
-
Nella vita quotidiana la logica dell'essere umano si limita all'abduzione, cioè non facciamo altro che spiegare i fatti che ci accadono inventando delle regole ipotetiche che ci portano a una conclusione. Spesso, però, non abbiamo il tempo o la motivazione per verificare che regola e conclusione siano corrette.
_
_
I filosofi hanno pensato sistematicamente ai concetti di causa ed effetto sin dagli albori della filosofia come disciplina. Avvalendosi di metodi matematici e di semantica formale nel secolo scorso, l'epistemologia ha presto avuto i mezzi per modellare i problemi prevalenti in forma simbolica, esprimere i suoi risultati con rigore scientifico e separare i problemi all'interno delle teorie formali da questioni su intuizioni e premesse di base. David Lewis fu tra i primi a utilizzare strumenti simbolici e ad affrontare la causalità in un quadro di semantica formale. Dopo, Bertrand Russell aveva notoriamente e bruscamente voltato le spalle a qualsiasi ulteriore ricerca per stabilire criteri per l'analisi causale nel suo trattato "On the notion of cause" (1913), David Lewis riflettè sulle parole di un filosofo precedente: Nel 1740 David Hume aveva elencato la causalità tra uno dei principi che sono "per noi il cemento dell'universo" e quindi "di vaste conseguenze [...] nella scienza della natura umana". Sebbene Hume venisse successivamente aspramente criticato da Immanuel Kant per questa descrizione empirista, che a sua volta affermava che i principi causali sono di natura sinteticamente 'a priori', David Lewis rimandò a una specifica spiegazione controfattuale della semantica delle affermazioni causali negli scritti di Hume, inoltre basò i suoi pensieri sulla sopravvenienza di Hume e spiegò un metodo dettagliato per l'analisi causale nel quadro dellla sua semantica dei mondi possibili. Approcciando il campo da una prospettiva informatica negli anni '80, Judea Pearl introduce le reti di propagazione delle credenze come base per i motori di inferenza bayesiana in un contesto di ingegneria dell'intelligenza artificiale. Il suo resoconto interventista della causalità, presentato in modo più elaborato nel suo libro "Causality" (2000/2009), attinge alle trasformazioni strutturali dei modelli causali formali per l'identificazione delle relazioni causa-effetto.
Possiamo influenzare il mondo con le nostre azioni (simbolo della mano nell'immagine) e vogliamo farlo in modi che producono ricompense (trovare cibo, ridurre al minimo il dolore, ecc.). Tuttavia, abbiamo bisogno di sapere qualcosa sul mondo per scegliere azioni che potrebbero portare ricompense. Alcune di queste conoscenze sono "model free" (senza modelli), nel senso che il rafforzamento delle azioni che sono state gratificanti in passato sono spesso un buon inizio. In effetti, gran parte della letteratura sull'apprendimento umano e animale si concentra sul modello delle forme libere di apprendimento che catturano molti comportamenti come risposte dirette a stimoli (ad es.Mackintosh, 1983; Skinner, 1990; Sutton e Barto, 1998). Sfortunatamente, si può arrivare lontano anche senza un modello (Daw, Gershman, Seymour, Dayan e Dolan, 2011). Quando le ricompense mancano o si riducono, o cercano attivamente di superarti, comportamenti rinforzati diventano inutili o disadattivi. Inoltre, è difficile sapere cosa sarà prezioso in futuro, quindi l'apprendimento dipendente dalla ricompensa può facilmente fallire nel preparare per il futuro. Intuitivamente, quindi, un modello causale fornisce flessibilità, consentendo all'utilizzatore di navigare il mondo con successo ovunque egli voglia andare. Questa flessibilità dipende dall'apprendere una rappresentazione che rispecchi il modo in cui funziona effettivamente il mondo (Hohwy, 2013); un modello che - mettendo da parte le affermazioni metafisiche sulla causalità - catturi le vere relazioni causali. Tuttavia, il modello deve anche essere sintetico sia perché deve entrare in un cervello molto più piccolo del mondo che imita, e sia perché deve supportare l'inferenza sullo stato attuale del mondo.


Agli psicologi è noto da tempo che la mente umana contiene circuiti specializzati per le diverse modalità di percezione, come vedere e ascoltare. Ma fino a poco tempo fa, si pensava che la percezione e il linguaggio fossero le uniche attività causate da processi cognitivi specializzati (Fodor, 1983 ved. bibliografia).
Si pensava che altre funzioni cognitive, quali: apprendimento, ragionamento, il processo decisionale, venissero realizzate da circuiti di "carattere generale". I principali candidati erano gli algoritmi "razionali": quelli che implementano metodi formali per il ragionamento induttivo e deduttivo, come la regola di Bayes o il calcolo proposizionale (una logica formale). Questa impostazione è stata modificata dalla prospettiva evoluzionistica (ved. bibliografia 1992 Tooby & Cosmides).
La visione evoluzionistica della mente umana infatti sostiene che non esiste una "Intelligenza generale" umana, ma che essa è una facoltà ipotetica dal carattere mitico che si è trascinata fino ai nostri giorni. Il modo convenzionale di pensare alla logica umana la vede invece composta da semplici circuiti di ragionamento, pochi di numero, indipendenti dal contenuto e di uso generale. Questo modo di vedere è arrivato fino a noi perchè la nostra capacità di risolvere molti diversi tipi di problemi (la nostra mitica flessibilità razionale) l'ha tenuta in vita.
L'ambiente dove la mente umana si è evoluta era molto diverso da quello odierno. I nostri antenati ominidi hanno vissuto per il 99% della vita evolutiva della nostra specie (circa 10 milioni di anni), in società di cacciatori-raccoglitori costituite da piccoli gruppi. Per 10.000 anni la selezione naturale ha modellato il cervello umano scegliendo quei circuiti che favorivano la risoluzione di problemi quotidiani (accoppiarsi, cacciare animali, raccogliere germogli, negoziare con gli amici, difendersi dagli aggressori, allevare bambini, scegliere l'habitat più adatto, ecc). Le priorità dell'Età della Pietra hanno modellato cervelli più abili a risolvere certi problemi ma meno abili a risolverne altri, ad esempio è più facile per noi vivere in gruppi poco numerosi (ved. numero di Dunbar) piuttosto che tra grandi folle, oppure è più facile temere i serpenti piuttosto che le prese elettriche.
I meccanismi biologici sono calibrati per gli ambienti in cui si sono evoluti, e incarnano informazioni sulle proprietà stabilmente ricorrenti nei nostri mondi ancestrali. Ad esempio, i meccanismi di costanza del colore umano visibile sono calibrati dall'evoluzione sulle caratteristiche dell'illuminazione terrestre "naturale". Come risultato, l'erba sembra verde sia a mezzogiorno che al tramonto, anche se le proprietà spettrali della luce che riflette sono cambiate drasticamente. Gli algoritmi razionali non lo fanno, perché sono indipendenti dai contenuti.
Le figure nei due box (Modus Ponens e Modus Tollens) mostrano due regole di inferenza del calcolo proposizionale molto note e applicate costantemente dall'essere umano, cioè due metodi che permettono di dedurre conclusioni vere da premesse vere, non importa quale sia l'oggetto delle premesse. Anche la Regola di Bayes, un'equazione per il calcolo della probabilità di una data di ipotesi, è indipendente dai contenuti. Essa può essere applicata indifferentemente a una diagnosi medica, a giochi di carte, al successo nella caccia, o qualsiasi altro argomento. Essa non contiene alcuna conoscenza specifica, in modo che non può sostenere inferenze che si applicherebbero, ad esempio, all'accoppiamento umano ma non alla caccia. Peccato che l'essere umano, intuitivamente e costantemente sbaglia nell'applicazione del Modus Tollens: questo sembra il prezzo da pagare per l'indipendenza dai contenuti.
L'inferenza è un ragionamento logico mediante il quale si esercita il processo di interpretazione e di conoscenza del mondo; esso consiste nel produrre una conclusione a partire da una serie di premesse. L'inferenza è un processo che impiega il linguaggio e viene usato sia per la conoscenza scientifica che per il ragionamento ordinario.
La logica non ha niente a che vedere con la verità: anche se ci troviamo in presenza di inferenze valide possiamo avere premesse false che producono una conclusione vera oppure possiamo avere premesse vere che producono una conclusione falsa.
Molto presto nella nostra evoluzione, noi umani ci siamo resi conto che il mondo non è fatto solo di puri fatti (quelli che oggi potremmo chiamare dati); piuttosto, questi fatti sono uniti da una intricata rete di relazioni causa-effetto. Spiegazioni causali, non puri fatti, costituiscono la maggior parte delle nostre conoscenze e dovrebbero essere la pietra angolare dell'intelligenza artificiale.
Iscriviti alla Newsletter di pensierocritico.eu per ricevere in anteprima nuovi contenuti e aggiornamenti:
- Sangeet S. Khemlani, Aron K. Barbey, Philip N. Johnson-Laird (2014), Causal reasoning with mental models [75 citazioni]
- Marlize Lombard, Peter Gärdenfors (2017), Tracking the evolution of causal cognition in humans [11 citazioni]
- Joshua B. Tenenbaum, Thomas L. Griffiths, Sourabh Niyogi (2003), Intuitive Theories as Grammars for Causal Inference (PDF) [122 citazioni]
Charles Sanders Peirce (2003), Opere,Testo fondamentale sull'epistemologia e la logica
- Salvatore Zingale Il ciclo inferenziale(2009),(PDF)Articolo esemplificativo sul ciclo inferenziale
Cultura e natura della spiegazione, (PDF) Il punto di vista di Gregory Bateson a proposito dell'abduzione
- Marcello Frixione (2007), Come ragioniamo Agile testo introduttivo alla logica formale e a quella ordinaria
- Leda Cosmides (1989), The logic of social exchange: Has natural selection shaped how humans reason?, (PDF) Articolo sulla genesi evoluzionistica del ragionamento umano
- Marco Trizio (2019), Modelli mentali
- Neil Robert Bramley (2017), Constructing the world: Active causallearning in cognition (Tesi di laurea) - Academia.edu
- Roberto Casati (2022), Le mille trappole che ci allontanano dalla logica - Sole24Ore 17 luglio 2022
- Roland Poellinger (2012), Concrete causation - About the structures of causal knowledge (PDF) [6 citazioni]
a chi vuole capire la causalità
Pagina aggiornata il 20 maggio 2023