Immanuel Kant: causality as a category of the intellect

Kant serve qui come promemoria di metodo. I dati non parlano mai da soli, perche 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.

Real-world problem

L’idea kantiana della causalità come categoria dell’intelletto aiuta a risolvere un problema preciso: capire quando un dato sostiene davvero una decisione e quando invece nasconde assunzioni implicite, un bias o una domanda formulata male. Osservare correlazioni e pattern non basta. Ogni interpretazione passa attraverso categorie mentali che strutturano cosa vediamo, e il punto è trasformare questa consapevolezza in uno strumento concreto che migliori le scelte sui dati.

Conceptual model

flowchart LR
    A["Observation"]
    B["Assumption"]
    C["Model"]
    D["Evidence"]
    E["Decision"]
    A --> B
    B --> C
    C --> D
    D --> E

Questo modello ricorda che l’analisi dati non parte dai numeri per arrivare a una verità oggettiva. Prima si formula la domanda, poi si definiscono le unità osservabili, si valuta la qualità del dato e solo alla fine si decide. Quando si salta uno di questi passaggi si ottengono analisi che sembrano sofisticate ma sono fragili.

Step	Guiding question	Expected output
Framing	Which decision needs to change?	A concrete choice, not a curiosity
Measure	Which signal represents the phenomenon?	Metric, source, and granularity
Comparison	Compared to which baseline do I interpret the result?	Benchmark or plausible counterfactual
Action	What do I do if the signal exceeds the threshold?	Decision, owner, and next check

Quattro elementi della causalità kantiana

La causalità kantiana si può leggere come una relazione tra quattro elementi:

Element	Operational Definition
Unit	observation, hypothesis, variable, causal mechanism, or evidence criterion
Signal	strength of evidence, causal consistency, robustness of assumptions, cost of decision error
Baseline	alternative explanation, counterfactual, comparable group, or no-intervention scenario
Decision	accept, reject, or reformulate an explanation before using it

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.

Example or case study

Prendi un comitato che legge una crescita della retention come prova del successo di una nuova iniziativa. Con la lente kantiana il team tiene separati osservazione, spiegazione, assunzione e decisione, così evita di trasformare un dato isolato in una conclusione che si regge da sola.

Evidence	Prudent interpretation	Resulting decision
Positive signal but not isolated	The phenomenon exists, but the cause is uncertain	Look for baseline or holdout
Segment with different response	The average effect hides heterogeneity	Analyze cohorts or subgroups
Increasing operating cost	The result should be evaluated on margin	Apply economic thresholds

Lab / exercise

Basic level

Write a real decision in five lines linked to this lesson: objective, primary metric, baseline, main risk, and planned action. Use only one primary metric.

Intermediate level

Build a table with at least three segments or scenarios. For each indicate signal, possible alternative explanation, and necessary check before deciding.

Research-grade level

Design a validation plan: hypothesis, required data, exclusion criteria, decision threshold, and post-decision check. Specify what would make you change your mind.

Recommended datasets and materials

Usa case study decisionali, metriche prodotto, risultati di esperimenti, DAG semplici, report analitici e serie storiche simulate. Se non hai dati reali, crea un dataset sintetico con almeno 200-500 righe, una colonna temporale, una colonna segmento, una metrica di outcome e una variabile di esposizione.

Typical mistake to avoid

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 sbaglierei? Se la risposta non è chiara, la lezione è rimasta sulla carta.

Quiz or checkpoint

1. What is the concrete decision this lesson should improve?
2. Which baseline makes the result interpretable?
3. Which assumption, if wrong, would change the conclusion?
4. What minimum check would you use before presenting the recommendation?

Perche 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, ogni relazione causale che vedi è in parte una tua costruzione, 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.

Real case: the COMPAS algorithm

Nel 2016 l’inchiesta di ProPublica sul sistema COMPAS ha mostrato come un algoritmo all’apparenza neutro potesse produrre discriminazioni razziali. Il modello non usava la variabile razza, ma proxy come quartiere o livello di istruzione. La causalità che gli sviluppatori avevano imposto ai dati era in realtà una causalità sociale, invisibile proprio perche nessuno l’aveva mai messa in discussione. È il caso da manuale di una lente kantiana lasciata implicita che finisce per nascondere un bias e un rischio decisionale.

How to apply Kant to your work

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, quali variabili restano fuori dal frame. E controlla la qualità e la coerenza del dato prima di decidere qualunque cosa.

Operational Summary

La causalità come categoria dell’intelletto serve per collegare concetto, dato e decisione. Si parte da un problema reale, si formalizza il segnale, si cerca una baseline credibile, si costruisce un esempio e si chiude con un controllo pratico. Quando lavori così, la filosofia smette di essere decorativa e diventa un modo per decidere meglio sotto incertezza.