Саманта Клейнберг - Почему

Случай Чарли не совпадает в точности с предыдущим знанием, но все же совпадения достаточно, если мы намерены применять методы оценки объяснений с достаточной степенью гибкости: тогда скажем, что именно лекарство избавило его от головной боли. В то же время нужно уметь разбираться с ситуациями при менее гибких временн ы х паттернах. Таким образом, обнаруживая типовые взаимоотношения, желательно уметь определить, что представляют собой временн ы е окна – единственный интервал, когда может случиться следствие, или всего лишь промежутки, когда следствие наиболее вероятно. Определенная степень гибкости в этом случае также означает, что известные паттерны времени привязаны к соответствующим базовым знаниям. Если они получены на основе небольшого набора данных, то, возможно, необычно короткий инкубационный период не был принят в расчет. Или измерения проводились так редко, что первый врачебный контроль был два дня спустя и из-за отрывистости сведений мы не в состоянии узнать, могло ли заболевание развиться в самый первый день.

Возможно, не имеет смысла строго придерживаться какого-то известного временн о го окна, если ошибочно наше знание о том, когда события произошли на токен-уровне. Если я скажу, что некое событие имело место неделю назад, степень вероятности будет такой же, как при сроке в 6, 7 или 8 дней. Точно так же «год назад» почти определенно не означает «точно 365 дней назад». Даже если мне известно, что одна вещь через год вызывает другую, жесткость в отношении временн о го окна не учитывает присущую сведениям неопределенность [328].

Одно из решений проблемы – ослабление связи между типом и токеном.

Поскольку мы понимаем, что наблюдаемое и известное могут не совпадать в точности из-за множества причин, попробуем включить эту неопределенность в объяснение. Головная боль, прошедшая через 29 минут, достовернее объясняется действием препарата, чем та же проблема, исчезнувшая через 290 минут после его приема.

Аналогично может быть некоторая неопределенность относительно случившегося события, и мы ею воспользуемся, чтобы дать более точные объяснения. Мы не знаем наверняка, что Чарли принимал парацетамол, однако видели рядом со стаканом воды открытую упаковку лекарства и воспользовались этой косвенной информацией для оценки вероятности того, что он действительно выпил препарат. Не станем вдаваться в детали, однако это суть метода – напрямую учесть неопределенность как первичной информации, так и знаний о токен-случаях [329].

INUS-подход Маки исходит из следующего допущения: нам известно достаточно о механизме действия тех или иных вещей, чтобы определить детерминистские причинные комплексы: в присутствии некоего набора факторов всегда случается следствие. Но, как мы уже видели, многие взаимоотношения носят вероятностный характер (по причине либо фактического индетерминизма, либо неполного знания о мироздании). Причина, имеющая очень низкий шанс генерирования следствия, все же способна оставаться причиной и в токен-случае. Но вероятности, или силы каузальных зависимостей, которые мы рассчитываем, дают некоторую информацию о ее возможности. Нужно использовать эти весовые коэффициенты, чтобы понять, насколько они основательны с точки зрения различных объяснений [330].

Посмотрим, как это работает.

Скажем, требуется выяснить, почему Ирен не спала прошлой ночью. У нас есть мера причинной значимости (см. главу 6), и мы обнаруживаем, что 100 мл кофе эспрессо при бессоннице имеет коэффициент значимости 0,9, если некто пытается заснуть в пределах следующих 4 часов.

Если известно, что Ирен пробовала уснуть через 3 часа после того, как выпила именно столько эспрессо, значимость этого события для ее случая бессонницы будет 0,9. Если бы вместо сна она решила посмотреть телевизор, но через 6 часов после выпитого кофе не могла уснуть, значимость фактора напитка могла быть ниже 0,9, так как был нарушен предел обычного временн о го диапазона. На рис. 8.1 показана эта последовательность событий и известное временн о е окно причинной зависимости (серым цветом). Интервал в 6 часов больше известного окна, показанного серым прямоугольником, поэтому кажется невозможным, что бессонницу Ирен вызвал кофе, который она выпила ранее этого времени.

Рис. 8.1.Здесь эспрессо вызывает бессонницу в пределах 4 часов

Конечно, мы и не подумаем, что бессонница будет одинаково возможна в пределах всего временн о го окошка от 0 до 4 часов и через 4 часа ее вероятность будет стремиться к нулю. Скорее рассудим, что изображение на рис. 8.2 более правдоподобно: здесь шанс после четвертого часа снижается медленно. Оценивая значимость причины в различных временн ы х точках до наступления следствия (или объясняя следствия в различные временн ы е точки после конкретного случая причины), нужно комбинировать эту вероятность с коэффициентом значимости. То есть более сильная причина, немного выступающая за пределы известного временн о го интервала, более значима, чем слабая, когда временн ы е паттерны типа и токена совпадают. Если в комнате Ирен слишком жарко, когда она пытается заснуть, это может повысить шанс нарушения сна, однако мы по-прежнему будем утверждать, что главный виновник бессонницы – кофе за 4,5 часа до того.

Рис. 8.2.Вероятность бессонницы с течением времени. На оси Х показаны часы после выпитого эспрессо

Основная идея такого подхода – оценка значимости на уровне типа с помощью информации на уровне токена. Мы можем обнаружить, что в специфических случаях значимость того или иного фактора ниже его значимости на уровне типа из-за различий временн ы х паттернов или неопределенности событий. Исходя из известного механизма действия (например, медикамента) или предыдущей информации (вычисления вероятности следствия), мы можем создать функцию, которая покажет, как сопоставить наблюдение с шансом по-прежнему активной причины.

Рис. 8.3 дает представление о некоторых функциях. На рис. 8.3 (а) показаны только два значения вероятности: 0 и 1. Это означает, что временн о е окно – единственный период, когда причина может вызвать следствие, и временн ы е точки вне его не значимы. С другой стороны, на рис. 8.3 (в) шанс того, что причина вызовет следствие вне временн о го окна, падает гораздо медленнее.

Рис. 8.3.Оценка различных возможных функций относительно известных временн ы х паттернов. Сплошными линиями показаны интервалы, когда причины с наибольшей вероятностью вызывают следствие, а пунктирными – изменение вероятности до и после этих интервалов