How Occam's razor guides human decision-making

Nella disordinata realtà della vita quotidiana, siamo costantemente costretti a scegliere tra storie concorrenti per spiegare ciò che vediamo. Quando un'auto non parte, potremmo dare la colpa a una batteria scarica, a un alternatore difettoso o a un fantasma nel motore. I nostri cervelli devono vagliare queste possibilità, spesso con pochissime informazioni, per decidere quale spiegazione sia probabilmente la più vera. Per secoli, filosofi e scienziati hanno proposto una regola guida per questo processo, nota come il rasoio di Occam. Il principio suggerisce che quando due spiegazioni si adattano ai fatti altrettanto bene, quella più semplice è solitamente la scelta migliore. È una scorciatoia mentale che favorisce la storia con meno parti in movimento, meno assunzioni e meno spazio per l'errore. Ma sebbene questa idea sia da tempo tra le preferite dei pensatori, è rimasto poco chiaro se il cervello umano la utilizzi nel modo preciso e matematico previsto dalla teoria, o se abbiamo semplicemente una vaga preferenza per le cose che sembrano meno complicate.

Un team di ricercatori ha ora spostato questa domanda dal regno della filosofia al laboratorio, utilizzando una serie di esperimenti accuratamente progettati per misurare esattamente come gli esseri umani pesino la semplicità rispetto all'accuratezza. Hanno scoperto che il processo decisionale umano segue effettivamente una forma specifica e quantificabile del rasoio di Occam. Di fronte a dati rumorosi e incerti, le persone preferiscono naturalmente la spiegazione più semplice, non solo perché "sembra giusta", ma perché i loro cervelli sembrano eseguire un calcolo statistico complesso che media su tutte le possibili versioni di una storia per evitare di essere ingannati dal caso. Questa preferenza per la semplicità è così profondamente radicata che persiste anche quando alle persone viene esplicitamente detto di ignorarla e concentrarsi solo sulla migliore corrispondenza singola. In un contrasto sorprendente, i programmi informatici addestrati per risolvere gli stessi problemi adottavano questo pregiudizio per la semplicità solo quando venivano specificamente programmati per farlo, suggerendo che la tendenza umana a favorire spiegazioni semplici sia una caratteristica fondamentale della nostra cognizione, non solo una strategia appresa.

I ricercatori hanno cercato di testare questo aspetto creando un gioco visivo in cui i partecipanti dovevano agire come detective. Su uno schermo del computer appariva una nuvola di dieci punti rossi, sparsi in modo piuttosto casuale attorno a un punto centrale. Questi punti erano generati da una delle due forme nascoste, o una linea retta o un arco curvo, che fungevano da "sorgente" dei dati. Il compito dei partecipanti era indovinare quale forma avesse prodotto i punti. Le forme erano disegnate in nero e i punti erano rossi, creando un puzzle visivo chiaro. Per rendere il compito scientificamente rigoroso, i ricercatori hanno progettato quattro diverse versioni del gioco. In ogni versione, mettevano due forme l'una contro l'altra in un modo che isolasse una specifica caratteristica matematica della complessità. Una versione confrontava un singolo punto con una linea lunga, testando come le persone gestiscono il numero di variabili. Un'altra confrontava due linee di diversa lunghezza, testando la dimensione dell'area possibile che la forma poteva coprire. Una terza versione osservava come la forma fosse posizionata rispetto ai dati, e la quarta esaminava come la forma si curvava lontano dai dati.

In questi esperimenti, i ricercatori potevano calcolare la risposta matematicamente perfetta per ogni singola prova. Un osservatore perfetto, seguendo le rigide regole della statistica bayesiana, non si limiterebbe a cercare la forma più vicina ai punti. Invece, questo osservatore ideale considererebbe ogni possibile posizione che la forma avrebbe potuto assumere e farebbe una media di esse. Questo processo penalizza naturalmente le forme che sono troppo flessibili o troppo grandi, perché disperdono il loro "potere esplicativo" troppo sottilmente attraverso lo schermo, rendendole meno probabili come vera fonte di un particolare gruppo di punti. I ricercatori hanno previsto che se gli esseri umani avessero utilizzato questo tipo di ragionamento statistico, le loro scelte si sarebbero spostate dalle forme complesse verso quelle semplici, anche quando le forme complesse sarebbero state tecnicamente più vicine ai punti.

I risultati hanno confermato che gli esseri umani fanno esattamente questo. Quando i dati erano ambigui, ovvero i punti erano approssimativamente equidistanti da entrambe le forme, i partecipanti sceglievano costantemente l'opzione più semplice. Ma lo studio è andato oltre il semplice mostrare una preferenza generale; ha misurato la forza di tale preferenza con alta precisione. Analizzando migliaia di scelte provenienti da oltre 200 partecipanti, il team ha scoperto che le persone sono sensibili a quattro distinte caratteristiche geometriche delle forme: la loro dimensionalità (quanti parametri possiedono), i loro confini (dove terminano), il loro volume (quanto spazio coprono) e la loro robustezza (come si curvano). Le scelte dei partecipanti si allineavano quantitativamente con le previsioni del modello matematico. Non stavano solo preferendo vagamente le cose "semplici"; stavano pesando questi specifici fattori geometrici in un modo che corrispondeva da vicino all'ideale teorico di integrare su tutte le possibili cause.

Per capire se si trattasse di un comportamento appreso o di qualcosa di più fondamentale, i ricercatori hanno confrontato i partecipanti umani con le reti neurali artificiali, un tipo di programma informatico progettato per mimare il cervello. Hanno addestrato queste reti a risolvere gli stessi enigmi tra punti e forme. Quando le reti venivano addestrate per trovare la soluzione "generativa" matematicamente perfetta — che richiede l'uso del pregiudizio di semplicità — imparavano a farlo e ottenevano prestazioni migliori degli esseri umani. Tuttavia, quando i ricercatori cambiavano le istruzioni e dicevano alle reti di trovare la soluzione di "massima verosimiglianza" — ovvero che dovessero semplicemente scegliere la forma più vicina ai punti, ignorando la complessità — le reti si adattavano istantaneamente. Smettevano di mostrare qualsiasi preferenza per la semplicità e performavano perfettamente nel nuovo compito.

I partecipanti umani, invece, non cambiavano così facilmente. Anche quando ricevevano le stesse istruzioni di ignorare la complessità e scegliere semplicemente la forma più vicina, continuavano a favorire le opzioni più semplici. I loro cervelli sembravano incapaci di spegnere il meccanismo che integra tutte le possibilità. Ciò suggerisce che la preferenza umana per la semplicità non è una strategia flessibile che adottiamo quando ci viene detto di essere intelligenti, ma una parte centrale di come elaboriamo le informazioni. Sembriamo integrare naturalmente tutti i modi in cui una storia potrebbe essere vera, il che ci protegge dall'adattamento eccessivo (overfitting) al rumore, mentre le macchine lo fanno solo se costruiamo esplicitamente tale capacità in loro.

Lo studio ha anche rivelato che, sebbene gli esseri umani siano straordinariamente capaci, non sono perfetti. C'era un ampio intervallo di differenze individuali nel modo in cui le persone applicavano queste regole di semplicità. Alcuni partecipanti erano molto vicini all'ideale matematico, mentre altri erano meno sensibili a certe caratteristiche, come la dimensione della forma o la sua curvatura. Interessante è che coloro che erano più lontani dall'ideale tendevano a commettere più errori, suggerendo che tarare questo "filtro di semplicità" interno sia cruciale per prendere decisioni accurate in un mondo pieno di incertezza. I ricercatori hanno notato che le persone sembravano pesare i diversi fattori in modo differente, forse perché alcuni sono più facili da computare di altri. Ad esempio, contare il numero di variabili in una forma potrebbe essere più semplice per il cervello che calcolare il volume totale di spazio che copre, portando a un naturale squilibrio nell'applicazione della regola.

In definitiva, questo lavoro fornisce uno sguardo quantitativo raro sulla macchina nascosta del pensiero umano. Dimostra che i nostri cervelli non sono solo macchine di riconoscimento di pattern che cercano la corrispondenza più vicina. Invece, agiscono come statistici sofisticati che chiedono costantemente: "In quanti altri modi potrebbe essere successo?" e usano la risposta per guidare le nostre scelte. Integrando su tutte le possibili spiegazioni, evitiamo la trappola di credere a una storia complessa e flessibile solo perché si adatta alla situazione attuale per puro caso. Questo studio conferma che il rasoio di Occam non è solo un suggerimento filosofico su come dovremmo pensare, ma una descrizione di come pensiamo realmente, una caratteristica integrata della nostra cognizione che ci aiuta a navigare in un mondo pieno di incertezza e rumore.