Nedenler Kitabı: Nedensel Çıkarım Bilimi ve Yeni Bir Gerçeklik Taslağı
Özet
Judea Pearl ve Dana Mackenzie tarafından kaleme alınan metinler, bilim dünyasında "Nedensel Devrim" (Causal Revolution) olarak adlandırılan köklü bir dönüşümü ele almaktadır.
Bu yeni bilim dalı, nedenselliği gizemli bir kavram olmaktan çıkarıp matematiksel bir dille tanımlanan, ölçülebilen ve analiz edilebilen bir nesneye dönüştürmüştür.
Temel sav, verilerin (Big Data dahil) kendi başlarına "aptal" olduğudur; veriler neyin neye sebep olduğunu söyleyemez, sadece değişkenler arasındaki ilişkileri (korelasyon) gösterir.
İnsan zekasının ayırt edici özelliği olan "Neden?" sorusunu yanıtlama yeteneği, ancak "Nedensellik Merdiveni" olarak tanımlanan üç seviyeli bir bilişsel hiyerarşi ve verilere eklenen nedensel modellerle mümkündür.
Belge, istatistik biliminin tarihsel olarak nedenselliği nasıl dışladığını, Sewall Wright gibi öncülerin bu yasağı nasıl deldiğini ve gelecekteki yapay zeka sistemlerinin neden nedensel bir modele ihtiyaç duyduğunu detaylandırmaktadır.
1. Nedensellik Merdiveni: Üç Bilişsel Seviye
Metin, nedensel düşünme yeteneğini üç temel basamaktan oluşan bir merdiven olarak modeller. Her basamak, bir öncekinden daha karmaşık soruları yanıtlama yeteneği sunar:
Basamak | Tanım | Temel Soru | Örnek |
1. İlişkilendirme (Gözlem) | Düzenliliklerin tespiti. Mevcut verilerdeki kalıpları görmek. | "Eğer ... görürsem ne olur?" | Bir semptom bir hastalık hakkında ne söyler? |
2. Müdahale (Yapma) | Çevreyi kasıtlı olarak değiştirmenin sonuçlarını tahmin etmek. | "Eğer ... yaparsam ne olur? Nasıl yapabilirim?" | Diş macununun fiyatını iki katına çıkarırsak satışlar ne olur? |
3. Karşıolgusal Düşünme (Hayal Etme) | Gerçekleşmiş olayların alternatif senaryolarını kurgulamak; retrospektif analiz. | "Eğer farklı davranmış olsaydım ne olurdu? Neden?" | Aspirin almasaydım baş ağrım yine de geçer miydi? |
Döngü 1 (Gözlem): Modern makine öğrenimi ve derin öğrenme algoritmaları bu seviyededir. Verilere fonksiyon uydururlar ancak esneklik ve uyum yetenekleri düşüktür.
Döngü 2 (Müdahale): Sadece veriye bakmak yetmez; "yapma" (do-operator) eylemi devreye girer. Bu seviye, çevrenin kurallarını değiştirdiğimizde ne olacağını anlamamızı sağlar.
Düngü 3 (Karşıolgusal): İnsan bilincinin ve bilimsel düşüncenin zirvesidir. Gerçekleşen olguların tersini hayal ederek (örneğin, "Eve elmayı vermeseydi dünya nasıl olurdu?") neden-sonuç mekanizmaları çözülür.
2. Nedensel Çıkarım Motoru
Gerçekliği modellemek için önerilen "nedensel çıkarım motoru", verileri ham bilgi olmaktan çıkarıp anlamlı yanıtlara dönüştüren bir yapıdır. Bu motor dokuz temel bileşenden oluşur:
Bilgi: Geçmiş deneyimler ve eğitim; modelin arkasındaki örtük bilgi.
Varsayımlar: Araştırmacının modelde açıkça belirttiği basitleştirmeler.
Nedensel Model: Genellikle noktalar ve oklar (diyagramlar) şeklinde ifade edilen yapı. "Y, X'i dinler" ilkesine dayanır.
Test Edilebilir Çıkarımlar: Verilerdeki gözlemlenebilir modeller (bağımsızlık durumları gibi).
Sorgu (Query): Yanıtlanmak istenen nedensel soru (Örn: "D ilacının L ömrü üzerindeki etkisi nedir?").
Tahmin Edilecek Değer (Estimand): Nedensel soruyu verilerden elde edilebilecek istatistiksel bir formüle dönüştüren "reçete".
Veri: Tahmin reçetesine giren ham içerik.
İstatistiksel Tahmin: Verilerin kısıtlı olması nedeniyle yapılan yaklaşık hesaplama.
Tahmin (Sonuç): Sorgunun nihai yanıtı.
3. İstatistik Tarihinde "Nedensellik Yasağı"
Belge, istatistik biliminin kurucularının nedensellik kavramına karşı takındığı tutumu tarihsel bir perspektifle ele alır:
Francis Galton ve "Ortalamaya Dönüş": Galton, başlangıçta kalıtımın nedenlerini ararken, "ortalamaya dönüş" (regression to the mean) fenomenini keşfetti. Uzun boylu babaların çocuklarının babalarından daha kısa (ortalamaya daha yakın) olması durumunun nedensel değil, istatistiksel bir şans eseri olduğunu fark edince nedenselliği terk edip korelasyon kavramına yöneldi.
Karl Pearson ve Radikal Pozitivizm: Pearson, nedenselliği "bilimin karanlık dehlizlerinde bir fetiş" olarak nitelendirerek tamamen reddetti. Ona göre bilim sadece korelasyonlardan (veriden) ibaretti. Pearson’ın bu katı tutumu, istatistik eğitiminde "Korelasyon nedensellik değildir" sloganının bir tabu haline gelmesine yol açtı; ancak bu süreçte nedenselliğin ne olduğu tanımlanmadan bırakıldı.
Sewall Wright ve Pat Diyagramları: 1920'lerde genetikçi Sewall Wright, kobay farelerinin tüy renklerini analiz ederken ilk "pat diyagramlarını" (path diagrams) çizdi. Wright, verilerin ötesine geçerek değişkenler arasındaki nedensel yolları görselleştirdi ve istatistiğin model körü yaklaşımına ilk ciddi meydan okumayı gerçekleştirdi.
4. Kritik Kavramlar ve Bilimsel Çıkarımlar
Verinin Yetersizliği (Data is Dumb)
Metne göre, veriler neden-sonuç ilişkileri konusunda derin bir sessizlik içindedir. Örneğin:
Bir ilacı alanların daha hızlı iyileştiği verisi, ilacın iyileştirdiğini kanıtlamaz. Belki de sadece zenginler ilacı alabiliyordur ve iyileşmelerinin nedeni ilacın kendisi değil, daha iyi yaşam koşullarıdır.
Horoza ait ötüş ile güneşin doğuşu arasındaki %100 korelasyon, horozun güneşi doğdurduğu anlamına gelmez.
"Görmek" ve "Yapmak" Arasındaki Fark
İstatistikte kullanılan koşullu olasılıklar (P(Y | X)), sadece "görmek" ile ilgilidir. Nedensel çıkarım ise müdahaleyi (P(Y | do(X))) tanımlar.
Örnek: Barometrenin düştüğünü görmek fırtına olasılığını artırır. Ancak barometreyi elinizle zorla düşürmek (müdahale), fırtına olasılığını değiştirmez.
Karşıolgusallar ve Sorumluluk
Karşıolgusal düşünme, ahlaki davranışın ve bilimsel düşüncenin temelidir. "Eğer farklı davransaydım..." diyebilmek, özgür irade, sorumluluk ve geçmiş hatalardan ders çıkarma yeteneğini doğurur. Metin, bu yeteneğin yaklaşık 50.000 yıl önce gerçekleşen "Bilişsel Devrim"in bir parçası olduğunu savunur.
5. Yapay Zeka ve Gelecek Projeksiyonu
Pearl, "güçlü yapay zeka" (Strong AI) hedefine ulaşmak için nedenselliğin şart olduğunu belirtir:
Uyarlanabilirlik: Nedensel bir modele sahip olan bir makine, çevresel koşullar (veriler) değişse bile temel nedensel mekanizmaların aynı kalması sayesinde yeni durumlara hızla uyum sağlayabilir.
Açıklanabilirlik: Bir robotun neden belirli bir şekilde tepki verdiğini açıklaması veya hatalarından ders çıkarması için nedensel bir akıl yürütme modülüne ihtiyacı vardır.
Etik ve Moralite: Makinelerin "pişmanlık" duyması veya eylemlerinin sorumluluğunu alması, ancak karşıolgusal dünyaları (Rung 3) hayal edebilmeleriyle mümkündür.
Önemli Alıntılar
"Veriler hakkında bildiğiniz her şeyi unutsanız bile, siz verilerinizden daha akıllısınız. İnsanlar nedenleri ve sonuçları anlar; veriler anlamaz."
"Bilimin, nedenselliği ifade edecek bir dili nesiller boyunca geliştirmemiş olması aslında bilimin bir ayıbıdır."
"Korelasyon nedensellik değildir, ama nedenselliğin ne olduğunu söylemeyen bir istatistik eğitimi eksiktir."
