persona

Deborah Mayo

1 articolo

Filosofa della statistica statunitense, professoressa emerita alla Virginia Tech, autrice di Error and the Growth of Experimental Knowledge (Chicago, 1996), premio Lakatos 1998, e di Statistical Inference as Severe Testing: How to Get Beyond the Statistics Wars (Cambridge, 2018). Nel sito ha una posizione particolare, perché è la fonte di uno strumento che l’archivio aveva adottato prima di risalire a lei: quando Floridi, Novelli e Morley nel 2026 definiscono una previsione «severamente testabile», lo fanno dichiarando il prestito — nel senso reso preciso after Mayo. Il suo contributo sta in due mosse. La prima è la definizione di severità, che sposta l’oggetto della valutazione dall’ipotesi alla procedura: non quanto è probabile che H sia vera, ma quanto era probabile che il procedimento segnalasse l’errore se l’errore c’era stato. La seconda è la difesa di Peirce contro la sua lettura più diffusa: l’autocorrezione non è la promessa che i dati, accumulandosi, correggano da sé, perché quella sarebbe l’induzione rozza, che Mayo giudica una sonda dell’errore altamente inaffidabile. È pubblicata prevalentemente in sede accademica e sul proprio blog, e in questo archivio è anche il caso di specie che dimostra come la testata non decida: un blog personale senza apparato redazionale, quando chi scrive è la fonte primaria dello standard di cui parla, vale più di una rivista con una firma fuori campo.