L’oggettività non è sempre stato un valore nel progresso scientifico

Siamo attratti dall’oggettività. Usiamo questa parola come uno scudo durante i dibattiti, anche nei commenti online e, di solito, quando vogliamo dimostrare di esserlo, persone oggettive, portiamo dati e statistiche. Oggettive e neutrali pure loro, come insistiamo a presentarle. “Come si fa a essere il più oggettivi possibile” con i dati, mi viene chiesto ai corsi o nelle interviste in cui cerco di smontare la neutralità dei dati. Mi stupisce la domanda, questo desiderio che sembra metterci al sicuro da ogni errore e ogni critica. Crediamo infatti che dichiarare la nostra presenza, umana, limitata, e quindi la nostra posizione, sia una mossa da evitare, persino poco professionale, soprattutto nel contesto scientifico: la nostra umanità ci mette in pericolo, meglio tendere all’oggettività, cioè al puro oggetto, allontanarsi dal pensiero, impuro. 

L’oggettività ha sempre avuto questo fascino? Secondo gli storici e filosofi della scienza Peter Daston e Lorraine Galison la risposta è no. A partire dalla produzione di immagini per gli atlanti scientifici, nel loro “Objectivity” (Zone Books 2007) identificano però diversi approcci alla conoscenza che sono emersi nel corso della storia, ognuno dei quali riflette preoccupazioni epistemologiche e valori culturali legati al contesto, ma anche agli strumenti tecnologici a disposizione degli scienziati. 

Per farlo, analizzano gli atlanti scientifici e la produzione di immagini come “oggetti di lavoro” (working objects) della scienza: non solo rappresentazioni visive, ma strumenti attraverso i quali la conoscenza è prodotta, manipolata e condivisa. 

Daston e Galison in ogni caso non mettono mai in dubbio il concetto di oggettività, perché la ritengono sempre una lotta e una tensione verso un controllo del sé. 

Oggettività come sinonimo di scienza, da quando?

Tra le definizioni di oggettività elaborate nel corso dei secoli nell’ambito della filosofia e della storia della scienza ne troviamo diverse che sottolineano l’impossibilità di raggiungerla pienamente e che la dipingono come uno status ideale mutevole. Anche qui, tendiamo a dimenticarcene. 

Il filosofo Thomas Nagel la descrisse come la capacità di vedere le cose “da nessun punto di vista” (1989), una prospettiva che cerca di trascendere i limiti della nostra esperienza individuale e soggettiva. Secondo Nagel, per raggiungere la comprensione oggettiva di un fenomeno dovremmo allontanarci dalle nostre preferenze personali, desideri e interessi particolari, e considerare le cose in un modo che sia comprensibile e accettabile da qualsiasi punto di vista razionale.

Nell’introduzione al suo libro “The view from nowhere” considera l’oggettività come uno dei modi per conoscere il mondo. 

Fino alla fine del XIX la produzione di immagini destinata agli atlanti aveva come obiettivo la riproduzione dei fenomeni osservati – dalla botanica all’astronomia all’anatomia – in totale aderenza alla natura (“truth to nature”) . L’ambizione di fissare questi fenomeni nella loro forma più pura era una preoccupazione dominante, con l’intento di renderli più identificabili e soprattutto catalogabili. I disegni analizzati dai due autori nel corso del XIX secolo ignoravano le particolarità dei singoli esemplari, gli eventuali difetti di piante e animali, perché l’obiettivo era quello di far emergere l’uniformità della natura nascosta sotto la sua apparente diversità. L’aspirazione della scienza era poter rappresentare un “ideale”: categorizzare, in questa operazione, voleva dire scegliere tra tanti esemplari raccolti e analizzati quello che potesse diventare l’emblema, lo standard del fenomeno osservato, dal corpo umano ai fiocchi di neve. 

Spesso gli uomini di scienza lavoravano con illustratori, ma anche molte illustratrici, che dovevano avere gusto estetico, capacità manuali e di ascolto. La mano dell’artista era guidata totalmente dalle indicazioni dello scienziato, che portava la sua competenza, la sua esperienza di osservatore di fenomeni naturali e forniva la materia prima, pagine di appunti e schizzi da cui avrebbe scelto il più aderente alla “verità”. I produttori di atlanti scientifici vengono identificati da Daston e Galison come “interventisti”, per cui la soggettività, intesa come una visione parziale e non neutrale del mondo, è un mezzo lecito per raggiungere la verità intesa come truth to nature.  

L’oggettività (meccanica) come shock

Lo “shock dell’oggettività” arriva nei laboratori con l’apparizione di nuovi strumenti tecnologici, dalle macchine fotografiche ai microscopi. Nel 1894 il fisico Arthur Worthington osserva per la prima volta tramite dagherrotipo la riproduzione degli esperimenti sull’impatto di un liquido su una superficie piana e scopre, sconvolto, l’asimmetria della disposizione delle gocce e della macchia di liquido. La natura imperfetta di quel risultato stonava con i disegni simmetrici da lui riprodotti per anni. Ma in realtà, analizzando le decine di pagine di appunti raccolti in decenni di lavoro, osserva come le asimmetrie erano sempre state osservate, solo mai incluse all’interno degli atlanti.

Da quel momento in poi la presenza dell’intermediazione della macchina diventa sinonimo di autenticità. L’oggettività meccanica è la nuova virtù epistemica a cui aspirare, libera dalle influenze dell’idealismo umano e dalla standardizzazione. Il dagherrotipo e la macchina fotografica permettono alla natura di “parlare da sola”, fornendo accesso a una realtà più vera e oggettiva rispetto all’occhio umano dell’illustratore. Non perché sia prodotta in modo esatto, ma perché aiuta gli scienziati nello sforzo di auto-sorveglianza, auto controllo, per resistere alle tentazioni di imporre la propria visione dell’ideale, anche a discapito dell’accuratezza.

Questo “sforzo”, per usare le parole dei due autori, di mettere da parte l’umano nella produzione della conoscenza, ma anche di riconoscere il suo intervento come pieno di bias, quindi pregiudizievole, e difettoso proprio per questa caratteristica, è la premessa a quell’ideale di oggettività garantito dai dati che si fa strada nel XXI secolo grazie allo sviluppo dell’informatica e quindi della possibilità di prendere decisioni “neutre” perché basate su grandi quantità di dati, i cosiddetti “big data”. 

I big data diventano a loro volta i “working objects” di diversi settori di produzione della conoscenza, per cui si apre l’opportunità di avere a disposizione grandi quantità di dati, in grande variabilità, veracità e velocità, “per fare previsioni e analisi che riguardino i comportamenti delle persone”, come scrive Teressa Numerico in “Big data e Algoritmi” (Carocci 2021). 

Sabina Leonelli e Anne Beaulieu in “Data & Society” (Sage 2021) parlano di “big data mythology” riferendosi al modo in cui l’emergere dei big data abbia influenzato molti settori della società, inclusa la ricerca scientifica: “Le promesse di consentire nuovi e più efficienti modi di pianificare, condurre, istituzionalizzare, diffondere e valutare la ricerca costituiscono una serie di aspettative che sono state accolte da molte agenzie governative, aziende ed enti di ricerca nei primi due decenni del XXI secolo”. 

Ma “far parlare i big data è più difficile di quanto sembri”, scrive l’economista Tim Harford nel suo “Dare i numeri” (Francesco Brioschi ed. 2020). Abbiamo molti più dati rispetto al passato”, sostiene, “ma più dati non vuol dire meno errori, anzi, anche se le decisioni algoritmiche, proprio perché alimentate con grandi quantità di dati, sono state a lungo considerate neutrali perché quantificazioni realizzate dai computer”.

Come virtù epistemica, l’oggettività meccanica di cui parlano Daston e Galison richiedeva determinate qualità dello sperimentatore: autodisciplinato, doveva agire egli stesso in un modo simile a una macchina che non esprimeva soggettività o emozioni individuali. Lo scienziato si convince di avere un ruolo passivo, anche se il processo per ottenere l’immagine fotografica è altamente manuale, soprattutto agli inizi. Il timore più grande, la proiezione del sé e delle proprie idee preconcette, fa quindi desiderare all’osservatore di “diventare una macchina” (Daston, Galison 2007, p.140). Una macchina non sbaglia, l’essere umano, come abbiamo detto, sì. Ma nel XX secolo l’intervento umano torna accettabile perché lo sguardo scientifico si può allenare (“trained judgement”) a interpretare le riproduzioni delle macchine, come le tracce di particelle sulle fotografie delle camere a nuvola o le linee sugli spettri stellari, e si riconosce che il giudizio individuale è inevitabile nella scienza. Il giudizio allenato è però esclusivo, perché riguarda soltanto le persone che hanno le competenze “tecniche” necessarie per capire come funzionano le macchine. Gli altri, il pubblico, media e giornalisti compresi – altro non possono fare che intuirne il funzionamento. Il mito che oggi attribuiamo alle “competenze” delle intelligenze artificiali nel sostituire gli esseri umani nei compiti più disparati, deriva anche da qui. 

Come ricorda Simone Natale nel suo “Macchine ingannevoli” (Einaudi 2023), “l’emergere delle intelligenze artificiali è stato profondamente intrecciato con l’ascesa di un mito tecnologico incentrato sulla possibilità di creare macchine pensanti” (p. 53). Inoltre, il semplice fatto di presentare una tecnologia come “intelligente” alimentava la tendenza a percepirla come tale, e questo fu ampiamente sfruttato nella prima ondata dell’intelligenza artificiale degli anni Cinquanta. 

Finalmente algoritmi che “pensano e decidono per noi” 

Nel 2016 in un pezzo sul Washington Post intitolato “The machines that could rid courtrooms of racism” (Le macchine che possono eliminare il razzismo nei tribunali) viene criticata l’inchiesta di ProPublica che rivelava i bias del sistema Compas usato negli Stati Uniti per determinare la possibilità di un imputato di essere rilasciato su cauzione. Anthony Flores, un criminologo della California State University e uno degli autori del paper che smentirebbe ProPublica, sostiene che l’algoritmo di Compas contiene in sé il un potenziale di ridurre una grande fonte di bias, quella umana, ovvero quella del giudice che prende decisioni sulla vita delle persone. In questo caso, così come per gli scienziati di fine 800, l’oggettività (meccanica) promessa dalla tecnologia è più di una tecnica, è uno strumento che rende possibile la soppressione del sé.  

“Abbiamo chiesto al fairness genie, al genio della giustizia e della correttezza, di renderci più equi, corretti, imparziali e in cambio abbiamo ottenuto… i dati”, scrive la scienziata politica Deborah Stone in “Counting what matters” (2020, Norton & Company). Bella fregatura. Perché il dato in natura non esiste, non possiamo “raccoglierlo” se non viene prima prodotto. I dati non sono infallibili, perché sono costrutti umani, anche quando sono i computer o le strumentazioni elettroniche a presentarci il risultato di questa operazione.

Secondo Leonelli e Beaulieu il problema dei big data è che sono presentati come “completi”: per la loro stessa definizione, si crede che i grandi dataset possano permettere ai ricercatori di analizzare diversi aspetti di uno stesso fenomeno, su persone diverse, in tempi diversi. La possibilità della tecnica, esattamente come il dagherrotipo, di “fotografare la realtà” (espressione usata spesso per parlare dei big data) “incentiva la creazione di procedure e strumenti automatizzati per l’archiviazione, l’organizzazione e l’analisi dei dati, in nome del miglioramento dell’affidabilità e della trasparenza della creazione di conoscenza”. Ci sono i dati, quindi possiamo usarli e trarne delle conclusioni. E quando non ci sono, si può omettere quel cluster, quel segmento di popolazione, e concentrarsi su quello che c’è. “Questa convinzione”, scrivono ancora Leonelli e Beaulieu, “si riflette nella rinnovata attenzione alle strategie sui dati come componente chiave della gestione dell’industria. È anche tangibile nelle nuove fonti di finanziamento e nelle nuove sedi di pubblicazione all’interno del mondo accademico”. 

Secondo l’artista, tecnologo e scrittore James Bridle oggi siamo vittime del “bias di automazione”, cioè un “pregiudizio” che ci spinge a considerare le informazioni automatizzate come più affidabili delle nostre esperienze, poco importa se entrano in conflitto con altre osservazioni e tanto più se tali osservazioni sono ambigue. Per Bridle “la fede nelle macchine è il presupposto essenziale per il loro utilizzo, e questo va a rinforzare altri pregiudizi cognitivi che vogliono le risposte automatizzate come intrinsecamente più affidabili di quelle non automatizzate”.  

A che punto è quindi la storia dell’oggettività, oggi? Come dicevo all’inizio, le attribuiamo un grande valore, e siamo convinti che le macchine possano aiutarci a raggiungerla. A pulire, a togliere, a mettere da parte ogni interferenza umana.  

Curioso però che ai nuovi sistemi di apprendimento automatico chiamati large language models (grandi modelli linguistici) chiediamo di assomigliare agli umani, anzi, abbiamo cominciato a interagirci a più livelli proprio perché potevamo simulare una conversazione umana senza ricevere risposte “meccaniche” come succedeva con i primi assistenti nei nostri smartphone. 

L’oggettività meccanica ci attrae, ma vogliamo che abbia sembianze umane. Forse questo bias, questa contraddizione, non ha ancora un nome specifico, ma sembra un riflesso del nostro bisogno di trovare un equilibrio tra precisione e empatia, tra il rigore dei dati e la complessità delle emozioni umane. Non è ancora il momento di sopprimere del tutto la nostra limitata e imperfetta presenza dal processo di conoscenza del mondo. 

Donata Columbro è giornalista, formatrice e scrittrice. Per il suo modo accessibile e inclusivo di divulgare la cultura dei dati è stata definita una “data humanizer”. Collabora con «L’Essenziale» e «La Stampa», per cui cura la rubrica Data Storie. Insegna Data Visualization all’università Iulm, tiene un corso di Data Humanism per la Scuola Holden ed è tra i docenti del Master di Giornalismo di Torino. Ogni mercoledì pubblica una newsletter su dati, algoritmi e tecnologia. Il suo primo libro è Ti Spiego il Dato (Quinto Quarto ed.), seguito da “dentro l’algoritmo” (effequ)