4.2: ¿Qué hace que la causalidad sea un tema tan difícil?

Continúa ad infinitum, como todo lo demás que encontramos en el mundo metateórico relacional. Shadish, Cook y Campbell (2002) nos dan palabras para entender la importancia de este tema cuando distinguen la “descripción causal” en la que los investigadores identifican los factores causales, de la “explicación causal” en la que los investigadores especifican los mecanismos o procesos mediadores por los que opera la causalidad (ver recuadro ). Algunos investigadores se refieren a estos como “los ingredientes activos”; pensamos en ellos como “lo que hay en las flechas” entre antecedentes y resultados”, la pregunta crítica de “¿cómo funciona eso?”.

Shadish, Cook, & Campbell (2002) sobre Descripción Causal vs Explicación Causal.

La fuerza única de la experimentación está en describir las consecuencias atribuibles a la variación deliberada de un tratamiento. Llamamos a esta descripción causal. En contraste, los experimentos hacen menos bien en aclarar los mecanismos a través de los cuales y las condiciones bajo las cuales se mantiene esa relación causal, lo que llamamos explicación causal (p. 9).

Para una explicación completa, entonces tendrían que mostrar cómo las partes causalmente eficaces del tratamiento influyen en las partes causalmente afectadas del resultado a través de procesos mediadores identificados (p. 10).

Este beneficio de la explicación causal ayuda a dilucidar su prioridad y prestigio en todas las ciencias y ayuda a explicar por qué, una vez que se descubre una relación causal novedosa e importante, la mayor parte del esfuerzo científico básico gira hacia explicar por qué y cómo sucede. Por lo general, esto implica descomponer la causa en sus partes causalmente efectivas, descomponer los efectos en sus partes causalmente afectadas e identificar los procesos a través de los cuales las partes causales efectivas influyen en las partes del resultado causalmente afectadas (p. 10).

Pero todo el asunto de la causalidad no puede ser realmente tan difícil, ¿verdad?

Sí, parece que los investigadores deberían ser muy buenos para identificar causas. De hecho, cuando pensamos en los humanos como una especie, parece que todos ya somos buenos en esto, en averiguar quién está haciendo qué a quién, o ¿cómo habría sobrevivido tanto tiempo? Oye, ¿y qué pasa con esos niños de 4 meses de los que leemos en el último capítulo, que cayeron en una profunda depresión cuando los móviles colgados ya no estaban atados a sus pequeños pies pateadores? Estaban detectando bien la causalidad, y actuando en consecuencia.

Entonces, ¿cuál es el problema?

El tipo de causalidad que los humanos son realmente buenos para detectar se llama “transmisión generativa”. Se trata de una “experiencia de control” en la que sentimos directamente el poder de nuestras acciones transmitido a los objetos o personas en nuestro contexto inmediato, y podemos ver la energía crear efectos frente a nuestros ojos. Las experiencias prototípicas de transmisión generativa incluyen al bebé inclinado sobre la bandeja de su trona y dejar caer la cuchara, llamar a mamá y darle la vuelta, la mano llegando a la manzana y arrancándola de la rama, la grieta del bate contra el beisbol y el beisbol disparándose en un dirección completamente nueva, tocar una cerilla con una mecha de vela, arrojar palabras malas en la cara de tu hermanito y verlo arrugarse en lágrimas. Estamos diseñados para detectar los efectos de nuestras acciones (para que podamos ser efectivos en nuestras interacciones con el contexto social y físico). Pero nuestras acciones rara vez son causas necesarias o suficientes para obtener resultados objetivos. No son necesarios, en que mi hermanito llorará cuando encuentre otras provocaciones (de hecho, por casi cualquier razón, si me preguntas) y cuando enciendo la vela veo solo el fósforo como una causa, pero no es suficiente, la llama necesita combustible y oxígeno, lo que es poco probable que perciba como parte de mi experiencia causal (razón por la cual nadie responde nunca a la pregunta: “¿Qué causó este incendio forestal?” con “Árboles”). La gente es buena para responder a la pregunta: “¿Puedo hacer que esto suceda?” y “¿Cómo puedo hacer que esto suceda?” y “¿Qué se suma a este escenario para crear un cambio?” pero no estamos tan equipados para averiguar “¿Cuáles son las causas necesarias y suficientes para producir este resultado?”.

Resulta, quizás sorprendentemente, que la causalidad es toda la hazaña inferencial. Necesitamos integrar información de múltiples combinaciones contrastantes de experiencias antes de llegar a una conclusión sobre las causas. En el estudio del desarrollo del razonamiento causal, podemos ver la complejidad progresiva de “¿Con qué frecuencia sucede X cuando hago Y?” a “¿X sucede más a menudo cuando hago Y en comparación con cuando no hago Y?” y así sucesivamente. La causa “habilidad” es tan altamente inferencial que tiene su propio curso de desarrollo. Inicialmente, la alta capacidad se infiere del alto rendimiento, luego el alto rendimiento sin ayuda, luego del alto esfuerzo, luego del alto rendimiento en tareas difíciles (en las que la dificultad de la tarea a su vez se infiere del desempeño de los demás; las tareas difíciles son aquellas en las que pocas personas hacen bien), luego finalmente de alto desempeño en tareas difíciles con bajo esfuerzo. No es de extrañar determinar la causalidad, cuando no experimentamos directamente la transmisión generativa de nuestras causas, es todo un reto.

¿Es peor para los metateóricos relacionales?

A lo mejor un poco. En el meta-mundo relacional, la inferencia causal es desordenada: Las cosas siempre se determinan por multiplicación, rara vez es realmente necesaria alguna causa, hay muchos paquetes de causas suficientes, que trabajan sólo bajo ciertas condiciones y para ciertas personas en ciertos momentos. Y, lo peor de todo, muchos de estos factores efectivos resultan ser impostores, pero ya se han colado en el partido empírico creado por el diseño de nuestro estudio y así tenemos que dedicar nuestro tiempo a enraizarlos o tenemos que despedir a toda la fiesta. De hecho, ramas enteras de la ciencia psicológica están dedicadas al tema de cómo diseñar tus estudios para que puedas descartar todas estas explicaciones alternativas, para que puedas hacer válidamente inferencias causales sobre si tu antecedente hipotético está realmente produciendo tu resultado objetivo (Campbell Stanley, 1963; Shadish, Cook, & Campbell, 2002), o en el caso de la ciencia del desarrollo, su trayectoria objetivo.

Entonces, ¿qué tienen que decirnos?

Bueno, lee los clásicos tú mismo por todos los medios, pero una de las cosas que aprenderás en todas las clases de diseño es que el mejor diseño (y algunos dirán el único diseño) para probar la causalidad es el experimento, de hecho, un tipo particular de experimento, el ensayo de control aleatorio (ECA), el llamado “oro estándar.” Y, en los tiempos antiguos, se suponía que los experimentos sucedían en el laboratorio, por lo que los diseños experimentales y los entornos de laboratorio a menudo se fusionan en la mente de los estudiantes. Así que tomemos un minuto para considerar experimentos y laboratorios y metateorías relacionales. Dejemos que todas nuestras trayectorias descriptivas para todas nuestras cohortes y grupos de edad se toparan entre sí y se amontonen detrás de nosotros mientras nos detenemos para mirar hacia la ventana detrás del espejo unidireccional hacia nuestro laboratorio.