Immanuel Kant: causalità come categoria dell’intelletto

Nel binario ml-tabellare Kant serve come promemoria di metodo. I dati non parlano mai da soli, perché li leggiamo sempre attraverso categorie, ipotesi e forme di giudizio. Per decidere bene devi rendere visibile quel filtro prima di trattare una relazione come causale. Altrimenti scambi una tua scelta interpretativa per una proprietà del mondo.

La causalità in una frase

Per Kant la causalità non è un dato che si osserva ma una categoria con cui la mente organizza i fenomeni, perciò ogni relazione causale letta nei dati dipende anche dalla lente scelta dall’analista. In pratica: non trovi la causa, la costruisci.

Perché le categorie contano nei dati

Kant ci ricorda che non incontriamo mai i dati puri. Li organizziamo sempre attraverso categorie mentali come spazio, tempo e causalità. Queste categorie non sono proprietà del mondo. Sono le lenti con cui leggiamo ogni fenomeno. Sui dati questo vuol dire che ogni modello, ogni pattern e ogni relazione causale è in parte una tua costruzione, cioè una scelta di framing.

Due analisti possono guardare lo stesso dataset e arrivare a conclusioni causali opposte. Non è un errore tecnico ma una questione epistemologica: quale lente stai applicando. Saperlo sposta l’obiettivo. Non cerchi la verità assoluta. Scegli con cognizione di causa la lente più adatta al contesto e a cosa devi decidere.

Come applicare Kant al tuo lavoro

Rendi esplicite le tue categorie e le tue assunzioni invece di darle per scontate. Confronta modelli diversi per ruotare le lenti interpretative e vedere cosa cambia. Chiediti cosa non stai vedendo e quali variabili restano fuori dal frame. Controlla infine la qualità e la coerenza del dato prima di decidere qualunque cosa.

La regola pratica è semplice: una misura serve a qualcosa solo se riduce l’incertezza su una decisione precisa. Se non cambia una scelta resta documentazione. Se cambia una scelta senza controlli a monte, diventa rischio.

Cinque passi per rendere visibile la lente

1. Dichiara la lente interpretativa: quali categorie e assunzioni stai imponendo ai dati.
2. Elenca le variabili escluse dal frame e chiediti cosa non stai vedendo.
3. Confronta almeno due letture diverse dello stesso dataset e nota dove divergono.
4. Verifica qualità e coerenza delle fonti prima di assegnare cause.
5. Trasforma la lettura scelta in decisione solo con baseline e controllo espliciti.

Errore tipico da evitare

Il rischio più comune è trattare la causalità kantiana come una definizione da ricordare invece che come un protocollo decisionale. Capita quando si presenta una metrica senza baseline, un grafico senza ipotesi o una raccomandazione senza stimare il costo dell’errore. Il controllo che conviene farsi è questo: se questo risultato fosse falso o instabile, quale decisione sbaglieresti. Se la risposta non è chiara, la lezione è rimasta sulla carta.

Riferimenti: Kant, I. (1781). Critica della ragion pura. Angwin, J., Larson, J., Mattu, S. e Kirchner, L. (2016). Machine Bias. ProPublica.

Quando la lente è un algoritmo

Nel 2016 l’inchiesta Machine Bias di ProPublica mostrò che il sistema COMPAS, usato nelle aule di tribunale americane per stimare il rischio di recidiva, assegnava più spesso punteggi alti a imputati neri poi rivelatisi non recidivi. Il modello non usava la razza come variabile, ma proxy come quartiere e precedenti minori ereditavano la stessa distorsione. La causalità che gli sviluppatori credevano neutra era invece una lente sociale mai dichiarata. È Kant in produzione: i dati non parlavano da soli, parlavano attraverso categorie implicite che nessuno aveva reso visibili.

Verdetto: non trovi la causa nei dati, la costruisci: vince la lettura che dichiara la propria lente, confronta almeno due interpretazioni dello stesso dataset e trasforma la scelta in decisione solo con baseline e controllo espliciti.

Domande per chiudere la lezione

1. Quale categoria implicita stai imponendo a questi dati?
2. Quale variabile esclusa dal frame potrebbe ribaltare la lettura causale?
3. Quale seconda lente proveresti sullo stesso dataset prima di decidere?
4. Quale controllo rivelerebbe un proxy distorto nelle tue variabili?