Relación causal

4.8 Relaciones: circunstanciales y causales

He señalado anteriormente que buscar y explicar las relaciones interesantes es parte de lo que hacemos en la investigación HCI. A menudo se diseña y se lleva a cabo un experimento controlado específicamente para este propósito, y si se hace correctamente es posible un tipo particular de conclusión. A menudo podemos decir que la condición manipulada en el experimento causó los cambios en las respuestas humanas que se observaron y midieron. Se trata de una relación causa-efecto, o simplemente de una relación causal.

En HCI, la variable manipulada suele ser un atributo de escala nominal de una interfaz, como el dispositivo, el método de entrada, la modalidad de retroalimentación, la técnica de selección, la profundidad del menú, la disposición de los botones, etc. La variable medida suele ser un comportamiento humano a escala de relación, como el tiempo de finalización de la tarea, la tasa de error o el número de clics en los botones, los eventos de desplazamiento, los cambios de mirada, etc.

Encontrar una relación causal en un experimento de HCI arroja una conclusión poderosa. Si la respuesta humana que se mide es vital en HCI, como el tiempo que se tarda en realizar una tarea común, saber que una condición probada en el experimento reduce este tiempo es un resultado valioso. Si la condición es una implementación de una idea novedosa y se ha comparado con la práctica actual, sí que puede haber motivos para celebrar. No sólo se ha encontrado una relación causal, sino que la nueva idea mejora la práctica actual. Este es el tipo de resultado que añade un valioso conocimiento a la disciplina; hace avanzar el estado del arte.9 ¡De esto trata la investigación en HCI!

Encontrar una relación no significa necesariamente que exista una relación causal. Muchas relaciones son circunstanciales. Existen y se pueden observar, medir y cuantificar. Pero no son causales, y cualquier intento de expresar la relación como tal es erróneo. El ejemplo clásico es la relación entre el tabaquismo y el cáncer. Supongamos que un estudio de investigación hace un seguimiento de los hábitos y la salud de un gran número de personas durante muchos años. Este es un ejemplo del método de investigación correlacional mencionado anteriormente. Al final, se encuentra una relación entre el tabaquismo y el cáncer: el cáncer es más frecuente en las personas que fumaban. ¿Es correcto concluir del estudio que fumar causa cáncer? No. La relación observada es circunstancial, no causal. Considere lo siguiente: cuando se examinan los datos más detenidamente, se descubre que la tendencia a desarrollar cáncer también está relacionada con otras variables del conjunto de datos. Parece que las personas que desarrollaron cáncer también tendían a beber más alcohol, comer más alimentos grasos, dormir menos, escuchar música rock, etc. Quizás fue el mayor consumo de alcohol lo que causó el cáncer, o el consumo de alimentos grasos, o algo más. La relación es circunstancial, no causal. Esto no quiere decir que las relaciones circunstanciales no sean útiles. Buscar y encontrar una relación circunstancial es a menudo el primer paso en la investigación posterior, en parte porque es relativamente fácil recoger datos y buscar relaciones circunstanciales.

Las relaciones causales surgen de experimentos controlados. La búsqueda de una relación causal requiere un estudio en el que, entre otras cosas, los participantes se seleccionan al azar de una población y se asignan aleatoriamente a las condiciones de prueba. Una asignación aleatoria garantiza que cada grupo de participantes sea igual o similar en todos los aspectos, excepto en las condiciones en las que se somete a prueba cada grupo. De este modo, es más probable que las diferencias que surjan se deban a (causadas por) las condiciones de la prueba que a circunstancias ambientales o de otro tipo. A veces se equilibra a los participantes en grupos en los que los participantes de cada grupo son seleccionados para que los grupos sean iguales en términos de otros atributos relevantes. Por ejemplo, un experimento en el que se prueban dos controladores de entrada para juegos podría asignar aleatoriamente a los participantes a los grupos o equilibrar los grupos para asegurar que el rango de experiencia de juego es aproximadamente igual.

Aquí hay un ejemplo de HCI similar al ejemplo de fumar contra el cáncer: Un investigador está interesado en comparar la pulsación múltiple y la entrada predictiva (T9) para la introducción de texto en un teléfono móvil. El investigador se aventura en el mundo y se acerca a los usuarios de teléfonos móviles, pidiéndoles cinco minutos de su tiempo. Muchos aceptan. Responden a algunas preguntas sobre su experiencia y sus hábitos de uso, incluido su método preferido para introducir mensajes de texto. Se encuentran 15 usuarios de multitáctil y 15 de T9. Se pide a los usuarios que introduzcan una frase de texto prescrita mientras se les cronometra. De vuelta al laboratorio, se analizan los datos. Evidentemente, los usuarios de T9 fueron más rápidos, ya que introdujeron 18 palabras por minuto, en comparación con las 12 palabras por minuto de los usuarios de multitáctil. Es decir, ¡un 50% más rápido para los usuarios de T9! ¿Cuál es la conclusión? Existe una relación entre el método de entrada y la velocidad de entrada de texto; sin embargo, la relación es circunstancial, no causal. Es razonable informar de lo que se hizo y lo que se encontró, pero es un error aventurarse más allá de lo que da la metodología. Concluir a partir de este sencillo estudio que T9 es más rápido que el multitap sería un error. Al examinar los datos más detenidamente, se descubre que los usuarios de T9 tendían a ser más conocedores de la tecnología: declararon tener bastante más experiencia en el uso de teléfonos móviles y también declararon enviar bastantes más mensajes de texto al día que los usuarios de multitáctil que, en general, dijeron que no les gustaba enviar mensajes de texto y que lo hacían con muy poca frecuencia.10 Así que la diferencia observada puede deberse a la experiencia previa y a los hábitos de uso, más que a diferencias inherentes a los métodos de introducción de texto. Si existe un verdadero interés por determinar si un método de introducción de texto es más rápido que otro, es necesario realizar un experimento controlado. Este es el tema del próximo capítulo.

Un último punto merece ser mencionado. Las conclusiones de causa y efecto no son posibles en ciertos tipos de experimentos controlados. Si la variable manipulada es un atributo natural de los participantes, las conclusiones de causa y efecto no son fiables. Algunos ejemplos de atributos naturales son el sexo (femenino, masculino), la personalidad (extrovertida, introvertida), la lateralidad (izquierda, derecha), la lengua materna (por ejemplo, inglés, francés, español), el punto de vista político (izquierda, derecha), etc. Estos atributos son variables independientes legítimas, pero no se pueden manipular, es decir, no se pueden asignar a los participantes. En estos casos, una conclusión de causa y efecto no es válida porque no es posible evitar las variables de confusión (definidas en el capítulo 5). Ser hombre, ser extrovertido, ser zurdo, etc., siempre conlleva otros atributos que varían sistemáticamente en los niveles de la variable independiente. Las conclusiones de causa y efecto no son fiables en estos casos porque no es posible saber si el efecto experimental se debió a la variable independiente o a la variable de confusión.