Haarbaarheid: hoe lokaal responsief een eigenschap is voor genetische interventies. Plasticiteit: hoe lokaal responsief een eigenschap is voor omgevingsinterventies. Fokkers en genetische ingenieurs zouden zich moeten bekommeren om haarbaarheid. Educators en trainers zouden zich moeten bekommeren om plasticiteit.

Haarbaarheid wordt geschat onder de veronderstelling van een constante omgeving, plasticiteit onder de omgekeerde veronderstelling. Beide veronderstellingen zijn natuurlijk onjuist: de omgeving is niet constant en de populatie ook niet. Maar lokale schattingen werken, meestal.

Hoge erfelijkheid voor een bepaalde eigenschap impliceert niet dat er lage plasticiteit is, of vice versa. Ze hebben beide te maken met hoe gevoelig een eigenschap is voor (bekende) interventies. De haarkleur van volwassenen is zeer gevoelig voor veranderingen in zowel genetica als omgeving, terwijl het aantal hoofden ongevoelig is voor beide.

Schattingen van erfelijkheid zijn ook relatief ten opzichte van de genetische variatie die daadwerkelijk in de populatie bestaat, en de plasticiteit ten opzichte van de omgevingsvariatie die daadwerkelijk bestaat. We geven daar eigenlijk niet zoveel om. Waar we echt om geven is iets dat ik elders niet gedefinieerd heb gezien, hoewel mensen het impliciet de hele tijd gebruiken: de geschatte tegenfeitelijke erfelijkheid en plasticiteit onder bekende interventies, en onder plausibel ontdekte interventies.

Zoals normaal gedefinieerd, gebruiken erfelijkheid en plasticiteit Pearl's do-calculus niet. Ze vertellen je niet wat je kunt verwachten onder interventie, alleen wat je kunt voorspellen op basis van observatie. Wat we eigenlijk willen, is iets dat we verwachte erfelijkheid/plasticiteit zouden kunnen noemen in plaats daarvan.

Actieve Inferentie maakt een soortgelijke onderscheiding tussen het minimaliseren van variational free energy en het minimaliseren van expected free energy. Heel ruw gezegd houdt expected free energy rekening met ambiguïteit (onbekende onbekenden). Wat als je interventieset of metrics verkeerd zijn?

Met perfecte informatie en oneindige rekencapaciteit zijn deze hetzelfde. Als je model correct en compleet is, kun je gewoon naar het antwoord gaan. Maar als dingen ambigu zijn... moet je de afweging maken tussen ingrijpen om meer te leren over interventie, en ingrijpen om pragmatische redenen.

Als je alle interventies voor één persoon test, zul je de set van eigenschappen vinden die grotendeels sociaal onafhankelijk zijn. Als er een eigenschap is waarbij sociale normen belangrijk zijn, zal deze onzichtbaar voor je zijn. Geen aantal van dergelijke RCT's zal het ooit vinden. Als je vervolgens het feit gebruikt dat alle interventies die experimenteel zijn geverifieerd om te werken, interventies voor één persoon zijn om te prioriteren welke experimenten je moet uitvoeren... sluit de val.

De oplossing is nederigheid. De uitkomst van zowel generieke als omgevingsinterventies is ongelooflijk complex en moeilijk te voorspellen. We weten sommige dingen, maar de grenzen van onze kennis zijn heel reëel. Definitieve uitspraken doen over wat wel of niet mogelijk is, is onverstandig.

Door open te blijven staan voor meer leren, geven we onszelf de kans om die kleine noot van nieuwsgierigheid, van onenigheid, op te merken die kan leiden tot echt leren. En gezien het belang van het onderwerp, en onze aantoonbaar beperkte vaardigheden vandaag, is dergelijke nederigheid nodig.