La scoperta causale ha bisogno di standard epistemici espliciti

Abstract degli autori

Esistono molti algoritmi di scoperta causale, ma pochi principi guida per scegliere tra loro. I metodi vengono solitamente confrontati secondo tre criteri: identificabilità, consistenza e benchmark. Ciascuno comporta assunzioni sul processo generatore dei dati, spesso non verificabili. Sosteniamo che non esistano standard condivisi per confrontare, stabilire le priorità o anche solo discutere queste assunzioni. A sostegno di questa tesi mostriamo che (i) le assunzioni sull’identificabilità vengono spesso preferite per convenzione anziché in base a principi, (ii) la consistenza uniforme richiede ulteriori assunzioni non verificabili, mentre si può sostenere che la più debole consistenza puntuale abbia ristretto la progettazione degli algoritmi, e (iii) i benchmark non sono test neutrali, ma svolgono un proprio ruolo epistemico: stabiliscono tacitamente quali regimi contano, quali garanzie entrano in gioco e che cosa costituisce un successo. Così facendo, influenzano ciò che si ritiene dimostrino i confronti tra algoritmi e svolgono quindi parte dello stesso lavoro epistemico della teoria, ma in modo meno trasparente. In questo articolo di posizione sosteniamo la necessità di una pratica più trasparente e integrata: rendere espliciti gli standard epistemici per discutere le assunzioni sull’identificabilità e sulla consistenza, in particolare i loro modi di fallimento e le condizioni di applicabilità; progettare benchmark che traducano tali standard in pratica, sottoponendo a stress test ed eseguendo ablazioni su entrambe le categorie di assunzioni. In questo modo, i risultati teorici ed empirici chiariranno congiuntamente quando, perché e come gli algoritmi possono funzionare, anziché accumularsi come progressi scollegati.