A Escada da Causalidade, proposta por Judea Pearl, descreve três níveis hierárquicos de raciocínio: associação, intervenção e contrafactual. Cada degrau representa uma forma mais complexa de entender relações causais, indo além da simples correlação para explicar como e por que os fenômenos ocorrem.
Judea Pearl, estatístico e cientista da computação, desenvolveu a Escada da Causalidade no final do século XX, consolidando-a em seu livro The Book of Why (2018). A teoria surgiu como resposta às limitações da estatística tradicional, que se restringia a correlações e previsões baseadas em dados observacionais.
Pearl argumentou que a ciência precisava de ferramentas formais para lidar com perguntas contrafactuais – “o que teria acontecido se…?” – fundamentais para o raciocínio humano e para avanços em inteligência artificial. Esse modelo se tornou um marco na ciência de dados, filosofia da ciência e IA, reposicionando a noção de causalidade como algo formalizável e computável, e não apenas uma especulação filosófica.
A Escada da Causalidade é composta por três degraus:
Associação (Seeing) – nível básico, em que se identificam padrões e correlações nos dados. Exemplo: notar que pessoas que fumam têm mais chance de desenvolver câncer.
Intervenção (Doing) – nível intermediário, que pergunta o que acontece se alterarmos uma variável. Exemplo: “O que acontece se uma pessoa parar de fumar?”. Aqui entram os experimentos controlados e o conceito de manipulação de variáveis.
Contrafactual (Imagining) – nível mais alto, que trata de mundos possíveis e hipóteses sobre o que teria acontecido sob condições diferentes. Exemplo: “Se Maria não tivesse fumado durante 10 anos, ela ainda teria desenvolvido câncer?”.
Esses três níveis estruturam a diferença entre simples previsão estatística e raciocínio genuinamente causal. Para Pearl, a IA só poderá se aproximar da inteligência humana se for capaz de operar nos três degraus, especialmente no nível contrafactual, que caracteriza a capacidade humana de aprendizado e imaginação.
Ciência de Dados e Epidemiologia – A escada auxilia no desenho de experimentos e na interpretação de relações entre variáveis, evitando confundir correlação com causalidade.
Inteligência Artificial – Orienta o desenvolvimento de sistemas capazes de responder não apenas “o que acontece geralmente?”, mas também “o que aconteceria se…?”. Isso amplia o horizonte da IA explicável.
Psicologia Cognitiva – Oferece um modelo formal para o raciocínio contrafactual humano, central para processos como arrependimento, planejamento e tomada de decisão.
Políticas Públicas – Permite simular efeitos de intervenções sociais ou econômicas (ex.: impacto de programas de vacinação em diferentes cenários).
Filosofia da Ciência – Reintroduz a causalidade no centro do debate metodológico, resgatando uma dimensão ignorada pela estatística puramente correlacional.
No Thinking Lab, a Escada da Causalidade é um guia metodológico para distinguir níveis de análise cognitiva e experimental. Ao propor exercícios que trabalham desde o reconhecimento de padrões até a construção de cenários alternativos, a teoria fornece um mapa conceitual que justifica a prática de simulações, jogos de hipóteses e análise crítica.
Assim, ela conecta estatística, filosofia e psicologia cognitiva em um quadro integrado, ampliando a capacidade de explorar a mente humana e projetar arquiteturas de IA mais robustas e explicativas.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference. Cambridge University Press.
Pearl, J. & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
Morgan, S. L., & Winship, C. (2015). Counterfactuals and Causal Inference. Cambridge University Press.
Glymour, M., & Greenland, S. (2008). Causal diagrams. In Modern Epidemiology. Lippincott Williams & Wilkins.
A Escada da Causalidade desafia a visão ingênua de que “dados falam por si”. Ela mostra que sem um modelo causal explícito, a interpretação de dados é cega, limitada ao primeiro degrau da associação.
Ao mesmo tempo, inspira novas formas de pensar inteligência – humana e artificial – como a capacidade de construir, testar e imaginar mundos alternativos. Para pesquisadores em filosofia da mente e IA cognitiva, essa teoria funciona como um convite para transcender o dado bruto e explorar o poder criativo do raciocínio contrafactual. Afinal, perguntar “e se?” é o que nos torna capazes de inovação, ciência e reflexão ética.
Faça o seu cadastro a seguir para ter acesso exclusivo ao GPT Feedback Cognitivo:
Obs.: É necessário ter uma assinatura paga do ChatGPT para que você possa acessar este GPT.
Faça o seu cadastro a seguir para ter acesso exclusivo ao GPT Metacognitivo:
Obs.: É necessário ter uma assinatura paga do ChatGPT para que você possa acessar este GPT.