Почему - Саманта Клейнберг (2017)

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.

Критический подход к смещению

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.