Саманта Клейнберг - Почему

Нам, конечно, известно не все, но кое-что все-таки понятно. Еще важнее и обнадеживает, что наше понимание причинности постепенно совершенствуется.

Это стало возможным отчасти за счет лучшей информации и более мощных вычислительных систем, а отчасти за счет сближения узкоспециальных и междисциплинарных познаний.

Итак, один из главных «сухих остатков» этой книги – понимание, как сложен поиск причин.

В подавляющем большинстве случаев, когда мы уверены, что отыскали причину, на самом деле мы обнаружили всего лишь корреляцию. А иногда даже и она мнимая. Это может быть результатом искажений (когда, не замерив правильные переменные, мы обнаруживаем ложную взаимосвязь между следствиями с общей причиной), смещений поиска и оценки информации (предвзятость подтверждения означает, что мы видим только положительные примеры) или многих других проанализированных нами факторов.

Очень важно знать все возможности обнаружения корреляций, которые не считаются причинными зависимостями, так как это поможет критически оценить наши выводы и допущения и предотвратить неэффективные вмешательства.

Скажем, я увидела корреляцию между дистанцией своих пробежек и уровнем энергетики организма. Неожиданный вывод: чем дольше я бегаю, тем энергичнее себя ощущаю. Но, если это происходит лишь потому, что я дольше бегаю в те дни, когда у меня больше свободного времени и я могу позже лечь спать, тогда в действительности я выяснила только следующее: энергией заряжает долгий сон, и любое предположение по поводу громадного вброса энергии после марафона определенно не сбудется. Также это значит, что для меня лучшая стратегия восстановиться – больше спать, а не бегать часами.

И не важно, насколько велик массив данных, – все равно не уйти от необходимости подвергнуть свои выводы сомнению и задать вопрос «почему».

К примеру, компания Google использовала корреляции между поисковыми критериями пользователей интернета и случаями заболевания гриппом, чтобы спрогнозировать тенденции болезни еще до того, как это успевали сделать Центры по контролю заболеваемости [414]. Но подобный подход работает только в том случае, если люди ищут информацию в Сети, потому что уже наблюдают симптомы, а не потому, что их заботит распространение гриппа, симптомы появились у членов их семьи или стало известно об исследованиях Google. На деле эффективность сервиса Google Flu Trends [415]со временем снизилась. В 2011 году предсказанные им уровни заболеваемости оказались намного выше того, что было в действительности, и завышение показателей продолжалось еще некоторое время после эпидемии [416]. Не понимая, почему нечто становится прогностическим индикатором, нельзя избежать непредвиденных неудач.

Аналогично существует много областей, где мы можем ошибаться, но их выявление и учет помогут разработать усовершенствованные методы, избегать мнимых причинно-следственных выводов и проводить более эффективные вмешательства. Одна из причин, по которой мы посвятили целую главу психологии каузальности, такова: зная, где мы добились отличных результатов в поиске причин, мы сможем разработать лучшие методы автоматизации этого процесса, а зная, где кроются ошибки в осмыслении, сумеем уделить особое внимание слабым звеньям цепи. То есть мы будем внимательнее отслеживать когнитивные искажения и избегать их [417], разрабатывать алгоритмы, способные эффективно справляться со смещением выборки [418], или передавать обязанности по очистке и анализу данных другим людям. Главное – чтобы они не были знакомы с гипотезой, на которой строится конкретное исследование, чтобы избежать случайной предвзятости подтверждения [419].

Психология позволила глубже осмыслить извечные философские вопросы (такие как зависимости между моральными и каузальными суждениями), а также сформулировала предположение, что стоит обращать гораздо больше внимания на внешнюю валидность и на то, как именно мы оцениваем методы причинного осмысления и объяснения.

Во многих случаях необходимо собирать больше данных (притом из разных источников), чем планировалось изначально. Один из ключевых выводов психологической науки звучит так: люди могут в действительности расходиться во мнениях как насчет того, что именно стало причиной события, так и насчет относительной значимости различных причин единичного события. Эти разногласия могут корениться в культурных различиях, которые необходимо учитывать, разрабатывая методы поиска каузальных объяснений. В философии, где тестовые случаи оцениваются аналитически, чтобы доказать некую теорию, это означает, что интуитивные прозрения конкретного человека необязательно формируют общие понятия путем синтеза.

То, что, по мнению канадского профессора, заставило студента мошенничать на экзамене, необязательно совпадет с предположением фермера из индийской деревни. Даже в простейших исследованиях каузального восприятия, например в экспериментах Мишотта, не все участники воспринимают сюжеты одинаково.

Конкретная причинность намного более сложна, и потенциально могут быть правильными разные ответы, которые все же более-менее релевантны в различных случаях. Дорожные происшествия могут быть вызваны недосмотром автопроизводителя, невнимательным вождением и плохими погодными условиями – и все это в одно и то же время. Однако то, что будет важным в судебном разбирательстве, приобретет иную значимость в других целях. Подобные различия в объяснении также влияют на решения, принимаемые судьями, и в конечном счете на выбор присяжных. Труды в области экспериментальной философии ставят задачей определить вариативность подобных суждений и выяснить, какие факторы обусловливают разницу мнений и методов оценок различных случаев. Хотя мы до сих пор не располагаем идеальной теорией, объясняющей, как именно люди определяют виновность или идентифицируют токен-случаи, применение экспериментальных методов из области когнитивной психологии для решения философских проблем помогает выходить за рамки интуитивных прозрений отдельных лиц, оценивая сработавшие методы.

Для валидации методов необходима фундаментальная истина (то есть знание реальной причины события), чтобы иметь возможность сравнить ее с результатами, которые дало применение этого метода. Но, если объяснения субъективны, а истина изменяется в зависимости от того, кому задают вопросы, необходима переоценка наших схем валидации. К примеру, при опросе краудворкеров [420]платформы Amazon Mechanical Turks или пользователей конкретной соцсети необходимо учесть культурные смещения в полученных результатах и реплицировать эксперимент в различных контекстах, чтобы обеспечить разнообразие демографических характеристик участников.