Resumo Técnico: "Causa" é uma Narrativa Mecanística dentro de Domínios Científicos

Declaração do Problema

O artigo aborda a crescente tendência na estatística e no aprendizado de máquina (ML) de desenvolver técnicas de "Aprendizado Causal" e "Inferência Causal" que pretendem descobrir a causalidade "verdadeira" a partir de dados, baseando-se frequentemente em critérios de independência e modelos gráficos probabilísticos (PGMs). Os autores argumentam que este campo sofre de uma falha epistemológica fundamental: tenta aplicar uma definição causal singular e axiomática (derivada principalmente da física e da lógica formal) a domínios científicos onde a semântica de "causa" é distinta, pluralista e profundamente ligada a mecanismos específicos do domínio.

O problema central é o "encantamento da inteligência pela linguagem", onde técnicas computacionais (como Grafos Acíclicos Dirigidos - DAGs e testes de independência condicional) são confundidas com certificação definitiva de fenômenos causais. O artigo postula que esse excesso de confiança ignora a realidade de que:

1. Suficiência Causal (a suposição de que todas as causas comuns são observadas) raramente se sustenta em sistemas abertos do mundo real (biologia, ciências sociais).
2. Viés Indutivo é inerente a todo processo de seleção de modelo, contudo, o aprendizado causal frequentemente apresenta sua escolha específica de representação estatística (ex: transições Markovianas) como uma certificação neutra e independente de prática sobre a verdade.
3. Disparidade de Domínio: Os mecanismos que definem a causalidade em sistemas físicos fechados diferem fundamentalmente daqueles em sistemas biológicos ou sociais abertos, onde a emergência, a irreduzibilidade e a interpretação narrativa desempenham papéis centrais.

Metodologia

Os autores empregam uma metodologia enraizada na Filosofia da Linguagem Ordinária (inspirada em Wittgenstein) e na Semiótica Antropológica. Em vez de propor novos algoritmos ou testes estatísticos, o artigo conduz uma investigação filosófica e linguística sobre como o conceito de "causa" é efetivamente utilizado através de diferentes "jogos de linguagem" (tribos) científicos.

A abordagem envolve:

• Revisão de Definições Formais: Analisar estruturas contemporâneas de aprendizado causal de ML, incluindo Redes Bayesianas (BNs), Redes Bayesianas Dinâmicas (DBNs), Modelos Causais Estruturais (SCMs) e Lógica Causal Probabilística (CP-logic).
• Análise Epistemológica: Examinar a história da causalidade na filosofia (Descartes, Hume, Kant, Popper, Kuhn, Quine) para compreender o papel do viés indutivo, dos paradigmas e dos limites da falsificabilidade.
• Investigação Semiótica Trans-Domínio: Comparar os "jogos de linguagem" da causalidade em:
  • Física/Engenharia: Onde sistemas fechados e equações diferenciais fornecem uma correspondência um-para-um entre mecanismo e representação matemática.
  • Biologia/Medicina: Onde sistemas abertos, emergência e interações multiescalares exigem uma "preponderância de evidências" de múltiplas camadas de abstração (ex: combinando ensaios estatísticos com narrativas mecanísticas).
  • Ciências Sociais: Onde o comportamento humano é um sistema aberto irredutível, e a causalidade é frequentemente estabelecida através de narrativas hermenêuticas, fenomenologia e do acúmulo de achados consistentes através de diversas metodologias, em vez de previsão quantitativa definitiva.
• Integração de Perspectivas Neuro-Simbólicas: Considerar como a IA neuro-simbólica e a interpretabilidade mecanística podem fazer a ponte entre modelos estatísticos e narrativas de domínio, ao mesmo tempo em que reconhecem as limitações atuais.

Principais Contribuições

1. A Definição Pluralista de Causalidade

O artigo argumenta que "causa" não é um conceito monolítico com uma única definição essencial. Em vez disso, é um termo funcional dentro de jogos de linguagem científicos específicos:

• Na Física, a causa é definida por equações de campo e operadores diferenciais (ex: $\frac{dX}{dt} = f(X)$), onde o mecanismo é totalmente capturado pela equação.
• Na Biologia/Medicina, a causa é uma "narrativa mecanística" sustentada por uma convergência de evidências através de escalas (molecular, fisiológica, clínica). Nenhum modelo estatístico único pode capturar o mecanismo causal completo de um sistema aberto.
• Nas Ciências Sociais, a causa é frequentemente uma "Verdade Hermenêutica" — uma narrativa convincente que explica o comportamento e o significado humano, que pode ser instrumentalmente útil para indivíduos ou políticas mesmo sem a precisão preditiva das leis físicas.

2. Crítica ao "Aprendizado de Máquina Causal"

Os autores criticam a premissa de que critérios de independência estatística (ex: $X \perp Y | Z$) podem certificar a causalidade. Eles destacam:

• A Falha da Suficiência Causal: Sistemas do mundo real raramente são fechados; confundidores latentes são ubíquos, violando os axiomas centrais da descoberta causal padrão.
• O Desalinhamento da Abstração: Aplicar DAGs Markovianos a sistemas complexos e emergentes (como a psicologia humana) é uma escolha de abstração inapropriada que redefine a "causa" para se ajustar à ferramenta, em vez de se ajustar ao fenômeno.
• Excesso de Confiança: O campo sofre de uma estrutura de incentivos que recompensa afirmações causais definitivas, levando à superestimação de resultados que são meras associações estatísticas.

3. O Papel da Hermenêutica e da Narrativa

O artigo eleva a Hermenêutica (teoria da interpretação) como um quadro epistemológico válido e necessário para os sistemas sociais e biológicos complexos. Argumenta-se que:

• Narrativas não são apenas explicações "suaves", mas ferramentas essenciais para processar o significado e estabelecer a "verdade instrumental" em domínios onde a modelagem mecanística precisa é impossível.
• O "Problema Difícil" da consciência e o debate sobre o livre-arbítrio são frequentemente confusões linguísticas que podem ser resolvidas ao reconhecer que diferentes jogos de linguagem (neurociência vs. fenomenologia) oferecem perspectivas complementares e não redutivas.

4. Virtude Epistêmica e a "Preponderância de Evidências"

O artigo propõe uma mudança na prática científica em direção à Virtude Epistêmica. Em vez de buscar a certificação causal definitiva de um único modelo estatístico, os pesquisadores devem:

• Exercer cautela na comunicação, evitando afirmações causais definitivas quando a evidência se limita à associação estatística.
• Buscar uma preponderância de evidências agregando achados consistentes através de múltiplos domínios, escalas e metodologias (ex: combinando dados estatísticos, teoria evolutiva e narrativas fenomenológicas).
• Tratar as ferramentas de aprendizado causal como métodos para gerar "representações interpretáveis de relações de objetos", em vez de provas definitivas de causalidade.

Resultados e Achados

• Física vs. Outros Domínios: O artigo confirma que as técnicas de aprendizado causal (como SCMs) são mais apropriadas para a física e engenharia, onde os sistemas são fechados e os mecanismos são descritíveis por equações diferenciais.
• Inadequação para Sistemas Abertos: Para a biologia e ciências sociais, a suposição de suficiência causal é praticamente impossível de satisfazer. Consequentemente, algoritmos de descoberta causal frequentemente falham em identificar grafos válidos em dados reais, ou produzem resultados espúrios devido a confundidores não medidos.
• A Necessidade de Harmonia Multidomínio: Alegações causais válidas em sistemas complexos (ex: os efeitos do tabagismo na saúde) não são estabelecidas por um único ensaio randomizado ou modelo estatístico, mas pela convergência de diversos tipos de evidência: associações estatísticas, narrativas biológicas mecanísticas e observações clínicas.
• Utilidade Hermenêutica: Nas ciências sociais, a "verdade" de uma alegação causal reside frequentemente em sua capacidade de fornecer uma narrativa coerente e instrumentalmente útil para a compreensão humana (ex: modalidades de psicoterapia), em vez de sua capacidade de prever resultados individuais com alta precisão.

Significância e Alegações

O artigo afirma que a trajetória atual do "Aprendizado de Máquina Causal" é fundamentalmente falha porque tenta reduzir o conceito rico e pluralista de causalidade a um conjunto de testes de independência estatística.

Significância:

• Corrigindo o "Encantamento": Visa esclarecer a confusão causada pelo uso indevido da linguagem, instando a comunidade científica a reconhecer que "causa" significa coisas diferentes em diferentes contextos.
• Promovendo a Humildade Intelectual: Clama por uma abordagem mais modesta às afirmações científicas, particularmente em campos onde os sistemas são abertos e irredutíveis. Argumenta que a solução para a crise de replicabilidade nas ciências sociais não é uma melhor estatística, mas uma maior disposição para aceitar a incerteza e confiar no consenso multidisciplinar.
• Redefinindo a Explicabilidade: Sugere que a verdadeira explicabilidade na IA requer a integração de modelos estatísticos com narrativas de domínio e conhecimento mecanístico (abordagens Neuro-Simbólicas), em vez de depender apenas de importância de atributos ou contrafatuais.
• Orientação Metodológica: Propõe que o caminho a seguir para a ciência interdisciplinar não é a unificação de métodos sob um único quadro causal, mas a harmonização de diversos "jogos de linguagem" para construir uma compreensão mais rica e robusta de fenômenos complexos.

Os autores concluem que, embora as ferramentas de inferência causal sejam métodos estatísticos poderosos, elas devem ser despojadas de sua pretensão de certificação causal definitiva. Em vez disso, devem ser vistas como ferramentas para gerar hipóteses e identificar associações que devem ser validadas através dos processos rigorosos, de múltiplas camadas e frequentemente orientados por narrativas, da investigação científica específica de cada domínio.