По словам куратора проекта и руководителя модуля «Мышление» Дарьи Чирва, главная цель Hard Core Philosophy — осветить современный философский подход к фундаментальным вопросам вроде природы сознания и свободы воли, избегая при этом излишнего упрощения проблемы и упрощенных схем теоретизирования.
«Есть две тенденции в современном восприятии философии. Первая — это ее редуцирование до набора приемов критического мышления. Всем достаточно очевидно, что необходимо уметь мыслить критически в современной ситуации, когда мы существуем и принимаем решения в условиях избытка информации и множества способов манипуляции мнением. Человеку жизненно важно сохранять автономные способы ориентирования, оценки, уметь выявлять фейки», ― говорит Дарья Чирва.
Вторая тенденция, по ее словам, — это в целом повышение спроса на философию, на свойственный ей непредвзятый взгляд на проблемы. Сейчас появляются весьма специфичные теоретические и практические вопросы, совершенно новые области исследований, для работы с которыми не существует признанных стандартов.
«Я имею в виду, например, вопрос о степени влияния науки на социальную сферу, о возможности замены ученого ИИ, правовом и этическом статусе роботов, цифровых копий личности и т.п, ― приводит пример Дарья Чирва. ― В целом замысел нашего проекта в том, чтобы знакомить исследователей с теми философскими разработками, которые могут быть интересны и полезны для развития научных и технологических проектов ИТМО».
Первую лекцию в рамках проекта провели Александр Гебхартер (Alexander Gebharter), ведущий исследователь в Мюнхенском центре математической философии, и Кристиан Фельдбахер-Эксамилла (Christian Feldbacher-Escamilla), лектор в университете Дюссельдорфа.
Они рассказали о методологии принятия решений в политических и в целом управленческих процессах, проблемах применения методов рандомизированных контролируемых испытаний (РКИ) и неизбежных ошибках в выводах, основанных на РКИ.
ITMO.NEWS публикует краткий пересказ лекции «Causal inference in evidence-based policy. A tale of three monsters and how to chase them away».
Три монстра доказательной политики
Принятие политических решений предполагает эффективное планирование и прогнозирование. Сегодня принято, чтобы каждый стратегический шаг подкреплялся фактическими данными — и чем более точными и верифицируемыми, тем лучше.
Все чаще политики используют метод рандомизированных контролируемых исследований, но настолько ли этот способ точен, чтобы можно было на него безоговорочно полагаться?
Как показывает практика, несмотря на то, что РКИ основаны на верных причинно-следственных связях, эти данные не являются достаточными для обоснования той или иной политики, поскольку обычно имеют дело лишь с небольшой частью общей причинной структуры и не учитывают всю картину целиком.
Возможные ошибки в установлении причинно-следственных связей спикеры охарактеризовали как «три монстра» доказательной политики и дали им имена «П-Конг», «Сцилла» и «Харибда».
Какая политика эффективна?
Для начала необходимо сформулировать, что такое «эффективная политика». Кажется, что это интуитивно понятно: эффективная политика приводит к всеобщему благу и повышению качества жизни граждан. Но спикеры предлагают более детальное определение.
Во-первых, то или иное политическое решение должно улучшать ситуацию в какой-то сфере, при этом не иметь значительных нежелательных побочных эффектов. Во-вторых, оно не должно требовать неадекватных затрат и ресурсов на реализацию. И в-третьих, оно, конечно же, должно одобряться обществом.
Как вопрос эффективности рассматривается с точки зрения науки? В традиционной теории принятия решений можно выделить два подхода: умозрительный («Thinking-based», еще его называют «кабинетным») и противопоставляемый ему основанный на фактах («Evidence-based»). Надо заметить, что первый способ сейчас считается устаревшим, и вся современная наука основывается именно на данных и фактах.
Что не так с рандомизированными контролируемыми испытаниями?
Обычно РКИ и метаисследования (то есть статистической анализ) считаются действенными для обоснования эффективности каких угодно решений. В текущий момент РКИ ― золотой стандарт в сфере принятия эффективных политических решений.
Кажется, вполне логичной следующая картина.У нас есть две группы, сформированные случайным образом. К одной мы применили определенное политическое решение и получили ожидаемый нами результат, к другой — не применили и убедились, что никаких изменений не произошло. Это и означает, что решение эффективно и вполне обоснованно, а значит может применяться и к другим группам. Но глубинная проблема метода РКИ в том, что он основан на индукции, то есть мы экстраполируем частный случай на всю картину в целом.
На основе доказательной схемы РКИ нам кажется, что если желанный результат получен в одной сфере и с одной категорией людей, то значит, что это сработает и для всех других. А рандомизированность исследования и наличие контрольной группы гарантирует, что этот эффект не случаен и не определяется качествами самих испытуемых.
P-Kong и проблемы индукции
Но тут мы и встречаем нашего первого монстра — «Поппер Конга» (или «P-Kong»). Назван он так в честь известного и весьма влиятельного философа науки Карла Поппера. Он был не только основателем критического рационализма и автором принципа фальсифицируемости в науке, но и ярким представителем направления постпозитивизма, которое подвергает серьезной критике сам метод индукции.
Поппер считал его в корне неверным и заявлял, что действительно верные выводы о чем-либо — как в науке, так и в политике — мы можем делать только на основе дедукции.
Подробно эту проблему рассматривают исследователи Джереми Харди и Нэнси Картрайт в работе «Evidence-Based Policy: A Practical Guide to Doing It Better».
Главная их идея состоит в том, что если какое-то политическое решение сработало, допустим, в одном городе или в одной стране, то из этого не следует, что оно сработает во всех остальных случаях. Потому что на позитивный эффект могла повлиять вся совокупность факторов, характерных для определенной ситуации, что совершенно не учитывается при индуктивном обобщении.
Политическое решение — это лишь один ингредиент в «рецепте пирога», и он не может гарантировать, что при его добавлении пирог обязательно получится вкусным. Поэтому при оценке успеха всегда нужно учитывать дополнительные факторы и причинные отношения между элементами целого. Одних только наблюдаемых фактов нам недостаточно для обоснования политического решения. Избежать проблем, обусловленных индуктивным выводом, возможно применив дедуктивную схему, что и предлагают нам Картрайт и Харди.
Сцилла и Харибда в сфере принятия решений
Тут мы неизбежно сталкиваемся с двумя новыми проблемами: мы либо знаем все эти дополнительные факторы и структуру причинных отношений новой группы, в отношении которой необходимо сформировать политику, либо нет.
В первом случае мы встречаем Сциллу дедукции: если у нас уже есть точный «рецепт» и все необходимые составляющие для новой группы, то нам не нужен никакой пример, ассоциируемый с другой группой в теории РКИ. Он иррелевантен. Мы знаем достаточно, чтобы быть уверенными в успехе принятия решения. Тем самым сама идея политики, основанной на фактических данных (или РКИ) оказывается дискредитирована.
Во втором случае мы встречаем Харибду: нам неизвестны все ингредиенты и структура причинных отношений в новой группе, следовательно перенести на нее сведения об эффективном решении, полученном на примере с исследованием другой группы, мы можем только прибегая к индукции, несостоятельность которой обсуждалась выше. Харибда влечет за собой П-Конга.
Как избавиться от монстров? Причинный вывод как спасение
Как же решить эти проблемы? Спикеры предлагают отказаться от простой политики переноса успешных решений с одной группы на другую. Вместо этого необходимо изучать состав значимых факторов и причинные структуры в каждой группе, в которой то или иное решение оказалось эффективным или неэффективным. На основе такого исследования возможно выявить более общую структуру причинности и взаимодействия различных факторов. При этом мы прибегаем к абдуктивному выводу.
При абдукции мы не просто «копируем и вставляем» какое-то решение, которое однажды оказалось успешным, но пытаемся сформировать более полную картину причинных взаимоотношений в случае поиска эффективной политики. Расширяя модель, постоянно ее перестраивая и дополняя новыми данными, мы можем делать более точные предсказания и, главное, более гибко применять наше решение.
Спикеры отсылают к модели причинных отношений, которые используются сейчас в сфере искусственного интеллекта при построении байесовых сетей.
Если конкретизировать, то процедура построения причинной модели и связанного с ней абдуктивного вывода выглядит так:
- Мы воссоздаем общую модель причинных взаимосвязей, наилучшим образом объясняющую все данные, полученные ранее (В основе лежит абдукция)
- Тестируем и улучшаем модель, используя все новые данные и доказательства (В основе лежит абдукция)
- Как можно полнее исследуем все факторы, имеющиеся в той ситуации, с которой мы работаем и в которой мы хотим применить какое-то решение.
- Все это мы используем для построения предсказательной модели, которая поможет нам понять, нужно ли модифицировать наше решение, и если да, то как именно. Чем больше факторов мы имеем в своем распоряжении, тем более точными будут наши прогнозы.
Будущее теории принятия решений
Будущее науки — в отказе от традиционных доказательных методов, работающих исключительно на установлении причинно-следственных связей на основе лишь данных исследований и точно установленных фактов.
В своей книге «The book of why» Джуда Перл, автор математического аппарата байесовских сетей, создатель математической и алгоритмической базы вероятностного вывода, говорит о том, что мы должны отойти от простой констатации фактов и данных статистики в построении теорий, но больше задумываться, почему произошло то или иное событие, что стоит за тем или иным явлением.
Мы должны рассматривать всю ситуацию целиком, всю совокупность факторов, а не зацикливаться на отдельных фактах. Он отсылает к феномену революции причинности в сфере искусственного интеллекта: чтобы стать ближе к человеку, машина должна научиться оперировать категорией причинности.
Скорее всего, в будущем в принятии политических решений будут активно использоваться инструменты искусственного интеллекта и модели машинного обучения, которые позволят нам анализировать гораздо больше данных — причем именно их совокупности, более точно строить предсказания, проводить эксперименты и тестировать гипотезы перед тем, как применять то или иное решение.
