#систематика /// Лестница причинности
Три уровня прослеживания причинно-следственной связи:
- Наблюдаемая связь
- Вмешательство
- Контрфактическое суждение
1) Наблюдаемая связь — когда какое-то наблюдение А говорит о Б, о том как что-то устроено.
Примеры:
Если идёт дождь (А), то земля мокрая (Б).
Если я гуляю в панаме и на улице дождь (А), то панамка мокрая (Б).
Если сотрудник устал (А), то в его работе появляются ошибки (Б).
В этих случаях, за редким ислючением, есть связь "если А, то Б".
2) Вмешательство — когда какое-то действие А оказывает эффект на Б.
Примеры:
Если я буду поливать из шланга (А), то она станет мокрая (Б).
Если я в панаме встану под душ (А), то панама будет мокрая (Б).
Если загрузить сотрудника овертаймами (А), то в его работе появятся ошибки (Б).
Здесь добавляется действие, которое является причиной: "сделать А, чтобы получить Б" или же "НЕ делать А, чтобы НЕ получить Б"
3) Контрфактическое суждение — когда мы разбираем альтернативный вариант событий: случилось бы Б, если б не произошло А?
Примеры:
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь?
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем?
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами?
В этом случае мы разбираем варинаты событий, альтернативные нашим действиям, можно сказать проверяем устойчивость связи А и Б.
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь? — вполне может быть, проехала поливалка и земля мокрая.
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем? — очень вероятно: я оставил панамку на улице и она мокрая из-за росы.
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами? — запросто: сотрудник может делать ошибки из-за каких-то других переживаний даже при щадящем режиме и малой загрузке.
Как применять в коммуникации:
Наблюдать, предполагать и строить модели — выявлять связи между причиной им следствием в поведениях агентов, выявлять их объекты интереса и связанные с ними результаты поведения.
Наблюдать, предполагать и строить модели с критическим (контрфактическим) анализом — выявлять неявные причины для налюдаемых следствий, строить более сильные причинно-следственные модели.
Действовать — анализировать наблюдения, чтобы понять, что можно сделать, чтобы изменить поведение агента в нужную нам сторону, спроектировать вмешательство с жидаемым результатом (помним про win-win стратегию!).
____
#коммуникация #причинно_следственная_связь #наблюдение #псс
Три уровня прослеживания причинно-следственной связи:
- Наблюдаемая связь
- Вмешательство
- Контрфактическое суждение
1) Наблюдаемая связь — когда какое-то наблюдение А говорит о Б, о том как что-то устроено.
Примеры:
Если идёт дождь (А), то земля мокрая (Б).
Если я гуляю в панаме и на улице дождь (А), то панамка мокрая (Б).
Если сотрудник устал (А), то в его работе появляются ошибки (Б).
В этих случаях, за редким ислючением, есть связь "если А, то Б".
2) Вмешательство — когда какое-то действие А оказывает эффект на Б.
Примеры:
Если я буду поливать из шланга (А), то она станет мокрая (Б).
Если я в панаме встану под душ (А), то панама будет мокрая (Б).
Если загрузить сотрудника овертаймами (А), то в его работе появятся ошибки (Б).
Здесь добавляется действие, которое является причиной: "сделать А, чтобы получить Б" или же "НЕ делать А, чтобы НЕ получить Б"
3) Контрфактическое суждение — когда мы разбираем альтернативный вариант событий: случилось бы Б, если б не произошло А?
Примеры:
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь?
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем?
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами?
В этом случае мы разбираем варинаты событий, альтернативные нашим действиям, можно сказать проверяем устойчивость связи А и Б.
Будет ли земля мокрая (Б), если я НЕ поливаю из шланга (А)? Будет ли земля мокрая если не идет дождь? — вполне может быть, проехала поливалка и земля мокрая.
Будет ли панама мокрая (Б), если я НЕ гулял под дождем (А)? Будет ли панама мокрая, если я НЕ буду стоять в ней под душем? — очень вероятно: я оставил панамку на улице и она мокрая из-за росы.
Будут ли ошибки в работе сотрудника, если НЕ загружать его овертаймами? — запросто: сотрудник может делать ошибки из-за каких-то других переживаний даже при щадящем режиме и малой загрузке.
Как применять в коммуникации:
Наблюдать, предполагать и строить модели — выявлять связи между причиной им следствием в поведениях агентов, выявлять их объекты интереса и связанные с ними результаты поведения.
Наблюдать, предполагать и строить модели с критическим (контрфактическим) анализом — выявлять неявные причины для налюдаемых следствий, строить более сильные причинно-следственные модели.
Действовать — анализировать наблюдения, чтобы понять, что можно сделать, чтобы изменить поведение агента в нужную нам сторону, спроектировать вмешательство с жидаемым результатом (помним про win-win стратегию!).
____
#коммуникация #причинно_следственная_связь #наблюдение #псс
#систематика /// Причинно-следственная связь
(рекомендую смотреть на десктопе, позже сделаю перепубликацию с картинками)
У каждого события есть причина, и чтобы лучше, точнее моделировать, объяснять, предсказывать, нам важно уметь находить причины событий.
В обще виде связка причины и следствия выглядит так:
[причина] ————> [следствие]
Важно, чтобы стрелка была однонаправленной, если стрелку можно направить в противоположную сторону, то события не связаны причинно-следственной связью (ПСС).
Как проверить ПСС-связность событий? Необходимо уметь объяснить эту связь (а точнее гипотезу о том, что события связаны, что причинное событие действительно есть причина следственного события). Это можно сделать с помощью медиатора — промежуточного события, которое является следствием изначальной причины и причиной для изначального следствия:
[причина] ——> [медиатор] ——> [следствие]
Что может пойти не так? Может появиться искажающий фактор:
[причина] ——> [медиатор] ——> [следствие]
↑ ↑
[———— искажающий фактор ————]
Искажающий фактор является причиной и для изначальной причины, и для следствия. Он может помешать увидеть истинную причину события, не самом деле таковой не являясь (при условии, что у следствия на самом деле есть причина, отличная от искажающего фактора).
Противоположность искажающего фактора — так называемый коллайдер, который есть следствие для изначальных причины и следствия:
[причина] ——> [медиатор] ——> [следствие]
↓ ↓
[——————— коллайдер ———————]
Он не так опасен как искажающий фактор, потому что не заменяет истинную причину, однако может вносить путаницу, поэтому за ним тоже стоит следить, если он появляется в схеме ПСС.
Также важно отслеживать циклы в причинном графе, так как цикл мешает выявить искомую цепочку для проверки гипотезы. С циклом можно бороться, "отключая" временную составляющую, выделяя логическую цепочку событий. Но всё же лучше избегать циклов, в примере ниже такой как раз есть.
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии проектирования, потому что аналитики забивают на юзкейсы.
[игнорируют практику юзкейсов] ————> [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии, корнеркейсы.
[игнорируют юзкейсы] ——> [пропускают сценарии] ——> [требования возникают позже]
Для такой ситуации есть и искажающий фактор:
[игнорируют юзкейсы] ————> [требования возникают позже]
↑ ↑
[в целом много задач и переключений между ними]
Убедимся, что это действительно искажающий фактор (вставляем медиаторы):
[много задач, переключений] —> [нет времени на юзкейсы] —> [игнорируют юзкейсы]
[много задач, переключений] —> [UC в последнюю очередь] —> [требования возникают позже]
[много задач, переключений] —> [UC прописаны, другие требования нет] —> [требования возникают позже]
Есть ли в данном случае коллайдер? Да:
[игнорируют юзкейсы] ————> [требования возникают позже]
↓ ↓
[согласований и обсуждений больше, их эффективность ниже]
Проверим, являются ли изначальные причина и следствие причиной для коллайдера, вставив медиаторы:
[игнорируют юзкейсы] —> [сценарии выявляются в ходе обсуждений] —> [обсуждений больше]
[требования возникают позже] —> [откатываемся, перемоделируем] —> [обсуждений больше]
Этот пример не идеален, так как можно замкнуть цикл: коллайдер является причиной искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф остается корректным. Позже планирую вернуться с более строгим примером.
___
#псс #причинно_следственная_связь
(рекомендую смотреть на десктопе, позже сделаю перепубликацию с картинками)
У каждого события есть причина, и чтобы лучше, точнее моделировать, объяснять, предсказывать, нам важно уметь находить причины событий.
В обще виде связка причины и следствия выглядит так:
[причина] ————> [следствие]
Важно, чтобы стрелка была однонаправленной, если стрелку можно направить в противоположную сторону, то события не связаны причинно-следственной связью (ПСС).
Как проверить ПСС-связность событий? Необходимо уметь объяснить эту связь (а точнее гипотезу о том, что события связаны, что причинное событие действительно есть причина следственного события). Это можно сделать с помощью медиатора — промежуточного события, которое является следствием изначальной причины и причиной для изначального следствия:
[причина] ——> [медиатор] ——> [следствие]
Что может пойти не так? Может появиться искажающий фактор:
[причина] ——> [медиатор] ——> [следствие]
↑ ↑
[———— искажающий фактор ————]
Искажающий фактор является причиной и для изначальной причины, и для следствия. Он может помешать увидеть истинную причину события, не самом деле таковой не являясь (при условии, что у следствия на самом деле есть причина, отличная от искажающего фактора).
Противоположность искажающего фактора — так называемый коллайдер, который есть следствие для изначальных причины и следствия:
[причина] ——> [медиатор] ——> [следствие]
↓ ↓
[——————— коллайдер ———————]
Он не так опасен как искажающий фактор, потому что не заменяет истинную причину, однако может вносить путаницу, поэтому за ним тоже стоит следить, если он появляется в схеме ПСС.
Также важно отслеживать циклы в причинном графе, так как цикл мешает выявить искомую цепочку для проверки гипотезы. С циклом можно бороться, "отключая" временную составляющую, выделяя логическую цепочку событий. Но всё же лучше избегать циклов, в примере ниже такой как раз есть.
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии проектирования, потому что аналитики забивают на юзкейсы.
[игнорируют практику юзкейсов] ————> [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии, корнеркейсы.
[игнорируют юзкейсы] ——> [пропускают сценарии] ——> [требования возникают позже]
Для такой ситуации есть и искажающий фактор:
[игнорируют юзкейсы] ————> [требования возникают позже]
↑ ↑
[в целом много задач и переключений между ними]
Убедимся, что это действительно искажающий фактор (вставляем медиаторы):
[много задач, переключений] —> [нет времени на юзкейсы] —> [игнорируют юзкейсы]
[много задач, переключений] —> [UC в последнюю очередь] —> [требования возникают позже]
[много задач, переключений] —> [UC прописаны, другие требования нет] —> [требования возникают позже]
Есть ли в данном случае коллайдер? Да:
[игнорируют юзкейсы] ————> [требования возникают позже]
↓ ↓
[согласований и обсуждений больше, их эффективность ниже]
Проверим, являются ли изначальные причина и следствие причиной для коллайдера, вставив медиаторы:
[игнорируют юзкейсы] —> [сценарии выявляются в ходе обсуждений] —> [обсуждений больше]
[требования возникают позже] —> [откатываемся, перемоделируем] —> [обсуждений больше]
Этот пример не идеален, так как можно замкнуть цикл: коллайдер является причиной искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф остается корректным. Позже планирую вернуться с более строгим примером.
___
#псс #причинно_следственная_связь
#систематика /// Частые проблемы при построении ПСС
1) Непомнимание, что есть причина, а что следствие.
В таком случае стоит внедрять больше медиаторов для построения логической цепочки.
Также поможет заземление — формулируем события графа максимально приближенно к конкретным объектам.
2) Граф ПСС имеет циклы, когда следствие оказывается причиной для исходной причины.
Это плохая ситуация, и для рассмотрения подобных графов стоит исключить временную составляющую и рассматривать логическую последовательность в рамках одной цепочки событий / цикла.
3) Нет понимания каков вклад у каждой из причин — не получается четко сформулировать про "необходимо и достаточно", только размытые оценки.
В этом случае стоит опираться на контрфактические суждения и вероятностную оценку на их основе.
___
#псс #причинно_следственная_связь #заземление #вероятность
1) Непомнимание, что есть причина, а что следствие.
В таком случае стоит внедрять больше медиаторов для построения логической цепочки.
Также поможет заземление — формулируем события графа максимально приближенно к конкретным объектам.
2) Граф ПСС имеет циклы, когда следствие оказывается причиной для исходной причины.
Это плохая ситуация, и для рассмотрения подобных графов стоит исключить временную составляющую и рассматривать логическую последовательность в рамках одной цепочки событий / цикла.
3) Нет понимания каков вклад у каждой из причин — не получается четко сформулировать про "необходимо и достаточно", только размытые оценки.
В этом случае стоит опираться на контрфактические суждения и вероятностную оценку на их основе.
___
#псс #причинно_следственная_связь #заземление #вероятность
#систематика /// Пример причинно-следственной связи (с обещанной картинкой :)
Дополнение к посту про ПСС
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии, потому что аналитики забивают на юзкейсы.
[игнорируют юзкейсы] > [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии.
[игнорируют юзкейсы] > [пропускают сценарии] > [требования возникают позже]
Искажающий фактор:
[в целом много задач и переключений между ними]
Коллайдер:
[согласований и обсуждений больше, их эффективность ниже]
Пример не идеален, т.к. можно замкнуть цикл: коллайдер есть причина искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф корректный.
___
#псс #причинно_следственная_связь
Дополнение к посту про ПСС
Пример построения ПСС:
Гипотеза: неучтенные требования возникают на более поздней стадии, потому что аналитики забивают на юзкейсы.
[игнорируют юзкейсы] > [неучтенные требования возникают позже]
Медиатор для проверки: юзкейсы не прописали — пропустили неочевидные сценарии.
[игнорируют юзкейсы] > [пропускают сценарии] > [требования возникают позже]
Искажающий фактор:
[в целом много задач и переключений между ними]
Коллайдер:
[согласований и обсуждений больше, их эффективность ниже]
Пример не идеален, т.к. можно замкнуть цикл: коллайдер есть причина искажающего фактора. Но если выделить единичный проект для рассмотрения ПСС по приведенной гипотезе, то граф корректный.
___
#псс #причинно_следственная_связь
#систематика /// Построение причинно-следственной связи
ПСС строится из экспертных мнений и контрфактических суждений (КФ-суждения).
Базовый алгоритм:
1. Придумываем / выявляем цепочку событий, которые выглядят для нас наиболее логично и непротиворечиво. Проще говоря — "как надо", где надо == наш ролевой интерес.
2. Избегаем соблазна оставить в модели псевдо-связи, которые кажутся релевантными, однако на самом деле только "шумят" и создают дребезг. Их нельзя оставлять только потому что "они же тут рядом".
3. Отслеживаем: дребезг в модели, места где "непонятно как работает", контрфактические изменения (которые говорят о том, что причина и следствие не связаны). Если что-то из этого есть в модели, значит модель пока не готова, продолжаем поиск — ищем элементы для ПСС-модели + продолжаем исследования — напрягаем мозги (делаем контрфактические суждения) и экспертов (собираем априорные данные).
4. Альтернативный (или дополнительный) подход — фиксируем желаемый результат (следствие в строящейся модели) и ищем / подбираем наиболее сильные элементы-события, лучшие кандидаты на элементы-причины.
5. Если предыдущие четыре пункта пройдены и у нас есть модель со всеми элементами, то нам осталось только понять какие именно нужны данные для проверки модели. Данные получаем в ходе эксперимента. На этом этапе важно не поддаваться моде сбора данных: не собирать лишние, чтобы экономить на их сборе и интерпретации + не собирать данные для построения модели, а только для проверки уже построенной модели.
Когда есть модель с достаточным количеством элементов, и определены необходимые данные, то можно приступать с эксперименту, который включаем сбор данных и собственно проверку гипотезы.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
ПСС строится из экспертных мнений и контрфактических суждений (КФ-суждения).
Базовый алгоритм:
1. Придумываем / выявляем цепочку событий, которые выглядят для нас наиболее логично и непротиворечиво. Проще говоря — "как надо", где надо == наш ролевой интерес.
2. Избегаем соблазна оставить в модели псевдо-связи, которые кажутся релевантными, однако на самом деле только "шумят" и создают дребезг. Их нельзя оставлять только потому что "они же тут рядом".
3. Отслеживаем: дребезг в модели, места где "непонятно как работает", контрфактические изменения (которые говорят о том, что причина и следствие не связаны). Если что-то из этого есть в модели, значит модель пока не готова, продолжаем поиск — ищем элементы для ПСС-модели + продолжаем исследования — напрягаем мозги (делаем контрфактические суждения) и экспертов (собираем априорные данные).
4. Альтернативный (или дополнительный) подход — фиксируем желаемый результат (следствие в строящейся модели) и ищем / подбираем наиболее сильные элементы-события, лучшие кандидаты на элементы-причины.
5. Если предыдущие четыре пункта пройдены и у нас есть модель со всеми элементами, то нам осталось только понять какие именно нужны данные для проверки модели. Данные получаем в ходе эксперимента. На этом этапе важно не поддаваться моде сбора данных: не собирать лишние, чтобы экономить на их сборе и интерпретации + не собирать данные для построения модели, а только для проверки уже построенной модели.
Когда есть модель с достаточным количеством элементов, и определены необходимые данные, то можно приступать с эксперименту, который включаем сбор данных и собственно проверку гипотезы.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
#систематика /// Сбор данных и эксперимент
Пререквизит для проведения эксперимента:
- Хорошо ли сформулирована гипотеза? Она должны хорошо объяснять.
- Есть ли оценка априорных шансов? Нам необходимы известные данные по нашему вопросы в домене.
- Есть ли свидетельства против нашей гипотезы? Необходимо провести контрфактические суждения, проверить связность модели.
- Посчитана ли правдоподобность? Важно численно выразить следствие в нашей модели, убедиться, что это следствие есть именно то, что мы хотим получить когда будем принимать решение по итогу проведения эксперимента.
Если чего-то из этого списка нет в наличии, то высок риск, что проверять гипотезу на эксперименте "в мире" (а не в голове) будет дорого и, вероятно, бессмысленно. То есть, гипотезу надо доформулировать. Достроить модель.
Если чего-то из этого нет, и при этом не получается добыть (элементы модели, данные), то надо создать связанную гипотезу — "соседнюю" / "прокси"-гипотезу. Это часто случается при проверке гипотез, связанных с абстрактными вещами, такими как креативность, мышление, успешность, etc.
Финальная проверка на дешевизну проверки гипотез:
- Осталась ли какая-либо неопределенность?
- Нужны ли еще элементы модели или уже только данные?
Если в ответах на эти вопросы есть хоть одно "да", то дополняем модель данными.
Если среди ответов нет "да", то переходим к сбору данных.
Данные:
1. Каких данных минимально достаточно? Нам не нужны лишние данные, чтобы не тратить ресурсы на их поиск, обработку, интерпретацию.
2. Проверка на опровержение — представляем, что у нас есть идеальные данные. Возможно ли обнаружить еще какие-либо данные, которые опровергнут нашу идеальную модель с подстваленными идеальными данными?
3. По итогу этих двух пунктов решаем, какие еще данные нужны, какие еще элементы модели нужны. То есть, откатываемся на построение ПСС, если необходимо, и снова переходим к сбору данных.
4. Итерируем эти шанги до максимально стройной и сильной модели.
Основной принцип дешевизны проверки гипотез — не проверять то, что можно проверить в голове (чаще всего на КФ-суждениях). Чаще всего дешевле потратить полдня с блокнотом и ручкой, чем несколько дней на сбор и интерпретацию в в лучшем случае ненужных, а в худшем искажающих данных.
___
#псс #причинно_следственная_связь #моделирование #эксперимент
Пререквизит для проведения эксперимента:
- Хорошо ли сформулирована гипотеза? Она должны хорошо объяснять.
- Есть ли оценка априорных шансов? Нам необходимы известные данные по нашему вопросы в домене.
- Есть ли свидетельства против нашей гипотезы? Необходимо провести контрфактические суждения, проверить связность модели.
- Посчитана ли правдоподобность? Важно численно выразить следствие в нашей модели, убедиться, что это следствие есть именно то, что мы хотим получить когда будем принимать решение по итогу проведения эксперимента.
Если чего-то из этого списка нет в наличии, то высок риск, что проверять гипотезу на эксперименте "в мире" (а не в голове) будет дорого и, вероятно, бессмысленно. То есть, гипотезу надо доформулировать. Достроить модель.
Если чего-то из этого нет, и при этом не получается добыть (элементы модели, данные), то надо создать связанную гипотезу — "соседнюю" / "прокси"-гипотезу. Это часто случается при проверке гипотез, связанных с абстрактными вещами, такими как креативность, мышление, успешность, etc.
Финальная проверка на дешевизну проверки гипотез:
- Осталась ли какая-либо неопределенность?
- Нужны ли еще элементы модели или уже только данные?
Если в ответах на эти вопросы есть хоть одно "да", то дополняем модель данными.
Если среди ответов нет "да", то переходим к сбору данных.
Данные:
1. Каких данных минимально достаточно? Нам не нужны лишние данные, чтобы не тратить ресурсы на их поиск, обработку, интерпретацию.
2. Проверка на опровержение — представляем, что у нас есть идеальные данные. Возможно ли обнаружить еще какие-либо данные, которые опровергнут нашу идеальную модель с подстваленными идеальными данными?
3. По итогу этих двух пунктов решаем, какие еще данные нужны, какие еще элементы модели нужны. То есть, откатываемся на построение ПСС, если необходимо, и снова переходим к сбору данных.
4. Итерируем эти шанги до максимально стройной и сильной модели.
Основной принцип дешевизны проверки гипотез — не проверять то, что можно проверить в голове (чаще всего на КФ-суждениях). Чаще всего дешевле потратить полдня с блокнотом и ручкой, чем несколько дней на сбор и интерпретацию в в лучшем случае ненужных, а в худшем искажающих данных.
___
#псс #причинно_следственная_связь #моделирование #эксперимент