Pesquisadores das universidades de Fudan, na China, e de Tóquio, no Japão, demonstraram que é possível identificar relações de causa e efeito com a mesma qualidade de uma intervenção experimental, mas sem precisar realizá-la. O estudo, liderado por Jifan Shi, foi publicado em 16 de novembro de 2026 na revista The Innovation. A descoberta pode transformar áreas como neurociência, climatologia e biologia, onde experimentos controlados são muitas vezes inviáveis.
O desafio da causalidade sem experimentos
A intervenção, que consiste em mexer em uma coisa de cada vez para ver o que acontece, é o padrão ouro da determinação causal na ciência experimental. No entanto, a maioria dos sistemas importantes não permite testes desse tipo. Por exemplo, não se pode desligar neurônios específicos em um cérebro humano para observar o efeito, nem alterar a concentração de gases de efeito estufa na atmosfera para medir o impacto na temperatura global.
Dois níveis de causalidade
Diante dessa limitação, a equipe desenvolveu uma nova teoria que distingue dois níveis de causalidade que os métodos atuais tendem a confundir.
Causalidade dinâmica intervencional
O primeiro nível, chamado causalidade dinâmica intervencional, adota o padrão mais rigoroso da inferência causal moderna: X é considerado causa de Y somente se uma intervenção externa em X alterar Y.
Causalidade mais fraca
O segundo nível, embora não detalhado na fonte, refere-se a uma causalidade mais fraca, frequentemente capturada por métodos observacionais tradicionais, mas que não garante o efeito de intervenção.
A solução: incorporação de retardos
A solução da equipe se baseia em uma ideia clássica da teoria de sistemas dinâmicos: a incorporação de um retardo, ou incorporação tardia. Esse teorema afirma que o estado completo de um sistema complexo pode ser reconstruído a partir do comportamento passado de apenas uma de suas medições. Em outras palavras, a história temporal de uma única variável contém informações sobre todo o sistema.
A principal descoberta dos pesquisadores é que, se X exerce influência em nível de intervenção sobre Y, o registro observacional de Y já contém a marca das perturbações de X. Isso significa que, ao analisar séries temporais de Y, é possível detectar a assinatura da influência causal de X, mesmo sem ter manipulado X diretamente. Essa marca seria como uma impressão digital deixada pela interação causal no próprio dado observado.
Validação do método
Para validar a teoria, a equipe testou o método em sistemas simulados e reais. Os testes de aferição confirmaram o poder do método, demonstrando que a causalidade identificada a partir de dados observacionais tinha qualidade equivalente à de uma intervenção real. A fonte não detalhou quais sistemas foram utilizados nos testes, mas os resultados indicam robustez da abordagem.
Implicações práticas
As implicações práticas são vastas. Na neurociência, por exemplo, o método poderia identificar quais neurônios controlam um comportamento a partir de registros de atividade cerebral, sem necessidade de estimulação ou lesão. Na climatologia, poderia revelar quais fatores dominam a temperatura global usando apenas séries históricas de dados. Na biologia, poderia mapear redes de regulação gênica sem experimentos de knockout.
Além disso, a distinção entre os dois níveis de causalidade evita falsas conclusões. Muitos métodos atuais confundem correlação com causalidade intervencional, levando a inferências incorretas. A nova teoria fornece um critério claro para separar o que é mera associação do que é uma relação causal genuína, no sentido de que uma intervenção teria efeito.
Conclusão
O estudo representa um avanço conceitual e metodológico. Ao unir a teoria de sistemas dinâmicos com a inferência causal moderna, os autores oferecem uma ferramenta que pode ser aplicada em diversas disciplinas. A fonte não detalhou limitações do método, mas a validação experimental sugere que ele é confiável dentro das condições testadas.
Em resumo, a pesquisa liderada por Jifan Shi e colegas demonstra que a causalidade genuína pode ser extraída de dados observacionais, sem a necessidade de intervenções. Isso abre novas possibilidades para o estudo de sistemas complexos onde a experimentação é impossível ou antiética. O artigo completo está disponível na revista The Innovation, com o DOI 10.1016/j.xinn.2026.101358.
