در دنیای پساحقیقت به چه اعتماد کنیم

الکس ادماس

00:01
بل گیبسون یک جوان خوشحال استرالیایی بود. او در پرث زندگی می‌کرد و عاشق اسکیت‌سواری بود. اما در سال ۲۰۰۹ فهمید که تومور مغزی دارد و فقط چهار ماه دیگر زنده است. دو ماه شیمی‌درمانی و رادیوگرافی هیچ اثری نداشت. اما بل مصمم بود. او در تمام زندگی یک مبارز بود. در شش سالگی مجبور بود برای برادرش که اوتیسم داشت و مادرش که ام‌اس داشت غذا درست کند. پدرش اصلاً حضور نداشت. بنابراین بل با ورزش و مدیتیشن و با جایگزینی میوه و سبزیجات به جای گوشت جنگیدن را شروع کرد. و کاملاً بهبود یافت.


00:38
داستان بل همه جا پخش شد. در موردش توییت و بلاگ شد و به گوش میلیون‌ها نفر رسید. برمزایای پرهیز از درمان مرسوم و رو آوردن به رژیم غذایی و ورزش تأکید می‌شد. در آگوست ۲۰۱۳ بل یک اپلیکیشن سلامت غذایی راه‌اندازی کرد، به نام بوفه کامل، در ماه اول دویست‌هزار بار دانلود شد.


01:01
اما داستان بل یک دروغ بود. بل اصلاً سرطان نداشت. افراد داستان او را بدون بررسی به اشتراک گذاشتند. این یک نمونه کلاسیک از تعصب تأیید شدن است. ما داستانی که اعتقادات ما را تأیید می‌کند بدون بررسی می‌پذیریم. و هر داستانی که اعتقاداتمان را نقض می‌کند رد می‌کنیم. چقدر این پدیده را در داستان‌هایی که به اشتراک می‌گذاریم و آنهایی که نادیده می‌گیریم مشاهده می‌کنیم؟ در سیاست، در کسب و کار و در توصیه‌های سلامت.


01:35
لغت "post-truth" (پساحقیقت) در سال ۲۰۱۶ به لغت‌نامه آکسفورد اضافه شد. و دانستن اینکه اکنون داریم در یک دنیای پساحقیقت زندگی می‌کنیم به تمرکز بسیار بیشتر بر بررسی حقایق منجر شده است. لُب مطلب سخنرانی من این است که تنها بررسی حقایق کافی نیست. حتی اگر داستان بل راست بود، باز هم بی‌ربط بود. چرا؟


01:59
خب، بگذارید نگاهی به یکی از پایه‌ای ترین فنون آمار بیندازیم. استنباط بیزی نام دارد. و یک بیان ساده از آن این است: برای ما مهم است که "آیا داده‌ها نظریه را تأیید می‌کند؟" آیا داده‌ها باور ما بر درست بودن نظریه را افزایش می‌دهد؟ اما به جای این ما می‌پرسیم: "آیا داده‌ها طبق نظریه هستند؟" اما مطابق نظریه بودن به این معنی نیست که داده‌ها نظریه را تأیید می‌کنند. چرا؟ بخاطر یک موضوع اساسی و فراموش‌شده ثالث -- داده‌ها می‌توانند مطابق نظریه‌های رقیب نیز باشند. اما به خاطر تعصب تأیید شدن ما هرگز نظریه‌های رقیب را در نظر نمی‌گیریم. چون به شدت محافظ تئوری خودمان هستیم.


02:46
حالا، بیایید این موضوع را در مورد داستان بل ببینیم. خب، برای ما مهم است که: آیا داستان بل این تئوری را تأیید می‌کند که رژیم غذایی سرطان را درمان می‌کند؟ اما در عوض می‌پرسیم، "آیا داستان بل مطابق تئوری درمان سرطان با رژیم غذایی است؟" و پاسخ مثبت است. اگر رژیم غذایی سرطان را درمان کند داستان‌های مشابه بل را خواهیم دید. اما حتی اگر رژیم غذایی سرطان را درمان نکند، ما همچنان شاهد داستان‌های شبیه بل هستیم. یک تک داستان که ظاهراً در آن یک مریض پس از روش درمان غلط در وهله اول سپس خود را درمان کرده است. درست مثل این: حتی اگر دخانیات برای سلامتی مضر باشد، همچنان یک سیگاری را می‌بینید که بیش از صد سال عمر کرده است.


03:30
(خنده)


03:32
درست مثل این: حتی اگر تحصیلات برای درآمد شما خوب است همچنان یک میلیونر وجود دارد که دانشگاه نرفته است.


03:39
(خنده)


03:44
پس بزرگترین ایراد داستان بل دروغ بودن آن نیست. بلکه این است که فقط یک واقعه است. ممکن است هزاران واقعه دیگری باشد که در آن رژیم غذایی جواب نداده است، اما هرگز در مورد آن‌ها نمی‌شنویم.


03:58
ما فقط موارد خاص را به اشتراک می‌گذاریم چون جدید هستند، و بنابراین خبر هستند. ما اصلاً موارد عادی را به اشتراک نمی‌گذاریم. چون خیلی معمولی هستند و اتفاقاتی هستند که بطور طبیعی رخ می‌دهند. و در این بین ۹۹ درصد موارد درست را نادیده می‌گیریم. درست مثل اینکه در اجتماع شما نمی‌توانید فقط به حرف یک درصد یا موارد خاص گوش کنید، و ۹۹ درصد معمول را نادیده بگیرید.


04:22
چون این نمونه دوم از تعصب تأیید شدن است. ما یک واقعه را بعنوان یک داده می‌پذیریم. بزرگترین مشکل این نیست که داریم در یک جهان پساحقیقت زندگی می‌کنیم؛ مشکل زندگی در یک جهان پساداده است. ما یک تک واقعه را به هزاران داده ترجیح می‌دهیم. داستان‌ها قدرتمند هستند، روشن هستند و دارای حیات هستند. می‌گویند سخنرانی را با یک داستان شروع کن. من این کار را کردم. اما یک تک داستان بی‌معنا و منحرف‌کننده است مگر اینکه توسط حجم زیادی از داده حمایت شود. اما حتی اگر حجم زیادی از داده داشته باشیم، ممکن است کافی نباشد. چون ممکن است همچنان مطابق نظریات رقیب هم باشند. بگذارید توضیح دهم.


05:10
یک مطالعه کلاسیک توسط روان‌شناس پیتر ویسون به شما سه عدد می‌گوید و از شما می‌پرسد این اعداد طبق چه منطقی تولید شده‌اند. خب اگر به شما، دو، چها و شش را بدهند، چه منطقی برقرار است؟ خب اکثر افراد فکر می‌کنند این توالی اعداد زوج است. چطور آزمایشش می‌کنید؟ خب، دسته‌های دیگری از اعداد زوج به شما عرضه می‌شود: ۴، ۶، ۸ یا ۱۲، ۱۴، ۱۶. و پیتر می‌گوید این دسته‌ها هم از منطق پیروی می‌کنند. اما دانستن اینکه این دسته‌ها تابع منطق هستند، شاید دانستن صدها دسته اعداد زوج که تابع منطق ما هستند، به شما هیچ چیز نمی‌گوید. چون این بر تئوری‌های رقیب هم مطابقت می‌کند. شاید منطق هر گونه سه عدد زوج باشد. یا هر سه عدد در حال افزایش.


06:02
و این است نمونه سوم از تعصب تأیید شدن: پذیرش داده‌ها به عنوان شاهد، حتی اگر مطابق نظریه‌های رقیب هم باشند. داده‌ها فقط مجموعه‌ای از حقایق هستند. شاهد داده‌ایست که یک تئوری را حمایت و دیگر تئوری‌ها را رد می‌کند. پس بهترین راه برای حمایت از تئوری خود این است که تلاش کنید آن را رد کنید و نقش یک وکیل مدافع شیطان را بازی کنید. بنابراین چیزی مثل ۴، ۱۲، ۲۶ را امتحان کنید. اگر پاسخ مثبت باشد تئوری شما مبنی بر توالی اعداد زوج رد می‌شود. این آزمایش قدرتمند است، چون اگر پاسخ منفی باشد، تئوری "هر گونه سه عدد زوج" و "هر سه عدد در حال افزایش" رد می‌شوند. تئوری‌های دیگر را رد می‌کند اما تئوری شما را خیر. اما اکثر افراد از آزمایش ۴، ۱۲، ۲۶ به شدت می‌ترسند، چون نمی‌خواهند با کسب جواب مثبت، تئوری خودشان رد شود. تعصب تأیید نه تنها باعث انصراف از جستجوی داده‌های جدید می‌شود، بلکه هنگام دریافت داده‌ها موجب سوء تفسیر می‌شود.


07:14
و این رویکرد در خارج از آزمایشگاه و در قبال مسائل واقعی جهان اتخاذ می‌شود. به راستی، توماس ادیسون جمله معروفی داشت، "من هرگز شکست نخورده‌ام، فقط ده هزار راهی را یافته‌ام که عمل نمی‌کند." دانستن اینکه دارید اشتباه می‌کنید تنها راه یافتن پاسخ درست است.


07:34
فرض کنید شما مدیر پذیرش دانشگاه هستید و تئوری شما این است که فقط دانشجویان با نمره‌های خوب از خانواده‌های ثروتمند به درد می‌خورند. پس شما فقط چنین دانشجویانی را می‌پذیرید. و آن‌ها خوب عمل می‌کنند. اما این با تئوری رقیب هم منطبق است. شاید همه دانشجویان با نمره خوب به درد می‌خورند، چه ثروتمند چه فقیر. اما شما هرگزاین تئوری را آزمایش نکرده‌اید چون هرگز دانشجویان فقیر را پذیرش نکرده‌اید. چون دوست ندارید اشتباهتان ثابت شود.


08:02
خب چه یاد گرفته‌ایم؟ یک داستان یک حقیقت نیست چون ممکن است راست نباشد. حقیقت، داده نیست، اگر فقط یک داده خاص باشد قابل پذیرش نیست. و داده، شاهد نیست -- اگر بر تئوری‌های رقیب هم منطبق باشد حامی تئوری ما نیست. پس چه کار می‌کنید؟ وقتی در نقطه عطف زندگی خود قرار دارید، برای تصمیم‌گیری در مورد استراتژی کسب و کارتان، فن تربیت کودکتان یا یک رژیم برای سلامتی‌تان، چطور مطمئن می‌شوید که شما یک داستان ندارید بلکه یک شاهد دارید؟


08:44
بگذارید سه نکته عرض کنم. اولاً فعالانه دیگر دیدگاه‌ها را جستجو کنید. نظر افرادی که بوضوح با شما مخالف هستند را بخوانید و بشنوید. نود درصد چیزی که می‌گویند ممکن است از نگاه شما غلط باشد. اما اگر ده درصد درست باشد چه؟ به قول ارسطو، "علامت یک فرد باسواد این است که می‌تواند از یک تفکر لذت ببرد گرچه لزوماً آن را نپذیرفته باشد." اطراف خود را با افرادی که شما را به چالش می‌کشانند پر کنید، و فرهنگی را خلق کنید که فعالانه مخالفت را تشویق می‌کند. برخی بانک‌ها از گروه همفکران رنج می‌برند، وقتیکه کارمندان به شدت می‌ترسندکه تصمیمات وام‌دهی مدیریت را به چالش بکشند، و در بحران‌های مالی مشارکت کنند. در یک جلسه، یک نفر را به عنوان وکیل مدافع شیطان علیه ایده خودتان تعیین کنید. و نه تنها نظر مخالف را بشنوید -- بلکه به خوبی به آن گوش دهید.


09:41
استفان کوی بعنوان یک روان‌شناس می‌گوید، "به قصد فهمیدن گوش کنید، نه به هدف جواب دادن." یک دیدگاه مخالف برای یاد گرفتن است نه برای مبارزه علیه آن. که ما را به بخش فراموش شده سوم استنباط بیزی می‌رساند. چون داده‌ها به شما امکان یادگیری می‌دهند، ولی یادگیری فقط به نقطه شروع ارتباط دارد. اگر با اطمینان کامل از درستی تئوری خودتان آغاز کنید، دیدگاه شما تغییر نخواهد کرد -- صرف نظر از اینکه با چه داده‌هایی مواجه می‌شوید.


10:16
تنها در صورتی که واقعاً احتمال اشتباه خود را بدهید می‌توانید یاد بگیرید. همانگونه که لئو تولستوی می‌نویسد، "سخت‌ترین مفاهیم می‌تواند برای کندذهن‌ترین انسان توضیح داده شود اگر وی از قبل باوری تشیکل نداده باشد. اما ساده‌ترین چیز را نمی‌توان برای باهوش‌ترین انسان روشن کرد در صورتی که وی از پیش معتقد باشد که می‌داند." نکته دوم این است: "به متخصصین گوش بده." حالا، این شاید ناخوشایندترین نصیحتی باشد که می‌توانم به شما بکنم.


10:52
(خنده)


10:53
سیاستمدار انگلیسی مایکل گو جمله مشهوری دارد: مردم این کشور به اندازه کافی از متخصصان کشیده‌اند. یک نظرسنجی اخیر نشان داد که اکثر افراد به آرایشگرشان --


11:05
(خنده)


11:07
یا یک شخص در خیابان بیش از رهبران کسب و کار، خدمات درمانی و حتی خیریه‌ها اعتماد دارند. برای همین به یک فرمول سفیدکننده دندان توسط مادر احترام می‌گذاریم، یا به دیدگاه یک بازیگر در مورد واکسیناسیون گوش می‌کنیم. ما هر چرندی که توسط افراد گفته شود را دوست داریم و آن گفته‌ها را معتبر می‌نامیم. ولی چرندیات می‌تواند شما را منحرف کند. چرندیات به شما می‌گوید به یک بچه دارای اسهال آب ندهید، چون از سمت دیگر خارج می‌شود. اما متخصصین به شما چیز دیگری می‌گویند. شما هیچوقت جراح خود را با یک شخص معمولی در خیابان عوض نمی‌کنید. شما خواستار متخصصی هستید که سال‌ها جراحی کرده و بهترین فنون را می‌داند. اما این قضیه باید در همه موضوعات اعمال شود. سیاست، کسب و کار و سلامت مثل جراحی به تخصص نیاز دارند.


12:04
خب پس چرا افراد اینقدر به متخصصین بی‌اعتماد هستند؟ خب یک دلیل این است که این متخصصین در دسترس نیستند. یک مدیرعامل میلیونر قاعدتاً نمی‌تواند با یک فرد معمولی در خیابان صحبت کند. اما تخصص واقعی با شواهد یافت می‌شود. و شواهد در دفاع از افراد معمولی و علیه متخصصین قرار دارد. چون شواهد شما را مجبور به پذیرش می‌کند. شواهد از عرضه شدن دیدگاه متخصصین بدون اثبات جلوگیری می‌کند.


12:37
دلیل دومی که به متخصصین اعتماد نمی‌شود این است که متخصصین مختلف چیزهای متفاوتی می‌گویند. یک متخصص می‌گوید خروج از اتحادیه اروپا برای انگلیس بد است، یکی دیگر می‌گوید خوب است. نصف این به اصطلاح متخصصین اشتباه می‌کنند. و باید بپذیرم که بیشتر مقالات نوشته شده توسط متخصصین اشتباه هستند. یا در بهترین حالت، ادعا می‌شود که شواهد این موضوع را تأیید نمی‌کنند. پس نمی‌توانیم به این سادگی عنوان متخصص را برای آن به کار ببریم.


13:06
در نوامبر ۲۰۱۶ یک تحقیق در مورد حق اجرا به صدر رسانه‌ها آمد. اگر چه هیچ یک از روزنامه‌هایی که این مطالعه را پوشش دادند حتی این تحقیق را ندیده بودند. هنوز حتی منتشر نشده بود. آن‌ها فقط حرف نویسنده را قبول کردند، درست مثل قضیه بل. قرار نیست که ما هر تحقیقی را که بر حسب اتفاق باور ما را تأییید می‌کند، انتخاب کنیم -- این هم یک تعصب تأیید است. قرار نیست اگر هفت تحقیق نتیجه الف را بدهد و سه تحقیق نتیجه ب پس نتیجه الف درست باشد. آنچه مهم است کیفیت است نه کمیت در یک حوزه تخصص.


13:45
پس باید دو کار بکنیم. اولاً باید منتقدانه میزان اعتبار نویسندگان را بسنجیم. همانگونه که میزان اعتبار یک جراح را می‌سنجید. آیا واقعاً در موضوع مورد نظر متخصص هستند، یا اینکه منافع خاصی را دنبال می‌کنند؟ دوماً باید به مقالات چاپ شده در مجلات علمی معتبر توجه ویژه داشته باشیم. حالا، معمولاً افراد دانشگاهی به این متهم می‌شوند که از دنیای واقعی فاصله دارند. اما این فاصله، فرصت صرف کردن چندین سال در یک زمینه علمی برای حصول یک نتیجه خاص را در اختیار گذاشته تا آن نظریات رقیب را خلق کنند و علیت را از مغالطه تمیز دهند. و مجلات علمی بررسی دقیقی انجام می‌دهند و یک مقاله به دقت موشکافی می‌شود


14:33
(خنده)


14:35
و این کار توسط اذهان پیشرو جهانی انجام می‌شود. هر چه مجله بهتر باشد سطح استانداردها بالاتر است. برترین مجلات علمی ۹۵ درصد مقالات را رد می‌کنند.


14:47
البته، شواهد علمی همه چیز نیست. تجربیات جهان واقعی هم حیاتی است. و بررسی دقیق کامل نیست و اشتباهات رخ می‌دهد. اما بهتر است با چیزی که بررسی شده ادامه دهیم تا چیزی که بررسی نشده است. اگر به یک تحقیق بچسبیم چون یافته‌های آن را دوست داریم، بدون اینکه ببینیم توسط چه کسی یا اینکه اصلا بازبینی شده است، احتمال زیادی وجود دارد که این تحقیق گمراه‌کننده باشد. و آنهایی از ما که ادعای تخصص دارند باید محدودیت‌های آنالیزهای ما را درک کنند. امکان اثبات قطعی یک موضوع خیلی سخت است، اما اظهار یک ادعای فریبنده و فاقد صلاحیت خیلی وسوسه‌انگیز است. به صدر رسانه‌ها آمدن و از زبان ۱۴۰ شخصیت معروف توییت شدن ساده‌تر است. اما شواهد هم ممکن است به معنی اثبات نباشد. شاید جهانی نباشند یا در مورد هر چیزی صدق نکنند. پس نگویید، "شراب قرمز موجب افزایش طول عمر می‌شود،" وقتی تنها شاهدی که دارید این است که طول عمر افرادی که شراب قرمز می‌خورند بیشتر است ولی فقط آنهایی که خوب ورزش می‌کنند.


15:59
نکته سوم "توقف قبل از به اشتراک‌گذاری هر چیزی" است. سوگند بقراط می‌گوید، "اولاً هیچ آسیبی نزنید." چیزی که به اشتراک می‌گذاریم بطور بالقوه مسری است، پس کاملاً دقت کنید که چه به اشتراک می‌گذارید. هدف ما نباید دریافت لایک یا ریتوییت باشد. در این صورت ما فقط چیزهایی که همه دوست دارند را به اشتراک می‌گذاریم و اصلاً تفکر کسی را به چالش نمی‌کشیم و فقط چیزهای ظاهراً خوب را فارغ از اینکه آیا یک شاهد است به اشتراک می‌گذاریم؛


16:30
در عوض باید اینها را بپرسیم: اگر یک داستان است آیا واقعی است؟ اگر واقعی است آیا با حجم زیادی از شواهد پشتیبانی می‌شود؟ اگر بله توسط چه کسانی و با چه اعتباری؟ آیا چاپ شده؟ درجه اعتبار مجله علمی چقدر است؟ و از خودتان سوال میلیون دلاری را بپرسید: اگر مطالعه مشابهی توسط نویسندگان مشابه با درجه اعتبار مشابه نوشته شده اما نتایج متضاد گزارش شده باشد، آیا باز هم آن را باور کرده و به اشتراک می‌گذارید؟


17:01
با همه مسائل همین کار را بکنید -- یک مسئله اقتصادی ملی یا مسئله سلامت یک فرد مشکل است. پس مجبوریم برای راهنمایی، بهترین شاهد را بپذیریم. فقط اگر راست باشد می‌تواند یک حقیقت باشد. فقط اگر یک داده خاص نباشد قابل پذیرش است. فقط اگر قابل پشتیبانی علمی باشد یک شاهد است. و تنها با شواهد می‌توانیم از این دنیای پساحقیقت به سوی دنیای حقیقت واقعی حرکت کنیم.


17:32
خیلی متشکرم.


17:33
(تشویق)