Resumen Técnico: "Causa" es una Narrativa Mecanicista dentro de los Dominios Científicos

Planteamiento del Problema

El artículo aborda la creciente tendencia en la estadística y el aprendizaje automático (ML) de desarrollar técnicas de "Aprendizaje Causal" e "Inferencia Causal" que pretenden descubrir la causalidad "real" a partir de los datos, apoyándose frecuentemente en criterios de independencia y modelos gráficos probabilísticos (PGM). Los autores argumentan que este campo sufre un defecto epistemológico fundamental: intenta aplicar una definición causal singular y axiomática (derivada principalmente de la física y la lógica formal) a dominios científicos donde la semántica de "causa" es distinta, pluralista y está profundamente ligada a mecanismos específicos del dominio.

El problema central es el "embrujamiento de la inteligencia por el lenguaje", donde las técnicas computacionales (como los Grafos Acíclicos Dirigidos [DAG] y las pruebas de independencia condicional) se confunden con la certificación definitiva de fenómenos causales. El artículo postula que esta excesiva confianza ignora la realidad de que:

1. La Suficiencia Causal (el supuesto de que todas las causas comunes son observadas) rara vez se cumple en sistemas abiertos del mundo real (biología, ciencias sociales).
2. El Sesgo Inductivo es inherente a toda selección de modelos, sin embargo, el aprendizaje causal suele presentar su elección específica de representación estadística (por ejemplo, transiciones markovianas) como una certificación neutral e independiente de la práctica sobre la verdad.
3. Disparidad de Dominios: Los mecanismos que definen la causalidad en sistemas físicos cerrados difieren fundamentalmente de aquellos en sistemas biológicos abiertos o sistemas sociales, donde la emergencia, la irreducibilidad y la interpretación narrativa juegan papeles centrales.

Metodología

Los autores emplean una metodología basada en la Filosofía del Lenguaje Ordinario (inspirada en Wittgenstein) y la Semiótica Antropológica. En lugar de proponer nuevos algoritmos o pruebas estadísticas, el artículo realiza una investigación filosófica y lingüística sobre cómo se utiliza realmente el concepto de "causa" en diferentes "juegos de lenguaje" (tribus) científicos.

El enfoque consiste en:

• Revisar Definiciones Formales: Analizar los marcos contemporáneos de causalidad en ML, incluyendo Redes Bayesianas (BN), Redes Bayesianas Dinámicas (DBN), Modelos Causales Estructurales (SCM) y Lógica Causal Probabilística (Lógica CP).
• Análisis Epistemológico: Examinar la historia de la causalidad en la filosofía (Descartes, Hume, Kant, Popper, Kuhn, Quine) para comprender el papel del sesgo inductivo, los paradigmas y los límites de la falsabilidad.
• Investigación Semiótica Trans-dominio: Comparar los "juegos de lenguaje" de la causalidad en:
  • Física/Ingeniería: Donde los sistemas cerrados y las ecuaciones diferenciales proporcionan una correspondencia uno a uno entre el mecanismo y la representación matemática.
  • Biología/Medicina: Donde los sistemas abiertos, la emergencia y las interacciones multiescala requieren una "preponderancia de evidencia" proveniente de múltiples capas de abstracción (por ejemplo, combinando ensayos estadísticos con narrativas mecanicistas).
  • Ciencias Sociales: Donde el comportamiento humano es un sistema abierto irreducible, y la causalidad se establece a menudo mediante narrativas hermenéuticas, la fenomenología y la acumulación de hallazgos consistentes a través de diversas metodologías, más que mediante la predicción cuantitativa definitiva.
• Integración de Perspectivas Neuro-Simbólicas: Considerar cómo la IA neuro-simbólica y la interpretabilidad mecanicista podrían cerrar la brecha entre los modelos estadísticos y las narrativas de dominio, reconociendo al mismo tiempo las limitaciones actuales.

Contribuciones Clave

1. La Definición Pluralista de la Causalidad

El artículo sostiene que "causa" no es un concepto monolítico con una única definición esencial. En cambio, es un término funcional dentro de juegos de lenguaje científicos específicos:

• En Física, la causa se define mediante ecuaciones de campo y operadores diferenciales (por ejemplo, $\frac{dX}{dt} = f(X)$), donde el mecanismo está totalmente capturado por la ecuación.
• En Biología/Medicina, la causa es una "narrativa mecanicista" respaldada por una convergencia de evidencia a través de diversas escalas (molecular, fisiológica, clínica). Ningún modelo estadístico único puede capturar el mecanismo causal completo de un sistema abierto.
• En las Ciencias Sociales, la causa es a menudo una "verdad hermenéutica": una narrativa convincente que explica el comportamiento humano y el significado, la cual puede ser instrumentalmente útil para individuos o políticas incluso sin la precisión predictiva de las leyes físicas.

2. Crítica al "Aprendizaje Automático Causal"

Los autores critican la premisa de que los criterios de independencia estadística (por ejemplo, $X \perp Y | Z$) pueden certificar la causalidad. Destacan:

• El Fracaso de la Suficiencia Causal: Los sistemas del mundo real rara vez son cerrados; los confundidores latentes son ubicuos, violando los axiomas centrales de la detección causal estándar.
• El Desalineamiento de la Abstracción: Aplicar DAGs markovianos a sistemas complejos y emergentes (como la psicología humana) es una elección de abstracción inapropiada que redefine la "causa" para que se ajuste a la herramienta, en lugar de que la herramienta se ajuste al fenómeno.
• Exceso de Confianza: El campo sufre de una estructura de incentivos que premia las afirmaciones causales definitivas, lo que lleva a la sobreestimación de resultados que son meramente asociaciones estadísticas.

3. El Papel de la Hermenéutica y la Narrativa

El artículo eleva la Hermenéutica (la teoría de la interpretación) como un marco epistemológico válido y necesario para las ciencias sociales y los sistemas biológicos complejos. Argumenta que:

• Las narrativas no son meras explicaciones "suaves", sino herramientas esenciales para procesar el significado y establecer la "verdad instrumental" en dominios donde el modelado mecánico preciso es imposible.
• El "Problema Difícil" de la conciencia y el debate sobre el libre albedrío son a menudo confusiones lingüísticas que pueden resolverse reconociendo que diferentes juegos de lenguaje (neurociencia vs. fenomenología) ofrecen perspectivas complementarias y no reductivas.

4. Virtud Epistémica y la "Preponderancia de la Evidencia"

El artículo propone un cambio en la práctica científica hacia la Virtud Epistémica. En lugar de buscar la certificación causal definitiva de un solo modelo estadístico, los investigadores deberían:

• Ejercer cautela en la comunicación, evitando afirmaciones causales definitivas cuando la evidencia se limita a la asociación estadística.
• Buscar una preponderancia de evidencia mediante la agregación de hallazgos consistentes a través de múltiples dominios, escalas y metodologías (por ejemplo, combinando datos estadísticos, teoría evolutiva y narrativas fenomenológicas).
• Tratar las herramientas de aprendizaje causal como métodos para generar "representaciones interpretables de las relaciones de los objetos" en lugar de como pruebas definitivas de causalidad.

Resultados y Hallazgos

• Física vs. Otros Dominios: El artículo confirma que las técnicas de aprendizaje causal (como los SCM) son más apropiadas para la física y la ingeniería, donde los sistemas son cerrados y los mecanismos son plenamente describibles por ecuaciones diferenciales.
• Inadecuación para Sistemas Abiertos: Para la biología y las ciencias sociales, el supuesto de suficiencia causal es prácticamente imposible de satisfacer. Por consiguiente, los algoritmos de detección causal a menudo fallan al identificar grafos válidos en datos reales, o producen resultados espurios debido a confundidores no medidos.
• La Necesidad de la Armonía Multidominio: Las afirmaciones causales válidas en sistemas complejos (por ejemplo, los efectos del tabaquismo en la salud) no se establecen mediante un solo ensayo aleatorizado o un modelo estadístico, sino por la convergencia de diversos tipos de evidencia: asociaciones estadísticas, narrativas biológicas mecanicistas y observaciones clínicas.
• Utilidad Hermenéutica: En las ciencias sociales, la "verdad" de una afirmación causal reside a menudo en su capacidad para proporcionar una narrativa coherente e instrumentalmente útil para la comprensión humana (por ejemplo, las modalidades de psicoterapia), más que en su capacidad para predecir resultados individuales con alta precisión.

Significación y Reivindicaciones

El artículo sostiene que la trayectoria actual del "Aprendizaje Automático Causal" es fundamentalmente errónea porque intenta reducir el rico y pluralista concepto de causalidad a un conjunto de pruebas de independencia estadística.

Significación:

• Corregir el "Embrujamiento": Busca aclarar la confusión causada por el uso indebido del lenguaje, instando a la comunidad científica a reconocer que "causa" significa cosas distintas en distintos contextos.
• Promover la Humildad Intelectual: Llama a un enfoque más modesto de las afirmaciones científicas, particularmente en campos donde los sistemas son abiertos e irreducibles. Argumenta que la solución a la crisis de replicación en las ciencias sociales no es una mejor estadística, sino una mayor disposición a aceptar la incertidumbre y confiar en el consenso multidisciplinario.
• Redefinir la Explicabilidad: Sugiere que la verdadera explicabilidad en la IA requiere integrar modelos estadísticos con narrativas de dominio y conocimiento mecanicista (enfoques neuro-simbólicos), en lugar de depender únicamente de la importancia de las características o los contrafácticos.
• Guía Metodológica: Propone que el camino a seguir para la ciencia interdisciplinaria no es la unificación de métodos bajo un único marco causal, sino la armonización de diversos "juegos de lenguaje" para construir una comprensión más rica y robusta de los fenómenos complejos.

Los autores concluyen que, si bien las herramientas de inferencia causal son métodos estadísticos poderosos, deben ser despojadas de su pretensión de certificación causal definitiva. En su lugar, deben verse como herramientas para generar hipótesis e identificar asociaciones que deben ser validadas a través de los procesos rigurosos, de múltiples capas y a menudo impulsados por la narrativa, de la investigación científica específica de cada dominio.