Modifica di Introduzione (sezione)

==Epistemologia==

<center>
{|
|-
| align="right" width="250" |<small>''Il cigno nero simboleggia uno dei problemi storici dell'epistemologia: se tutti i cigni che abbiamo visto finora sono bianchi, possiamo decidere che tutti i cigni sono bianchi?''</small>
| align="center" |[[File:Black_Swan_(Cygnus_atratus)_RWD.jpg|175px|center]]
|-
| align="center" |[[File:Duck-Rabbit illusion.jpg|203px|center]]
| width="250" |<small>''Kuhn ha usato illusioni ottiche per dimostrare come un cambiamento di paradigma possa far percepire a una persona le stesse informazioni in modo completamente diverso.''</small>
|}
</center>

'''Epistemologia''' (dal greco ἐπιστήμη, epistēmē, “conoscenza certa” o “scienza”, e λόγος, logos, “discorso”) è il ramo della filosofia che studia le condizioni necessarie per acquisire conoscenze scientifiche e i metodi attraverso i quali esse vengono raggiunte.{{Tooltip|<sup>[5]</sup>|<ref>Il termine è stato coniato dal filosofo scozzese [[Wpen:James Frederick Ferrier|James Frederick Ferrier]], nel suo ''Institutes of Metaphysic'' (1854);vedi Internet Encyclopedia of Philosophy, ''[https://www.iep.utm.edu/ferrier/ James Frederick Ferrier (1808—1864)]''</ref>|<small>Il termine è stato coniato dal filosofo scozzese [[Wpen:James Frederick Ferrier|James Frederick Ferrier]],, nel suo ''Institutes of Metaphysic'' (1854);vedi Internet Encyclopedia of Philosophy, ''[https://www.iep.utm.edu/ferrier/ James Frederick Ferrier (1808—1864)]</small>|}}

In particolare, l’epistemologia analizza le fondamenta, la validità e i limiti della conoscenza scientifica. Nei paesi anglofoni, il termine "epistemologia" è spesso usato come sinonimo di teoria della conoscenza o gnoseologia.

Il problema centrale dell’epistemologia, oggi come al tempo di Hume,{{Tooltip|<sup>[6]</sup>|<ref>[[wikipedia:David_Hume|David Hume]] (1711–1776) è stato un filosofo scozzese.</ref>|<small>📌 David Hume, figlio dell'avvocato Joseph Home di Chirnside e di Katherine Falconer, figlia del presidente del collegio di giustizia, nacque terzogenito in un palazzo sul lato nord del Lawnmarket a Edimburgo. Pur se di origini nobili la sua famiglia non era molto ricca, e a lui venne affidata una porzione esigua del loro patrimonio. Modificò il suo cognome da Home a Hume nel 1734, per mantenere meglio la pronuncia scozzese anche in Inghilterra.</small>}}{{Tooltip|<sup>[7]</sup>|<ref>{{cita libro
| autore = Srivastava S
| titolo = Verifiability is a core principle of science
| url = https://www.cambridge.org/core/journals/behavioral-and-brain-sciences/article/verifiability-is-a-core-principle-of-science/D46462A598492AFDB7AFB4975A313446#
| opera = Behav Brain Sci
| anno = 2018
| editore = Cambridge University Press
| DOI = 10.1017/S0140525X18000869
}}</ref>|<small>📌 La conoscenza scientifica dovrebbe essere verificabile. Le replicazioni favoriscono la verificabilità in diversi modi. Nel modo più diretto, le replicazioni possono confermare affermazioni empiriche. La ricerca di replicazione promuove anche la diffusione delle informazioni necessarie per altri aspetti della verifica; crea conoscenza meta-scientifica su quali risultati considerare credibili anche in assenza di replicazioni; e rafforza una norma più ampia secondo cui gli scienziati devono controllare reciprocamente il proprio lavoro.</small>}} è la questione della verificabilità.

Secondo il paradosso di Hempel, ogni esempio che non contraddice una teoria la conferma. Questo è espresso in logica proposizionale come:

<math>A \Rightarrow B = \lnot A \lor B</math> {{Tooltip||2=Consideriamo la seguente affermazione: ✅ “Se una persona ha TMD, allora sperimenta dolore orofacciale. ” Possiamo rappresentare questo in logica come <math>A \Rightarrow B = \lnot A \lor B</math>, dove: 🎯<math>A</math> rappresenta  "La persona ha TMD." 🎯 <math>B</math> rappresenta "La persona sperimenta dolore orofacciale." In questo caso, "Se una persona ha TMD, allora sperimenta dolore orofacciale" è equivalente a dire “o la persona non ha TMD (<math>\lnot A</math>), oppure sperimenta dolore orofacciale (<math>B</math>)”. 🧠 La formula è vera nei seguenti casi: Se la persona non ha TMD (<math>\lnot A</math>), l'affermazione è vera, indipendentemente dal dolore orofacciale. Se la persona ha TMD (<math>A</math>) e sperimenta dolore orofacciale (<math>B</math>), l'affermazione è vera. L'affermazione è falsa solo se la persona ha TMD (<math>A</math>) ma non sperimenta dolore orofacciale (<math>\lnot B</math>), contraddicendo la condizione di implicazione.}}

Ma nessuna teoria può essere definitivamente confermata: un numero infinito di esperimenti futuri potrebbe sempre confutarla.{{Tooltip|<sup>[8]</sup>|<ref>{{cita libro
| autore = Evans M
| titolo = Measuring statistical evidence using relative belief
| url = https://www.ncbi.nlm.nih.gov/pubmed/26925207
| opera = Comput Struct Biotechnol J
| anno = 2016
| DOI = 10.1016/j.csbj.2015.12.001
}}</ref>|<small>📌 Una questione fondamentale nella teoria dell'inferenza statistica riguarda il modo in cui si dovrebbe misurare l’evidenza statistica. Certamente, termini come “evidenza statistica” o semplicemente “evidenza” sono largamente utilizzati nei contesti statistici. Tuttavia, è corretto affermare che una caratterizzazione precisa di questo concetto rimane alquanto sfuggente. Il nostro obiettivo qui è fornire una definizione di come misurare l’evidenza statistica in relazione a un problema statistico specifico. Poiché l’evidenza è ciò che provoca il cambiamento delle credenze, si propone di misurare l’evidenza in base all'entità del cambiamento delle credenze, dal momento a priori al momento a posteriori. 🧠 Di conseguenza, la nostra definizione implica l'esistenza di credenze preesistenti, il che solleva questioni relative alla soggettività e all'oggettività nelle analisi statistiche. Questo aspetto viene affrontato attraverso un principio che richiede la falsificabilità di ogni elemento coinvolto nell’analisi statistica. Queste considerazioni portano alla necessità di verificare eventuali conflitti tra le credenze a priori e i dati osservati, e di misurare il bias a priori presente in una distribuzione iniziale</small>|}} 

{{qnq|Ma non è tutto così ovvio...}}

=== '''P-value''' ===
In medicina, ci affidiamo spesso all'inferenza statistica per validare i risultati sperimentali. Uno degli strumenti più noti è il 'P-value', o valore di probabilità, un indicatore usato nei test di significatività.{{Tooltip||2=Il P-value rappresenta la probabilità che i risultati osservati siano dovuti al caso, assumendo vera l'ipotesi nulla <math> H_0 </math>. Non dovrebbe essere usato come criterio binario (ad es., <math> p < 0.05 </math>) per decisioni scientifiche, poiché valori vicini alla soglia richiedono verifiche aggiuntive, come la cross-validation. Lo ''P-hacking'' (ripetere test per ottenere significatività) aumenta i falsi positivi. Disegni sperimentali rigorosi e la trasparenza su tutti i test condotti possono mitigare questo rischio. L’errore di tipo I aumenta con i test multipli: per <math> N </math> test indipendenti a soglia <math> \alpha </math>, il Family-Wise Error Rate (FWER) è <math> FWER = 1 - (1 - \alpha)^N </math>. La correzione di Bonferroni divide la soglia per <math>N</math>, <math>p < \frac{\alpha}{N}</math>, ma può aumentare i falsi negativi. La False Discovery Rate (FDR) di Benjamini-Hochberg permette più scoperte con una proporzione accettabile di falsi positivi. L’approccio bayesiano usa conoscenze precedenti per bilanciare prior e dati con una distribuzione posteriore, offrendo un’alternativa valida al P-value. Per combinare i P-value di più studi, la meta-analisi usa metodi come quello di Fisher: <math> \chi^2 = -2 \sum \ln(p_i) </math>. 🧠 In sintesi, il p-value rimane utile se contestualizzato e integrato con altre misure, come intervalli di confidenza e approcci bayesiani.}}

Tuttavia, anche il P-value, per anni criterio fondamentale nella medicina basata sulle evidenze, è oggi oggetto di profonda revisione. Nel 2019, una campagna pubblicata su "Nature", firmata da oltre 800 scienziati, ha messo in discussione l’uso rigido della significatività statistica.{{Tooltip|<sup>[9]</sup>|<ref>{{cita libro
| autore = Amrhein V
| autore2 = Greenland S
| autore3 = McShane B
| titolo = Scientists rise up against statistical significance
| url = https://www.ncbi.nlm.nih.gov/pubmed/30894741
| opera = Nature
| anno = 2019
| DOI = 10.1038/d41586-019-00857-9
}}</ref>|<small>📌  Nell’edizione di marzo di Nature, oltre 800 scienziati hanno sottoscritto un commento in cui si chiede il ritiro del termine “significatività statistica” [1]. Gli argomenti principali degli autori riguardano il fatto che la letteratura scientifica è piena di interpretazioni errate e potenzialmente dannose di associazioni basate su una classificazione arbitraria e binaria, fondata su un valore di p pari a 0,05. Gli autori illustrano le criticità di questo approccio, fornendo esempi concreti in cui ha portato a conclusioni errate all'interno e tra diversi studi. 🧠 Inoltre, analizzando 791 articoli pubblicati in cinque riviste accademiche, hanno rilevato che il 51% di essi ha interpretato erroneamente un risultato statisticamente non significativo come indicazione dell’assenza di un effetto.</small>}} Questa "rivoluzione silenziosa" nel campo dell'inferenza statistica promuove un approccio più riflessivo, contestuale e scientificamente onesto. Tra le voci più autorevoli in questo dibattito troviamo:

* Rodgers JL – che parla di una “rivoluzione metodologica silenziosa”{{Tooltip|<sup>[10]</sup>|<ref>{{cita libro|autore=Rodgers JL|titolo=The epistemology of mathematical and statistical modeling: a quiet methodological revolution|url=https://www.ncbi.nlm.nih.gov/pubmed/20063905|opera=Am Psychol|anno=2010|DOI=10.1037/a0018326}}</ref>|<small>📌  Negli ultimi decenni si è verificata, quasi senza discussione, una silenziosa rivoluzione metodologica: una rivoluzione della modellizzazione. Al contrario, il XX secolo si è concluso con vivaci dibattiti sull’utilità del test di significatività dell'ipotesi nulla (NHST). Tuttavia, tale controversia potrebbe essere stata almeno in parte irrilevante, poiché in diversi modi la rivoluzione della modellizzazione ha reso superfluo il dibattito sull’NHST. Inizio presentando una storia dell’NHST e della modellizzazione, e delle relazioni tra i due. Successivamente, definisco e illustro i principi che guidano lo sviluppo e la valutazione dei modelli matematici. Segue una discussione sulla differenza tra l’uso di procedure statistiche in un quadro basato su regole e la costruzione di modelli matematici all'interno di un'epistemologia scientifica. 🧠 Nella formazione post-laurea in psicologia viene trattato con attenzione quasi esclusivamente il primo approccio, basato sulle regole. Vengono quindi descritte le implicazioni pedagogiche di questo squilibrio e la necessità di una didattica rivista per tener conto della rivoluzione della modellizzazione. Infine, si discute di come l'attenzione alla modellizzazione comporti un'evoluzione della pratica statistica in direzioni più progressiste. La base epistemologica della statistica si è spostata: da un insieme di procedure applicate in modo meccanico alla costruzione e valutazione di modelli statistici e scientifici.</small>|}}

* Meehl P – che suggerisce di sostituire i test di significatività con 'intervalli di confidenza' e 'predizioni numeriche verificabili'{{Tooltip|<sup>[11]</sup>|<ref>{{cita libro
| autore = Meehl P
| titolo = The problem is epistemology, not statistics: replace significance tests by confidence intervals and quantify accuracy of risky numerical predictions
| anno = 1997}}</ref>|<small>📌 I test di significatività hanno un ruolo nella ricerca nelle scienze sociali, ma il loro uso diffuso nella valutazione delle teorie è spesso dannoso. La causa di ciò non risiede nella matematica in sé, bensì nella scarsa comprensione, da parte degli scienziati sociali, della relazione logica tra teoria e fatti, cioè in una mancanza di chiarezza metodologica o epistemologica.🧭  Le teorie implicano osservazioni, ma non vale il contrario. Sebbene il successo di una teoria nel derivare un fatto tenda a corroborarla, questa conferma è debole a meno che il fatto non abbia una probabilità a priori molto bassa e vi siano poche teorie alternative plausibili. 🧭 Il rilevamento di una differenza o correlazione diversa da zero — come avviene respingendo l'ipotesi nulla — non ha generalmente una probabilità a priori molto bassa, poiché nelle scienze sociali praticamente tutto è correlato con tutto il resto, indipendentemente dalla teoria. 🎯 Nel "forte" utilizzo dei test di significatività, la teoria predice un valore numerico puntuale, o un intervallo molto ristretto, per cui il test pone la teoria di fronte a un serio rischio di falsificazione se essa fosse oggettivamente scorretta. In generale, è preferibile costruire un intervallo di confidenza, che fornisce informazioni più ricche e implica comunque la confutazione dell'ipotesi nulla se una differenza cade al di fuori dell'intervallo. 🧠 I test di significatività risultano di solito più giustificabili in contesti tecnologici (ad esempio nella valutazione di un intervento) piuttosto che nella valutazione di teorie. Sarebbe utile disporre di un indice quantitativo che misuri quanto accuratamente una teoria riesca a prevedere un fatto rischioso, e viene proposto un esempio di tale indice. Diversamente dalle pratiche attuali più diffuse, i manuali e i corsi di statistica dovrebbero chiarire e sottolineare il grande divario semantico (logico) che separa una teoria sostanziale (causale, composizionale) da un'ipotesi statistica.</small>|}}

* Sprenger & Hartmann – promotori della 'filosofia Bayesiana della scienza'{{Tooltip|<sup>[12]</sup>|<ref>{{cita libro
| autore = Sprenger J
| autore2 = Hartmann S
| titolo = Bayesian Philosophy of Science. Variations on a Theme by the Reverend Thomas Bayes
| anno = 2019
| editore = Oxford University Press
}}</ref>|<small>📌 Come dovremmo ragionare nella scienza? Jan Sprenger e Stephan Hartmann offrono una visione innovativa su temi classici della filosofia della scienza, utilizzando un singolo concetto chiave per spiegare e chiarire numerosi aspetti del ragionamento scientifico. 🧭 Essi propongono che buone argomentazioni e buone inferenze siano caratterizzate dal loro effetto sui nostri gradi razionali di credenza.    🧠 Contrariamente alla visione secondo cui non vi sarebbe spazio per atteggiamenti soggettivi nella "scienza oggettiva", Sprenger e Hartmann spiegano il valore delle prove convincenti attraverso un ciclo di variazioni sul tema della rappresentazione dei gradi razionali di credenza mediante probabilità soggettive (e della loro modifica attraverso la condizionalizzazione bayesiana). In tal modo,integrano l'inferenza bayesiana — la principale teoria della razionalità nelle scienze sociali — con la pratica scientifica del XXI secolo. Bayesian Philosophy of Science mostra così come modellare tali atteggiamenti migliori la nostra comprensione delle cause, delle spiegazioni, delle prove confermative e dei modelli scientifici in generale. Il loro approccio combina una prospettiva scientificamente orientata e matematicamente raffinata con l'analisi concettuale e una particolare attenzione ai problemi metodologici della scienza moderna, specialmente nell'inferenza statistica, risultando quindi una risorsa preziosa sia per i filosofi che per i pratici della scienza.</small>}}

La 'American Statistical Association' ha sostenuto questo cambiamento pubblicando un numero speciale della rivista 'The American Statistician', intitolato “Statistical Inference in the 21st Century: A World Beyond p < 0.05”.{{Tooltip|<sup>[13]</sup>|<ref name="wasser">{{cita libro
| autore = Wasserstein RL
| autore2 = Schirm AL
| autore3 = Lazar NA
| titolo = Moving to a World Beyond ''p'' < 0.05
| url = https://www.tandfonline.com/doi/full/10.1080/00031305.2019.1583913
| opera = Am Stat
| anno = 2019
| DOI = 10.1080/00031305.2019.1583913
}}</ref>|<small>🧠 Alcuni di voi, esplorando questo numero speciale di The American Statistician, potrebbero chiedersi se si tratti di una ramanzina da parte di statistici pedanti intenti a farvi la morale su cosa non fare con i p-value, senza però offrire reali soluzioni al difficile problema di separare il segnale dal rumore nei dati e prendere decisioni in condizioni di incertezza. Non temete.In questo numero, grazie a 43 articoli innovativi e stimolanti scritti da statistici lungimiranti, arriva l’aiuto di cui abbiamo bisogno.</small>|}} Il volume propone nuove modalità di rappresentazione dell’incertezza e invita a superare la dipendenza dal P-value come unica metrica della verità scientifica.

<span id="Interdisciplinarità"></span>