Het indrukken van een lichtschakelaar heeft als gevolg dat het licht aan gaat. Maar het kraaien van de haan is niet de oorzaak is dat de zon iedere dag weer op gaat. En is een hogere temperatuur op de thermometer de directe oorzaak dat de ijsboer meer ijs verkoopt?
Causaliteit is in het wetenschappelijk data-gedreven onderzoek lang ontweken. Het mantra van statistici is immers 'correlatie is geen causaliteit'. Dit taboe is volgens computerwetenschapper Judea Pearl een grote gemiste kans, en een van de redenen dat er zoveel ruis heeft kunnen ontstaan op heldere oorzaak-gevolg relaties zoals die tussen roken en longkanker. Om oorzakelijkheid aan te wijzen heb je een causaal vocabulaire nodig. Met alleen maar data-analyse kom je er niet, ook al zijn de statistiekprogramma's tegenwoordig nog zo krachtig. In het tijdperk van ‘big data' is deze valkuil opnieuw bijzonder groot.
Sinds Pearl actief is in de informatica is hij een van de drijvende krachten geweest achter wat hij noemt de Causale Revolutie. Een nieuwe wetenschap om eenduidige vragen te onderzoeken. Denk aan vragen over de effectiviteit van een medische behandeling, of van een reclamecampagne. Maar ook complexere vragen zoals over de mate van overgewicht onder de bevolking en het effect ervan op de kosten van de gezondheidzorg. Of over de vraag of uit de inhoud van personeelsdossiers discriminatie kan worden aangetoond.
In ons taalgebruik hebben we het voortdurend over oorzaak-gevolg relaties. Is dit het resultaat van dat? Kunnen we de daling van ziekenhuisopnames bij Corona toeschrijven aan de maatregelen van sociale isolatie? De wetenschap van causaliteit heeft voor dit soort vragen een wiskundige taal ontwikkeld. Die bestaat enerzijds uit een beeldende kennistaal van causale diagrammen. Een plaatje met pijlen die bekende of veronderstelde verbanden uitdrukken tussen de ene en de andere variabele, uitgedrukt in puntjes. Aanvullend is de symbolische vraagtaal voor het formuleren van de vragen waarop het antwoord gezocht wordt. Daarvoor heeft de Causale Revolutie de doe-operator uitgevonden. Een term die een interventie aanduidt, als iets anders dan een passieve observatie. Pearl legt veel nadruk op notatie, taal, woordgebruik en grammatica voor het uiten van beweringen en de redenering over de gevolgen die voortvloeien uit een bewering.
Causaal redeneren kent drie niveaus volgens Pearl. De eerste trede van de ladder staat voor voorspellingen die voortkomen uit het passief observeren van associaties. Hoe groot is de kans dat iemand die tandpasta koopt, bij dezelfde aankoop ook flossdraad meeneemt? Voor marketeers zijn dit interessante associaties die je met data en statistiek kan uitzoeken. Het tweede niveau van causale vragen zijn ‘wat als' vragen. Wat als de prijs van tandpasta verdubbelt? Hoeveel mensen zullen dan nog flossdraad gaan kopen? Met eenvoudige statistiek kun je geen voorspellingen doen met enkel de data tot je beschikking. Om de uitkomsten van een interventie aan te tonen heb je experimenten nodig en een causaal model. In ons dagelijks leven voeren we voortdurend interventies uit om een bepaald gevolg te bereiken. We slikken paracetamol om de hoofdpijn weg te drukken. We kleden ons netjes op een sollicitatiegesprek om een goede indruk te maken. We eten minder vlees om zelf iets te doen tegen klimaatverandering. Zo redeneren werkt in onze persoonlijke praktijk heel goed, maar geeft nog geen definitieve antwoorden. Op de bovenste trede van de ladder van causaliteit staat de redenatie over denkbeeldige feiten. Wat zou er zijn gebeurd als ik in mijn oude kloffie naar het sollicitatiegesprek was gegaan? Je kunt niet twee keer hetzelfde sollicitatiegesprek doen, dus daar zul je nooit antwoord op krijgen. Denkbeeldige feiten zien we niet in de data. Het mooie van een causaal model is dat het wel de contrafeitelijke vraag kan beantwoorden, ‘Wat zou er zijn gebeurd als ik het andere had gedaan?'.
Daarmee toont Pearl aan dat causaal redeneren zo'n essentiële component is van onze menselijke vermogens. Wij kunnen ons een voorstelling maken van dingen die nooit hebben bestaan. Van uitvindingen tot kunst, van overheidsbeleid tot businessmodellen. Voordat het wat is, bestaat het al in iemands verbeelding. De kunstmatige intelligentie die we nu in robots zien heeft nog niet deze hoogste trede in de ladder van causaal redeneren bereikt. Daarom hebben we nu nog geen sterke kunstmatige intelligentie. Robots kunnen niet kritisch reflecteren op hun eigen overtuigingen, bedoelingen en verlangens. Voorspellend leren is de toekomst van kunstmatige intelligentie, daar zijn wetenschappers het over eens.
Pearl is een gepassioneerd wetenschapper. Dat leidt geen twijfel. Causale diagrammen zijn voor hem plezierige spelletjes. Samen met wetenschapsjournalist Dana Mackenzie heeft hij van de geschiedenis van causale inferentie een spannend verhaal gemaakt. Hun historische voorbeelden, waarbij ook de filosofie ruim aandacht krijgt, zijn meer dan boeiend. Wetenschap is geen solo-onderneming. Ruimharig zet Pearl zijn studenten en collega's in de schijnwerpers. De uitleg over Bayesiaans redeneren is zeer toegankelijk voor leken zoals ikzelf. Maar toegegeven, het zal vermoedelijk wel schelen als je iets van wiskunde begrijpt. Voor iedereen die interesse heeft in wetenschappelijk redeneren is Het boek waarom een bijzonder interessant boek dat je brein scherp houdt.
Freija van Duijne was van 2013 tot 2018 voorzitter van de Dutch Future Society. Zij heeft meer dan tien jaar werkervaring als toekomstverkenner en strateeg in diverse overheidsorganisaties. Freija werkt vanuit haar bedrijf Future Motions en geeft trainingen en lezingen op gebied van toekomstverkennen. Ze schreef zelf ook een boek: Toekomstverkennen. Ze maakt deel uit van het collectief van toekomstdenkers voor de trendrede.
Over Freija van Duijne
Freija van Duijne was van 2013 tot 2018 voorzitter van de Dutch Future Society. Zij heeft meer dan tien jaar werkervaring als toekomstverkenner en strateeg in diverse overheidsorganisaties. Freija werkt vanuit haar bedrijf Future Motions en geeft trainingen en lezingen op gebied van toekomstverkennen.