Il Trucco è Come lo Mostri: Come il Formato dei Dati Ci Inganna (o Ci Salva) dalle Illusioni Causali
Ciao a tutti! Oggi voglio parlarvi di qualcosa di affascinante che riguarda il nostro cervello e come interpreta il mondo: le illusioni causali. Vi è mai capitato di essere convinti che una cosa ne causi un’altra, per poi scoprire che in realtà non c’era nessun legame? Ecco, quelle sono le illusioni causali. In pratica, il nostro cervello vede connessioni causa-effetto anche quando, dati alla mano, queste connessioni non esistono o sono molto deboli.
Pensateci un attimo: quante volte abbiamo sentito dire “Da quando prendo l’integratore X, mi sento molto meglio!” oppure “Ogni volta che lavo la macchina, piove!”. A volte c’è un fondo di verità, ma spesso cadiamo vittime di questo bias cognitivo. E non è solo una curiosità da laboratorio: la tendenza a vedere cause dove non ce ne sono è collegata alla difficoltà nel distinguere le fake news, alla credenza nelle pseudoscienze e persino nel paranormale. Insomma, capire come nascono queste illusioni è importante!
Capire le Basi: Come Valutiamo Causa ed Effetto?
La ricerca scientifica ha studiato a fondo questo fenomeno, spesso usando compiti di apprendimento della contingenza. Immaginate di dover valutare se un farmaco fittizio (la potenziale causa) cura davvero il mal di testa (l’effetto). Vi mostrano una serie di casi:
- Paziente prende il farmaco E guarisce (Caso A)
- Paziente prende il farmaco E NON guarisce (Caso B)
- Paziente NON prende il farmaco E guarisce (Caso C)
- Paziente NON prende il farmaco E NON guarisce (Caso D)
Questi quattro tipi di informazione sono fondamentali. Per capire se il farmaco funziona davvero, non basta guardare quanti sono guariti prendendolo (Caso A). Bisogna confrontare la probabilità di guarire *con* il farmaco [P(Guarigione|Farmaco) = A / (A+B)] con la probabilità di guarire *senza* il farmaco [P(Guarigione|No Farmaco) = C / (C+D)]. Se queste due probabilità sono uguali, il farmaco è inutile! La differenza tra queste due probabilità si chiama regola Delta P (ΔP). Se ΔP è 0, non c’è legame causale. L’illusione causale nasce proprio quando ΔP è 0, ma noi percepiamo comunque un effetto.
Il problema è che spesso non usiamo la regola Delta P. Il nostro cervello preferisce scorciatoie (euristiche):
- Strategia della Cella A: Ci concentriamo solo su quanti hanno preso il farmaco e sono guariti. Più sono, più pensiamo funzioni. Semplice, ma sbagliatissimo!
- Strategia A-B: Confrontiamo chi ha preso il farmaco ed è guarito (A) con chi l’ha preso e non è guarito (B). Già meglio, ma ancora incompleto.
- Somma delle Diagonali: Confrontiamo i casi “confermanti” (A+D) con quelli “smententi” (B+C). Più sofisticato, ma può comunque portare fuori strada.
Il Formato Conta: Come Ci Vengono Presentati i Dati?
Tradizionalmente, negli studi, le informazioni sui casi A, B, C e D vengono presentate una alla volta, in sequenza (trial-by-trial). Questo simula un po’ come impariamo nella vita reale. Ma oggi siamo bombardati da informazioni riassunte: grafici, tabelle sui giornali, risultati di studi clinici online. La domanda sorge spontanea: presentare i dati in modo diverso può aiutarci a evitare le illusioni causali?
Ricerche passate suggerivano che le tabelle di contingenza (quelle griglie 2×2 che riassumono i casi A, B, C, D) potessero portare a giudizi più accurati rispetto alla presentazione sequenziale. Sembrava che vedere tutti i dati insieme aiutasse a usare strategie più sofisticate, come la regola Delta P.
Ma ci sono tanti modi per riassumere i dati! Tabelle con numeri, tabelle con icone (faccine sorridenti/tristi, per esempio), grafici a barre, e un formato particolarmente interessante: gli alberi di frequenza. Questi diagrammi mostrano la struttura dei dati in modo gerarchico: partono dal totale, poi dividono tra chi ha preso la causa e chi no, e poi ancora tra chi ha avuto l’effetto e chi no.
Alcuni studi su altri tipi di ragionamento (come quello Bayesiano) suggerivano che gli alberi di frequenza fossero particolarmente efficaci. E se funzionassero anche per ridurre le illusioni causali?
Gli Esperimenti: Mettiamo alla Prova i Formati
È qui che entra in gioco la ricerca che sto commentando. Abbiamo condotto tre esperimenti per capirci di più.
Studio 1: Confronto a Quattro
Nel primo studio, abbiamo confrontato quattro modi di presentare i dati (sempre relativi a un farmaco fittizio per il mal di testa, con un ΔP=0, quindi nessuna efficacia reale):
- Presentazione sequenziale (trial-by-trial)
- Tabella di contingenza con numeri
- Tabella di contingenza con icone (faccine colorate)
- Albero di frequenza
I risultati? Come sospettavamo, il formato ha avuto un impatto! Le persone che vedevano i dati tramite alberi di frequenza o tabelle con icone sviluppavano illusioni causali significativamente più deboli rispetto a chi vedeva i dati prova per prova o in tabelle numeriche semplici. Gli alberi di frequenza, in particolare, sembravano i più efficaci nel far capire che il farmaco era inutile. Curiosamente, la tabella con i numeri non era molto meglio della presentazione sequenziale.
Perché gli Alberi Funzionano? Ipotesi e Studio 2
Una possibile spiegazione per il successo degli alberi di frequenza è che mostrano esplicitamente i totali parziali (quanti hanno preso il farmaco in totale, quanti non l’hanno preso). Questi numeri sono i denominatori nella formula Delta P (A+B e C+D), e forse vederli scritti aiuta a non ignorarli (un bias comune chiamato “denominator neglect”). Anche le icone colorate potrebbero aver aiutato a raggruppare mentalmente i dati giusti.
Nello Studio 2, abbiamo testato questa idea. Abbiamo confrontato tre tipi di tabelle numeriche:
- Standard (come nello Studio 1)
- Con i totali marginali (denominatori) aggiunti esplicitamente
- Con i numeri colorati per distinguere i gruppi (chi ha preso il farmaco vs chi no)
Il risultato? Sorpresa! Nessuna differenza significativa tra le tre condizioni. Aggiungere i totali o i colori non sembrava bastare a ridurre l’illusione. MA, abbiamo chiesto ai partecipanti *come* avevano ragionato (domanda aperta). E qui è emersa una cosa cruciale:
- Chi usava strategie semplici (tipo “guardo solo chi ha preso il farmaco e sta bene” – Takers only) aveva illusioni fortissime.
- Chi faceva confronti un po’ più complessi ma non basati sulle proporzioni (Suboptimal comparison) aveva illusioni un po’ meno forti.
- Chi confrontava le proporzioni di guarigione tra chi aveva preso il farmaco e chi no (Proportion comparison, simile alla regola Delta P) aveva illusioni molto più deboli, spesso nulle!
Quindi, non era tanto *vedere* i numeri giusti, ma *usarli* nel modo corretto. L’accuratezza dipendeva dalla strategia di ragionamento.
Studio 3: Alberi vs Tabelle e il Ruolo della Strategia
A questo punto, l’ipotesi era che gli alberi di frequenza non funzionassero solo perché mostravano certi numeri, ma perché la loro struttura gerarchica rendesse più naturale e accessibile la strategia di confronto delle proporzioni.
Nello Studio 3, abbiamo confrontato direttamente solo gli alberi di frequenza e le tabelle numeriche standard, chiedendo di nuovo ai partecipanti la loro strategia. I risultati hanno confermato tutto:
- Gli alberi di frequenza hanno portato a illusioni causali più deboli rispetto alle tabelle numeriche (confermando lo Studio 1, almeno con test non parametrici più adatti ai dati).
- La forza dell’illusione dipendeva fortemente dalla strategia usata (confermando lo Studio 2): chi confrontava le proporzioni era più accurato.
- Ecco il punto chiave: I partecipanti che vedevano l’albero di frequenza erano significativamente più propensi a usare la strategia di confronto delle proporzioni rispetto a chi vedeva la tabella numerica!
Cosa Ci Dice Tutto Questo?
La conclusione principale è che il modo in cui presentiamo le informazioni conta eccome! Non tutti i formati riassuntivi sono uguali. Gli alberi di frequenza sembrano essere uno strumento particolarmente potente per ridurre le illusioni causali. Non tanto perché mostrano numeri specifici, ma perché la loro struttura “guida” il nostro ragionamento verso confronti più sofisticati e normativamente corretti, come quello delle proporzioni (la regola Delta P).
Questa struttura ad “insiemi nidificati” (il totale, poi i sottogruppi, poi i sotto-sottogruppi) rende più chiaro come calcolare i tassi di successo nei diversi gruppi e l’importanza di confrontarli. È un po’ come se l’albero ci dicesse: “Ehi, guarda la proporzione di guariti qui… e ora confrontala con la proporzione di guariti qui!”.
Questi risultati hanno implicazioni importanti. Se vogliamo aiutare le persone a ragionare meglio sulle cause e gli effetti, a non cadere nelle trappole delle fake news o delle pseudoscienze basate su aneddoti e correlazioni illusorie, forse dovremmo usare di più formati come gli alberi di frequenza per comunicare dati e risultati di studi. Potrebbero essere uno strumento utile negli interventi di “debiasing”.
Certo, ci sono limiti. Questi studi hanno usato un solo tipo di problema e non hanno considerato le credenze preesistenti delle persone (che possono renderci più testardi nel vedere quello che vogliamo vedere). Inoltre, abbiamo testato una specifica struttura ad albero. Serviranno altre ricerche per confermare questi risultati con dati diversi e in contesti più realistici.
Ma la strada sembra promettente. La prossima volta che vi trovate davanti a dati che sembrano mostrare una chiara relazione causa-effetto, chiedetevi: come mi vengono presentati? Sto confrontando le giuste proporzioni? E magari, provate a ridisegnarli mentalmente (o su carta) come un albero di frequenza. Potreste scoprire che l’apparenza… inganna!
Fonte: Springer
