Causal Relationship

4.8 Relação: circunstancial e causal

Eu notei acima que procurar e explicar relações interessantes é parte do que fazemos na pesquisa de ICS. Muitas vezes um experimento controlado é projetado e conduzido especificamente para este propósito, e se feito corretamente um tipo particular de conclusão é possível. Podemos muitas vezes dizer que a condição manipulada no experimento causou as mudanças nas respostas humanas que foram observadas e medidas. Esta é uma relação de causa e efeito, ou simplesmente uma relação causal.

Em HCI, a variável manipulada é frequentemente um atributo de escala nominal de uma interface, como dispositivo, método de entrada, modalidade de feedback, técnica de seleção, profundidade de menu, disposição dos botões, e assim por diante. A variável medida é tipicamente um comportamento humano em escala ratiocêntrica, como tempo de conclusão da tarefa, taxa de erro, ou o número de cliques de botão, eventos de rolagem, deslocamentos de olhar, etc.

Encontrar uma relação causal em um experimento de IHC produz uma conclusão poderosa. Se a resposta humana medida é vital em HCI, como o tempo que leva para fazer uma tarefa comum, então saber que uma condição testada no experimento reduz esse tempo é um resultado valioso. Se a condição é uma implementação de uma idéia nova e foi comparada com a prática atual, pode de fato haver motivos para comemorar. Não só foi encontrada uma relação causal, mas a nova ideia melhora a prática existente. Este é o tipo de resultado que acrescenta conhecimento valioso à disciplina; ele faz avançar o estado da arte.9 É disto que se trata a pesquisa da HCI!

Encontrar uma relação não significa necessariamente que exista uma relação causal. Muitas relações são circunstanciais. Elas existem, e podem ser observadas, medidas e quantificadas. Mas elas não são causais, e qualquer tentativa de expressar a relação como tal está errada. O exemplo clássico é a relação entre o tabagismo e o câncer. Suponha que um estudo de pesquisa rastreia os hábitos e a saúde de um grande número de pessoas ao longo de muitos anos. Este é um exemplo do método correlacional de pesquisa mencionado anteriormente. No final, é encontrada uma relação entre o tabagismo e o câncer: o câncer é mais prevalente nas pessoas que fumaram. É correto concluir a partir do estudo que o tabagismo causa câncer? Não. A relação observada é circunstancial, não causal. Considere o seguinte: quando os dados são examinados mais de perto, descobre-se que a tendência de desenvolver câncer também está relacionada a outras variáveis do conjunto de dados. Parece que as pessoas que desenvolveram câncer também tendem a beber mais álcool, comer mais alimentos gordurosos, dormir menos, ouvir música rock, e assim por diante. Talvez tenha sido o aumento do consumo de álcool que causou o câncer, ou o consumo de alimentos gordurosos, ou outra coisa qualquer. A relação é circunstancial, não causal. Isto não quer dizer que as relações circunstanciais não sejam úteis. Procurar e encontrar uma relação circunstancial é muitas vezes o primeiro passo em pesquisas posteriores, em parte porque é relativamente fácil recolher dados e procurar por relações circunstanciais.

As relações circunstanciais emergem de experiências controladas. A procura de uma relação causal requer um estudo onde, entre outras coisas, os participantes são selecionados aleatoriamente a partir de uma população e são designados aleatoriamente para testar condições. Uma atribuição aleatória garante que cada grupo de participantes seja o mesmo ou similar em todos os aspectos, exceto pelas condições sob as quais cada grupo é testado. Assim, as diferenças que surgem são mais prováveis devido às (causadas pelas) condições do teste do que devido a circunstâncias ambientais ou outras. s vezes os participantes são equilibrados em grupos onde os participantes de cada grupo são selecionados de forma que os grupos sejam iguais em termos de outros atributos relevantes. Por exemplo, um experimento testando dois controladores de entrada para jogos poderia designar aleatoriamente participantes para grupos ou equilibrar os grupos para garantir que a gama de experiência de jogo seja aproximadamente igual.

Aqui está um exemplo de HCI similar ao exemplo de fumar versus câncer: Um pesquisador está interessado em comparar entradas multitap e preditivas (T9) para entrada de texto em um telefone celular. O pesquisador se aventura pelo mundo e se aproxima dos usuários de celulares, pedindo cinco minutos de seu tempo. Muitos concordam. Eles respondem a algumas perguntas sobre experiência e hábitos de uso, incluindo seu método preferido de digitação de mensagens de texto. São encontrados 15 usuários multitap e 15 usuários T9. Os usuários são solicitados a digitar uma frase de texto prescrita, enquanto estão cronometrados. De volta ao laboratório, os dados são analisados. Evidentemente, os usuários do T9 foram mais rápidos, digitando a uma taxa de 18 palavras por minuto, comparado com 12 palavras por minuto para os usuários multi-tap. Isso é 50% mais rápido para os usuários do T9! Qual é a conclusão? Existe uma relação entre método de entrada e velocidade de entrada de texto; contudo, a relação é circunstancial, não causal. É razoável relatar o que foi feito e o que foi encontrado, mas é errado se aventurar além do que a metodologia dá. Concluindo deste simples estudo que o T9 é mais rápido do que o multi-tap seria errado. Ao inspecionar os dados mais de perto, descobre-se que os usuários do T9 tendiam a ser mais experientes em tecnologia: eles relataram consideravelmente mais experiência no uso de telefones celulares, e também relataram enviar consideravelmente mais mensagens de texto por dia do que os usuários multi-tap que, em geral, disseram que não gostavam de enviar mensagens de texto e o fizeram muito raramente.10 Portanto, a diferença observada pode ser devida à experiência anterior e aos hábitos de uso, e não às diferenças inerentes aos métodos de entrada de texto. Se existe um interesse genuíno em determinar se um método de entrada de texto é mais rápido que outro, uma experiência controlada é necessária. Este é o tópico do próximo capítulo.

Um último ponto merece ser mencionado. Conclusões de causa e efeito não são possíveis em certos tipos de experimentos controlados. Se a variável manipulada é um atributo natural dos participantes, então as conclusões de causa e efeito não são confiáveis. Exemplos de atributos que ocorrem naturalmente incluem gênero (feminino, masculino), personalidade (extrovertido, introvertido), mão (esquerda, direita), primeira língua (por exemplo, inglês, francês, espanhol), ponto de vista político (esquerda, direita), e assim por diante. Estes atributos são variáveis independentes legítimas, mas não podem ser manipulados, ou seja, não podem ser atribuídos aos participantes. Nesses casos, uma conclusão de causa e efeito não é válida porque não é possível evitar variáveis confusas (definidas no Capítulo 5). Ser homem, ser extrovertido, ser canhoto, etc., sempre traz outros atributos que variam sistematicamente entre os níveis da variável independente. As conclusões de causa e efeito não são confiáveis nestes casos porque não é possível saber se o efeito experimental foi devido à variável independente ou à variável confusa.