Riflessioni conclusive della sezione
La presente sezione ha delineato i fondamenti concettuali dell’inferenza bayesiana. Sono state illustrate le modalità per rappresentare l’incertezza mediante distribuzioni di probabilità e il principio di aggiornamento dei “prior” alla luce dell’evidenza empirica, formalizzato dal teorema di Bayes. L’analisi di casi esemplificativi, come quello del globo terrestre, ha permesso di osservare il meccanismo di aggiornamento bayesiano in azione, rivelando la sua natura intrinseca di processo di apprendimento cumulativo e dinamico, sempre aperto a nuove integrazioni conoscitive.
Per la ricerca psicologica, emergono alcune lezioni fondamentali:
- i dati non forniscono certezze, ma affinano gradualmente le ipotesi;
- ogni studio è un contributo a un processo cumulativo, non un verdetto finale;
- la forza dell’approccio bayesiano sta nel trasformare l’incertezza da problema nascosto a risorsa esplicita.
Un ulteriore passo metodologico consiste nel distinguere i modelli fenomenologici da quelli meccanicisti:
- i modelli fenomenologici descrivono le relazioni osservate, come ad esempio la correlazione tra le variabili A e B, la presenza di mediatori o moderatori, ecc.;
- i modelli meccanicisti cercano di rappresentare come avvengono i processi interni, ovvero le componenti causali, le interazioni, i ritardi o i processi latenti che generano i dati osservati.
Per i fenomeni psicologici complessi (emozioni, decisioni, apprendimento, memoria e interazione sociale), i modelli meccanicisti, se ben specificati, permettono previsioni controfattuali più robuste, una maggiore comprensione della causalità, una migliore generalizzazione tra contesti diversi e, spesso, una maggiore trasparenza delle assunzioni sulle strutture causali che facilita la replicabilità.
Come sottolineato da McElreath (2020) e da altri autori, la crisi della replicabilità trova parziale spiegazione in una carenza di modelli statistici adeguatamente specificati, in un’eccessiva dipendenza da analisi puramente descrittive e nell’uso indiscriminato di correlazioni e valori-\(p\). Una risposta a tale fragilità metodologica consiste nell’adozione di modelli meccanicisti espliciti, i quali, rendendo manifeste le assunzioni teoriche di fondo, permettono di rappresentare variabili latenti e dinamiche contestuali, integrare la conoscenza pregressa e produrre inferenze che quantificano esplicitamente l’incertezza, caratteristiche tipiche dell’approccio bayesiano, in netto contrasto con la dipendenza da stime puntuali.
Naturalmente, i modelli meccanicisti presentano anche dei limiti: richiedono dati più ricchi, una teoria più solida, parametri identificabili e, spesso, maggiori risorse computazionali. Inoltre, c’è il rischio di sovraspecificazione se il modello è troppo complesso rispetto ai dati disponibili.
Nei capitoli successivi, trasformeremo queste idee in modelli bayesiani via via più complessi, includendo strutture causali, dinamiche temporali e gerarchie, e applicheremo queste strategie a fenomeni psicologici reali. L’obiettivo non è cercare una “certezza definitiva”, ma sviluppare l’abitudine a ragionare in termini di plausibilità, meccanismo generatore e apprendimento continuo dai dati.