Causalidade e Abdução

440 visualizações

Publicada em

Discussão sobre a importância da análise de causalidade e sobre os diferentes raciocínios utilizados na pesquisa científica, com foco no raciocínio abdutivo.

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
440
No SlideShare
0
A partir de incorporações
0
Número de incorporações
4
Ações
Compartilhamentos
0
Downloads
8
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Causalidade e Abdução

  1. 1. Metodologia  da  Pesquisa  Cien1fica   Aula  06:  Causalidade  e  Abdução   Professor:  Alexandre  Duarte   Web:  h5p://alexandre.ci.ufpb.br/ensino/mpc  
  2. 2. CAUSALIDADE   “The  paradigma,c  asser,on  in  causal  rela,onships   is   that   manipula,on   of   a   cause   will   result   in   the   manipula,on  of  an  effect...     Causa>on  implies  that  by  varying  one  factor,  I  can   make  another  vary.”   -­‐  Cook  &  Campbell  (1979).  
  3. 3. Por  que  nos  preocupamos  com   causalidade?   •  Explicação   –  Uma  associação  nos  permite  prever  mas  não  explicar  um   fenômeno   –  A  iden>ficação  dos  mecanismos  de  causalidade  nos   permite  produzir  explicações  mais  sa>sfatórias     •  Controle   –  Entender  a  causalidade  nos  permite  prever  os  efeitos  de   determinadas  ações  sem  que  elas  precisem  ser  executadas   –  Isso  possibilita  uma  exploração  mais  eficiente  do  espaço   amostral  
  4. 4. Development  of  Western  science  is  based  on  two   great   achievements:   the   inven>on   of   the   formal   logical   system   (in   Euclidean   geometry)   by   the   Greek   philosophers,   and   the   discovery   of   the   possibility   to   find   out   causal   rela>onships   by   systema>c  experiment  (during  the  Renaissance).       Albert  Einstein  (1953)      
  5. 5. Não  seria  trivial  iden>ficar  causalidade   em  sistema  projetos  por  nós  ?   •  Tarefa/Ambiente:  Nós  não  projetamos  vários  dos   aspectos  responsáveis  pelo  comportamento   •  Complexidade:  Nós  nem  sempre  entendemos  as   causas  para  determinados  comportamentos   •  Spandrels:  Limitações  do  projeto  muitas  vezes  criam   funcionalidades  acidentais,  muitas  das  quais  podem   parecer  ser  (ou  efe>vamente  ser)  causais.     “As  computer  scien>sts,  we  design  our  systems,  and  we  leave  out   extraneous  components.  Isn’t  everything  causal?”  
  6. 6. Spandrels  e  sistemas  projetados  
  7. 7. Spandrels  e  sistemas  projetados  
  8. 8. Spandrels  em  Ciência  da  Computação   •  Várias  das  caracterís>cas  de  um  sistema  são..   –  Inteiramente  acidentais  (“Tínhamos  que  escolher  uma  ou   outra”)   –  Resultado  de  limitações  de  projeto  (“O  compilador  do   Z354  não  conseguia  lidar  com  os  dados  então  >vemos  que   fazer  ...”)   –  Selecionadas  de  acordo  com  a  crença  contemporânea   (“Foi  então  que  concluímos  que  roteamento  dinâmica  não   era,  de  fato,  pra>cável”)   •  ...  e  muitas  outras  decisões  de  projeto  são   influenciadas  por  tais  caracterís>cas  ...   •  ...  fazendo  com  que  elas  acabem  parecendo  ser   essenciais  ao  longo  do  tempo.  
  9. 9. Condições  para  inferência  causal   •  Correlação     •  Direção   •  Eliminação  de   potencias   causas  comuns  
  10. 10. Condições  para  inferência  causal   •  Correlação     •  Direção   •  Eliminação  de   potencias   causas  comuns   A   B   A   B   C  
  11. 11. Por  que  correlação  pode  ser  cruel?  
  12. 12. Por  que  correlação  pode  ser  cruel?  
  13. 13. Por  que  correlação  pode  ser  cruel?  
  14. 14. Por  que  correlação  pode  ser  cruel?   •  Variação  da  causa  potencial  (Quantas   alterna>vas  foram  examinadas?)   •  Força  do  efeito  (O  que  um  “quase”  significa?)   •  Tamanho  da  amostra  (Dois  algoritmos  ou   vinte?)   •  Independência  (Todos  os  algoritmos  são   derivados  de  uma  fonte  em  comum?)  
  15. 15. Por  que  correlação  não  é  suficiente?   •  Correlação  com  a  causa   esperada  (“Fumar  causa   câncer”)   •  Correlação  com  o  inverso   da  causa  esperada   (“Câncer  leva  as  pessoas  a   fumarem”)   •  Correlação  com  uma  causa   oculta  (“Um  gene  leva  as   pessoas  a  fumarem  e  a   terem  câncer”)   A   B   A   B   A   B   C  
  16. 16. Eliminando  causas  comuns   •  Controle:    mantenha  potencias  causas  comuns   constantes  de  forma  que  elas  não  possam  afetar  o   resultado  (Bacon,  1620)   •  Randomização:  Varia  de  forma  aleatória  os  níveis  de   potenciais  causas  comuns  de  forma  que  elas  não   possam  afetar  sistema>camente  o  resultado  (Fisher,   1925)   •  Modelagem:    Meça,  modele  e  remova   matema>camente  o  os  efeitos  de  potenciais  causas   comuns  (Rubin  1974;  Spirtes,  Glymour  &  Scheines   1993;  Pearl  2000)  
  17. 17. Eliminando  causas  comuns:  Controle   •  Selecione  explicitamente  os  níveis  (valores)  para  todas  as   outras  potenciais  causas  de  forma  que  apenas  as  causas   inves>gadas  possam  exercer  efeito  no  resultado   •  Exemplo   –  Todos  os  par>cipantes  do  nosso  estudo  eram  alunos  do  1º   semestre   –  No  começo  de  cada  execução  a  base  de  conhecimento  estava   vazia   –  Cada  protocolo  foi  executado  em  cada  uma  das  K  redes  geradas   aleatoriamente   •  O  que  pode  dar  errado?   –  Causas  desconhecidas   –  Falha  no  controle   –  Confounding  
  18. 18. Eliminando  causas  comuns:   Randomização   •  Tenta>va  de  garan>r  que  o  efeito  de  outras  potenciais   causas  é  desprezível   –  Atribui  valores  a  variáveis  independentes  sem  qualquer   razão   –  Permite  eliminar  causas  desconhecidas   •  Exemplos:   –  Distribuímos  aleatoriamente  os  dados  entre  o  grupo  de   treino  e  de  teste   –  As  requisições  foram  tratadas  tanto  pelo  protocolo  an>go   quanto  pelo  novo  de  acordo  com  um  gerador  de  números   pseudoaleatórios   •  O  que  pode  dar  errado?   –  Distribuição  não-­‐aleatória   –  Confounding  
  19. 19. Eliminando  causas  comuns:   Modelagem   •  Ajustar  explicitamente  o  valor  do  efeito  para   descartar  os  efeitos  de  outras  potenciais  causas   •  Exemplo   –  Nós  incluímos  todas  as  potenciais  causas  conhecidas   além  de  x  em  nosso  modelo  de  regressão  linear  e  os   efeitos  de  x  con>nuam  a  ser  esta>s>camente   significa>vos   •  O  que  pode  dar  errado?   –  Fatores  causais  desconhecidos   –  Erros  no  modelo   –  Bias  na  escolha  dos  parâmetros  do  modelo  
  20. 20. ABDUÇÃO   “...a  method  of  reasoning  in  which  one  chooses   the  hypothesis  that  would,  if  true,  best  explain  the  relevant   evidence.  Abduc>ve  reasoning  starts  from  a  set  of  accepted   facts  and  infers  their  most  likely,  or  best,  explana>ons.”    
  21. 21. Formas  de  raciocínio  cienxfico   •  Dedu>vo   – Dedução  lógica   •  Indu>vo   – Inferência  indu>va   •  Abdu>vo     – Inferência  abdu>va  
  22. 22. Raciocínio  Dedu>vo   •  Uma  dedução  é  uma  espécie  de  argumento  no   qual  a  forma  lógica  válida  garante  a  verdade   da  conclusão  dada  a  veracidade  das  premissas   – Premissa  1:  Todos  os  homens  são  mortais.   – Premissa  2:  Sócrates  é  um  homem.   – Conclusão:  Sócrates  é  mortal.  
  23. 23. Raciocínio  Indu>vo   •  Infere  uma  conclusão  a  par>r  de  múl>plas   observações  de  fatos     •  Observações   –  O  ferro  conduz  eletricidade   –  O  ferro  é  metal   –  O  ouro  conduz  eletricidade   –  O  ouro  é  metal   –  O  cobre  conduz  eletricidade   –  O  cobre  é  metal   •  Inferência  indu>va   –  Os  metais  conduzem  eletricidade.    
  24. 24. Raciocínio  Abdu>vo   •  A  abdução  é  a  inferência  a  favor  da  melhor   explicação.   – A  hipótese  de  A  ser  verdadeira  explica  B.   – Nenhuma  outra  hipótese  pode  explicar  B  tão  bem   quanto  A.   – Logo  A  é  provavelmente  verdadeira  
  25. 25. Raciocínio  abdu>vo  na  ciência   •  A  abdução  seleciona,  entre  as  hipóteses   consideradas,  aquela  que  melhor  explica  as   evidências   •  O  raciocínio  abdu>vo  é  fortemente  relacionado   ao  método  estaxs>co  da  máxima   verossimilhança     •  Existe  várias  ameaças  óbvias  à  sua  validade   –  Número  insuficiente  de  hipóteses   –  Quan>dade  insuficiente  de  evidências   •  Ambos  são  aspectos  chave  na  prá>ca  cienxfica  
  26. 26. Teorias  que  julgamos  serem  verdadeiras   Teorias  que  são   efe>vamente  verdadeiras   Teorias  que  achamos  que  foram  testadas  corretamente   Teorias  que  já  foram  cogitadas  
  27. 27. Desafios  da  abdução   •  Definir  um  conjunto  de  hipóteses  com  grande   probabilidade  de  conter  a  hipótese  “verdadeira”   –  Abordagem:  criar  o  maior  conjunto  possível   •  Descobrir  que  há  hipóteses  válidos  fora  do  seu   conjunto  de  hipóteses   –  Abordagem:  Avaliar  constantemente  seu  conjunto  de   hipóteses  o  expandido  sempre  que  os  dados  se   tornem  inexplicáveis  dada  qualquer  uma  das   hipóteses  consideradas  até  o  momento   •  Criar  um  bom  conjunto  e  evidências  para  explicar     –  Abordagem:    Busque  fontes  diversas  e  independente   de  evidências  com  as  quais  você  possa  avaliar  suas   hipóteses  

×