From Epistemic Justification to Methodological Decision: The Epistemicization of Hypotheses and the Status of H₀–H₁ in Scientific Research

La scienza è spesso immaginata come una linea retta che conduce da una domanda a un'unica, indiscutibile verità. In laboratorio, un ricercatore propone un'idea, raccoglie dati e spera di dimostrare che quell'idea sia corretta. Per oltre un secolo, i filosofi hanno dibattuto su come possiamo essere certi che le nostre idee scientifiche siano effettivamente vere, concentrandosi su concetti come la verifica — controllare se qualcosa corrisponde alla realtà — e la falsificazione — cercare di dimostrare che qualcosa è sbagliato. Questi dibattiti hanno plasmato il nostro modo di intendere la conoscenza, ma hanno lasciato un vuoto per quanto riguarda l'effettivo lavoro quotidiano degli scienziati. Mentre i filosofi discutono sulla natura della verità, i ricercatori in campi che vanno dalla psicologia all'agricoltura sono impegnati a prendere decisioni basate su dati che non sono mai perfettamente chiari. Si trovano ad affrontare l'incertezza, campioni piccoli e rumore casuale, e hanno bisogno di un modo per procedere senza attendere la certezza assoluta. È qui che entrano in gioco gli strumenti del processo decisionale statistico, specificamente un sistema sviluppato nel ventesimo secolo che permette agli scienziati di agire anche quando non possono essere sicuri al 100% della risposta.

Un nuovo articolo di Bülent Bayat, ricercatore presso l'Università Nuh Naci Yazgan, indaga una profonda confusione che è cresciuta tra questi due mondi: la ricerca filosofica della verità e la necessità pratica di prendere decisioni. L'articolo sostiene che gli scienziati e i libri di testo abbiano commesso un errore fondamentale trattando gli strumenti statistici come se fossero prove filosofiche. Per decenni, i ricercatori hanno utilizzato un metodo standard per testare le loro idee, etichettando spesso le loro previsioni come "ipotesi" e dichiarandole poi "dimostrate" o "falsificate" sulla base di un test statistico. Bayat suggerisce che questo sia un errore di categoria. Il sistema statistico in questione, noto come teoria decisionale di Neyman–Pearson, non è mai stato progettato per dirci cosa sia vero nell'universo. Al contrario, è stato costruito per aiutare gruppi di scienziati a compiere scelte coerenti e razionali su cosa fare successivamente quando affrontano l'incertezza.

Il cuore del problema risiede nel modo in cui parliamo dei due attori principali in questo gioco statistico. Nell'approccio standard, un ricercatore stabilisce un "ipotesi nulla", che è essenzialmente un'assunzione predefinita secondo cui non sta accadendo nulla di interessante, e un' "ipotesi alternativa", che è l'idea del ricercatore che qualcosa stia accadendo. Quando arrivano i dati, il ricercatore decide se rifiutare l'assunzione predefinita a favore della propria idea. Bayat sottolinea che, nella progettazione originale di questo sistema, queste due idee non dovevano essere rivendicazioni contrastanti sulla realtà. Non dovevano essere opposti simmetrici in cui uno è vero e l'altro è falso. Invece, erano progettate come due diversi percorsi per un processo decisionale. L'obiettivo non era trovare la verità, ma controllare il rischio di commettere un errore. Il sistema permette agli scienziati di dire: "Se assumiamo che non stia accadendo nulla, la probabilità di osservare dati così estremi è molto bassa, quindi sceglieremo di agire come se qualcosa stesse accadendo". Questa è una regola di comportamento, non una dichiarazione di fatto.

Nonostante questa chiara progettazione, il modo in cui il metodo viene insegnato e utilizzato si è allontanato molto dal suo intento originale. I libri di testo e gli articoli di ricerca descrivono frequentemente il rifiuto dell'assunzione predefinita come "evidenza" che l'idea del ricercatore sia vera. Parlano di "accettare" un'ipotesi come se fosse stata verificata dall'universo. Bayat rintraccia questa confusione in una lunga storia di dibattiti filosofici che si sono concentrati pesantemente su come giustificare la conoscenza. Poiché i filosofi hanno passato molto tempo a discutere di verifica e falsificazione, gli scienziati hanno iniziato ad assumere che i loro test statistici fossero l'applicazione pratica di quelle teorie filosofiche. Hanno iniziato a trattare l'output statistico come un verdetto diretto sulla verità delle loro teorie. L'articolo sostiene che questo sia un malinteso. Il test statistico non ti dice se la tua teoria è vera; ti dice solo se i dati che hai raccolto sono abbastanza insoliti da innescare una regola prestabilita per cambiare il tuo corso d'azione.

Questa confusione ha portato a un modo ritualizzato di fare scienza che può essere fuorviante. I ricercatori scrivono spesso lunghe liste di ipotesi numerate, da H1 a H14, trattando ciascuna come una rivendicazione separata da provare o smentire. Usano un linguaggio come "l'ipotesi è stata supportata" o "l'ipotesi nulla è stata falsificata", come se il test statistico avesse emesso un giudizio finale sulla realtà. Bayat spiega che questo linguaggio è pericoloso perché nasconde il fatto che il test è in realtà solo uno strumento per gestire il rischio. Quando uno scienziato dice di aver "falsificato" un'ipotesi nulla, non sta dicendo di aver dimostrato che l'alternativa è vera. Sta semplicemente dicendo che ha deciso di seguire un percorso specifico perché i dati erano improbabili sotto l'assunzione predefinita, ed è disposto ad accettare una piccola, predefinita possibilità di sbagliare. Il sistema è progettato per funzionare bene su molti, molti studi, garantendo che il gruppo di scienziati nel suo complesso commetta pochi errori, non per garantire che un singolo studio abbia trovato la verità assoluta.

L'articolo esamina anche come questa confusione influenzi la comprensione del ruolo del ricercatore. Nella visione filosofica, lo scienziato è un cercatore di verità, che cerca di costruire un'immagine del mondo che sia il più accurata possibile. Nella visione della teoria decisionale, lo scienziato è un gestore del rischio, che cerca di compiere una scelta che mantenga basso il tasso di errore a lungo termine. Questi sono due lavori diversi. Mescolandoli, chiediamo agli strumenti statistici di fare un lavoro per il quale non sono stati progettati. Chiediamo a una regola decisionale di dirci cosa è reale, quando era stata progettata solo per dirci quando agire. Questo porta a una situazione in cui esigiamo dai nostri dati più di quanto possano dare, e finiamo con conclusioni scientifiche che sembrano certe ma che sono in realtà solo il risultato di un processo meccanico.

Il lavoro di Bayat non suggerisce che dovremmo smettere di usare questi strumenti statistici. Al contrario, l'articolo sostiene che questi strumenti sono essenziali per la scienza moderna perché ci permettono di procedere nonostante l'incertezza. Il problema non è lo strumento in sé, ma come ne interpretiamo i risultati. La soluzione proposta è di smettere di cercare di forzare le decisioni statistiche nella scatola della verità filosofica. Invece, dovremmo riconoscere che questi strumenti appartengono a una categoria diversa: sono metodi per regolare come agire quando non conosciamo la risposta. Se possiamo separare la domanda di "cosa sia vero" dalla domanda di "cosa dobbiamo fare dopo", possiamo usare questi strumenti in modo più efficace. Possiamo smettere di pretendere che un test statistico dimostri una teoria e iniziare a capire che ci ha semplicemente aiutato a compiere una scelta razionale in condizioni difficili.

L'articolo conclude che la storia della scienza ha creato una divisione tra i filosofi che si preoccupano del significato della conoscenza e gli statistici che si preoccupano della meccanica del processo decisionale. Per molto tempo, questi due gruppi hanno parlato senza comprendersi, portando all'attuale confusione in cui gli scienziati pensano che i loro test statistici siano prove filosofiche. Bayat suggerisce che la strada da seguire non è cercare di riparare la statistica per renderla più filosofica, ma distinguere chiaramente tra i due livelli. Dobbiamo capire che la struttura H0 e H1 è un metodo per organizzare le nostre decisioni, non una mappa della realtà. Accettando questa distinzione, gli scienziati possono usare i loro strumenti con maggiore onestà e chiarezza, riconoscendo che stanno prendendo decisioni basate sul rischio e l'incertezza, piuttosto che rivendicare di aver scoperto verità assolute. Questo cambio di prospettiva non indebolisce la scienza; la rafforza allineando i nostri metodi al loro scopo effettivo.