Heritabilitas: seberapa responsif secara lokal suatu sifat terhadap intervensi genetik. Plastisitas: seberapa responsif secara lokal suatu sifat terhadap intervensi lingkungan. Peternak dan insinyur genetika harus peduli dengan keturunan. Pendidik dan pelatih harus peduli dengan plastisitas.

Heritabilitas diperkirakan dengan asumsi lingkungan yang konstan, plastisitas dengan asumsi sebaliknya. Kedua asumsi tersebut tentu saja salah: lingkungan tidak konstan dan juga populasinya. Tetapi perkiraan lokal berhasil, sebagian besar.

Heritabilitas yang tinggi untuk sifat tertentu tidak menyiratkan plastisitas rendah, atau sebaliknya. Keduanya tentang seberapa sensitif suatu sifat terhadap intervensi (yang diketahui). Warna rambut dewasa sangat sensitif terhadap perubahan genetika dan lingkungan, jumlah kepala tidak sensitif terhadap keduanya.

Perkiraan heritabilitas juga relatif terhadap varians genetik yang sebenarnya ada dalam populasi, plastisitas terhadap varians lingkungan yang sebenarnya ada. Kami tidak terlalu peduli dengan salah satu dari itu. Apa yang sebenarnya kita pedulikan adalah sesuatu yang belum pernah saya lihat didefinisikan di tempat lain, meskipun orang-orang secara implisit menggunakannya sepanjang waktu: perkiraan heritabilitas dan plastisitas kontrafaktual di bawah intervensi yang diketahui, dan di bawah intervensi yang dapat ditemukan secara masuk akal.

Seperti yang didefinisikan secara normal, heritabilitas dan plastisitas tidak menggunakan do-kalkulus Pearl. Mereka tidak memberi tahu Anda apa yang diharapkan dalam intervensi, hanya apa yang harus diprediksi dari pengamatan. Apa yang sebenarnya kita inginkan adalah sesuatu yang bisa kita sebut heritabilitas/plastisitas yang diharapkan.

Inferensi Aktif membuat perbedaan serupa antara meminimalkan energi bebas variasi, dan meminimalkan energi bebas yang diharapkan. Secara kasar, energi bebas yang diharapkan menjelaskan ambiguitas (tidak diketahui yang tidak diketahui). Bagaimana jika set intervensi atau metrik Anda salah?

Dengan informasi sempurna dan komputasi tak terbatas, ini sama. Jika model Anda benar dan lengkap, Anda cukup pergi ke jawabannya. Tetapi jika hal-hal ambigu ... Anda harus mengganti intervensi untuk mempelajari lebih lanjut tentang intervensi, dan campur tangan untuk alasan pragmatis.

Jika Anda menguji semua intervensi satu orang, Anda akan menemukan serangkaian sifat yang sebagian besar independen secara sosial. Jika ada sifat di mana norma sosial itu penting, itu akan tidak terlihat oleh Anda. Tidak ada jumlah RCT semacam itu yang akan menemukannya. Jika Anda kemudian menggunakan fakta bahwa semua intervensi yang telah diverifikasi secara eksperimental untuk bekerja adalah intervensi satu orang untuk memprioritaskan eksperimen apa yang akan dijalankan... jebakan ditutup.

Solusinya adalah kerendahan hati. Hasil dari intervensi generik dan lingkungan sangat kompleks dan sulit diprediksi. Kita tahu beberapa hal, tetapi batasan pengetahuan kita sangat nyata. Membuat pernyataan definitif tentang apa yang mungkin atau tidak mungkin adalah tidak bijaksana.

Dengan tetap terbuka untuk belajar lebih banyak, kita memberi diri kita kesempatan untuk memperhatikan sedikit rasa ingin tahu, perselisihan, yang mungkin mengarah pada pembelajaran nyata. Dan mengingat pentingnya topik ini, dan keterampilan kita yang terbukti terbatas saat ini, kerendahan hati seperti itu diperlukan.