1. In che modo è possibile distinguere tra correlazione e causalità nell’ambito della ricerca scientifica e quali strumenti teorici, metodologici e sperimentali sono necessari per inferire relazioni causali?
2. Quali sono i limiti e le criticità degli approcci tradizionali e contemporanei alla causalità, sia dal punto di vista filosofico che statistico, e in che misura è possibile formalizzare universalmente le relazioni causali?
3. In che modo le diverse prospettive (empirista, formalista, contestuale, pragmatica) influenzano la comprensione e l’applicazione del concetto di causalità nelle scienze empiriche e quali implicazioni hanno per la validità della conoscenza scientifica?

---

Nel cuore della ricerca scientifica si annida una questione tanto antica quanto attuale: come possiamo distinguere tra correlazione e causalità? In che modo possiamo essere certi che un fenomeno ne provochi un altro, invece di limitarsi a manifestarsi insieme per pura coincidenza o per effetto di una terza causa nascosta? E ancora: quali strumenti teorici, metodologici e sperimentali abbiamo a disposizione per inferire relazioni causali? Queste domande non sono semplici esercizi accademici, ma toccano la validità stessa della conoscenza scientifica, la sua capacità di guidare le decisioni pratiche, la formulazione di politiche pubbliche, la progettazione di interventi medici e tecnologici. Tuttavia, la storia della scienza e della filosofia mostra che la risposta a queste domande è tutt’altro che univoca: i concetti di correlazione e causalità sono stati oggetto di profonde riflessioni, critiche, revisioni e innovazioni, che hanno coinvolto filosofi, statistici, epistemologi, psicologi e scienziati empirici.

La distinzione tra correlazione e causalità: radici storiche e sviluppi filosofici

La riflessione sulla causalità affonda le sue radici nella filosofia classica, ma è con David Hume, nel XVIII secolo, che il problema assume una forma radicalmente moderna. Hume, uno dei maggiori esponenti dell’empirismo filosofico, sostiene che tutte le idee derivano dall’esperienza sensibile e che la mente umana non possiede idee innate. Nel suo “Trattato sulla natura umana” e nelle “Ricerche sull’intelletto umano”, Hume affronta il problema della causalità osservando che la connessione causale tra due eventi non è qualcosa che possiamo percepire direttamente. Quando assistiamo, ad esempio, a una palla da biliardo che colpisce un’altra, vediamo solo una sequenza di eventi: la prima palla si muove, tocca la seconda, la seconda si muove. Non percepiamo mai una “forza” o un “legame” invisibile tra i due eventi. La nostra idea di causalità nasce dall’abitudine: dopo aver osservato molte volte che, quando la prima palla colpisce la seconda, quest’ultima si muove, la mente si aspetta che questa sequenza si ripeta. La causalità, quindi, è una costruzione mentale basata sulla “costante congiunzione” di eventi e sull’aspettativa che il futuro assomigli al passato.

Hume è profondamente scettico riguardo alla possibilità di conoscere con certezza le cause delle cose: possiamo solo osservare regolarità, non necessità. Questo scetticismo mette in discussione la validità delle inferenze scientifiche e apre la strada al dibattito moderno sulla natura della conoscenza empirica. Un esempio chiarificatore è la relazione tra il fumo e il fuoco: se vediamo spesso che dove c’è fumo c’è fuoco, ci aspettiamo che il fumo sia causato dal fuoco, ma questa connessione è solo il risultato dell’abitudine, non di una conoscenza certa della causa.

Nel Novecento, Karl Popper riprende e sviluppa il tema della causalità, influenzando profondamente la filosofia della scienza. Popper critica il positivismo logico, che identificava la scientificità con la verificabilità empirica delle affermazioni. Secondo Popper, nessuna teoria scientifica può essere definitivamente verificata: possiamo solo tentare di falsificarla. Il criterio di falsificabilità diventa così la linea di demarcazione tra scienza e non-scienza: una teoria è scientifica se può essere sottoposta a test empirici che potrebbero dimostrarla falsa. Questo approccio implica che le relazioni causali non possono mai essere provate definitivamente; possiamo solo mostrare che una relazione causale ipotizzata non è compatibile con i dati osservati. La scienza, per Popper, è un processo dinamico di tentativi ed errori, non una raccolta di verità eterne.

Correlazione e causalità nella statistica e nella metodologia scientifica

Parallelamente agli sviluppi filosofici, la statistica e la metodologia della ricerca scientifica hanno affrontato il problema della distinzione tra correlazione e causalità. Ronald Fisher, uno dei padri della statistica moderna, ha introdotto strumenti fondamentali per l’analisi dei dati e la progettazione degli esperimenti, che hanno permesso di affrontare in modo rigoroso il problema della causalità nelle scienze empiriche. Fisher ha sviluppato il disegno sperimentale randomizzato, in cui i soggetti sono assegnati casualmente ai gruppi di trattamento e di controllo. Questo metodo riduce il rischio di bias e consente di isolare l’effetto causale della variabile di interesse. Fisher ha anche chiarito la distinzione tra correlazione e causalità: due variabili possono essere correlate senza che una causi l’altra (ad esempio, il consumo di gelati e gli annegamenti aumentano entrambi d’estate, ma non sono causalmente collegati). Solo l’esperimento controllato permette di stabilire un nesso causale.

Nel campo dell’epidemiologia, Austin Bradford Hill ha avuto un ruolo fondamentale nello sviluppo di criteri per valutare la plausibilità di una relazione causale. Nel 1965, Hill ha proposto una serie di criteri – forza dell’associazione, coerenza, specificità, temporalità, gradiente biologico, plausibilità, coerenza con altre conoscenze, sperimentazione e analogia – che fungono da linee guida per inferire la causalità. Nessun criterio è da solo sufficiente, ma l’insieme fornisce una base solida per valutare se una relazione osservata tra due fenomeni può essere considerata causale. Hill ha sottolineato che la causalità in epidemiologia non può essere dimostrata con certezza matematica, ma deve essere valutata con giudizio critico, considerando il contesto e la totalità delle prove.

La rivoluzione dei modelli causali formali: Judea Pearl e il calcolo causale

Negli ultimi decenni, il campo della causalità ha conosciuto una vera e propria rivoluzione grazie ai contributi di Judea Pearl. Pearl ha introdotto strumenti matematici e concettuali che permettono di distinguere formalmente tra correlazione e causalità, sviluppando i modelli grafici bayesiani e il do-calculus. I modelli di Pearl rappresentano le relazioni causali tra variabili tramite grafi orientati (reti causali), dove le frecce indicano la direzione della causalità. Il do-calculus consente di rispondere a domande del tipo “cosa succederebbe se intervenissimo su una variabile?”, permettendo di simulare interventi e prevedere gli effetti di politiche o trattamenti.

Pearl distingue tra tre livelli di ragionamento causale: associazione (osservare correlazioni), intervento (prevedere cosa succede se si cambia una variabile), controfattuale (chiedersi cosa sarebbe successo se le cose fossero andate diversamente). Solo il ragionamento causale permette di rispondere a domande controfattuali, essenziali per la scienza e la politica. Questo approccio è fondamentale nell’intelligenza artificiale e nella scienza dei dati, perché permette di simulare interventi e prevedere gli effetti di politiche o trattamenti.

Limiti e criticità degli approcci tradizionali e contemporanei alla causalità

Nonostante i progressi teorici e metodologici, la distinzione tra correlazione e causalità rimane problematica e oggetto di dibattito. Alcuni autori hanno sostenuto posizioni divergenti rispetto all’approccio prudente e critico alla causalità esposto da Hume, Popper, Fisher, Hill e Pearl. Nel positivismo logico, ad esempio, si è spesso ritenuto che la causalità potesse essere ridotta a regolarità empiriche osservabili, come sostenuto da Bertrand Russell. Russell, nel saggio “On the Notion of Cause” (1913), sostiene che la causalità è un concetto obsoleto nella scienza moderna, sostituito dalle leggi scientifiche che descrivono regolarità empiriche. Secondo Russell, la scienza non ha bisogno di postulare un legame causale metafisico tra gli eventi: è sufficiente descrivere le regolarità osservate. La causalità, per Russell, è un concetto confuso e superfluo, che può essere eliminato a favore di una descrizione puramente logica e matematica dei fenomeni.

Nel contesto della statistica, alcuni approcci frequentisti tradizionali hanno privilegiato l’analisi delle correlazioni e delle associazioni statistiche, minimizzando la necessità di un quadro causale esplicito. Tuttavia, questa posizione si scontra con la necessità, avvertita in molte scienze applicate, di comprendere i meccanismi sottostanti e di prevedere gli effetti degli interventi.

Nancy Cartwright ha sviluppato una posizione critica sia nei confronti dell’approccio statistico sia di quello dei modelli causali formali. Secondo Cartwright, la causalità nelle scienze reali è spesso locale e contestuale: le leggi causali non sono universali, ma valgono solo in condizioni specifiche. Nelle scienze applicate, come la medicina o l’economia, i meccanismi causali sono complessi e dipendono dal contesto. Le leggi causali, quindi, sono “patchwork”, cioè valide solo in certi contesti e non generalizzabili ovunque. Cartwright invita a prestare attenzione alla pluralità dei meccanismi causali e alla complessità dei sistemi reali, evitando semplificazioni eccessive.

In psicologia cognitiva, Daniel Kahneman e Amos Tversky hanno mostrato come il pensiero umano sia incline a inferenze causali errate sulla base di correlazioni, mettendo in dubbio la possibilità che la mente umana possa distinguere efficacemente tra correlazione e causalità senza strumenti formali o sperimentali. Hanno identificato numerosi bias cognitivi, come l’euristica della rappresentatività, l’euristica della disponibilità e l’illusione di causalità, che portano le persone a vedere nessi causali anche dove non esistono. Questi errori sono alla base di molte credenze errate e decisioni irrazionali, con profonde implicazioni per l’economia, la politica e la medicina.

Formalizzazione e universalità delle relazioni causali: possibilità e limiti

Il dibattito contemporaneo sulla causalità si muove tra due poli: da un lato, la spinta a formalizzare le relazioni causali attraverso modelli matematici sempre più sofisticati; dall’altro, la consapevolezza dei limiti intrinseci di ogni formalizzazione. I modelli causali formali, come quelli proposti da Pearl, consentono di superare molti limiti tradizionali e di inferire relazioni causali dai dati osservazionali, purché si disponga di adeguate informazioni sulle variabili confondenti e sulla struttura del modello. Tuttavia, permane una pluralità di approcci: alcuni ricercatori privilegiano l’esperimento controllato come unico standard per la causalità, altri enfatizzano l’importanza della modellizzazione teorica e della conoscenza dei meccanismi sottostanti, altri ancora adottano prospettive pragmatiche e contestuali.

Nancy Cartwright sottolinea che le leggi causali sono spesso valide solo in condizioni molto specifiche e che la scienza tende a trascurare la complessità dei meccanismi causali reali. Il suo approccio post-positivista promuove una visione più realistica e articolata della scienza, attenta alla pluralità dei meccanismi e ai limiti delle generalizzazioni causali.

Le prospettive empirista, formalista, contestuale e pragmatica sulla causalità

Le diverse prospettive filosofiche e metodologiche sulla causalità influenzano profondamente la comprensione e l’applicazione di questo concetto nelle scienze empiriche. L’empirismo, rappresentato da Hume, mette l’accento sull’osservazione delle regolarità e sulla costruzione mentale della causalità, ma si scontra con i limiti della conoscenza certa delle cause. Il formalismo, incarnato da Pearl e dai modelli matematici contemporanei, cerca di superare questi limiti attraverso la formalizzazione delle relazioni causali e l’uso di strumenti computazionali avanzati. La prospettiva contestuale, sostenuta da Cartwright, invita a riconoscere la località e la specificità delle leggi causali, sottolineando la complessità dei sistemi reali. L’approccio pragmatico, infine, valorizza la pluralità degli strumenti e delle strategie disponibili, adattandoli alle esigenze specifiche delle diverse discipline e dei diversi problemi.

Queste prospettive hanno profonde implicazioni per la validità della conoscenza scientifica. Se la causalità è una costruzione mentale basata sull’abitudine, come sostiene Hume, allora la scienza non può mai raggiungere una conoscenza certa delle cause. Se, invece, la causalità può essere formalizzata matematicamente, come propone Pearl, allora la scienza può aspirare a una maggiore precisione e affidabilità nelle sue inferenze. Tuttavia, la complessità dei sistemi reali e i limiti della razionalità umana, messi in luce da Cartwright, Kahneman e Tversky, impongono cautela e umiltà nella valutazione delle relazioni causali.

Il contesto storico e disciplinare del dibattito sulla causalità

Il dibattito sulla causalità riflette i cambiamenti nelle scienze empiriche e nella filosofia della scienza tra XIX e XXI secolo: il positivismo ottocentesco, la crisi dei fondamenti della fisica e della statistica nel Novecento, la nascita dell’epistemologia post-positivista e lo sviluppo dell’informatica e dell’intelligenza artificiale negli ultimi decenni. Le discussioni sulla causalità si sono intrecciate con i dibattiti sul determinismo, sulla natura delle leggi scientifiche e sui limiti della conoscenza umana.

Attualmente, il dibattito sulla causalità si è arricchito di contributi provenienti dalla filosofia, dalla statistica bayesiana, dalla scienza dei dati e dall’intelligenza artificiale. Esistono ancora posizioni scettiche sull’inferenza causale dai dati osservazionali, mentre altri autori, come Pearl e collaboratori, sostengono che i modelli causali formali consentano di superare molti limiti tradizionali. Tuttavia, permane una pluralità di approcci: alcuni ricercatori privilegiano l’esperimento controllato come unico standard per la causalità, altri enfatizzano l’importanza della modellizzazione teorica e della conoscenza dei meccanismi sottostanti, altri ancora adottano prospettive pragmatiche e contestuali.

Causalità e conoscenza scientifica: implicazioni e sfide contemporanee

La questione della causalità rispetto alla correlazione è stata affrontata da filosofi come Hume e Popper, da statistici come Fisher e Hill, e da ricercatori contemporanei come Pearl. Oggi si riconosce che la causalità non può essere dedotta solo dall’osservazione di eventi concomitanti o consecutivi, ma richiede una combinazione di criteri teorici, sperimentali e formali. La ricerca contemporanea si concentra sull’identificazione di condizioni sufficienti per inferire la causalità, sull’analisi delle variabili confondenti e sull’applicazione di modelli causali nei big data e nell’intelligenza artificiale.

Le teorie sviluppate in contesti storici e disciplinari diversi hanno contribuito a chiarire, problematizzare e formalizzare il concetto di causalità, mostrando la sua complessità e la necessità di strumenti concettuali e metodologici sempre più raffinati per affrontarlo nella scienza e nella vita quotidiana. Il dibattito su correlazione e causalità ha visto posizioni che vanno dal riduzionismo empirista al formalismo matematico, dal localismo contestuale al pragmatismo sperimentale. La discussione rimane aperta, con una crescente consapevolezza della complessità del concetto di causalità e della necessità di integrare approcci diversi per affrontare le sfide poste dalla ricerca scientifica contemporanea.

Questioni aperte e prospettive future

Nonostante i notevoli progressi compiuti nella comprensione e nella formalizzazione della causalità, molte questioni rimangono aperte e meritano ulteriori riflessioni. È possibile sviluppare una teoria della causalità che sia valida universalmente, o dobbiamo rassegnarci a una pluralità di approcci locali e contestuali? In che misura i modelli causali formali possono davvero catturare la complessità dei sistemi reali, soprattutto in presenza di variabili latenti e meccanismi non osservabili? Qual è il ruolo dell’intuizione umana e dei bias cognitivi nell’inferenza causale, e come possiamo migliorare la formazione scientifica per ridurre gli errori sistematici? Fino a che punto l’intelligenza artificiale e i big data possono sostituire o integrare il giudizio umano nella scoperta delle relazioni causali? Infine, quali sono le implicazioni etiche e sociali delle decisioni basate su inferenze causali in ambiti come la medicina, l’economia, la politica e la giustizia?

Queste domande mostrano che il problema della causalità non è solo una questione tecnica o filosofica, ma investe la natura stessa della conoscenza scientifica, la sua affidabilità, la sua portata e i suoi limiti. La sfida per il futuro sarà quella di integrare le diverse prospettive, sviluppando strumenti sempre più sofisticati e consapevoli della complessità dei fenomeni, senza perdere di vista la necessità di un giudizio critico e contestuale. Solo così la scienza potrà continuare a progredire, affrontando con rigore e umiltà le grandi questioni che la realtà ci pone.