Este texto es un análisis crítico y reflexivo sobre la controversia entre Noam Chomsky y Steven Pinker respecto al valor de los modelos estadísticos en la lingüística computacional. El autor argumenta que la definición tradicional de 'éxito' en la ciencia, centrada en la aproximación a datos sin análisis, es insuficiente para evaluar los modelos probabilísticos. A diferencia de las teorías de Chomsky, que priorizan la explicación causal y la estructura generativa, los modelos estadísticos, como los de Claude Shannon o la ley de los gases ideales, ofrecen predicciones precisas y una comprensión profunda de la incertidumbre, aunque no modelen la realidad con perfección.
El texto contrasta la precisión de las reglas lingüísticas tradicionales, como la regla de 'I antes de E', con la capacidad predictiva de los modelos entrenados estadísticamente, demostrando que estos últimos superan a las primeras en muchos casos. Se aborda también la adopción masiva de estos métodos en la comunidad de lingüística computacional, impulsada por la superioridad técnica de las herramientas probabilísticas frente a las lógicas puras. El autor concluye que, aunque la mayoría de los investigadores ha migrado hacia el enfoque estadístico por razones de ingeniería y rendimiento, la verdadera ciencia debe equilibrar la capacidad de modelar el mundo con la generación de insights teóricos, un equilibrio que los modelos estadísticos modernos parecen cumplir mejor que las teorías puramente generativas.
