science >> Wetenschap >  >> Fysica

De kar voor het paard:een nieuw model van oorzaak en gevolg

Krediet:CC0 Publiek Domein

Natuurlijke kleine wetenschappers, menselijke baby's houden ervan dingen los te laten en ze te zien vallen. Baby's eerste experiment leert ze over meer dan alleen de zwaartekracht. Het vestigt het concept van causaliteit - de relatie tussen oorzaak en gevolg waarvan alle menselijke kennis afhankelijk is. Laat het gaan, het valt. De oorzaak moet in de tijd voorafgaan aan het gevolg, als wetenschapper van Galileo in de 16e eeuw tot Clive Granger in 1969 definieerde causaliteit.

Maar in veel gevallen, deze eenrichtingsrelatie tussen oorzaak en gevolg kan de werkelijkheid niet nauwkeurig beschrijven. In een recent artikel in Natuurcommunicatie , wetenschappers onder leiding van Albert C. Yang, MD, doctoraat, van het Beth Israel Diaconess Medical Center, een nieuwe benadering van causaliteit introduceren die afwijkt van dit tijdelijk lineaire model van oorzaak en gevolg.

"De realiteit in de echte wereld is dat oorzaak en gevolg vaak wederkerig zijn, zoals in de feedbackloops die worden gezien in fysiologische/endocriene routes, neuronale regulatie, ecosystemen, en zelfs de economie, " zei Albert C. Yang, MD, doctoraat, een wetenschapper in de afdeling Interdisciplinaire Geneeskunde en Biotechnologie. "Onze nieuwe causale methode maakt wederzijdse of tweerichtingsoorzaken mogelijk, waarin het effect van een oorzaak tegelijkertijd kan terugkoppelen naar de oorzaak zelf."

De nieuwe benadering van Yang en collega's definieert causaliteit onafhankelijk van tijd. Hun covariatieprincipe van oorzaak en gevolg definieert oorzaak als dat wat, indien aanwezig, het effect volgt, en dat wat, wanneer verwijderd, het effect wordt verwijderd. Het team demonstreert de nieuwe aanpak door deze toe te passen op roofdier- en prooisystemen. Bovendien, Yang en collega's toonden aan dat hun model goed kan werken in systemen waar andere causaliteitsmethoden niet kunnen werken.

"Ik zou verwachten dat de methode een doorbraak vertegenwoordigt in de causale beoordeling van waarnemingsgegevens, "zei Yang. "Het kan worden toegepast op een breed scala aan causale vragen op wetenschappelijk gebied."