Книга: Почему

Поиск причин единичного события

Поиск причин единичного события

Если я знаю, что краны текут из-за изношенных прокладок, объясняет ли это, почему в прошлый вторник сломался кран в квартире Энн? Можем ли мы сказать, что пассажиры опаздывают на рейсы по вине служб безопасности аэропортов, если Берни не успел на свой самолет, выстояв слишком длинную очередь на проверку?

В первом примере мы имеем дело с общей, типовой зависимостью и используем ее, чтобы объяснить специфический случай. Именно так работает большинство подходов, но альтернативный взгляд на вещи предлагает, чтобы вместо этого мы свели воедино ряд индивидуальных ситуаций и на их основе сделали заключения относительно общих свойств[317]. Сосредоточимся на использовании типовых причин для объяснения конкретных ситуаций и обсудим некоторые из проблем такого подхода, прежде чем ослабить связь между типом и токеном и, наконец, полностью их разделить.

Скажем, мы хотим знать, что стало причиной конкретной автокатастрофы. Нельзя выявить закономерность на основе единичного наблюдения, но можно использовать первичное знание о том, что вызывает дорожные происшествия, а с его помощью объяснить то, которое нас интересует. Используя INUS-условия Маки (см. главу 5), к примеру, мы получаем наборы факторов, и, если имеют место компоненты хотя бы одного набора, следствие определенно произойдет.

Но каждый такой набор не необходимое условие, поскольку может существовать множество групп факторов, достаточных, чтобы вызвать следствие.

Для предположения, что обледеневшая дорога стала конкретной (токен) причиной ДТП, нужно знать и другие факторы, необходимые для провокации аварии, поскольку (в этом примере) одного только льда недостаточно. Но что случится, если в наличии гололед, плохая видимость, водитель автомобиля нетрезв и на дороге плотное движение? Согласно рис. 5.2, этих факторов также достаточно для катастрофы. Воспользовавшись анализом Маки, мы просто не сможем найти виноватых в таком сверхдетерминированном событии со множеством достаточных причин.

Другой способ осмысления единичных случаев – представление альтернативных вариантов. Если бы дорога не обледенела, произошла бы авария? Если бы водитель не выпил перед тем, как сесть за руль, развивались бы события иначе? Здесь причина – это некий фактор, присутствие которого изменило ход событий: если бы его не было, итог мог оказаться другим.

Это в точности пример контрфактуального рассуждения, которое мы рассматривали в главе 5: если бы не было причины, следствие также не произошло бы (а если бы существовала причина, существовало бы и следствие). Контрфактуальные подходы применяются в основном для объяснения; запомним эту идею о различиях в том, как происходят события.

Контрфактуальные утверждения встречаются повсеместно. Если бы я не принял лекарство, то не выздоровел бы; если бы лег в постель пораньше, не заработал бы головную боль; если бы не спешил, переходя дорогу, то не споткнулся бы и не упал. Существует немало сходства между контрфактуальным рассуждением и нашим объяснением, почему происходят те или иные вещи (в психологии это называется каузальной атрибуцией)[318], но контрфактуальные высказывания не вполне объясняют процесс рассуждений. Бывает, когда контрфактуальный подход говорит, что каузальности не существует (хотя люди с этим не соглашаются). Случается, есть контрфактуальная зависимость, и люди считают, что зависимость имеет причинный характер.

Одно исследование проверяло связь между этими типами рассуждений. Участники читали рассказ, где герою дают медленно действующий яд, а он после этого перебегает через дорогу и становится жертвой автокатастрофы прежде, чем действует яд[319]. Согласно сюжету, он вел преступную жизнь, из-за чего его и пытались убить. Затем участники должны были определить, что стало причиной смерти человека.

Здесь каждая из двух причин могла привести к гибели (яд и автоавария), поэтому контрфактуальной зависимости нет. И все же участники исследования не посчитали эти причины симметричными. Они рассматривали автокатастрофу как релевантный случай каузальности и давали разные ответы, когда их просили вынести контрфактуальные или причинные суждения. Экспериментируемые считали, что эти процессы осмысления не одно и то же. Они не рассматривали криминальную историю жертвы как повод к его гибели, но все же сочли этот фактор самым важным с контрфактуальной точки зрения. Вероятно, участники полагали, что, если бы можно было вернуться в прошлое и устранить этот фактор, исход изменился бы самым кардинальным образом[320].

Но люди могут и расходиться во мнениях. Заметьте: я упомянула о самых популярных ответах, но не сказала, что они были одинаковыми. Действительно, это наиболее общие причинные или контрфактуальные суждения, однако некоторые участники пришли к иным результатам. Далее в этой главе мы увидим, как делают выводы присяжные в суде – то есть как люди, оценивая один и тот же набор фактов, расходятся во мнениях о причине. Наша задача – разобраться, как мы мыслим, понять причину расхождений между философскими теориями и обыденными суждениями. Как мы видели в главе 2 и главе 3, все мы пристрастны в поиске и оценке доказательства, причем это проявляется по-разному.

Иногда вполне приемлемо, что на исход ситуации влияют многие факторы, но порой необходимо учитывать относительную ответственность. Вспомним пример с расстрельной командой. Возможно, причиной смерти стали все стрелявшие, и нет нужды знать, кто именно «по-настоящему» ответственен за исход. С другой стороны, в юридических случаях соглашение достигается, исходя из относительного вклада каждого фактора в следствие. Скажем, человек страдает потерей слуха из-за постоянного громкого шума на рабочей площадке и черепно-мозговой травмы. Компенсация, присужденная ему, будет отличаться от той, которую получат люди, потеря слуха у которых полностью вызвана шумом на рабочем месте, и будет поделена между сторонами, ответственными за каждую из причин. Есть и практическая проблема: мы не имеем никакой возможности вычислить, что, скажем, 40 % потери слуха вызвано шумом, а 60 % – травмой.

Если невозможно наверняка утверждать, что причиной послужил конкретный фактор, предлагается решить распределение так: назначить компенсацию пропорционально доле каждого фактора в масштабах всего населения или доле страховых случаев после воздействия условия относительно частоты страховых случаев для всех потенциальных факторов риска[321]. Здесь по-прежнему есть допущение, что общее число транслируется напрямую на единичный случай: невозможно определить, что для конкретного человека эти доли распределялись по-другому. Как мы вскоре увидим, можно добиться определенного прогресса путем подсчета вероятностей для единичных случаев, однако требуется гораздо больше знать об этих ситуациях.

Если мы будем объяснять более конкретно, это также может разрешить проблему кажущегося избыточного детерминизма. В рассмотренных ситуациях мы трактовали все примеры – скажем, смерти – как события одного типа. Мы не проводили различия между гибелью в ДТП в 2 часа дня и кончиной от отравления в 10 часов вечера. При условии, однако, что летальный исход все равно наступит, если подождать достаточно долго, мы уже принимаем во внимание, что он случится так или иначе, просто нечто может стать причиной раннего или позднего наступления.

Одна из поправок к контрфактуальному методу – исходить не просто из того, мог ли случиться тот или иной итог, а рассудить, мог ли он быть иным. Жертва в этом примере умерла бы иначе и в другое время, если бы не побежала через дорогу, а яд подействовал[322]. Вот таким образом мы можем искать причины ситуаций, которые в противном случае казались бы сверхдетерминированными.

Если бы мы захотели узнать, почему в последнем примере герой умер, мы могли бы поинтересоваться, почему погиб именно он, а не какой-нибудь другой преступник, почему авария была с летальным исходом или почему это произошло именно в тот день, а не в другой.

То есть, даже если нам удается решить проблему сверхдетерминированности, нужно учитывать, что два человека, использующие одинаковый подход, могут прийти к разным определениям причинности. Точно так же, как выбор того, что измерять и как это описывать (например, вес или индекс массы тела), может изменить логические умозаключения на уровне типа и трансформировать объяснения на уровне конкретики.

Помимо выбора переменных есть дополнительная трудность: необходимо определить, что присутствует, а чего нет.

Вы могли бы заявить, что езда в автомобиле пьяным или трезвым – это факт либо истинный, либо ложный и, как и в отношении причинных зависимостей, есть данные, позволяющие судить об истинности этого факта. Но существуют разные степени опьянения. Это как один посещает концерт громкой музыки раз в год, а другой играет в рок-группе или ходит на подобные концерты раз в неделю: они подвержены разным рискам потери слуха. Между влиянием этого фактора на объяснение и причинное осмысление разница в том, что в последнем случае на основе данных мы определяем набор переменных (например, переводим вес и рост в индекс массы тела) и выводим зависимости между ними.

В случае с токенами мы прилагаем соответствующий сценарий к имеющемуся типовому знанию. Пусть предыдущее исследование выявило, что люди, которые много упражняются, имеют низкую частоту сердечных сокращений[323]: теперь мы хотим знать, объясняют ли занятия спортом низкую ЧСС у Трейси. Если повезет, в первичном изучении будет указано, как долго человек должен упражняться (например, 6 раз в неделю по 30 минут), чтобы частота сердечных сокращений понизилась. Но это все равно будет субъективным мнением. Окажется ли такая зависимость истинной, если упражняться более трех месяцев? Можно ли сказать, что любые виды занятий дают идентичный эффект или йогу и плавание нужно оценивать по-разному? Имеет ли значение, что Трейси упражняется только в теплую погоду, а не всю зиму напролет?

Я упоминаю о сопоставлении наблюдений на уровнях токена и типа, поскольку не всегда очевидна субъективность в определении произошедшего[324].

Люди могут задавать разные вопросы о некоем событии и считать какие-то факторы более ярко выраженными (вероятно, исходя из того, что они способны контролировать), но это не изменяет фактического вклада каждого компонента в общую ситуацию. Например, на получение Нобелевской премии влияют многие вещи: усердный труд, везение, изучение наук с раннего детства, а может, и потребление шоколада, как говорилось в той статье, с которой мы знакомились ранее. Если некто сосредоточивается на том, чтобы изучить связь между Нобелевской премией и шоколадом, это изменяет лишь задаваемые вопросы, но не реальный факт, а именно: правда ли шоколад повлиял на исход дела сильнее, чем везение. Но, когда мы пытаемся автоматизировать объяснение, приходится отказываться от субъективных суждений и определять, какие свойства более важны. Чтобы истолковать последствия повторяющегося воздействия громкого шума, нужно знать историю жизни человека, поэтому нам понадобятся сведения о количестве посещенных концертов за неделю, а также подвергается ли он воздействию шума на работе или живет рядом со стройкой.

Мы исходим из следующего допущения: если причиной ДТП явилось нетрезвое вождение, на момент катастрофы водитель был пьян. В другом случае, говоря об инфекциях с длительным инкубационным периодом, мы допускаем, что некогда было воздействие вируса. Заразиться гриппом от человека, с которым вы обедали год назад, совершенно невероятно, но точно так же нельзя заболеть через минуту после того, как вы сели за стол с носителем инфекции.

Очередная трудность при переводе объяснения с уровня типа на токен-причины – временной паттерн. Даже если информация на уровне типа, которой мы располагаем, не сообщает, сколько времени нужно для получения следствия, мы все равно не сможем обойтись без учета фактора времени, так как он влияет на релевантность информации по отношению к конкретному случаю. Если мы вообще ничего не знаем о временном паттерне, необходима некая степень суждения, чтобы определить истинность чего-либо. То есть, если мы пытаемся выяснить, действительно ли контакт с носителем вируса вызвал заболевание гриппа у конкретного лица, нам важно знать, когда произошел контакт, чтобы определить, мог ли он стать причиной заболевания именно в тот момент.

Некоторые методы причинных умозаключений предусматривают временные интервалы, или окна, поэтому мы узнаем, например, что заражение полиомиелитом может вызвать постполиосиндром[325] через 15 лет после выздоровления[326]. Наличие информации такого рода снимает необходимость в суждениях о времени, так как не требуется спорить, вызваны ли симптомы заболевания постполиосиндромом, если они обнаруживаются всего через несколько месяцев после выздоровления. Если человек болел полиомиелитом в пределах известного временного интервала, тогда это истинно для токен-случая, который мы стараемся объяснить, и два человека, имеющие одинаковые данные, должны прийти к одинаковому выводу: стал ли известный диагноз потенциальным объяснением симптоматики пациента.

Но, как обычно, это еще не конец. Скажем, мы обнаружили, что некое лекарство снимает головную боль за 30–60 минут. У Чарли болит голова, он принимает лекарство и через 62 минуты чувствует себя лучше. Помогло ли лекарство снять боль? Хотя 62 минуты выбиваются из известного нам временного окошка в 30–60 минут, вряд ли стоит жестко утверждать, что лекарство не сняло проблему, потому что временной паттерн не показывает идеального соответствия. Причина в том, что наши знания о действии препаратов от головной боли и опыте их применения делают неправдоподобной возможность того, что лекарство действует лишь в пределах тридцатиминутного окошка. То есть через 29 минут оно еще не действует, а по прошествии 30 минут сразу приобретает активность. Да, возможно, временное окно – первостепенный интервал, в рамках которого причина активна, но это не означает, что следствие не может случиться вне этого интервала; просто это менее вероятно. С другой стороны, лихорадка денге[327] может развиться внезапно, и, взяв за основу многолетние данные по инфицированию, мы можем выявить минимальные и максимальные инкубационные периоды, которые когда-либо наблюдались. В этом случае гораздо выше наша уверенность, что инфицирование нельзя вызвать контактом вне соответствующего временного паттерна.

Случай Чарли не совпадает в точности с предыдущим знанием, но все же совпадения достаточно, если мы намерены применять методы оценки объяснений с достаточной степенью гибкости: тогда скажем, что именно лекарство избавило его от головной боли. В то же время нужно уметь разбираться с ситуациями при менее гибких временных паттернах. Таким образом, обнаруживая типовые взаимоотношения, желательно уметь определить, что представляют собой временные окна – единственный интервал, когда может случиться следствие, или всего лишь промежутки, когда следствие наиболее вероятно. Определенная степень гибкости в этом случае также означает, что известные паттерны времени привязаны к соответствующим базовым знаниям. Если они получены на основе небольшого набора данных, то, возможно, необычно короткий инкубационный период не был принят в расчет. Или измерения проводились так редко, что первый врачебный контроль был два дня спустя и из-за отрывистости сведений мы не в состоянии узнать, могло ли заболевание развиться в самый первый день.

Возможно, не имеет смысла строго придерживаться какого-то известного временного окна, если ошибочно наше знание о том, когда события произошли на токен-уровне. Если я скажу, что некое событие имело место неделю назад, степень вероятности будет такой же, как при сроке в 6, 7 или 8 дней. Точно так же «год назад» почти определенно не означает «точно 365 дней назад». Даже если мне известно, что одна вещь через год вызывает другую, жесткость в отношении временного окна не учитывает присущую сведениям неопределенность[328].

Оглавление книги