueden explicar la misma Evidence mediante mecanismos diferentes. Una Observation humana puede detectar una dimensión que no aparece en los sensores. Una inferencia estadística puede ser útil sin identificar causalidad. Una explicación mecanística puede ser científicamente plausible y, aun así, carecer de parámetros suficientemente identificables.

La fortaleza epistemológica no consiste en eliminar esas tensiones. Consiste en representarlas sin ocultarlas.

Nebula adopta, por tanto, una posición falibilista: toda afirmación puede contener error; toda representación es parcial; toda conclusión posee un dominio de aplicación; y toda autoridad científica deberá permanecer abierta a la crítica fundada.

Esta apertura no implica relativismo. No todas las afirmaciones poseen el mismo respaldo. No todas las observaciones tienen la misma calidad. No todos los modelos son igualmente adecuados. La epistemología deberá permitir comparar calidad, procedencia, consistencia, reproducibilidad, incertidumbre y capacidad explicativa sin convertir esas comparaciones en una ilusión de certeza absoluta.

---

#Resumen Ejecutivo

The Nebula Epistemology™ establece el marco mediante el cual The Nebula Framework™ transforma registros en conocimiento revisable.

Su proposición fundamental es la siguiente:

El conocimiento no emerge directamente de los datos. Surge cuando registros identificables se convierten en Observations contextualizadas; cuando esas Observations adquieren valor como Evidence; cuando la Evidence es interpretada mediante modelos y razonamientos explícitos; y cuando las afirmaciones resultantes sobreviven procesos proporcionales de validación, crítica, reproducción y revisión.

El documento conserva la secuencia conceptual:

Dato → Observation → Evidence → Inference → Hypothesis → Conocimiento

Sin embargo, aclara que esta secuencia no constituye una escalera lineal de certeza. Una Hypothesis puede preceder a la captura de datos y orientar qué debe observarse. Una Inference puede generar una nueva Hypothesis. Nueva Evidence puede degradar un Knowledge Claim previamente consolidado. El conocimiento científico opera como un ciclo con retroalimentación, no como una cadena irreversible.

La epistemología distingue dos dimensiones que no deberán confundirse.

La primera es el tipo epistemológico del objeto: Data Artifact, Observation, Evidence, Inference, Hypothesis o Knowledge Claim.

La segunda es su grado de respaldo: no verificado, trazable, corroborado, reproducido, replicado o consolidado.

Una Observation puede estar mal respaldada. Una Hypothesis puede acumular Evidence robusta sin dejar de ser una proposición abierta a revisión. Una Inference puede ser matemáticamente correcta respecto al modelo y científicamente inadecuada respecto al proceso real. La madurez de una afirmación no se deduce únicamente de su tipo.

The Nebula Epistemology™ adopta seis principios canónicos.

Primero, toda afirmación deberá declarar su nivel y tipo de Evidence.

Segundo, la ausencia de Evidence no deberá interpretarse automáticamente como Evidence de ausencia. No obstante, cuando el procedimiento de observación habría detectado con alta probabilidad el fenómeno buscado, una ausencia observada puede constituir Evidence negativa relevante.

Tercero, toda Inference posee incertidumbre, incluso cuando el sistema no la cuantifique numéricamente.

Cuarto, todo conocimiento deberá permanecer revisable.

Quinto, la trazabilidad y la procedencia fortalecen la confianza, pero no convierten por sí solas un registro en verdadero.

Sexto, los modelos son aproximaciones de la realidad y deberán evaluarse respecto a un Context of Use explícito.

El Framework incorpora además principios derivados: separación entre Observation e Inference; preservación de Evidence adversa; pluralidad de modelos; proporcionalidad de la validación; responsabilidad humana; competencia científica; crítica organizada; y representación explícita de contradicciones.

La infraestructura epistemológica deberá materializar estos principios mediante una Ontology, un Knowledge Graph y una Living Knowledge Infrastructure™ capaces de representar:

• qué se afirma;
• quién lo afirma;
• qué Evidence lo respalda;
• qué Evidence lo contradice;
• qué Scientific Model intervino;
• qué incertidumbre permanece;
• en qué contexto se considera aplicable;
• quién lo revisó;
• qué versión se encontraba vigente;
• y cómo cambió su estado mediante Temporal Evolution.

La procedencia constituye una dimensión central. PROV-O proporciona un modelo interoperable para describir entidades, actividades, agentes y relaciones de derivación; SSN/SOSA proporciona conceptos para observaciones, sensores, procedimientos, muestras y propiedades observadas. OWL 2 y SHACL ofrecen mecanismos para formalizar vocabularios y validar estructuras semánticas. Estas tecnologías pueden apoyar The Nebula Ontology™ y su Knowledge Graph, pero ninguna de ellas determina por sí sola la verdad científica de las afirmaciones representadas.

La reproducibilidad y la replicación deberán distinguirse. La reproducibilidad computacional investiga si un resultado puede regenerarse utilizando los mismos datos, código y procedimientos; la replicación investiga si nueva Evidence obtenida para la misma pregunta produce resultados consistentes. Una reproducción exitosa no demuestra que una hipótesis sea verdadera, y una replicación fallida no implica automáticamente fraude o invalidez: puede revelar variabilidad, diferencias de contexto, supuestos ocultos o fenómenos todavía no comprendidos.

El conocimiento consolidado dentro de Nebula deberá ser provisional, contextual y trazable. No podrá declararse exclusivamente mediante autoridad institucional, volumen de datos, significancia estadística, precisión predictiva o integridad criptográfica.

La epistemología se validará si permite mejorar la calidad de las afirmaciones, reconstruir decisiones, identificar incertidumbre, comparar modelos, detectar errores y revisar conocimiento sin perder su historia.

Deberá considerarse insuficiente si produce burocracia sin comprensión, jerarquías rígidas de certeza, acumulación de datos sin significado, falsa objetividad algorítmica o Knowledge Graphs incapaces de representar conflicto y revisión.

---

#1. Propósito y dominio

#1.1 Propósito

The Nebula Epistemology™ define las reglas conceptuales mediante las cuales el ecosistema Nebula genera, organiza, valida, comunica y revisa conocimiento.

Su propósito es impedir cinco confusiones fundamentales:

1. confundir el proceso material con su representación;
2. confundir Data Artifact con Observation;
3. confundir Observation con Evidence;
4. confundir Evidence con Inference;
5. confundir una afirmación respaldada con una verdad final.

#1.2 Dominio

El dominio de aplicación comprende los procesos y objetos de conocimiento asociados con Computational Bioeconomy™, incluyendo:

• Biological Trajectories;
• Digital Terroir®;
• Scientific Model;
• Knowledge Model;
• Ontology;
• Knowledge Graph;
• Observation;
• Evidence;
• Inference;
• Hypothesis;
• decisiones;
• Proof of Process™;
• Originblok®;
• FermentOps®;
• RoastOps®;
• TraceOps®.

#1.3 Preguntas epistemológicas fundamentales

Toda investigación, modelo o afirmación institucional deberá poder responder:

• ¿Cuál es el fenómeno material?
• ¿Qué parte fue observada?
• ¿Mediante qué procedimiento?
• ¿Qué no fue observado?
• ¿Qué Evidence se preservó?
• ¿Qué transformación analítica se aplicó?
• ¿Qué Inference se produjo?
• ¿Cuál es su incertidumbre?
• ¿Qué hipótesis compiten?
• ¿Qué podría refutar la afirmación?
• ¿Dentro de qué contexto es aplicable?
• ¿Quién posee autoridad para revisarla?
• ¿Cómo se representa su Temporal Evolution?

---

#2. El problema epistemológico de Computational Bioeconomy™

#2.1 La transformación no es directamente accesible

Una Biological Trajectory es un fenómeno material continuo o cuasicontinuo. La infraestructura solo captura fragmentos.

Entre dos mediciones ocurren cambios que pueden no haber sido observados. Una muestra representa una porción limitada. Un sensor responde a una propiedad bajo un modelo de medición. Una evaluación humana integra percepción, memoria, protocolo y experiencia.

La representación computacional es, por tanto, una reconstrucción.

Esta reconstrucción puede ser rigurosa, pero deberá conservar su carácter parcial. Cuando un estado no fue medido directamente, su representación será inferida. Cuando una transición se deduce a partir de cambios en otras variables, deberá registrarse como Inference.

#2.2 El dato no habla por sí mismo

Un Data Artifact puede contener un valor, una imagen, una secuencia, un texto o una señal. Por sí solo no determina:

• qué representa;
• cómo fue generado;
• qué unidad utiliza;
• a qué entidad pertenece;
• si fue modificado;
• si el instrumento funcionaba correctamente;
• si la muestra era representativa;
• ni qué afirmación puede respaldar.

El significado surge de relaciones.

Por ello, Semantic Infrastructure no es una capa ornamental. Es una condición para que los objetos puedan utilizarse fuera del contexto inmediato donde fueron generados.

#2.3 El modelo media entre Evidence y conocimiento

La Evidence no produce conclusiones sin un marco interpretativo.

Incluso una comparación aparentemente directa depende de conceptos, unidades, criterios de inclusión y supuestos. Decidir que dos trayectorias son semejantes requiere definir semejanza. Decidir que una variable «aumentó» requiere establecer una escala temporal y un tratamiento del ruido. Decidir que una intervención «funcionó» requiere definir resultado, contrafactual y tolerancia de incertidumbre.

El Scientific Model hace explícita una parte de esa mediación. El Knowledge Model hace explícito el significado de los objetos utilizados.

#2.4 La infraestructura puede fabricar certeza aparente

Los sistemas computacionales tienden a presentar resultados definidos. Una consulta devuelve un valor. Un clasificador asigna una categoría. Un Knowledge Graph establece una relación. Un dashboard muestra un indicador.

La precisión de la representación visual puede ocultar incertidumbre epistemológica.

The Nebula Epistemology™ exige que la interfaz y la arquitectura preserven las diferencias entre:

• valor medido y valor estimado;
• dato validado y dato pendiente;
• hipótesis y resultado;
• asociación y causalidad;
• ausencia observada y ausencia no evaluada;
• confianza estadística y validez científica;
• integridad del registro y exactitud de la medición.

---

#3. Fundamentos filosóficos

#3.1 Realismo crítico y modestia representacional

Nebula presupone que existe una realidad material independiente de los modelos utilizados para describirla.

Esta posición permite hablar de error: una Observation puede representar inadecuadamente el proceso; un modelo puede fallar; una afirmación puede ser refutada.

Al mismo tiempo, el Framework reconoce que el acceso a esa realidad está mediado por instrumentos, conceptos, procedimientos y modelos. La existencia de un proceso independiente no implica que pueda conocerse sin mediación.

Esta combinación puede describirse como realismo crítico: la realidad existe, pero nuestras representaciones son parciales, históricas y revisables.

#3.2 Falibilismo

Ninguna afirmación deberá recibir protección epistemológica por su origen institucional.

Un resultado publicado por Nebula, una universidad, un laboratorio acreditado o un Scientific Model avanzado puede contener errores.

El falibilismo no significa que todas las afirmaciones sean igualmente dudosas. Significa que ninguna está exenta de revisión.

#3.3 Falsabilidad operacional

Una Hypothesis deberá declarar qué Evidence podría debilitarla o refutarla.

La refutación rara vez es mecánica. Un resultado adverso puede deberse a la hipótesis, al instrumento, al procedimiento, al muestreo, al modelo estadístico o a diferencias contextuales.

La infraestructura deberá representar este problema en lugar de clasificar automáticamente toda anomalía como refutación.

#3.4 Subdeterminación y pluralidad de modelos

La misma Evidence puede ser compatible con varios modelos.

Un patrón temporal puede explicarse por actividad microbiana, transferencia de masa, cambio ambiental o combinación de mecanismos. Dos Scientific Models pueden ofrecer predicciones similares dentro de los datos disponibles y divergir bajo nuevas condiciones.

The Nebula Framework™ deberá permitir modelos competidores, no únicamente una interpretación oficial.

---

#4. La arquitectura de objetos epistemológicos

#4.1 El proceso material

El proceso material precede a todos los objetos informacionales.

No es un registro, una entidad RDF ni una representación de Digital Twin. Puede continuar evolucionando aunque la infraestructura falle.

El Framework deberá conservar siempre la distinción entre ProcessEntity y ProcessRepresentation.

#4.2 Data Artifact

Un Data Artifact es una inscripción o registro producido por una persona, instrumento o sistema.

Puede ser una lectura bruta, archivo, imagen, señal, texto, resultado tabular, evento, anotación o paquete de telemetría.

Un Data Artifact no se convierte automáticamente en Observation. Puede carecer de contexto, estar corrupto, no corresponder con la entidad esperada o representar un mensaje técnico sin contenido científico.

#4.3 Observation

Una Observation resulta de interpretar un Data Artifact como resultado de un acto de observación.

Deberá incluir, cuando corresponda:

• entidad observada;
• propiedad;
• tiempo;
• procedimiento;
• instrumento u observador;
• resultado;
• unidad;
• ubicación;
• incertidumbre;
• estado de calidad.

SSN/SOSA proporciona una base interoperable para representar sensores, observaciones, procedimientos, muestras, propiedades observadas y features of interest. The Nebula Ontology™ deberá alinear estos conceptos cuando satisfagan las necesidades del dominio.

#4.4 Evidence

Una Observation se convierte en Evidence respecto a una afirmación.

La misma Observation puede ser Evidence relevante para una hipótesis e irrelevante para otra.

Evidence no es una propiedad absoluta del dato. Es una relación:

$$\operatorname{Supports}(E,C,H)$$

donde $E$ representa el objeto considerado como Evidence, $C$ el contexto y $H$ la afirmación o Hypothesis evaluada.

La Evidence deberá conservar tanto relaciones de soporte como de contradicción.

#4.5 Inference

Una Inference es una afirmación derivada mediante una transformación epistemológica.

Puede originarse en deducción lógica, cálculo, inferencia estadística, estimación probabilística, simulación, clasificación algorítmica, razonamiento causal o interpretación experta.

Toda Inference deberá declarar su método y sus entradas.

#4.6 Hypothesis

Una Hypothesis organiza expectativas sobre el proceso.

Puede preceder a la captura de datos o surgir como resultado de una Inference exploratoria.

No deberá definirse únicamente como una afirmación «con poca evidencia». Una Hypothesis es una clase funcional: una proposición que orienta contrastación.

Puede poseer respaldo considerable y continuar siendo una Hypothesis cuando su función consiste en explicar o predecir fenómenos todavía abiertos a investigación.

#4.7 Knowledge Claim

Un Knowledge Claim es una afirmación aceptada provisionalmente para un propósito y dominio determinados.

Deberá incluir contenido, alcance, Evidence de soporte, Evidence adversa, incertidumbre, modelos utilizados, autoridad de revisión, estado y fecha de vigencia.

#4.8 Conocimiento Consolidado

El Conocimiento Consolidado es un Knowledge Claim que ha alcanzado un nivel elevado de respaldo y estabilidad.

No deberá declararse sin procedencia suficiente, métodos documentados, revisión competente, Evidence convergente, incertidumbre representada, dominio de aplicación, análisis de contradicciones y capacidad de revisión.

classDiagram
    class MaterialProcess {
        +processId
        +physicalState
        +temporalEvolution
    }

    class DataArtifact {
        +artifactId
        +format
        +createdAt
        +integrityStatus
    }

    class Observation {
        +observationId
        +property
        +result
        +unit
        +uncertainty
    }

    class Evidence {
        +evidenceId
        +role
        +qualityGrade
        +provenance
    }

    class Inference {
        +inferenceId
        +method
        +uncertainty
        +createdAt
    }

    class Hypothesis {
        +hypothesisId
        +statement
        +refutationCriteria
        +status
    }

    class KnowledgeClaim {
        +claimId
        +scope
        +epistemicStatus
        +validFrom
        +validTo
    }

    class ScientificModel {
        +modelId
        +version
        +contextOfUse
    }

    class Context {
        +contextId
        +digitalTerroir
        +conditions
    }

    MaterialProcess --> DataArtifact : genera señales
    DataArtifact --> Observation : es interpretado como
    Observation --> Evidence : respalda o contradice
    Evidence --> Inference : es procesada mediante
    ScientificModel --> Inference : produce
    Inference --> Hypothesis : genera o evalúa
    Hypothesis --> KnowledgeClaim : puede respaldar
    Context --> Observation
    Context --> Evidence
    Context --> KnowledgeClaim

---

#5. La secuencia epistemológica y sus retroalimentaciones

#5.1 La secuencia canónica

La secuencia institucional se expresa como:

Data Artifact → Observation → Evidence → Inference → Hypothesis → Knowledge Claim

Esta secuencia identifica transformaciones conceptuales necesarias. No implica que el proceso científico siempre comience con datos sin hipótesis.

#5.2 El ciclo real

Una Hypothesis puede determinar qué Data Artifacts se capturan. Un Knowledge Claim puede orientar una nueva Observation. Una anomalía puede obligar a revisar el Knowledge Model. Una nueva Ontology puede revelar que observaciones consideradas equivalentes pertenecían a conceptos distintos.

flowchart TD
    A[Realidad material] --> B[Data Artifact]
    B --> C[Observation contextualizada]
    C --> D[Evidence]
    D --> E[Inference]
    E --> F[Hypothesis]
    F --> G[Diseño de nueva observación]
    G --> B
    F --> H[Evaluación experimental]
    H --> I[Knowledge Claim]
    I --> J[Conocimiento Consolidado]
    J --> K[Decisión o estándar]
    K --> A
    D -->|Evidence adversa| L[Revisión]
    E -->|Incertidumbre alta| L
    I -->|Contradicción| L
    L --> F
    L --> C

#5.3 La epistemología como grafo

El conocimiento no deberá almacenarse únicamente como una jerarquía lineal. Deberá representarse como un grafo de relaciones como supportedBy, contradictedBy, derivedFrom, generatedBy, applicableIn, usesModel, reviewedBy, supersedes, retracts, consistentWith e inTensionWith.

La estructura de grafo permite conservar pluralidad y Temporal Evolution.

---

#6. Tipos epistemológicos y grados de respaldo

#6.1 Dos dimensiones independientes

The Nebula Epistemology™ no deberá clasificar las afirmaciones mediante una única escala.

Cada objeto deberá recibir un tipo epistemológico y un grado de respaldo.

#6.2 Grados de respaldo

#E0 — No evaluado

El objeto existe, pero su procedencia o calidad no ha sido evaluada.

#E1 — Trazable

La identidad, origen y transformaciones principales pueden reconstruirse.

#E2 — Validado internamente

El objeto satisface controles definidos dentro del sistema que lo produjo.

#E3 — Corroborado

Existen fuentes o métodos adicionales que proporcionan respaldo convergente.

#E4 — Reproducido o replicado

El resultado ha sido regenerado computacionalmente o evaluado mediante nueva Evidence, según corresponda.

#E5 — Consolidado

La afirmación posee Evidence suficiente, revisión competente, incertidumbre explícita y estabilidad dentro de un dominio declarado.

Estos grados no deberán convertirse en una puntuación automática universal. La Evidence necesaria dependerá del Context of Use y de las consecuencias del error.

---

#7. Principios epistemológicos canónicos

#7.1 Toda afirmación deberá indicar su Evidence

Una afirmación sin fundamento declarado puede ser una opinión, una intuición o una hipótesis, pero no deberá presentarse como conocimiento consolidado.

La declaración de Evidence deberá incluir tanto soporte como objeciones materiales.

Una presentación selectiva de Evidence favorable constituye una representación epistemológicamente incompleta.

#7.2 La ausencia de Evidence no equivale automáticamente a Evidence de ausencia

No detectar un microorganismo no demuestra que esté ausente si el método posee baja sensibilidad, el muestreo fue limitado o el momento fue inadecuado.

Sin embargo, la ausencia observada puede aportar Evidence de ausencia cuando el procedimiento habría detectado el fenómeno con alta probabilidad, la cobertura fue adecuada, los límites de detección son conocidos, el contexto corresponde con la hipótesis y no existen fallas materiales.

Este principio deberá formularse de manera condicional y no como una prohibición absoluta de inferencia negativa.

#7.3 Toda Inference posee incertidumbre

Una Inference depende de Evidence, modelo y supuestos.

La incertidumbre puede ser metrológica, de muestreo, estadística, estructural, contextual, semántica, algorítmica o causal.

#7.4 El conocimiento deberá ser revisable

Todo Knowledge Claim deberá poseer un mecanismo de revisión.

Las causas de revisión pueden incluir nueva Evidence, error detectado, modificación del Context of Use, cambio de Ontology, Scientific Model superior, replicación adversa, deriva temporal o conflicto ético o de Governance.

#7.5 La trazabilidad fortalece la confianza

La trazabilidad permite reconstruir origen, transformación y responsabilidad.

Una cadena de procedencia íntegra puede conservar información incorrecta. La trazabilidad es condición de evaluación, no sustituto de exactitud.

#7.6 Los modelos son aproximaciones

Todo Scientific Model selecciona variables, relaciones y escalas.

Un modelo deberá evaluarse respecto a un Context of Use, no respecto a una pretensión de representación total.

La precisión predictiva no implica necesariamente explicación causal. La interpretabilidad no implica necesariamente exactitud. La complejidad no implica superioridad.

---

#8. Principios derivados

#8.1 Separación entre Observation e Inference

Un valor imputado, suavizado, interpolado o predicho deberá identificarse como derivado.

La interfaz no deberá mostrarlo con la misma semántica visual que una Observation directa sin indicación clara.

#8.2 Preservación de Evidence adversa

Living Knowledge Infrastructure™ deberá conservar resultados negativos, anomalías y refutaciones relevantes.

La eliminación selectiva de Evidence adversa degrada el sistema de conocimiento.

#8.3 Crítica organizada

La crítica no deberá depender únicamente de iniciativa individual.

Los Knowledge Claims de impacto deberán disponer de revisión, objeción y apelación.

#8.4 Proporcionalidad

La intensidad de validación deberá corresponder con el riesgo.

Una hipótesis exploratoria puede admitirse con Evidence preliminar. Una decisión que afecte inocuidad, valor económico o autonomía territorial requerirá mayor respaldo.

#8.5 Competencia

La revisión deberá ser realizada por personas o instituciones con competencia relevante.

La autoridad organizacional no sustituye la competencia científica.

#8.6 Responsabilidad

Una Inference generada por inteligencia artificial no posee responsabilidad moral o institucional propia.

La organización que diseña, aprueba o utiliza el modelo conserva responsabilidad sobre su uso.

#8.7 Pluralismo controlado

El Framework podrá mantener hipótesis y modelos competidores.

El pluralismo no significa aceptar cualquier explicación. Cada alternativa deberá declarar Evidence, supuestos y capacidad de contrastación.

---

#9. Evidence

#9.1 Evidence como relación

Un objeto se convierte en Evidence respecto a una afirmación.

Una serie de pH puede respaldar una afirmación sobre evolución de acidez y ser insuficiente para explicar por sí sola un resultado sensorial.

#9.2 Evidence primaria y derivada

Evidence primaria procede directamente de Observation, muestreo o registro del proceso.

Evidence derivada resulta de transformaciones, agregaciones, cálculos o modelos.

Ambas pueden ser válidas, pero deberán distinguirse.

#9.3 Evidence positiva, negativa y contradictoria

Evidence positiva aumenta el respaldo de una afirmación.

Evidence negativa disminuye su respaldo o favorece una alternativa.

Evidence contradictoria aparece cuando fuentes o métodos producen resultados incompatibles.

La contradicción no deberá resolverse automáticamente mediante promedio. Puede indicar heterogeneidad, error, diferencia de contexto o insuficiencia del Knowledge Model.

#9.4 Calidad

La calidad de Evidence deberá evaluarse según:

#9.5 Cadena de custodia y cadena epistemológica

La cadena de custodia registra quién poseyó una muestra o artefacto.

La cadena epistemológica registra cómo una Observation fue transformada en Evidence, cómo se utilizó en un Scientific Model y qué Inference produjo.

Proof of Process™ requerirá ambas cuando la afirmación dependa de materia física y análisis computacional.

---

#10. Inference

#10.1 Naturaleza

Toda Inference amplía, reorganiza o interpreta la información contenida en la Evidence.

No existe inferencia sin supuestos.

#10.2 Inferencia deductiva

Una conclusión deductiva se sigue de premisas y reglas.

Su corrección formal no garantiza que las premisas describan adecuadamente el proceso.

#10.3 Inferencia inductiva

Generaliza patrones observados.

Sus conclusiones son ampliativas y permanecen abiertas a casos futuros.

#10.4 Inferencia abductiva

Propone una explicación plausible para una Observation.

Es central para generar hipótesis, pero no deberá confundirse con confirmación.

#10.5 Inferencia estadística y probabilística

La inferencia estadística evalúa relaciones bajo un modelo de datos y supuestos.

Una formulación bayesiana conceptual puede expresarse como:

$$P(H \mid E,C) \propto P(E \mid H,C)\,P(H \mid C)$$

donde $H$ es una Hypothesis, $E$ la Evidence y $C$ el contexto.

Esta expresión muestra que el respaldo posterior depende de la compatibilidad entre Evidence e hipótesis, de los supuestos previos y del contexto.

The Nebula Epistemology™ no obliga a utilizar un único paradigma estadístico. Exige que los supuestos se declaren y que el método sea adecuado para la pregunta.

#10.6 Inferencia causal

Una asociación no deberá presentarse como relación causal sin supuestos y diseño suficientes.

Las afirmaciones causales deberán indicar intervención o exposición, resultado, población, factores de confusión, mecanismo propuesto, diseño y alternativas.

#10.7 Inferencia algorítmica

Una salida de aprendizaje automático es una Inference.

Incluso cuando el modelo produzca una categoría sin probabilidad, existe incertidumbre derivada de los datos, la distribución y la estructura del modelo.

---

#11. Hypothesis

#11.1 Función

Una Hypothesis transforma una pregunta amplia en una proposición contrastable.

Deberá declarar afirmación, dominio, variables, resultado esperado, Evidence favorable, Evidence adversa, criterios de revisión y alternativas.

#11.2 Hipótesis descriptiva

Propone la existencia de un patrón.

#11.3 Hipótesis predictiva

Propone que determinadas condiciones permiten anticipar un resultado.

#11.4 Hipótesis mecanística

Propone un mecanismo que conecta estados o variables.

#11.5 Hipótesis causal

Propone que una intervención produce un efecto bajo condiciones definidas.

#11.6 Hipótesis institucional

Una opinión institucional sobre la dirección del Framework no deberá etiquetarse como hipótesis científica salvo que posea condiciones de contrastación.

#11.7 Refutación

Una Hypothesis deberá poder cambiar a estados como proposed, active, supported, restricted, challenged, refuted, superseded o undetermined.

stateDiagram
    [*] --> Proposed
    Proposed --> Active: pregunta y método definidos
    Active --> Supported: Evidence favorable
    Active --> Challenged: Evidence adversa
    Supported --> Consolidated: convergencia y revisión
    Supported --> Restricted: dominio más limitado
    Challenged --> Active: explicación del conflicto
    Challenged --> Refuted: contradicción suficiente
    Consolidated --> Challenged: nueva Evidence
    Consolidated --> Superseded: modelo superior
    Restricted --> Supported: nueva validación
    Refuted --> Archived
    Superseded --> Archived
    Archived --> [*]

---

#12. Knowledge Claim y Conocimiento Consolidado

#12.1 Knowledge Claim

Un Knowledge Claim deberá expresarse con precisión.

En lugar de afirmar:

«La variable X determina la calidad».

Deberá indicarse:

«Dentro de los lotes, territorios, periodos y procedimientos evaluados, la variable X presentó una relación de magnitud determinada con el resultado Y, bajo el modelo Z y con las limitaciones declaradas».

La precisión lingüística es parte de la precisión epistemológica.

#12.2 Consolidación

La consolidación no depende de un número fijo de publicaciones o experimentos.

Depende de calidad de Evidence, consistencia, independencia, reproducibilidad, replicación, plausibilidad, incertidumbre, revisión, estabilidad temporal y ausencia de contradicción decisiva.

#12.3 Conocimiento local y experto

El conocimiento de Caficultores, operadores y especialistas puede alcanzar estados de consolidación dentro de contextos específicos.

No deberá descartarse por no haber sido formalizado académicamente.

Sin embargo, para integrarse en Living Knowledge Infrastructure™ deberá documentarse su alcance, origen, condiciones de aplicación y límites.

---

#13. Incertidumbre epistemológica

#13.1 Incertidumbre cuantificable y no cuantificable

Algunas incertidumbres pueden representarse mediante intervalos o distribuciones.

Otras solo pueden expresarse cualitativamente porque se desconoce la estructura del fenómeno, existen variables omitidas o el concepto todavía es inestable.

El sistema no deberá asignar números arbitrarios para aparentar precisión.

#13.2 Incertidumbre aleatoria y epistemológica

La variabilidad aleatoria puede persistir incluso con mayor información.

La incertidumbre epistemológica puede reducirse mediante nueva Evidence, mejores instrumentos o modelos.

La distinción no siempre es definitiva. Lo que inicialmente parece aleatorio puede revelar estructura después.

#13.3 Incertidumbre semántica

Aparece cuando los conceptos son ambiguos.

Por ejemplo, «final de fermentación» puede significar tiempo programado, criterio sensorial, estabilidad de una variable o umbral bioquímico.

The Nebula Ontology™ deberá representar estas diferencias.

#13.4 Incertidumbre institucional

Surge cuando una decisión depende de políticas, incentivos o autoridad no suficientemente documentados.

Los Decision Records deberán conservarla.

---

#14. Reproducibilidad y replicación

#14.1 Reproducibilidad computacional

Un resultado es reproducible cuando puede regenerarse utilizando los mismos datos, código, métodos y condiciones computacionales suficientemente documentados.

#14.2 Replicación

Una replicación utiliza nueva Evidence para responder la misma pregunta científica.

La consistencia entre resultados aumenta el respaldo. La inconsistencia requiere análisis, no condena automática.

#14.3 Repetibilidad metrológica

La repetibilidad evalúa resultados bajo condiciones semejantes de medición.

La reproducibilidad metrológica puede considerar cambios de operador, instrumento, laboratorio o tiempo.

Las definiciones deberán declararse porque distintos campos utilizan estos términos de manera diferente.

#14.4 Requisitos de reproducibilidad

Un análisis deberá preservar datos, código, parámetros, versiones, dependencias, transformaciones, exclusiones, semillas, entorno, resultados esperados y procedencia.

#14.5 Replicación adversa

Una replicación fallida puede indicar hipótesis incorrecta, contexto diferente, efecto menor, variabilidad biológica, procedimiento insuficiente, error o factores no modelados.

Deberá registrarse como Evidence, no descartarse por no confirmar el resultado.

---

#15. FAIR, procedencia e Interoperability

#15.1 FAIR

Los principios FAIR establecen que los objetos científicos deberían ser Findable, Accessible, Interoperable y Reusable, con énfasis en identificadores, metadatos, vocabularios y procedencia aptos para humanos y máquinas. FAIR no exige que todos los datos sean abiertos ni garantiza por sí mismo su calidad.

The Nebula Epistemology™ aplica FAIR a Data Artifacts, Observations, Evidence, Scientific Models, Hypotheses, Knowledge Claims, protocolos, Decision Records y Biological Trajectories.

#15.2 Procedencia

PROV-O podrá expresar relaciones como wasGeneratedBy, wasDerivedFrom, wasAttributedTo, used y wasAssociatedWith.

La Ontology de Nebula deberá especializar estas relaciones sin romper innecesariamente Interoperability.

#15.3 Ontology

OWL 2 permite definir clases, propiedades, individuos y relaciones con semántica formal. Su uso puede mejorar consistencia e Interoperability, pero una Ontology formalmente válida puede incorporar conceptos científicamente inadecuados.

#15.5 Knowledge Graph epistemológico

El Knowledge Graph deberá representar no solo entidades del dominio, sino relaciones epistemológicas.

graph LR
    C1[Knowledge Claim A] -->|supportedBy| E1[Evidence 1]
    C1 -->|supportedBy| E2[Evidence 2]
    C1 -->|contradictedBy| E3[Evidence 3]
    E1 -->|wasGeneratedBy| O1[Observation Process]
    E2 -->|derivedFrom| D1[Dataset]
    C1 -->|usesModel| M1[Scientific Model v2]
    C1 -->|applicableIn| CTX[Digital Terroir Context]
    C2[Knowledge Claim B] -->|competesWith| C1
    C3[Knowledge Claim C] -->|supersedes| C1
    R1[Reviewer] -->|reviewed| C1

---

#16. Temporal Evolution del conocimiento

#16.1 El conocimiento posee historia

Una afirmación aceptada en 2026 puede ser restringida en 2028.

La infraestructura deberá permitir reconstruir qué se sabía en cada momento.

#16.2 Tiempo de validez y tiempo de registro

El Framework debería distinguir:

• valid time: periodo durante el cual una afirmación se considera aplicable al mundo representado;
• record time: periodo durante el cual la infraestructura la registró como vigente.

Esta distinción permite corregir retrospectivamente sin borrar la historia institucional.

#16.3 Sustitución y retractación

Una afirmación puede corregirse, restringirse, ser reemplazada, ser retractada o coexistir con una alternativa.

La nueva versión deberá relacionarse con la anterior.

#16.4 Memoria de errores

Los errores relevantes deberán preservarse.

Una organización que solo conserva el estado actual pierde la capacidad de comprender cómo tomó decisiones anteriores.

---

#17. Governance epistemológica

#17.1 Roles

El Framework deberá distinguir, cuando sea proporcional, observador, custodio de Evidence, analista, steward del Scientific Model, curator del Knowledge Model, revisor, autoridad de decisión y actor afectado.

#17.2 Conflicto de interés

Quien desarrolla un modelo puede poseer incentivos para defenderlo.

La revisión de alto impacto deberá incluir independencia suficiente.

#17.3 Derecho de impugnación

Un actor afectado por un Knowledge Claim deberá poder cuestionar identidad, calidad de Evidence, modelo, interpretación, alcance, uso no autorizado o decisión resultante.

#17.4 Autoridad y Evidence

Una autoridad puede aprobar el uso institucional de un Knowledge Claim.

No puede convertirlo en científicamente verdadero mediante votación.

#17.5 Epistemic Debt

Se denomina Epistemic Debt a la acumulación de supuestos, transformaciones, conceptos o decisiones no documentadas que dificultan evaluar conocimiento posteriormente.

Ejemplos incluyen variables sin definición, datos sin procedencia, modelos sin versión, inferencias presentadas como mediciones, cambios ontológicos sin migración, exclusiones no documentadas o decisiones sin fundamento.

El Epistemic Debt deberá administrarse como riesgo institucional.

---

#18. Ciclo de evolución del conocimiento

sequenceDiagram
    participant P as Proceso material
    participant O as Sistema de Observation
    participant E as Evidence Infrastructure
    participant M as Scientific Model
    participant K as Knowledge Model
    participant R as Revisión
    participant D as Decisión

    P->>O: Fenómeno observable
    O->>E: Data Artifact + contexto
    E->>E: Validación de identidad y calidad
    E->>K: Observation semánticamente representada
    K->>M: Variables y relaciones
    M->>E: Inference + incertidumbre
    E->>R: Knowledge Claim candidato
    R->>R: Contraste con Evidence y alternativas
    alt Respaldo suficiente
        R->>K: Claim aceptado provisionalmente
        K->>D: Conocimiento aplicable
        D->>P: Intervención o decisión
    else Evidence insuficiente
        R->>K: Hypothesis activa
    else Contradicción material
        R->>K: Claim challenged o refuted
    end
    D->>E: Resultado de la decisión

El ciclo no termina con la decisión. Las consecuencias generan nueva Evidence.

---

#19. Aplicación a Biological Trajectory

#19.1 Estados observados e inferidos

Una Biological Trajectory deberá diferenciar estados observados, estados inferidos, intervalos sin información, eventos, intervenciones y cambios de modelo.

#19.2 Segmentación

Dividir una fermentación en fases constituye una Inference.

Las fases pueden estar definidas por tiempo, umbrales, mecanismos o patrones multivariables.

El criterio deberá declararse.

#19.3 Continuidad

TraceOps® deberá preservar identidad y eventos.

FermentOps® deberá preservar estados e intervenciones.

RoastOps® deberá conectar la transformación térmica con la historia previa.

Originblok® deberá preservar procedencia.

Proof of Process™ deberá vincular una afirmación con Evidence suficiente.

#19.4 Digital Terroir®

Digital Terroir® proporciona contexto para interpretar por qué dos trayectorias semejantes pueden producir resultados diferentes o por qué una relación aprendida en un territorio no generaliza a otro.

El contexto no deberá utilizarse como explicación automática.

---

#20. Casos epistemológicos de referencia

#20.1 Caso I — Deriva de un sensor de pH

Un sensor registra una disminución gradual de pH.

El Data Artifact muestra una serie coherente. La integridad del archivo es válida. Sin embargo, una medición de referencia indica deriva del instrumento.

Epistemológicamente, los registros siguen siendo Data Artifacts auténticos; las Observations requieren una bandera de calidad; su valor como Evidence disminuye; las Inferences derivadas deberán revisarse; y los Knowledge Claims afectados podrán ser restringidos o retractados.

La integridad digital no corrigió el error metrológico.

#20.2 Caso II — Ausencia de un microorganismo

Una prueba no detecta un microorganismo.

Si el límite de detección es alto y la muestra limitada, el resultado no respalda fuertemente su ausencia.

Si se aplican múltiples muestras, método sensible, controles adecuados y cobertura temporal suficiente, la no detección puede convertirse en Evidence negativa relevante.

El principio «ausencia de Evidence no es Evidence de ausencia» requiere analizar la capacidad de detección.

#20.3 Caso III — Predicción del final de fermentación

Un Scientific Model predice que el proceso alcanzará un estado objetivo en dos horas.

La predicción es una Inference, no una Observation futura.

Deberá mostrar versión del modelo, Evidence de entrada, Context of Use, intervalo o grado de incertidumbre, límites y criterio de intervención.

Si el operador finaliza el proceso, la decisión deberá conservar la relación con la predicción y la autoridad humana.

#20.4 Caso IV — Conflicto entre operador y algoritmo

Un operador experimentado identifica un aroma anómalo que no aparece en las variables instrumentales.

La epistemología no deberá descartar la Observation humana.

El conflicto puede revelar variable no medida, sensor mal ubicado, sesgo humano, evento local o limitación del Knowledge Model.

Ambas fuentes deberán conservarse y evaluarse.

#20.5 Caso V — Transferencia de café a cacao

Un modelo desarrollado en café se aplica a fermentación de cacao.

La similitud terminológica no garantiza equivalencia ontológica, biológica ni matemática.

La transferencia será una nueva Hypothesis que requiere Evidence específica, alineamiento de Ontology y validación independiente.

---

#21. Validación de The Nebula Epistemology™

La epistemología deberá evaluarse por sus consecuencias.

Se considerará respaldada cuando permita:

1. distinguir consistentemente tipos epistemológicos;
2. reconstruir la procedencia de Knowledge Claims;
3. representar Evidence favorable y adversa;
4. comunicar incertidumbre;
5. comparar modelos alternativos;
6. reproducir análisis;
7. gestionar replicaciones;
8. corregir afirmaciones sin borrar historia;
9. detectar Epistemic Debt;
10. mejorar decisiones frente a una línea base.

#21.1 Indicadores

---

#22. Condiciones de refutación

The Nebula Epistemology™ deberá revisarse o considerarse insuficiente si:

• los tipos epistemológicos no pueden aplicarse consistentemente;
• la clasificación genera más ambigüedad que claridad;
• los grados de respaldo crean falsa precisión;
• la procedencia no mejora la auditabilidad;
• la representación de incertidumbre no influye en decisiones;
• el Knowledge Graph no puede manejar contradicción;
• la carga documental impide investigación proporcional;
• el sistema privilegia Evidence cuantitativa sin justificación;
• la Governance bloquea crítica;
• el Conocimiento Consolidado se utiliza como autoridad incuestionable.

La refutación puede afectar un concepto específico sin invalidar la totalidad del Framework.

---

#23. Limitaciones

La primera limitación es representacional. Ninguna epistemología formal captura por completo cómo los seres humanos producen conocimiento.

La segunda es filosófica. Existen múltiples teorías de verdad, explicación, causalidad y justificación. Nebula adopta una síntesis operacional, no una resolución universal.

La tercera es semántica. Conceptos como Evidence, Observation y conocimiento poseen usos distintos entre disciplinas.

La cuarta es metrológica. La calidad de los objetos epistemológicos depende de instrumentos y procedimientos reales.

La quinta es computacional. La procedencia completa puede ser costosa.

La sexta es social. La autoridad científica y tecnológica se distribuye de manera desigual.

La séptima es territorial. El conocimiento local puede perder significado al formalizarse.

La octava es temporal. Las categorías institucionales pueden quedar obsoletas.

La novena es cognitiva. Los usuarios pueden ignorar indicadores de incertidumbre.

La décima es organizacional. Los incentivos comerciales pueden favorecer simplificación o sobreafirmación.

La undécima es lingüística. Las traducciones pueden alterar distinciones epistemológicas.

La duodécima es ética. La captura rigurosa de Evidence no justifica toda recolección posible.

---

#24. Agenda de investigación

#24.1 Formalización de estados epistemológicos

Desarrollar una Ontology para tipos, grados de respaldo, contradicciones, revisiones y retractaciones.

#24.2 Métricas de Evidence

Investigar métodos para evaluar calidad sin reducirla a una puntuación universal.

#24.3 Representación de incertidumbre cualitativa

Desarrollar estructuras para incertidumbres no reducibles a probabilidades.

#24.4 Knowledge Graph contradictorio

Investigar grafos capaces de conservar afirmaciones competidoras, fuentes y contextos.

#24.5 Epistemic Debt

Definir indicadores y métodos para identificar deuda epistemológica.

#24.6 Conocimiento humano

Estudiar cómo representar Observation experta y conocimiento tácito sin descontextualizarlos.

#24.7 Inferencia causal

Desarrollar criterios para distinguir predicción, explicación y causalidad.

#24.8 Temporal Evolution

Investigar modelos bitemporales para vigencia material y registro institucional.

#24.9 Interoperability

Alinear The Nebula Epistemology™ con PROV-O, SSN/SOSA, OWL, SHACL y FAIR.

#24.10 Gobernanza territorial

Definir mecanismos de atribución, consentimiento y beneficio para conocimiento derivado de Digital Terroir®.

timeline
    title Agenda de investigación de The Nebula Epistemology™
    Fase I : Ontology epistemológica mínima
           : Tipos y estados de Knowledge Claim
           : Procedencia con PROV-O
    Fase II : Evidence grading
            : Representación de contradicciones
            : Reproducibilidad computacional
    Fase III : Knowledge Graph epistemológico
             : Temporal Evolution bitemporal
             : Epistemic Debt
    Fase IV : Integración con FermentOps®
            : Validación territorial
            : Gobernanza de conocimiento humano
    Fase V : Perfiles de Interoperability
           : Replicación independiente
           : Estándar epistemológico candidato

---

#25. Relación con The Nebula Framework™

#25.1 La Tesis Nebula™

Establece la hipótesis de que los procesos biológicos pueden representarse como Biological Trajectories verificables.

The Nebula Epistemology™ determina qué significa «verificable» y qué tipos de afirmaciones pueden producirse a partir de esa representación.

#25.2 Modelo Científico Nebula™

Define cómo observar, modelar, validar y aprender.

La epistemología clasifica los objetos y estados producidos por ese ciclo.

#25.3 The Nebula Mathematics™

Deberá formalizar incertidumbre, relaciones, probabilidades, dinámica, evidencia e inferencia.

La matemática no deberá confundirse con justificación epistemológica completa.

#25.4 The Nebula Ontology™

Representará computacionalmente los conceptos y relaciones definidos aquí.

#25.5 La Arquitectura Nebula™

Implementará persistencia, cómputo, versionado, seguridad y consulta.

La arquitectura deberá conservar las distinciones epistemológicas.

#25.6 Living Knowledge Infrastructure™

Será el espacio donde Observations, Evidence, Scientific Models, Hypotheses y Knowledge Claims evolucionen sin perder procedencia.

#25.7 Trust Infrastructure

La confianza surgirá de procedencia, competencia, revisión, integridad, incertidumbre y capacidad de impugnación.

No surgirá únicamente de una firma, blockchain o autoridad.

---

#Conclusiones

The Nebula Epistemology™ establece que los datos no constituyen conocimiento por sí mismos.

Un Data Artifact adquiere valor científico cuando puede interpretarse como Observation contextualizada. Una Observation se convierte en Evidence respecto a una afirmación. La Evidence es procesada mediante modelos, reglas y razonamientos para producir Inference. Las inferencias pueden evaluar o generar Hypotheses. Los resultados suficientemente respaldados pueden convertirse en Knowledge Claims y, bajo condiciones rigurosas, en Conocimiento Consolidado.

Ninguna de estas transiciones es automática.

Cada una requiere identidad, contexto, procedencia, competencia, incertidumbre y revisión.

La epistemología rechaza una jerarquía simplista donde cada nivel sea necesariamente más verdadero que el anterior. Los tipos epistemológicos cumplen funciones diferentes. Su respaldo debe evaluarse mediante una dimensión independiente.

El Framework adopta una visión falibilista: toda afirmación puede revisarse y todo conocimiento posee un dominio.

Esta posición no debilita la ciencia. La fortalece al permitir distinguir entre lo observado, lo inferido y lo todavía desconocido.

The Nebula Epistemology™ también reconoce que la confianza no puede reducirse a integridad técnica. Originblok® puede preservar identidad. Proof of Process™ puede relacionar afirmaciones con Evidence. PROV-O puede representar procedencia. OWL y SHACL pueden formalizar y validar estructuras. Ninguna de estas capacidades demuestra por sí sola que una conclusión sea correcta.

La confianza científica emerge de la interacción entre Evidence, método, semántica, incertidumbre, crítica, reproducibilidad, replicación y Governance.

La principal responsabilidad de Living Knowledge Infrastructure™ no será almacenar conclusiones. Será conservar la posibilidad de revisarlas.

El ecosistema Nebula será epistemológicamente maduro cuando pueda documentar no solo aquello que conoce, sino también por qué cree conocerlo, qué podría demostrar que está equivocado y cómo cambiaría su conocimiento cuando aparezca nueva Evidence.

---

#Glosario

#Conocimiento Consolidado

Estado institucional de un Knowledge Claim que ha alcanzado respaldo elevado, revisión competente, incertidumbre explícita y estabilidad dentro de un dominio declarado.

#Computational Bioeconomy™

Campo interdisciplinario orientado a representar, interpretar y gobernar transformaciones biológicas mediante modelos computacionales contextualizados.

#Data Artifact

Inscripción, archivo, señal o registro generado por una persona, instrumento o sistema.

#Digital Terroir®

Modelo contextual dinámico de condiciones territoriales, ambientales, biológicas, históricas y humanas relevantes para una Biological Trajectory.

#Epistemic Debt

Acumulación de supuestos, transformaciones, conceptos o decisiones no documentadas que dificulta evaluar conocimiento.

#Evidence

Objeto o relación que puede respaldar o cuestionar una afirmación dentro de un contexto.

#FermentOps®

Dominio operacional dedicado a la observación, modelado y Governance de procesos de fermentación.

#Hypothesis

Proposición contrastable que organiza la búsqueda e interpretación de Evidence.

#Inference

Afirmación derivada mediante razonamiento, cálculo, Scientific Model, regla o interpretación.

#Interoperability

Capacidad de intercambiar y utilizar información conservando estructura, significado, procedencia y tipo epistemológico.

#Knowledge Claim

Afirmación cuyo contenido, alcance, fundamento, incertidumbre y estado de revisión se encuentran declarados.

#Knowledge Graph

Representación de entidades, relaciones y afirmaciones susceptible de consulta, validación, inferencia y revisión.

#Knowledge Model

Estructura que define conceptos, identidades, relaciones y restricciones para interpretar un dominio.

#Living Knowledge Infrastructure™

Infraestructura que preserva Observations, Evidence, modelos, Hypotheses, Knowledge Claims y Temporal Evolution.

#Observation

Resultado contextualizado de un acto de observación, medición, muestreo o inspección.

#Ontology

Especificación formal o semiforme de conceptos, relaciones y restricciones.

#Originblok®

Infraestructura de identidad, procedencia y persistencia del ecosistema Nebula.

#Proof of Process™

Conjunto de pruebas que vincula una afirmación sobre una transformación con Evidence verificable.

#RoastOps®

Dominio operacional dedicado a la representación de transformaciones térmicas de tostado.

#Scientific Model

Representación formal o computacional utilizada para describir, explicar, simular o predecir un fenómeno.

#Semantic Infrastructure

Conjunto de ontologías, vocabularios, identificadores, validadores y servicios que preservan significado.

#Temporal Evolution

Cambio documentado de Observations, Evidence, modelos, conceptos, hipótesis o afirmaciones a través del tiempo.

#TraceOps®

Dominio operacional encargado de integrar identidades, eventos, custodias y transformaciones.

#Trust Infrastructure

Mecanismos científicos, técnicos y de Governance que permiten evaluar identidad, integridad, procedencia, competencia y credibilidad.

---

#Bibliografía recomendada

1. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J. et al. “The FAIR Guiding Principles for Scientific Data Management and Stewardship.” Scientific Data, vol. 3, artículo 160018, 2016.

2. National Academies of Sciences, Engineering, and Medicine. Reproducibility and Replicability in Science. The National Academies Press, 2019.

3. World Wide Web Consortium. PROV-O: The PROV Ontology. W3C Recommendation, 2013.

4. World Wide Web Consortium. Semantic Sensor Network Ontology. W3C Recommendation, 2017, con revisión posterior en desarrollo.

5. World Wide Web Consortium. OWL 2 Web Ontology Language: Document Overview, Second Edition. W3C Recommendation, 2012.

6. World Wide Web Consortium. Shapes Constraint Language — SHACL. W3C Recommendation, 2017.

7. Joint Committee for Guides in Metrology. JCGM 100:2008 — Evaluation of Measurement Data: Guide to the Expression of Uncertainty in Measurement. BIPM.

8. Joint Committee for Guides in Metrology. JCGM 200:2012 — International Vocabulary of Metrology: Basic and General Concepts and Associated Terms. BIPM.

9. International Organization for Standardization and International Electrotechnical Commission. ISO/IEC 17025:2017 — General Requirements for the Competence of Testing and Calibration Laboratories. ISO/IEC, 2017.

10. Popper, Karl R. The Logic of Scientific Discovery. Referencia sugerida.

11. Kuhn, Thomas S. The Structure of Scientific Revolutions. Referencia sugerida.

12. Lakatos, Imre. The Methodology of Scientific Research Programmes. Referencia sugerida.

13. Longino, Helen E. Science as Social Knowledge. Referencia sugerida.

14. Pearl, Judea. Causality: Models, Reasoning, and Inference. Referencia sugerida.

---

#Anexo A — Registro mínimo de Knowledge Claim

---

#Anexo B — Prueba de conformidad epistemológica

Una investigación, modelo o estándar será compatible con The Nebula Epistemology™ cuando:

1. distinga realidad material y representación;
2. identifique Data Artifacts;
3. contextualice Observations;
4. declare qué objetos actúan como Evidence;
5. diferencie Inference de Observation;
6. documente Scientific Model y supuestos;
7. represente incertidumbre;
8. defina Hypotheses contrastables;
9. preserve Evidence adversa;
10. declare el grado de respaldo;
11. permita reproducción cuando corresponda;
12. contemple replicación;
13. preserve procedencia;
14. represente Temporal Evolution;
15. permita revisión e impugnación.

---

#Anexo C — Canon epistemológico

El conocimiento no surge directamente de los datos.

Toda Observation es una representación contextualizada y potencialmente falible.

Evidence existe respecto a una afirmación y un contexto.

Toda Inference posee supuestos e incertidumbre.

Una Hypothesis debe poder ser contrastada.

El Conocimiento Consolidado permanece abierto a revisión.

La ausencia de Evidence solo respalda ausencia cuando el proceso de observación tenía capacidad suficiente para detectar el fenómeno.

La procedencia fortalece la confianza, pero no garantiza exactitud.

Los modelos son aproximaciones de la realidad, no la realidad misma.

La fortaleza institucional reside en la capacidad de corregir el conocimiento sin borrar su historia.

---

#Anexo D — Declaración institucional

The Nebula Epistemology™ establece cómo The Nebula Framework™ deberá generar, organizar, validar y revisar conocimiento.

Su propósito es preservar la diferencia entre Data Artifact, Observation, Evidence, Inference, Hypothesis y Knowledge Claim.

Nebula reconoce que ninguna infraestructura, Ontology, Scientific Model o autoridad institucional posee acceso completo a la realidad.

La confiabilidad del ecosistema dependerá de su capacidad para declarar procedencia, representar incertidumbre, conservar contradicciones, reproducir resultados, admitir refutaciones y revisar Conocimiento Consolidado cuando aparezca nueva Evidence.

Versión: 1.0.0
Estado: Stable
Idioma canónico: Español Latino (es-419)
Documento: NBL-FWK-006

The Nebula Framework™