ភាពមិនអើពើនឹងទំហំគំរូ (Insensitivity to Sample Size)

មើលត្រួសៗ (At a Glance)

1. សេចក្តីសង្ខេបរហ័ស

យើងជឿដោយវិចារណញាណថាគំរូទិន្នន័យតូចមួយគួរតែមានលក្ខណៈដូចគ្នាទាំងស្រុងទៅនឹងប្រជាជនធំដែលវាត្រូវបានយកមក។ នៅពេលដែលការបោះកាក់ដប់ដងមិនចេញលទ្ធផល 50/50 ឥតខ្ចោះទេ យើងមើលឃើញពីលំនាំ ការកើតឡើងបន្តបន្ទាប់ ឬភាពមិនយុត្តិធម៌ ជាជាងការទទួលស្គាល់ភាពប្រែប្រួលតាមធម្មជាតិនៃចំនួនតូច។ នេះបណ្តាលឱ្យយើងទាញសេចក្តីសន្និដ្ឋានប្រកបដោយភាពជឿជាក់ពីទិន្នន័យដែលមានកំណត់ មើលឃើញនិន្នាការដែលមានអត្ថន័យនៅក្នុងភាពរំខានចៃដន្យ និងច្រានចោលតួនាទីដ៏សំខាន់ដែលបរិមាណដើរតួក្នុងភាពជឿជាក់នៃស្ថិតិ។

2. វិទ្យាសាស្ត្រនៅពីក្រោយវា

2.1. ការរកឃើញ និងប្រវត្តិសាស្ត្រ

ការកំណត់អត្តសញ្ញាណជាផ្លូវការនៃភាពមិនអើពើនឹងទំហំគំរូ (Insensitivity to Sample Size) បានលេចចេញពីបដិវត្តន៍នៃការយល់ដឹងនៅក្នុងចិត្តវិទ្យាក្នុងអំឡុងទសវត្សរ៍ឆ្នាំ 1970។ នៅឆ្នាំ 1971 លោក Amos Tversky និង Daniel Kahneman បានបោះពុម្ពផ្សាយ "Belief in the Law of Small Numbers" នៅក្នុងព្រឹត្តិបត្រចិត្តសាស្ត្រ (Psychological Bulletin) ដោយស្នើថា វិចារណញាណរបស់មនុស្សដំណើរការហាក់បីដូចជាច្បាប់នៃចំនួនធំ (Law of Large Numbers) អនុវត្តចំពោះចំនួនតូចៗផងដែរ។ បីឆ្នាំក្រោយមក នៅក្នុងឯកសារ Science ឆ្នាំ 1974 របស់ពួកគេដែលមានចំណងជើងថា "Judgment under Uncertainty: Heuristics and Biases" ពួកគេបានកំណត់ជាផ្លូវការនូវបាតុភូតនេះថាជាភាពលម្អៀងនៃការយល់ដឹងជាក់លាក់មួយនៅក្នុងក្របខ័ណ្ឌទូលំទូលាយនៃ Representativeness Heuristic។

ប្រភពដើមនៃបញ្ញាត្រលប់ទៅទ្រឹស្ដីប្រូបាប៊ីលីតេគណិតវិទ្យា ជាពិសេសទៅលើការបង្កើតដំបូងរបស់ Gerolamo Cardano និង Jacob Bernoulli នៃច្បាប់នៃចំនួនធំ (Law of Large Numbers)។ ទោះជាយ៉ាងណាក៏ដោយ ការស៊ើបអង្កេតផ្លូវចិត្តអំពីមូលហេតុដែលមនុស្សតែងតែបំពានលើគោលការណ៍គណិតវិទ្យានេះត្រូវបានត្រួសត្រាយផ្លូវដោយកិច្ចសហការ Kahneman-Tversky ។

ការយល់ដឹងរបស់យើងបានវិវត្តយ៉ាងខ្លាំងចាប់តាំងពីទសវត្សរ៍ឆ្នាំ 1970 ។ សាលា "Ecological Rationality" ដឹកនាំដោយ Gerd Gigerenzer នៅវិទ្យាស្ថាន Max Planck បានប្រឈមមុខនឹងការបកស្រាយដើម ដោយអះអាងថាភាពលម្អៀងអាចជាផ្នែកមួយនៃរបៀបដែលបញ្ហាត្រូវបានបង្ហាញ។ នៅពេលដែលព័ត៌មានស្ថិតិត្រូវបានកែទម្រង់ជាប្រេកង់ធម្មជាតិ (natural frequencies) ជាជាងប្រូបាប៊ីលីតេអរូបី ប្រសិទ្ធភាពត្រូវបានកែលម្អយ៉ាងខ្លាំង។

2.2. អ្នកស្រាវជ្រាវសំខាន់ៗ

2.3. ការសិក្សាសំខាន់ៗ

បញ្ហាមន្ទីរពេទ្យ (The Hospital Problem - Tversky & Kahneman, 1974)

នៅក្នុងការពិសោធន៍ដ៏ល្បីនេះ អ្នកចូលរួមបានអានថា៖ "ទីក្រុងមួយត្រូវបានបម្រើដោយមន្ទីរពេទ្យពីរ។ នៅក្នុងមន្ទីរពេទ្យធំជាងនេះ មានទារកប្រហែល 45 នាក់កើតជារៀងរាល់ថ្ងៃ ហើយនៅក្នុងមន្ទីរពេទ្យតូចជាងនេះ មានទារកប្រហែល 15 នាក់កើតជារៀងរាល់ថ្ងៃ។ ដូចដែលអ្នកបានដឹងហើយថា ប្រហែល 50% នៃទារកទាំងអស់គឺជាក្មេងប្រុស។ ទោះជាយ៉ាងណាក៏ដោយ ភាគរយពិតប្រាកដប្រែប្រួលពីមួយថ្ងៃទៅមួយថ្ងៃ។ សម្រាប់រយៈពេល 1 ឆ្នាំ មន្ទីរពេទ្យនីមួយៗបានកត់ត្រាថ្ងៃដែលទារកកើតមកជាក្មេងប្រុសលើសពី 60%។ តើមន្ទីរពេទ្យមួយណាដែលអ្នកគិតថាបានកត់ត្រាថ្ងៃបែបនេះច្រើនជាងគេ?"

លទ្ធផលគួរឱ្យភ្ញាក់ផ្អើល៖ 56% នៃអ្នកចូលរួមថ្នាក់បរិញ្ញាបត្រជ្រើសរើស "ប្រហែលគ្នា" ខណៈ 22% ជ្រើសរើសមន្ទីរពេទ្យធំ ហើយមានតែប្រហែល 22% ប៉ុណ្ណោះដែលកំណត់បានត្រឹមត្រូវថាមន្ទីរពេទ្យតូច។ ចម្លើយត្រឹមត្រូវគឺមន្ទីរពេទ្យតូច ព្រោះគំរូតូចៗមានភាពប្រែប្រួលជាង និងទំនងជាបង្កើតគម្លាតយ៉ាងខ្លាំងពីមធ្យមភាគ។ អ្នកចូលរួមបានចាត់ទុកទំហំគំរូថាមិនពាក់ព័ន្ធ ដោយរំពឹងថាសមាមាត្រ 50% នឹងអនុវត្តស្មើៗគ្នា ដោយមិនគិតថាគំរូមាន 15 ឬ 45 នាក់នោះទេ។

ការពិសោធន៍ការប៉ាន់ស្មានកម្ពស់ (The Height Estimation Experiment - Tversky & Kahneman, 1974)

អ្នកចូលរួមបានប៉ាន់ស្មានប្រូបាប៊ីលីតេនៃការទទួលបានកម្ពស់មធ្យមលើសពី 6 ហ្វីត (183 សង់ទីម៉ែត្រ) នៅក្នុងគំរូចំនួន 10, 100, និង 1,000 បុរសដែលទាញចេញពីប្រជាជនទូទៅ។ តាមតក្កវិជ្ជា ការស្វែងរកបុរស 1,000 នាក់ដែលមានកម្ពស់មធ្យមលើសពី 6 ហ្វីតគឺស្ទើរតែមិនអាចទៅរួច ខណៈដែលបុរស 10 នាក់ដែលមានកម្ពស់មធ្យមនេះគឺគ្រាន់តែទំនងជាមិនកើតឡើង។ ប៉ុន្តែអ្នកចូលរួមបានផ្តល់ប្រូបាប៊ីលីតេដូចគ្នាទៅនឹងទំហំគំរូទាំងបី។ ដោយការវិនិច្ឆ័យគំរូតែលើការពិពណ៌នារបស់ពួកគេ ("បុរស") អ្នកចូលរួមបានមិនអើពើទាំងស្រុងទៅលើថាមពលស្ថិរភាពនៃចំនួនធំជាង។

បញ្ហាថតសុដន់ (The Mammography Problem - Gigerenzer et al., 1995)

នៅពេលដែលគ្រូពេទ្យត្រូវបានសួរឱ្យប៉ាន់ស្មានប្រូបាប៊ីលីតេនៃជំងឺមហារីកសុដន់ ដោយផ្អែកលើការធ្វើតេស្តសុដន់វិជ្ជមានដោយប្រើភាគរយ (ភាពប្រែប្រួល=90%, វិជ្ជមានមិនពិត=9%, អត្រាកើតមាន=1%) មានតែ 10-15% ប៉ុណ្ណោះដែលឆ្លើយបានត្រឹមត្រូវ។ នៅពេលដែលបញ្ហាដូចគ្នានេះត្រូវបានបង្ហាញជាប្រេកង់ធម្មជាតិ ("ស្ត្រី 10 នាក់ក្នុងចំណោម 1,000 នាក់មានជំងឺមហារីក...") ភាពត្រឹមត្រូវកើនឡើងដល់ 46-67%។ នេះបង្ហាញថាការធ្វើឱ្យទំហំគំរូច្បាស់លាស់នៅក្នុងភាគបែង (denominator) ធ្វើឱ្យការវែកញែកស្ថិតិប្រសើរឡើងយ៉ាងខ្លាំង។

ការសិក្សាអំពីការប៉ិនប្រសប់ (The Hot Hand Study - Gilovich, Vallone, & Tversky, 1985)

ដោយវិភាគលើកំណត់ត្រាបោះបាល់របស់ក្រុម Philadelphia 76ers និង Boston Celtics អ្នកស្រាវជ្រាវមិនបានរកឃើញភស្តុតាងស្ថិតិនៃ "ស៊េរីសំណាង (hot streaks)" លើសពីអ្វីដែលរំពឹងទុកដោយចៃដន្យនោះទេ។ កំណត់ត្រាបោះបាល់របស់អ្នកលេងម្នាក់តាមគណិតវិទ្យាគឺមិនអាចបែងចែកពីលំដាប់នៃការបោះកាក់បានទេ។ ជំនឿជាសកលលើ "ការប៉ិនប្រសប់ (hot hand)" ក្នុងចំណោមអ្នកលេង គ្រូបង្វឹក និងអ្នកគាំទ្រ ត្រូវបានបង្ហាញថាជាការយល់ច្រឡំនៃការយល់ដឹងដែលបង្កើតឡើងដោយការយល់ឃើញពីលំនាំនៅក្នុងគំរូចៃដន្យតូចៗ។

2.4. មូលដ្ឋានសរសៃប្រសាទ

ភាពលម្អៀងដំណើរការតាមរយៈអ្វីដែលអ្នកចិត្តសាស្រ្ត Keith Stanovich, Richard West និង Daniel Kahneman ហៅថាការគិត "System 1" — ដំណើរការយល់ដឹងរហ័ស ស្វ័យប្រវត្តិ និងវិចារណញាណដែលផ្តល់អាទិភាពដល់ល្បឿន និងភាពស៊ីសង្វាក់គ្នាជាជាងភាពជាក់លាក់នៃគណិតវិទ្យា។ នៅពេលវាយតម្លៃភស្តុតាងស្ថិតិ System 1 ដំណើរការលើភាពស្រដៀងគ្នា និងការទទួលស្គាល់លំនាំ ជាជាងការចូលរួមជាមួយដំណើរការ System 2 ដែលយឺត និងត្រូវការការខិតខំប្រឹងប្រែងជាងមុន ដែលចាំបាច់សម្រាប់ការវែកញែកស្ថិតិឱ្យបានត្រឹមត្រូវ។

សៀគ្វីទទួលស្គាល់លំនាំរបស់ខួរក្បាល ដែលបានវិវត្តសម្រាប់ការវាយតម្លៃការគំរាមកំហែងយ៉ាងឆាប់រហ័ស និងការទាញសេចក្តីសន្និដ្ឋានពីមូលហេតុ ស្វែងរករចនាសម្ព័ន្ធដែលមានអត្ថន័យនៅក្នុងទិន្នន័យដោយស្វ័យប្រវត្តិ។ សៀគ្វីទាំងនេះមិនបែងចែករវាងគំរូធំ និងតូចទេ; ពួកវាឆ្លើយតបទៅនឹងលក្ខណៈផ្ទៃខាងក្រៅនៃព័ត៌មាន (សមាមាត្រ លំនាំជាក់ស្តែង) ជាជាងព័ត៌មានលម្អិតអំពីភាពជឿជាក់ (ទំហំគំរូ ភាពប្រែប្រួល)។

សំបកខួរក្បាលផ្នែកខាងមុខ (prefrontal cortex) ដែលទទួលខុសត្រូវចំពោះមុខងារប្រតិបត្តិ និងការវែកញែកគណិតវិទ្យា អាចបដិសេធការវិនិច្ឆ័យរបស់ System 1 ប៉ុន្តែនេះទាមទារការខិតខំប្រឹងប្រែងដោយដឹងខ្លួន ការបណ្តុះបណ្តាលស្ថិតិ និងធនធាននៃការយល់ដឹង។ ក្រោមសម្ពាធពេលវេលា បន្ទុកនៃការយល់ដឹង ឬការរំជើបរំជួលផ្លូវចិត្ត System 1 ច្រើនតែគ្របដណ្ដប់ ហើយទំហំគំរូត្រូវបានគេមើលរំលង។

3. ប្រភពដើមនៃការវិវត្ត

ចិត្តមនុស្សបានវិវត្តន៍ដើម្បីរុករកពិភពលោកដ៏ស្មុគស្មាញ រំខាន និងគ្រោះថ្នាក់ ដែលទិន្នន័យមានតិចតួច ហើយការស្ទាក់ស្ទើរអាចបណ្តាលឱ្យស្លាប់។ នៅក្នុងបរិយាកាស Pleistocene បុព្វបុរសរបស់យើងត្រូវធ្វើការសន្និដ្ឋានទូទៅយ៉ាងឆាប់រហ័សពីការសង្កេតដែលមានកំណត់៖ ការជួបប្រទះសត្វរំពា ឬផ្លែប៊ឺរីពុលតែម្តងតម្រូវឱ្យមានច្បាប់សកលនៃការចៀសវាង។

ឧបករណ៍វិវត្តន៍នេះបានផ្តល់អាទិភាពដល់ការទទួលស្គាល់លំនាំ និងការទាញសេចក្តីសន្និដ្ឋានយ៉ាងឆាប់រហ័សជាងភាពជាក់លាក់នៃគណិតវិទ្យា។ សមត្ថភាពក្នុងការទាញសេចក្តីសន្និដ្ឋានទូលំទូលាយពីគំរូតូចៗគឺជាអត្ថប្រយោជន៍បន្ស៊ាំដ៏ច្បាស់លាស់មួយ — ការរង់ចាំដើម្បីប្រមូលផ្តុំគំរូ "មានសារៈសំខាន់ខាងស្ថិតិ" នៃការជួបប្រទះសត្វរំពាមុនពេលសម្រេចចិត្តរត់គេចនឹងនាំឱ្យមានគ្រោះថ្នាក់ដល់ជីវិត។

ទោះជាយ៉ាងណាក៏ដោយ ការសម្របខ្លួននៃការយល់ដឹងដូចគ្នានេះដែលធានាការរស់រានមានជីវិតនៅក្នុងបរិយាកាសបុព្វបុរសដែលមានទិន្នន័យតិចតួច បង្ហាញឱ្យឃើញពីបញ្ហាដ៏ជ្រាលជ្រៅនៅក្នុងពិភពលោកសម្បូរទិន្នន័យទំនើបរបស់យើង។ ឥឡូវនេះ យើងរស់នៅក្នុងពិភពលោកដែលគ្រប់គ្រងដោយដំណើរការស្កត់ស្កាត (stochastic processes) លទ្ធផលប្រូបាប៊ីលីតេ និងទិន្នន័យដ៏ធំ ប៉ុន្តែវិចារណញាណរបស់យើងនៅតែភ្ជាប់យ៉ាងរឹងមាំទៅនឹងតក្កវិជ្ជានៃគំរូតូច។

ភាពលម្អៀងអាចត្រូវបានគេមើលឃើញថាជាលក្ខណៈពិសេសនៃការវិវត្តជាជាងកំហុស៖ វាត្រូវបានកែតម្រូវសម្រាប់បរិស្ថានដែល (1) គំរូមានទំហំតូចដោយធម្មជាតិ, (2) ភាពវិជ្ជមានមិនពិត (ឃើញលំនាំដែលមិនមាន) មានតម្លៃទាបជាងភាពអវិជ្ជមានមិនពិត (បាត់បង់ការគំរាមកំហែងពិតប្រាកដ) និង (3) សកម្មភាពភ្លាមៗឈ្នះភាពត្រឹមត្រូវនៃស្ថិតិ។

4. របៀបដែលភាពលម្អៀងនេះបង្ហាញឱ្យឃើញ

4.1. នៅក្នុងជីវិតប្រចាំថ្ងៃ

នៅក្នុងការសម្រេចចិត្តប្រចាំថ្ងៃ យើងតែងតែបកស្រាយគំរូតូចៗហួសហេតុ។ បន្ទាប់ពីទៅលេងភោជនីយដ្ឋានថ្មីម្តង ហើយទទួលទានអាហារមិនសូវឆ្ងាញ់ យើងសន្និដ្ឋានថា "កន្លែងនោះមិនល្អ" ជាជាងទទួលស្គាល់ថាយើងបានសាកល្បងម្ហូបមួយមុខនៅយប់មួយ។ ការជួបនរណាម្នាក់ពីទីក្រុង ឬវិជ្ជាជីវៈជាក់លាក់ណាមួយបង្កឱ្យមានការធ្វើសេចក្តីសន្និដ្ឋានទូទៅដោយផ្អែកលើការជួបគ្នាតែម្តងនោះ។

យើងវិនិច្ឆ័យសុវត្ថិភាពនៃសង្កាត់ដោយផ្អែកលើរឿងរ៉ាវប្រាប់តៗគ្នាមួយចំនួន បង្កើតមតិអំពីផលិតផលពីការពិនិត្យឡើងវិញបីនៅលើ Amazon និងសន្និដ្ឋានថាជាងម៉ាស៊ីនរបស់យើងមិនស្មោះត្រង់ដោយផ្អែកលើការជួសជុលមិនច្បាស់លាស់មួយ។ យើងឃើញមិត្តម្នាក់ទទួលបានជោគជ័យលើការតមអាហារ ហើយសន្មតថាវានឹងដំណើរការសម្រាប់យើង ដោយមិនអើពើលើបំរែបំរួលរាប់ពាន់របស់បុគ្គលម្នាក់ៗដែលកំណត់លទ្ធផល។

នៅក្នុងទំនាក់ទំនង អាកប្បកិរិយារបស់ដៃគូក្នុងរយៈពេលពីរបីថ្ងៃបង្កើតការវិនិច្ឆ័យរបស់យើងចំពោះចរិតលក្ខណៈរបស់ពួកគេ។ ការអនុវត្តមិនល្អរបស់កុមារលើការប្រឡងមួយនាំឱ្យឪពុកម្តាយសន្និដ្ឋានថាពួកគេ "ខ្សោយគណិតវិទ្យា" ។ ការទស្សន៍ទាយជោគជ័យមួយចំនួនធ្វើឱ្យយើងជឿថាយើងពូកែទស្សន៍ទាយអនាគត។

4.2. នៅកន្លែងធ្វើការ

ការកំណត់វិជ្ជាជីវៈពង្រីកតម្លៃនៃការមិនអើពើទំហំគំរូ។ អ្នកគ្រប់គ្រងវាយតម្លៃការអនុវត្តរបស់បុគ្គលិកដោយផ្អែកលើឧប្បត្តិហេតុមួយចំនួនដែលបានសង្កេតឃើញ ជាជាងទិន្នន័យជាប្រព័ន្ធ។ ការសម្រេចចិត្តជួលពឹងផ្អែកលើការសម្ភាសន៍ខ្លីៗ — ដែលជាគំរូតូចមួយនៃអាកប្បកិរិយា — ប៉ុន្តែត្រូវបានចាត់ទុកថាជាការវាយតម្លៃច្បាស់លាស់។

លទ្ធផលប្រចាំត្រីមាស ដែលតំណាងឱ្យត្រឹមតែបីខែ (គំរូតូចមួយនៃគន្លងរបស់ក្រុមហ៊ុន) ជំរុញឱ្យមានការសម្រេចចិត្តជាយុទ្ធសាស្ត្រធំៗ។ គំនិតផ្តួចផ្តើមថ្មីដែលដំណើរការមិនល្អរយៈពេលពីរខែត្រូវបានលុបចោលមុនពេលភាពប្រែប្រួលអាចមានស្ថិរភាព។ អ្នកដឹកនាំដែលជោគជ័យដំបូងត្រូវបានចាត់ទុកថាមាន "ចក្ខុវិស័យ" ខណៈពេលដែលអ្នកដែលជួបប្រទះការបរាជ័យដំបូងត្រូវបានគេដាក់ស្លាកថាជាអ្នកបរាជ័យ ដោយមិនគិតពីការចែកចាយជាក់ស្តែងនៃលទ្ធផលនោះទេ។

ការពិនិត្យឡើងវិញលើការអនុវត្តជារឿយៗផ្តោតលើព្រឹត្តិការណ៍ថ្មីៗមិនសមាមាត្រ ដោយចាត់ទុកសប្តាហ៍ចុងក្រោយជាតំណាងពេញមួយឆ្នាំ។ កម្មវិធីបណ្តុះបណ្តាលត្រូវបានវិនិច្ឆ័យថាមានប្រសិទ្ធភាព ឬគ្មានប្រសិទ្ធភាពដោយផ្អែកលើក្រុមទីមួយ ដោយមិនអើពើលើការប្រែប្រួលធម្មជាតិនៅទូទាំងក្រុម។

4.3. ក្នុងអាជីវកម្ម និងទីផ្សារ

គ្រោះមហន្តរាយ New Coke បង្ហាញពីរបៀបដែលអាជីវកម្មធ្លាក់ចូលទៅក្នុងភាពលម្អៀងនេះ។ ក្រុមហ៊ុន Coca-Cola បានធ្វើតេស្តភ្លក់ដោយបិទភ្នែកជិត 200,000 ដង ដោយរកឃើញនូវការចូលចិត្តយ៉ាងខ្លាំងចំពោះរូបមន្តថ្មីដែលមានរសជាតិផ្អែមជាង។ ទោះជាយ៉ាងណាក៏ដោយ ទាំងនេះគឺជា "ការធ្វើតេស្តក្រេប" — ជាគំរូតូចមួយនៃបទពិសោធន៍នៃការទទួលទានភេសជ្ជៈ។ នៅក្នុងការក្រេបមួយ ខួរក្បាលប្រតិកម្មជាវិជ្ជមានចំពោះភាពផ្អែមខ្លាំង។ ក្នុងកំប៉ុងពេញ ភាពផ្អែមនោះក្លាយជារសជាតិទ្រាន់។ នាយកប្រតិបត្តិ Coke បានសន្មតថាគំរូក្រេបគឺជាតំណាងនៃបទពិសោធន៍កំប៉ុងទាំងមូល ដែលនាំឱ្យមានការបះបោរពីអ្នកប្រើប្រាស់យ៉ាងខ្លាំង។

ការបរាជ័យរបស់ Ford Edsel បង្ហាញពីការមិនអើពើទំហំគំរូតាមពេលវេលា។ Ford បានធ្វើការស្រាវជ្រាវយ៉ាងទូលំទូលាយក្នុងឆ្នាំ 1955-1956 ដោយបង្ហាញថាជនជាតិអាមេរិកចង់បានរថយន្តធំៗ និងទាក់ទាញភ្នែក។ ពួកគេបានចាត់ទុកគំរូដែលជាប់កម្រិតពេលវេលានេះថាជាការពិតអចិន្ត្រៃយ៍។ នៅពេលការសម្ពោធនៅឆ្នាំ 1958 ទីផ្សារបានផ្លាស់ប្តូរទៅរករថយន្តតូចៗវិញ ហើយ Edsel បានក្លាយជាសទិសន័យនៃការបរាជ័យផ្នែកទីផ្សារ។

ក្រុមហ៊ុនតែងតែដាក់ដំណើរការផលិតផលដោយផ្អែកលើក្រុមផ្តោត (focus groups) ដែលមានមនុស្ស 8-12 នាក់ ការធ្វើតេស្ត A/B ដែលដំណើរការត្រឹមតែប៉ុន្មានថ្ងៃជាជាងសប្តាហ៍ និងកម្មវិធីសាកល្បងនៅក្នុងទីផ្សារដែលមិនតំណាង។ យុទ្ធនាការទីផ្សារត្រូវបានពង្រីកដោយផ្អែកលើអត្រាឆ្លើយតបដំបូងដែលមិនទាន់មានស្ថិរភាព។

4.4. ក្នុងនយោបាយ និងប្រព័ន្ធផ្សព្វផ្សាយ

គ្រោះមហន្តរាយនៃការស្ទង់មតិ Literary Digest ឆ្នាំ 1936 បង្ហាញពីរបៀបដែលគំរូដ៏ធំ ប៉ុន្តែលម្អៀង អាចបរាជ័យ។ ទស្សនាវដ្តីនេះបានស្ទង់មតិមនុស្ស 2.4 លាននាក់ ហើយបានទស្សន៍ទាយថា Alfred Landon នឹងយកឈ្នះ Franklin Roosevelt ។ ពួកគេបានសន្មតថាបរិមាណធានានូវភាពត្រឹមត្រូវ ដោយមិនអើពើថាគំរូរបស់ពួកគេ (ដកចេញពីការចុះបញ្ជីរថយន្ត និងបញ្ជីឈ្មោះទូរស័ព្ទ) បានដកចេញដោយប្រព័ន្ធនូវអ្នកបោះឆ្នោតក្នុងសម័យធ្លាក់ទឹកចិត្ត (Depression-era) ដែលមិនមានសញ្ញាសម្គាល់នៃទ្រព្យសម្បត្តិទាំងនេះ។ George Gallup បានទស្សន៍ទាយលទ្ធផលបានយ៉ាងត្រឹមត្រូវដោយប្រើគំរូតំណាងដែលមានត្រឹមតែ 50,000 នាក់ប៉ុណ្ណោះ។

ការស្ទង់មតិទំនើបនៅតែបន្តជួបការលំបាកជាមួយនឹងការបកស្រាយទំហំគំរូ។ ប្រព័ន្ធផ្សព្វផ្សាយរាយការណ៍យ៉ាងរហ័សអំពីការផ្លាស់ប្តូរការស្ទង់មតិនៅក្នុងរឹមនៃកំហុស ថាជាការផ្លាស់ប្តូរដ៏សំខាន់។ អ្នកជំនាញធ្វើការព្យាករណ៍ពីការបោះឆ្នោតដំបូង ដោយចាត់ទុកគំរូតូចៗថាអាចទស្សន៍ទាយបាន។ ក្រុមផ្តោតរបស់អ្នកបោះឆ្នោតដែលមិនទាន់សម្រេចចិត្តក្លាយជាពេលវេលាកំណត់ការរៀបរាប់ ទោះបីជាតំណាងត្រឹមតែជាភាពរំខាននៃស្ថិតិក៏ដោយ។

មតិយោបល់នយោបាយត្រូវបានបង្កើតឡើងដោយផ្អែកលើរឿងរ៉ាវមួយចំនួនអំពីជនអន្តោប្រវេសន៍ អ្នកទទួលសុខុមាលភាព ឬមន្ត្រីប៉ូលីស ដែលរឿងនីមួយៗត្រូវបានចាត់ទុកថាជាតំណាងរបស់បុគ្គលចម្រុះរាប់លាននាក់។

4.5. ក្នុងការថែទាំសុខភាព

ផែនទីមហារីកតម្រងនោមបង្ហាញពីឧទាហរណ៍វេជ្ជសាស្ត្រដ៏គួរឱ្យកត់សម្គាល់មួយ។ អ្នកស្ថិតិ Howard Wainer និង Harris Zwerling បានបង្ហាញថា ស្រុកដែលមានអត្រាមហារីកតម្រងនោម ទាបបំផុត គឺភាគច្រើនជាជនបទ និងមានប្រជាជនរស់នៅតិចតួច។ ការនិទានរឿងដោយវិចារណញាណ៖ ជីវិតនៅជនបទការពារជំងឺមហារីកតាមរយៈខ្យល់បរិសុទ្ធ និងការរស់នៅស្អាត។ បន្ទាប់មក ពួកគេបានបង្ហាញថា ស្រុកដែលមានអត្រា ខ្ពស់បំផុត ក៏ភាគច្រើនជាជនបទ និងមានប្រជាជនរស់នៅតិចតួចផងដែរ។ កត្តារួមមិនមែនជារបៀបរស់នៅទេ ប៉ុន្តែជាទំហំប្រជាជនតូច — នៅក្នុងស្រុកដែលមានអ្នករស់នៅ 500 នាក់ ការធ្វើរោគវិនិច្ឆ័យតែមួយធ្វើឱ្យអត្រាកើនឡើងដល់កម្រិតខ្លាំងលំដាប់ជាតិ ខណៈពេលដែលគ្មានករណីទាល់តែសោះ ទម្លាក់វាដល់បាត។

គ្រូពេទ្យបកស្រាយហួសហេតុនូវលទ្ធផលតេស្តវិជ្ជមាននៅក្នុងជំងឺកម្រ ដោយខកខានក្នុងការគិតគូរពីអត្រាមូលដ្ឋាន និងទំហំគំរូ។ អ្នកជំងឺដែលមានការអានកម្រិតខ្ពស់ចំនួនបីដងត្រូវបានគេធ្វើរោគវិនិច្ឆ័យថាមានស្ថានភាពរ៉ាំរ៉ៃដែលអាចគ្រាន់តែឆ្លុះបញ្ចាំងពីភាពប្រែប្រួលនៃការវាស់វែង។ ប្រសិទ្ធភាពនៃការព្យាបាលត្រូវបានវិនិច្ឆ័យពីអ្នកជំងឺមួយចំនួន ជាជាងការសាកល្បងដោយចៃដន្យដែលមានការគ្រប់គ្រង (randomized controlled trials)។

មន្ត្រីសុខាភិបាលសាធារណៈដេញតាម "ចង្កោមជំងឺមហារីក (cancer clusters)" និង "តំបន់ដែលមានសុខភាពល្អ (healthy zones)" ដែលគ្រាន់តែជាវត្ថុបុរាណតាមស្ថិតិនៃប្រជាជនតូចៗប៉ុណ្ណោះ។ ធនធានត្រូវបានបែងចែកខុសដោយផ្អែកលើតម្លៃខ្លាំង (extreme values) ដែលនឹងថយចុះត្រលប់ទៅមធ្យមភាគវិញជាមួយនឹងគំរូធំជាង។

4.6. ក្នុងហិរញ្ញវត្ថុ និងការវិនិយោគ

Survivorship Bias តំណាងឱ្យទម្រង់ដ៏គ្រោះថ្នាក់នៃការមិនអើពើទំហំគំរូនៅក្នុងទីផ្សារហិរញ្ញវត្ថុ។ នៅពេលអ្នកវិនិយោគវិភាគដំណើរការមូលនិធិទៅវិញទៅមក (mutual fund) ក្នុងរយៈពេល 10 ឆ្នាំចុងក្រោយ ពួកគេពិនិត្យមើលតែមូលនិធិដែលនៅតែមាន — អ្នកនៅរស់រានមានជីវិត។ មូលនិធិដែលបរាជ័យ និងត្រូវបានជម្រះបញ្ជីគឺបាត់ពីគំរូ ដែលធ្វើឱ្យប្រាក់ចំណេញមធ្យមជាក់ស្តែងកើនឡើងសិប្បនិម្មិត។ អ្នកវិនិយោគម្នាក់អាចមើលឃើញផលចំណេញជាមធ្យម 8% ហើយសន្និដ្ឋានថាការគ្រប់គ្រងសកម្មដំណើរការល្អ នៅពេលដែលការរួមបញ្ចូលមូលនិធិ "ដែលបានស្លាប់" នឹងបង្ហាញពីប្រាក់ចំណេញ 4% ឬទាបជាងនេះ។

អ្នកវិនិយោគដេញតាមមូលនិធិដោយផ្អែកលើកំណត់ត្រា 3-5 ឆ្នាំ ដោយចាត់ទុកគំរូពេលវេលាតូចនេះជាភស្តុតាងនៃជំនាញជាប់លាប់។ ការស្រាវជ្រាវរបស់ Richard Thaler បង្ហាញថាអ្នកវិនិយោគធ្វើការសន្និដ្ឋានហួសហេតុពីគំរូតូចៗនៃព័ត៌មានប្រាក់ចំណូល៖ ការរកប្រាក់ចំណូលលើសការប៉ាន់ស្មានបីត្រីមាសត្រូវបានចាត់ទុកថាជាលទ្ធផលរចនាសម្ព័ន្ធដ៏អស្ចារ្យ ដែលជំរុញឱ្យតម្លៃឡើងដល់កម្រិតមិនសមហេតុផល។

Robert Shiller បានចងក្រងឯកសារថាតម្លៃទីផ្សារប្រែប្រួលខ្លាំងជាងអ្វីដែលមូលដ្ឋានគ្រឹះអាចបង្ហាញអំពីភាពត្រឹមត្រូវ។ "ការប្រែប្រួលហួសហេតុ" នេះកើតចេញពីអ្នកវិនិយោគដែលចាត់ទុកព័ត៌មានរយៈពេលខ្លី — គំរូតូចៗនៃអនាគតរយៈពេលវែងរបស់ក្រុមហ៊ុន — ជាព័ត៌មានច្បាស់លាស់អំពីតម្លៃអចិន្ត្រៃយ៍។

5. ករណីសិក្សាក្នុងពិភពពិត

ករណីសិក្សាទី 1៖ វិបត្តិការចម្លងនៅក្នុងចិត្តវិទ្យា (The Replication Crisis in Psychology)

• បរិបទ៖ អស់រយៈពេលជាច្រើនទសវត្សរ៍ ការស្រាវជ្រាវផ្លូវចិត្តបានដំណើរការជាមួយទំហំគំរូតូចៗ (ជារឿយៗ N=20 ឬ N=40 ក្នុងមួយលក្ខខណ្ឌ)។ ការសិក្សា "Power Posing" (Carney, Cuddy, & Yap, 2010) បានអះអាងថា ការឈរក្នុងជំហរ "អំណាចខ្ពស់" រយៈពេលពីរនាទីបណ្តាលឱ្យមានការផ្លាស់ប្តូរអ័រម៉ូន និងបង្កើនការទទួលយកហានិភ័យ។ ទំហំគំរូគឺអ្នកចូលរួមចំនួន 42 នាក់។

• អ្វីដែលបានកើតឡើង៖ ការសិក្សានេះត្រូវបានបោះពុម្ពផ្សាយនៅក្នុងទស្សនាវដ្តីដ៏មានកិត្យានុភាព ទទួលបានការចាប់អារម្មណ៍ពីប្រព័ន្ធផ្សព្វផ្សាយយ៉ាងច្រើន និងបានបង្កើតការពិភាក្សា TED talk ដែលមានអ្នកមើលរាប់លានដង។ សហគមន៍វិទ្យាសាស្ត្របានទទួលយកថា N=42 គឺគ្រប់គ្រាន់ដើម្បីរកឃើញឥទ្ធិពលអ័រម៉ូនដ៏ស្រាល។

• ដំណើរការនៃភាពលម្អៀង៖ អ្នកស្រាវជ្រាវ អ្នកកែសម្រួល និងអ្នកត្រួតពិនិត្យ — ដែលរងគ្រោះពីភាពលម្អៀងដូចគ្នាដែល Tversky និង Kahneman បានពិពណ៌នា — បានជឿថាគំរូតូចៗមានភាពរឹងមាំគ្រប់គ្រាន់ក្នុងការរកឃើញឥទ្ធិពលដ៏ស្រាល។ ពួកគេបានឃើញលំនាំនៅក្នុងភាពរំខាន។

• ផលវិបាក៖ នៅពេលដែលការចម្លងទ្រង់ទ្រាយធំជាបន្តបន្ទាប់ដែលមាន N=200+ ត្រូវបានប៉ុនប៉ង ឥទ្ធិពលអ័រម៉ូនបានបាត់ទាំងស្រុង។ The Open Science Collaboration (2015) បានចម្លងការសិក្សាចិត្តវិទ្យាចំនួន 100 ហើយបានរកឃើញថាមានតិចជាងពាក់កណ្តាលដែលអាចបង្កើតឡើងវិញដោយជោគជ័យ។ ពិរុទ្ធជនចម្បងគឺការពឹងផ្អែកលើការសិក្សាដែលមានថាមពលតិច។

• មេរៀនដែលទទួលបាន៖ "បណ្តាសារបស់អ្នកឈ្នះ (Winner's Curse)" នៅក្នុងការបោះពុម្ពផ្សាយវិទ្យាសាស្ត្រមានន័យថាការសិក្សាដែលត្រូវបានបោះពុម្ពផ្សាយគឺជាការសិក្សាដែលមានទំហំផលប៉ះពាល់បំផ្លើសដែលចៃដន្យឆ្លងកាត់កម្រិតសំខាន់នៃស្ថិតិ។ ឥទ្ធិពលពិតប្រាកដលេចឡើងតែជាមួយនឹងគំរូធំប៉ុណ្ណោះ។ ចាប់តាំងពីពេលនោះមក ចិត្តវិទ្យាបានបង្កើតកំណែទម្រង់ដែលទាមទារគំរូធំជាង និងការចុះឈ្មោះការសិក្សាជាមុន (pre-registration)។

ករណីសិក្សាទី 2៖ គ្រោះមហន្តរាយ New Coke

• បរិបទ៖ ក្នុងឆ្នាំ 1985 ក្រុមហ៊ុន Coca-Cola ប្រឈមនឹងសម្ពាធទីផ្សារកាន់តែខ្លាំងឡើងពីការធ្វើតេស្តភ្លក់ដោយបិទភ្នែក "Pepsi Challenge" របស់ក្រុមហ៊ុន Pepsi។ ការស្រាវជ្រាវផ្ទៃក្នុងបង្ហាញថា Pepsi ដែលផ្អែមជាង កំពុងឈ្នះការប្រៀបធៀបការក្រេបម្តងៗ។

• អ្វីដែលបានកើតឡើង៖ ក្រុមហ៊ុន Coca-Cola បានធ្វើតេស្តភ្លក់ដោយបិទភ្នែកជិត 200,000 ដង ដោយរកឃើញនូវការចូលចិត្តយ៉ាងខ្លាំងចំពោះរូបមន្តថ្មីដែលមានរសជាតិផ្អែមជាង។ ដោយផ្អែកលើទិន្នន័យនេះ ពួកគេបានជំនួសរូបមន្តដែលមានអាយុកាលមួយសតវត្សរ៍របស់ពួកគេជាមួយនឹង "New Coke"។

• ដំណើរការនៃភាពលម្អៀង៖ ទាំងនេះគឺជា "ការធ្វើតេស្តក្រេប" — ជាគំរូតូចមួយនៃបទពិសោធន៍នៃការទទួលទានភេសជ្ជៈទាំងមូល។ នាយកប្រតិបត្តិបានសន្មតថាគំរូតូចតាចនេះតំណាងឱ្យបទពិសោធន៍នៃការប្រើប្រាស់ទាំងមូល។ នៅក្នុងការក្រេប ភាពផ្អែមគឺរីករាយ; នៅក្នុងកំប៉ុងទាំងមូល វាក្លាយជាទ្រាន់។

• ផលវិបាក៖ ការបះបោររបស់អ្នកប្រើប្រាស់បានកើតឡើងភ្លាមៗ និងយ៉ាងខ្លាំងក្លា។ ក្នុងរយៈពេល 79 ថ្ងៃ ក្រុមហ៊ុន Coca-Cola បានយករូបមន្តដើមមកវិញជា "Coca-Cola Classic" ។ ក្រុមហ៊ុនបានបាត់បង់ប្រាក់រាប់លាន និងរងការខូចខាតម៉ាកយីហោរហូតមកដល់បច្ចុប្បន្ន។

• មេរៀនដែលទទួលបាន៖ "គំរូ" ត្រូវតែផ្គូផ្គងនឹង "ប្រជាជន" ដែលវាតំណាង។ ការក្រេបមួយមិនមែនជាកំប៉ុងមួយទេ ដូចដែលការទៅហាងមួយដងមិនមែនជាភាពស្មោះត្រង់របស់អតិថិជននោះទេ។ ឯកតានៃការវិភាគត្រូវតែត្រូវគ្នានឹងអាកប្បកិរិយាក្នុងពិភពពិត។

ឧទាហរណ៍ប្រវត្តិសាស្ត្រ៖ ការស្ទង់មតិ Literary Digest ឆ្នាំ 1936

ទស្សនាវដ្តី Literary Digest បានធ្វើអ្វីដែលហាក់ដូចជាស្តង់ដារមាសនៃការស្ទង់មតិ៖ ការស្ទង់មតិចំនួន 10 លានត្រូវបានផ្ញើចេញ 2.4 លានត្រូវបានបញ្ជូនត្រឡប់មកវិញ។ ពួកគេបានទស្សន៍ទាយថា Landon នឹងយកឈ្នះ Roosevelt ជាមួយនឹងសម្លេងឆ្នោត 57% ។ Roosevelt ឈ្នះជាមួយនឹង 61% ។

អ្នកកែសម្រួលរបស់ Digest ជឿថាទំហំគំរូដ៏ធំធានាបាននូវភាពត្រឹមត្រូវ។ អ្វីដែលពួកគេខកខានក្នុងការទទួលស្គាល់គឺថា ក្របខ័ណ្ឌគំរូរបស់ពួកគេ — បញ្ជីរាយនាមទូរស័ព្ទ និងបញ្ជីចុះបញ្ជីរថយន្ត — បានដកចេញដោយប្រព័ន្ធនូវអ្នកបោះឆ្នោតដែលមានប្រាក់ចំណូលទាប ដែលនឹងគាំទ្រយ៉ាងលើសលប់ចំពោះគោលនយោបាយ New Deal របស់ Roosevelt ។ លោក George Gallup ដែលប្រើប្រាស់ប្រូបាប៊ីលីតេគំរូត្រឹមត្រូវជាមួយនឹងអ្នកឆ្លើយតបត្រឹមតែ 50,000 នាក់ បានទស្សន៍ទាយលទ្ធផលបានយ៉ាងត្រឹមត្រូវ។

ករណីនេះបង្រៀនថា គំរូតំណាងតូចមួយ (n=3,000) គឺមានភាពជឿជាក់ជាងគំរូដ៏ធំដែលលម្អៀង (N=2.4 លាន) ទៅទៀត។ Digest បានបញ្ឈប់ការបោះពុម្ពផ្សាយពីរឆ្នាំក្រោយមក ដែលជាជនរងគ្រោះនៃការបរាជ័យរបស់ខ្លួនក្នុងការយល់ដឹងពីទំនាក់ទំនងរវាងគុណភាពគំរូ និងទំហំគំរូ។

6. តម្លៃនៃភាពលម្អៀងនេះ

6.1. តម្លៃផ្ទាល់ខ្លួន

ទំនាក់ទំនងរងទុក្ខនៅពេលដែលយើងវិនិច្ឆ័យដៃគូដោយផ្អែកលើគំរូនៃអាកប្បកិរិយាតូចៗ — ថ្ងៃអាក្រក់មួយចំនួនក្លាយជាភស្តុតាងនៃគុណវិបត្តិតួអក្សរជាមូលដ្ឋាន។ ការរីកចម្រើនផ្ទាល់ខ្លួនគាំងស្ទះនៅពេលដែលយើងសន្និដ្ឋានបន្ទាប់ពីការព្យាយាមមានកំណត់ថាយើង "មិនអាច" ធ្វើអ្វីមួយបាន។ ការផ្លាស់ប្តូរអាជីពត្រូវបានបោះបង់ចោលបន្ទាប់ពីការបរាជ័យដំបូង ដែលគ្រាន់តែតំណាងឱ្យការប្រែប្រួលតាមធម្មជាតិប៉ុណ្ណោះ។

ការសម្រេចចិត្តផ្នែកសុខភាពខុសនៅពេលដែលយើងវិនិច្ឆ័យប្រសិទ្ធភាពនៃការព្យាបាលពីបទពិសោធន៍ផ្ទាល់ខ្លួនរបស់យើងតែមួយ ឬរឿងខ្លីមួយចំនួនពីមិត្តភក្តិ។ ផលប័ត្រវិនិយោគត្រូវបានគ្រប់គ្រងខុសនៅពេលដែលយើងដេញតាមអ្នកឈ្នះថ្មីៗ ឬរត់គេចពីអ្នកចាញ់ថ្មីៗ។ យើងបង្កើតអបិយជំនឿ ដោយជឿថាលំនាំមាននៅក្នុងអ្វីដែលជាភាពចៃដន្យសុទ្ធសាធ។

តម្លៃផ្លូវចិត្តរួមមានភាពជឿជាក់ដែលមិនមានការធានាលើការសន្និដ្ឋានមិនស្ថិតស្ថេរ អមដោយការភាន់ច្រឡំនៅពេលដែលការព្យាករណ៍បរាជ័យ។ យើងបង្កើតការពន្យល់អំពីមូលហេតុដ៏ឧឡារិកចំពោះការប្រែប្រួលដែលជាការចៃដន្យសុទ្ធសាធ ដោយកសាងគំរូផ្លូវចិត្តនៃការពិតដែលមិនស៊ីគ្នានឹងលំនាំពិតប្រាកដ។

6.2. តម្លៃវិជ្ជាជីវៈ

ការរីកចម្រើនក្នុងអាជីពរងផលប៉ះពាល់នៅពេលដែលអ្នកគ្រប់គ្រងវាយតម្លៃសមត្ថភាពរបស់យើងខុសដោយផ្អែកលើការសង្កេតដែលមានកំណត់។ បុគ្គលិកល្អត្រូវបានគេមើលរំលង ដោយសារតែចំណាប់អារម្មណ៍ដំបូង (គំរូនៃអាកប្បកិរិយាតូចៗ) មិនស៊ីគ្នានឹងគំរូនៃភាពជោគជ័យ។ ការសម្រេចចិត្តជួលមិនល្អ ខ្ជះខ្ជាយធនធានអង្គការ និងបំផ្លាញសក្ដានុពលក្រុម។

យុទ្ធសាស្ត្រអាជីវកម្មបរាជ័យនៅពេលដែលពួកគេត្រូវបានកែតម្រូវទៅនឹងលទ្ធផលដំបូងជាជាងនិន្នាការរយៈពេលវែង។ ផលិតផលត្រូវបានដាក់ឱ្យដំណើរការមុនពេលកំណត់ ឬត្រូវបញ្ឈប់លឿនដោយផ្អែកលើទិន្នន័យរំខាន។ ការស្រាវជ្រាវទីផ្សារនាំឱ្យក្រុមហ៊ុនវង្វេងនៅពេលដែលគំរូតូចៗត្រូវបានចាត់ទុកថាជាតំណាង។

ការខាតបង់ហិរញ្ញវត្ថុកើនឡើងនៅពេលដែលការសម្រេចចិត្តវិនិយោគដេញតាមដំណើរការថ្មីៗ។ អ្នកគ្រប់គ្រងមូលនិធិដែលដំណើរការបានល្អក្នុងរយៈពេលបីឆ្នាំ ទាក់ទាញលំហូរចូលយ៉ាងច្រើន ប៉ុន្តែបន្ទាប់មកក៏ថយចុះមកមធ្យមភាគវិញ ហើយធ្វើឱ្យអ្នកវិនិយោគខកចិត្ត ដែលសន្មតថាគំរូតូចនេះបានទស្សន៍ទាយពីប្រាក់ចំណេញនាពេលអនាគត។

6.3. តម្លៃសង្គម

វិបត្តិការចម្លង (Replication Crisis) បានចំណាយថវិការាប់ពាន់លានដុល្លារក្នុងការផ្តល់មូលនិធិស្រាវជ្រាវសម្រាប់ការសិក្សាដែលមិនអាចបង្កើតឡើងវិញបាន។ ការព្យាបាលផ្នែកវេជ្ជសាស្រ្តត្រូវបានអនុម័តដោយផ្អែកលើការសាកល្បងតូចៗ ប៉ុន្តែបង្ហាញថាគ្មានអត្ថប្រយោជន៍ចំពោះប្រជាជនធំជាង។ ធនធានសុខភាពសាធារណៈត្រូវបានបែងចែកខុស ដើម្បីដោះស្រាយវត្ថុបុរាណស្ថិតិនៅក្នុងប្រជាជនតូចៗ។

វោហាសាស្ត្រនយោបាយត្រូវបានបំពុលនៅពេលដែលរឿងរ៉ាវអំពីករណីនីមួយៗបង្កើតការជជែកដេញដោលអំពីគោលនយោបាយអំពីមនុស្សរាប់លាននាក់។ ប្រព័ន្ធយុត្តិធម៌ព្រហ្មទណ្ឌត្រូវបានបំភ្លៃនៅពេលដែលករណីល្បីៗ (គំរូតូចៗ) ជំរុញឱ្យមានច្បាប់។ ការជឿទុកចិត្តជាសាធារណៈលើវិទ្យាសាស្ត្រធ្លាក់ចុះនៅពេលដែលការរកឃើញបញ្ច្រាសគ្នានៅពេលដែលទំហំគំរូកើនឡើង។

ទីផ្សារកាន់តែប្រែប្រួលជាងអ្វីដែលមូលដ្ឋានគ្រឹះបង្ហាញពីភាពត្រឹមត្រូវ បង្កើតវដ្តរីកចម្រើន-ធ្លាក់ចុះដែលបំផ្លាញទ្រព្យសម្បត្តិ និងស្ថិរភាពសេដ្ឋកិច្ច។ គោលនយោបាយសាធារណៈផ្លាស់ប្តូររវាងចំណុចខ្លាំង នៅពេលដែលអ្នកនយោបាយឆ្លើយតបទៅនឹងគំរូតូចៗនៃមតិសាធារណៈ ជាជាងចំណូលចិត្តដែលមានស្ថិរភាព។

6.4. ឥទ្ធិពលស្ថិតិ

ការរកឃើញនៃការស្រាវជ្រាវបង្ហាញថា ការសិក្សាដែលមានទំហំគំរូក្រោម N=50 មានទំហំផលប៉ះពាល់ហើមប៉ោងយ៉ាងខ្លាំង ជារឿយៗដោយ 100% ឬច្រើនជាងនេះ។ The Open Science Collaboration បានរកឃើញថាមានតែ 36% នៃការសិក្សាចិត្តវិទ្យាប៉ុណ្ណោះដែលអាចចម្លងដោយជោគជ័យ ដោយការសិក្សាដែលមានថាមពលតិចគឺជាអ្នកជំរុញចម្បង។

នៅក្នុងវិស័យហិរញ្ញវត្ថុ Survivorship Bias បំប៉ោងប្រាក់ចំណេញមូលនិធិទៅវិញទៅមកជាក់ស្តែងដោយប៉ាន់ស្មាន 1-2% ជារៀងរាល់ឆ្នាំ — ភាពខុសគ្នាដែលគរឡើងដល់រាប់លានដុល្លារនៅក្នុងការសន្សំប្រាក់ចូលនិវត្តន៍ដែលបែងចែកខុសទូទាំងអ្នកវិនិយោគរាប់លាននាក់។

កំហុសក្នុងការធ្វើរោគវិនិច្ឆ័យវេជ្ជសាស្ត្រដែលជំរុញដោយការមិនអើពើអត្រាមូលដ្ឋាន (base rate neglect) និងភាពមិនអើពើនឹងទំហំគំរូ ត្រូវបានប៉ាន់ប្រមាណថាប៉ះពាល់ដល់ជនជាតិអាមេរិក 12 លាននាក់ជារៀងរាល់ឆ្នាំ ដោយប្រហែលពាក់កណ្តាលបណ្តាលឱ្យមានគ្រោះថ្នាក់។

7. អត្ថប្រយោជន៍ដែលលាក់កំបាំង

ភាពលម្អៀងមិនមែនសុទ្ធតែមិនល្អនោះទេ — វាជាការផ្លាស់ប្តូរគ្នារវាងល្បឿន និងភាពត្រឹមត្រូវដែលត្រូវបានធ្វើឱ្យប្រសើរឡើងសម្រាប់បរិស្ថានបុព្វបុរស ដែលទិន្នន័យមានតិចតួច ហើយសកម្មភាពភ្លាមៗគឺចាំបាច់។

ការរៀនសូត្ររហ័សពីទិន្នន័យមានកំណត់៖ នៅក្នុងបរិយាកាសគ្រោះថ្នាក់ពិតប្រាកដ សមត្ថភាពក្នុងការធ្វើសេចក្តីសន្និដ្ឋានទូទៅពីករណីតែមួយ (ការជួបប្រទះសត្វរំពាតែម្តង, ផ្លែប៊ឺរីពុលមួយ) ផ្តល់តម្លៃនៃការរស់រានមានជីវិតជាក់ស្តែង។ ការរង់ចាំភស្តុតាង "មានសារៈសំខាន់ខាងស្ថិតិ" អាចបណ្តាលឱ្យស្លាប់។

សេដ្ឋកិច្ចនៃការយល់ដឹង (Cognitive Economy)៖ ការកែតម្រូវទំនុកចិត្តឱ្យបានត្រឹមត្រូវទៅនឹងទំហំគំរូ ទាមទារការចូលរួមរបស់ System 2 — ដែលយឺត ត្រូវការការខិតខំប្រឹងប្រែង និងចំណាយថាមពលមេតាបូលីសច្រើន។ នៅក្នុងស្ថានភាពដែលមានហានិភ័យទាប ផ្លូវកាត់ផ្លូវចិត្តរបស់ System 1 ផ្តល់នូវការវិនិច្ឆ័យ "ល្អគ្រប់គ្រាន់" ក្នុងតម្លៃនៃការយល់ដឹងតិចតួចបំផុត។

ទិសដៅនៃសកម្មភាព៖ ភាពលម្អៀងជំរុញឱ្យមានសកម្មភាពដាច់ស្រេច ជាជាងភាពមិនប្រាកដប្រជាដែលធ្វើឱ្យគាំង។ នៅក្នុងស្ថានភាពជាក់ស្តែងជាច្រើន ការធ្វើសកម្មភាពលើព័ត៌មានមិនពេញលេញគឺប្រសើរជាងការរង់ចាំភាពប្រាកដប្រជាដែលមិនធ្លាប់មាន។

ការរកឃើញលំនាំ៖ និន្នាការក្នុងការមើលឃើញលំនាំនៅក្នុងគំរូតូចៗ ទោះបីជាជារឿយៗខុសឆ្គងក៏ដោយ ជួនកាលរកឃើញសញ្ញាពិតប្រាកដដែលវិធីសាស្រ្តស្ថិតិសុទ្ធសាធនឹងខកខាន។ តម្លៃនៃភាពវិជ្ជមានមិនពិត (ឃើញលំនាំដែលមិនមាន) អាចទាបជាងភាពអវិជ្ជមានមិនពិត (បាត់បង់លំនាំពិតប្រាកដ) នៅក្នុងដែនជាក់លាក់។

ការលុបបំបាត់ភាពលម្អៀងទាំងស្រុងនឹងតម្រូវឱ្យមានការគណនាស្ថិតិថេរ ដែលនឹងគ្របដណ្ដប់ធនធាននៃការយល់ដឹង។ គោលដៅមិនមែនជាការលុបបំបាត់ទេ ប៉ុន្តែជាការកែតម្រូវឱ្យបានសមស្រប — ការប្រើប្រាស់ការវែកញែកស្ថិតិនៅក្នុងស្ថានភាពដែលមានហានិភ័យខ្ពស់ ខណៈពេលដែលអនុញ្ញាតឱ្យ heuristics ដំណើរការនៅក្នុងបរិបទដែលមានហានិភ័យទាប។

8. ការវាយតម្លៃខ្លួនឯង៖ តើអ្នកមានភាពលម្អៀងនេះទេ?

8.1. បញ្ជីត្រួតពិនិត្យសញ្ញាព្រមាន

• ខ្ញុំបង្កើតមតិរឹងមាំអំពីភោជនីយដ្ឋាន ផលិតផល ឬសេវាកម្មបន្ទាប់ពីបទពិសោធន៍តែមួយដង
• ខ្ញុំជឿលើ "ស៊េរីសំណាង (hot streaks)" និង "ស៊េរីស៊យ (cold spells)" នៅក្នុងកីឡា ការលេងល្បែង ឬការវិនិយោគ
• ខ្ញុំយល់ថាវាគួរឱ្យភ្ញាក់ផ្អើលនៅពេលដែលកាក់ធ្លាក់នៅលើមុខដដែលបីដង ឬច្រើនជាងនេះជាប់ៗគ្នា
• ខ្ញុំរំពឹងថាប្រាក់ចំណេញពីការវិនិយោគរយៈពេលខ្លីនឹងបន្តទៅរយៈពេលវែង
• ខ្ញុំចាត់ទុករឿងរ៉ាវពីមិត្តភក្តិខ្លាំងដូចភស្តុតាងស្ថិតិ
• ខ្ញុំបានផ្លាស់ប្តូរគំនិតរបស់ខ្ញុំអំពីចរិតលក្ខណៈរបស់នរណាម្នាក់ដោយផ្អែកលើឧប្បត្តិហេតុមួយ
• ខ្ញុំជឿទុកចិត្តលើការពិនិត្យរបស់អតិថិជនកាន់តែច្រើននៅពេលដែលពួកគេឯកច្ឆន្ទ ទោះបីជាមានចំនួនតិចក៏ដោយ
• ខ្ញុំមានអារម្មណ៍ថាគំរូតូច និងដែលបានជ្រើសរើសយ៉ាងល្អគួរតែផ្តល់លទ្ធផលដូចគ្នានឹងគំរូធំដែរ
• ខ្ញុំក្លាយជាមានទំនុកចិត្តលើលំនាំ បន្ទាប់ពីឃើញវាត្រឹមតែពីរឬបីដង
• ខ្ញុំតែងតែនិយាយថា "រឿងនោះតែងតែកើតឡើងចំពោះខ្ញុំ" ដោយផ្អែកលើការកើតឡើងពីរបីដង

ការដាក់ពិន្ទុ៖

• ពិនិត្យមើល 0-2៖ ងាយរងគ្រោះទាប
• ពិនិត្យមើល 3-5៖ ងាយរងគ្រោះមធ្យម
• ពិនិត្យមើល 6-8៖ ងាយរងគ្រោះខ្ពស់
• ពិនិត្យមើល 9-10៖ ងាយរងគ្រោះខ្ពស់បំផុត

8.2. សំណួរឆ្លុះបញ្ចាំងខ្លួនឯង

1. នៅពេលអ្នកអានថាថ្នាំថ្មីមាន "ប្រសិទ្ធភាព 80%" នៅក្នុងការសាកល្បងព្យាបាល តើអ្នកមានសភាវគតិក្នុងការសួរថាមានអ្នកជំងឺប៉ុន្មាននាក់នៅក្នុងការសិក្សាដែរឬទេ?

2. តើអ្នកធ្លាប់បោះបង់ទម្លាប់ថ្មី របបអាហារ ឬទម្លាប់ប្រចាំថ្ងៃក្នុងរយៈពេលពីរសប្តាហ៍ដំបូង ដោយសារតែវា "មិនដំណើរការ" ដោយមិនបានពិចារណាថាអ្នកបានផ្តល់ពេលវេលាគ្រប់គ្រាន់ឱ្យវាបង្ហាញលទ្ធផលដែរឬទេ?

3. នៅពេលដែលមិត្តភក្តិណែនាំវេជ្ជបណ្ឌិត ភោជនីយដ្ឋាន ឬផលិតផលដោយផ្អែកលើបទពិសោធន៍មួយដងរបស់ពួកគេ តើអ្នកផ្តល់ទម្ងន់ចំពោះអនុសាសន៍នោះកម្រិតណា បើប្រៀបធៀបទៅនឹងការពិនិត្យរួម (aggregated reviews)?

4. តើអ្នកធ្លាប់មានអារម្មណ៍ថាព្រឹត្តិការណ៍ចៃដន្យ "ជំពាក់" អ្នកនូវលទ្ធផលផ្សេងពីនេះបន្ទាប់ពីស៊េរីមួយដែរឬទេ (ឧ. ម៉ាស៊ីនរន្ធដោត (slot machine) គឺ "ដល់ពេល" ត្រូវឈ្នះ)?

5. តើធ្លាប់មានអ្នកណាប្រាប់អ្នកថាអ្នកកំពុងទាញសេចក្តីសន្និដ្ឋានពីព័ត៌មានតិចតួចពេកទេ?

8.3. ស្ថានភាពរោគវិនិច្ឆ័យរហ័ស

ស្ថានភាព៖ អ្នកកំពុងស្រាវជ្រាវមូលនិធិទៅវិញទៅមក (mutual funds) ចំនួនពីរសម្រាប់ការសន្សំប្រាក់ចូលនិវត្តន៍របស់អ្នក។ មូលនិធិ A បានផ្តល់ប្រាក់ចំណេញ 15% ជារៀងរាល់ឆ្នាំក្នុងរយៈពេល 3 ឆ្នាំកន្លងមក ជាមួយអ្នកគ្រប់គ្រងដ៏ឆ្នើម។ មូលនិធិ B បានផ្តល់ប្រាក់ចំណេញ 9% ជារៀងរាល់ឆ្នាំក្នុងរយៈពេល 15 ឆ្នាំកន្លងមក ជាមួយការគ្រប់គ្រងមធ្យម។ តើអ្នកនឹងជ្រើសរើសមូលនិធិមួយណា?

• A) មូលនិធិ A ព្រោះ 15% គឺប្រសើរជាង 9% ច្រើន ហើយអ្នកគ្រប់គ្រងមានជំនាញច្បាស់លាស់ → ងាយរងគ្រោះខ្ពស់
• B) មូលនិធិ A ប៉ុន្តែខ្ញុំចង់ឃើញប្រវត្តិបន្ថែមទៀត មុនពេលប្តេជ្ញាចិត្តពេញលេញ → ងាយរងគ្រោះមធ្យម
• C) មូលនិធិ B ព្រោះទិន្នន័យ 15 ឆ្នាំគឺគួរឱ្យទុកចិត្តជាង 3 ឆ្នាំ ហើយភាពខុសគ្នាអាចគ្រាន់តែជាសំណាង → ងាយរងគ្រោះទាប

9. ការកំណត់អត្តសញ្ញាណភាពលម្អៀងនេះនៅក្នុងអ្នកដទៃ

9.1. សូចនាករអាកប្បកិរិយា

សង្កេតមើលលំនាំនៃការសម្រេចចិត្ត៖ តើពួកគេធ្វើការប្តេជ្ញាចិត្តយ៉ាងខ្លាំងដោយផ្អែកលើភស្តុតាងមានកំណត់ឬទេ? តើពួកគេផ្លាស់ប្តូរទិសដៅយ៉ាងឆាប់រហ័សដោយផ្អែកលើលទ្ធផលថ្មីៗឬទេ? តើពួកគេបង្ហាញទំនុកចិត្តខ្ពស់បន្ទាប់ពីមានទិន្នន័យត្រឹមតែពីរបីចំណុចឬទេ?

មើលរបៀបដែលពួកគេពិភាក្សាអំពីប្រូបាប៊ីលីតេ និងឱកាស៖ តើពួកគេរំពឹងថាភាពចៃដន្យនឹង "មានតុល្យភាព" ក្នុងរយៈពេលខ្លីឬទេ? តើពួកគេមើលឃើញលំនាំដែលមានអត្ថន័យនៅក្នុងអ្វីដែលហាក់ដូចជាភាពរំខានឬទេ? តើពួកគេបដិសេធលទ្ធផលថាជា "រឿងចៃដន្យ (flukes)" នៅពេលដែលពួកគេមិនផ្គូផ្គងនឹងការរំពឹងទុកឬទេ?

កត់សម្គាល់ពីប្រតិកម្មចំពោះរឿងរ៉ាវផ្ទាល់ខ្លួនធៀបនឹងស្ថិតិ៖ តើពួកគេផ្តល់ទម្ងន់ដល់រឿងរ៉ាវផ្ទាល់ខ្លួនដ៏រស់រវើកច្រើនជាងទិន្នន័យសរុបឬទេ? តើពួកគេធ្វើការសន្និដ្ឋានទូទៅពីឧទាហរណ៍តែមួយទៅជាច្បាប់សកលឬទេ?

9.2. សញ្ញាព្រមានក្នុងការសន្ទនា

ឃ្លាដែលមនុស្សនិយាយនៅពេលស្ថិតក្រោមភាពលម្អៀងនេះ៖

• "វាកើតឡើងបីដងជាប់ៗគ្នា — ប្រាកដជាមានលំនាំនៅទីនេះ"
• "ខ្ញុំបានសាកល្បងវាម្តង ហើយវាមិនដំណើរការ ដូច្នេះ..."
• "ហាងឆេងត្រូវតែស្មើគ្នានៅទីបំផុត"
• "មិត្តរបស់ខ្ញុំមានបទពិសោធន៍ដ៏អាក្រក់ជាមួយរឿងនោះ ដូច្នេះខ្ញុំនឹងមិនសាកល្បងវាទេ"
• "ត្រីមាសពីរចុងក្រោយគឺអស្ចារ្យណាស់ ដូច្នេះក្រុមហ៊ុននេះច្បាស់ជាត្រូវបានគ្រប់គ្រងយ៉ាងល្អ"

ប្រភេទនៃអំណះអំណាងដែលពួកគេធ្វើ៖

• ចាត់ទុកឧទាហរណ៍មួយចំនួនជាភស្តុតាងនៃនិន្នាការ
• រំពឹងថាគំរូតូចៗនឹងតំណាងឱ្យលក្ខណៈប្រជាជនយ៉ាងល្អឥតខ្ចោះ

សំណួរដែលពួកគេចៀសវាងសួរ៖

• "តើនេះផ្អែកលើការសង្កេតប៉ុន្មាន?"
• "តើទំហំគំរូមានប៉ុន្មាន?"
• "តើនេះគ្រាន់តែជាការប្រែប្រួលចៃដន្យឬទេ?"

9.3. គន្លឹះជំរុញតាមស្ថានភាព

កាលៈទេសៈដែលធ្វើឱ្យភាពលម្អៀងនេះសកម្ម៖

• សម្ពាធពេលវេលាបង្ខំឱ្យមានការសម្រេចចិត្តរហ័ស
• ស្ថានភាពដែលពោរពេញដោយមនោសញ្ចេតនា ដែលឧទាហរណ៍រស់រវើកមានភាពលេចធ្លោ
• ព័ត៌មានស្ថិតិដ៏ស្មុគស្មាញត្រូវបានបង្ហាញជាភាគរយជាជាងទម្រង់ប្រេកង់
• ដែនដែលការផ្តល់មតិយោបល់ត្រឡប់មានការពន្យារពេល (ការវិនិយោគ ការជួល ជម្រើសសុខភាព)
• បរិបទដែលរឿងរ៉ាវផ្ទាល់ខ្លួនមានភាពងាយស្រួលជាងទិន្នន័យ

កត្តាបរិស្ថាន៖

• ការផ្ទុកព័ត៌មានលើសទម្ងន់ដែលការពារការវាយតម្លៃស្ថិតិដោយប្រុងប្រយ័ត្ន
• បន្ទប់បន្ទរ (Echo chambers) ដែលបង្ហាញពីគំរូមតិលម្អៀង
• ប្រព័ន្ធផ្សព្វផ្សាយដែលសង្កត់ធ្ងន់លើរឿងរ៉ាវជាជាងស្ថិតិ

ស្ថានភាពផ្លូវចិត្តដែលបង្កើនភាពងាយរងគ្រោះ៖

• ការថប់បារម្ភស្វែងរកភាពប្រាកដប្រជាពីភស្តុតាងដែលមាន
• ភាពរំភើបដែលលើកកម្ពស់ទំនុកចិត្តហួសហេតុលើសញ្ញាវិជ្ជមានដំបូង
• ការខកចិត្តដែលជំរុញការស្វែងរកលំនាំនៅក្នុងស្ថានភាពមិនច្បាស់លាស់

10. យុទ្ធសាស្រ្តកាត់បន្ថយភាពលម្អៀងនៃការយល់ដឹង

10.1. បច្ចេកទេសភ្លាមៗ

សំណួរ "N"៖ មុននឹងទាញសេចក្តីសន្និដ្ឋានណាមួយ ចូរសួរថា៖ "តើទំហំគំរូដែលផ្អែកលើនេះមានទំហំប៉ុនណា?" ធ្វើឱ្យទំហំគំរូលេចធ្លោមុនពេលបកស្រាយលទ្ធផល។

ការធ្វើតេស្តស្ថិរភាព (The Stability Test)៖ សួរថា "តើខ្ញុំរំពឹងថាលទ្ធផលនេះនឹងរក្សាដដែល ប្រសិនបើខ្ញុំបង្កើនទំហំគំរូទ្វេដង ឬបីដង?" ប្រសិនបើមិនមានទេ សូមផ្អាកការវិនិច្ឆ័យ។

កែទម្រង់ជាប្រេកង់៖ បំប្លែងភាគរយទៅជាប្រេកង់ធម្មជាតិ ("ប្រសិទ្ធភាព 80%" ក្លាយជា "មនុស្ស 8 នាក់ក្នុងចំណោម 10 នាក់")។ វានឹងបញ្ចូលទំហំគំរូទៅក្នុងភាគបែងដោយធម្មជាតិ។

វិធានតំរែតំរង់ (The Regression Rule)៖ សន្មតថាលទ្ធផលខ្លាំងនឹងថយចុះមកមធ្យមភាគវិញ។ ប្រសិនបើអ្វីមួយហាក់ដូចជាល្អ ឬអាក្រក់ខុសពីធម្មតា ចូររំពឹងថាវានឹងក្លាយជាមធ្យមភាគកាន់តែច្រើនតាមពេលវេលា។

ស្វែងរកអត្រាមូលដ្ឋាន (Base Rates)៖ មុនពេលវាយតម្លៃភស្តុតាងជាក់លាក់ សូមបង្កើតនូវអ្វីដែលជាទូទៅកើតឡើងនៅក្នុងប្រជាជន។ ប្រើវាជាយុថ្កា (anchor)។

10.2. យុទ្ធសាស្រ្តរយៈពេលវែង

អក្ខរកម្មស្ថិតិ៖ វិនិយោគលើការអប់រំប្រូបាប៊ីលីតេ និងស្ថិតិជាមូលដ្ឋាន។ ការយល់ដឹងអំពីភាពប្រែប្រួល កំហុសស្តង់ដារ និងចន្លោះទំនុកចិត្ត ផ្តល់នូវក្របខ័ណ្ឌគំនិត ដើម្បីទទួលស្គាល់ថានៅពេលណាដែលទំហំគំរូមានសារៈសំខាន់។

អភិវឌ្ឍទម្លាប់នៃការសង្ស័យ៖ បណ្តុះបណ្តាលខ្លួនអ្នកឱ្យចោទសួរដោយស្វ័យប្រវត្តិអំពីភាពជឿជាក់នៃការរកឃើញគំរូតូច។ ធ្វើឱ្យសំណួរ "តើទិន្នន័យនេះគ្រប់គ្រាន់ទេ?" ក្លាយជាសំណួរឆ្លុះបញ្ចាំង។

តាមដានការព្យាករណ៍របស់អ្នក៖ រក្សាកំណត់ត្រានៃសេចក្តីសន្និដ្ឋានដែលដកចេញពីទិន្នន័យមានកំណត់ និងថាតើវាមានស្ថិរភាពតាមពេលវេលាដែរឬទេ។ នេះផ្តល់នូវមតិយោបល់ផ្ទាល់ខ្លួនលើការកែតម្រូវ។

សិក្សាឧទាហរណ៍បុរាណ៖ ធ្វើឱ្យខ្លួនអ្នកស្គាល់ករណីល្បីៗ (បញ្ហាមន្ទីរពេទ្យ, ផែនទីមហារីកតម្រងនោម) ដូច្នេះពួកគេនឹងផុសក្នុងគំនិតនៅពេលវាយតម្លៃស្ថានភាពថ្មី។

10.3. ការរចនាបរិស្ថាន

បង្កើតទំហំគំរូទៅក្នុងដំណើរការសម្រេចចិត្ត៖ បង្កើតច្បាប់អង្គការដែលទាមទារទំហំគំរូអប្បបរមាមុនពេលការសន្និដ្ឋានត្រូវបានធ្វើឡើង។ អនុវត្តរយៈពេលរង់ចាំ មុនពេលធ្វើសកម្មភាពលើលទ្ធផលដំបូង។

ប្រើឧបករណ៍ដែលមើលឃើញ៖ បង្កើតផ្ទាំងគ្រប់គ្រង (dashboards) ដែលបង្ហាញចន្លោះទំនុកចិត្តកាន់តែទូលាយសម្រាប់គំរូតូចៗ។ ធ្វើឱ្យភាពមិនច្បាស់លាស់លេចធ្លោជាលក្ខណៈមើលឃើញ។

ទាមទារទម្រង់ប្រេកង់៖ នៅក្នុងទំនាក់ទំនងរបស់អង្គការ សូមបង្គាប់ឱ្យប្រូបាប៊ីលីតេត្រូវបានបង្ហាញជាប្រេកង់ធម្មជាតិជាមួយនឹងភាគបែងច្បាស់លាស់។

បង្កើតមេធាវីបិសាច (Devil's Advocates)៖ ចាត់តាំងសមាជិកក្រុមឱ្យប្រកួតប្រជែងជាពិសេសថាតើទំហំគំរូបង្ហាញអំពីភាពត្រឹមត្រូវនៃកម្រិតទំនុកចិត្តដែរឬទេ។ ធ្វើស្ថាប័នភាវូបនីយកម្មលើការសង្ស័យ។

10.4. នៅពេលណាដែលត្រូវស្វែងរកការបញ្ចូលពីខាងក្រៅ

ការសម្រេចចិត្តដែលមានហានិភ័យខ្ពស់៖ ជម្រើសដែលមានផលវិបាកណាមួយ (ការវិនិយោគធំៗ ការជួល ការព្យាបាលផ្នែកវេជ្ជសាស្រ្ត) ដែលផ្អែកលើទិន្នន័យមានកំណត់ ទាមទារការពិគ្រោះយោបល់ស្ថិតិ។

នៅពេលដែលអ្នកមានអារម្មណ៍ប្រាកដ៖ ផ្ទុយទៅវិញ ទំនុកចិត្តខ្លាំងពីគំរូតូចៗគួរតែជំរុញឱ្យមានការពិនិត្យពីខាងក្រៅ។ សួរថា៖ "តើភាពប្រាកដប្រជារបស់ខ្ញុំត្រូវបានបញ្ជាក់ដោយទិន្នន័យដែរឬទេ?"

អ្នកជំនាញផ្នែកនីមួយៗ៖ អ្នកស្ថិតិ អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអ្នកស្រាវជ្រាវអាចផ្តល់នូវការវាយតម្លៃដែលបានកែតម្រូវនៃកម្លាំងភស្តុតាង។ បង្កើតសំណើជា៖ "ដោយផ្អែកលើ N=X តើខ្ញុំគួរមានទំនុកចិត្តកម្រិតណាចំពោះការរកឃើញនេះ?"

នៅពេលដែលលំនាំលេចឡើងយ៉ាងឆាប់រហ័ស៖ ប្រសិនបើអ្នកឃើញលំនាំច្បាស់លាស់បន្ទាប់ពីការសង្កេតពីរបីដង សូមពិគ្រោះជាមួយនរណាម្នាក់ដែលមានចំណាប់អារម្មណ៍តិចជាងចំពោះលទ្ធផល ដើម្បីវាយតម្លៃថាតើវាទំនងជានឹងបន្តកើតមានដែរឬទេ។

11. លំហាត់អនុវត្តជាក់ស្តែង

លំហាត់ទី 1៖ ការពិសោធន៍បោះកាក់

• គោលបំណង៖ បង្កើតវិចារណញាណសម្រាប់ភាពប្រែប្រួលនៃគំរូតូចៗ
• ពេលវេលាដែលត្រូវការ៖ 20 នាទី
• សម្ភារៈដែលត្រូវការ៖ កាក់ ក្រដាស ខ្មៅដៃ
• កម្រិតពិបាក៖ អ្នកចាប់ផ្តើមដំបូង
• ការណែនាំ៖
  1. បោះកាក់ 10 ដង ហើយកត់ត្រាភាគរយនៃមុខកាក់ (heads)
  2. ធ្វើម្តងទៀត 10 ដង ដោយបង្កើត 10 គំរូនៃការបោះ 10 ដងនីមួយៗ
  3. កត់សម្គាល់ជួរនៃភាគរយ (ទំនងជាមានចាប់ពី 20% ដល់ 80%)
  4. ឥឡូវបោះកាក់ 100 ដង ហើយកត់ត្រាភាគរយ
  5. ធ្វើម្តងទៀតសម្រាប់សំណុំទីពីរនៃការបោះ 100 ដង
  6. ប្រៀបធៀបភាពប្រែប្រួលនៅក្នុងគំរូបោះ 10 ដង ទល់នឹងគំរូបោះ 100 ដង
• សំណួរឆ្លុះបញ្ចាំង៖
  • តើអ្នកភ្ញាក់ផ្អើលយ៉ាងណាចំពោះការប្រែប្រួលនៃគំរូតូចៗ?
  • តើមានស៊េរីនៃការបោះ 10 ដងណាមួយដែលមានអារម្មណ៍ថា "ត្រូវបានកេងបន្លំ" ដែរឬទេ ទោះបីជាអ្នកដឹងថាកាក់នោះមានភាពយុត្តិធម៌ក៏ដោយ?
  • តើភាគរយនៃការបោះ 100 ដងប្រៀបធៀបគ្នាទៅវិញទៅមកយ៉ាងដូចម្តេច?
• ភាពញឹកញាប់៖ ម្តង បន្ទាប់មកត្រឡប់ទៅមើលវាម្តងទៀតនៅពេលណាដែលអ្នកត្រូវការការរំលឹក

លំហាត់ទី 2៖ ការវិភាគការពិនិត្យមើល (The Review Analysis)

• គោលបំណង៖ អនុវត្តការកែតម្រូវទំនុកចិត្តចំពោះទំហំគំរូនៅក្នុងការសម្រេចចិត្តពិតប្រាកដ
• ពេលវេលាដែលត្រូវការ៖ 30 នាទី
• សម្ភារៈដែលត្រូវការ៖ ការប្រើប្រាស់អ៊ីនធឺណិត
• កម្រិតពិបាក៖ មធ្យម
• ការណែនាំ៖
  1. ស្វែងរកប្រភេទផលិតផលដែលអ្នកអាចនឹងទិញ (កាស សៀវភៅ ភោជនីយដ្ឋាន)
  2. ស្វែងរកមុខទំនិញបី៖ មួយមានការពិនិត្យ 5, មួយមានការពិនិត្យ 50, មួយមានការពិនិត្យ 500
  3. សម្រាប់និមួយៗ កត់ចំណាំការវាយតម្លៃជាមធ្យម និងអានការពិនិត្យមួយចំនួន
  4. សរសេរចុះពីកម្រិតទំនុកចិត្តដែលអ្នកមានលើភាពត្រឹមត្រូវនៃការវាយតម្លៃនីមួយៗ
  5. ពិចារណា៖ តើការពិនិត្យខ្លាំងថ្មីមួយនឹងផ្លាស់ប្តូរមធ្យមភាគនីមួយៗប៉ុន្មាន?
• សំណួរឆ្លុះបញ្ចាំង៖
  • តើអ្នកមានអារម្មណ៍ថាមានទំនុកចិត្តកាន់តែច្រើនដោយធម្មជាតិចំពោះការវាយតម្លៃដែលមានការពិនិត្យច្រើនជាងមុនដែរឬទេ?
  • តើការបែងចែកនៃការពិនិត្យ (ផ្កាយ 5 ទាំងអស់ ធៀបនឹងចម្រុះ) ប៉ះពាល់ដល់ទំនុកចិត្តរបស់អ្នកយ៉ាងដូចម្តេច?
  • តើទំហំគំរូអប្បបរមាអ្វីខ្លះដែលអ្នកត្រូវការដើម្បីទុកចិត្តលើការវាយតម្លៃ?
• ភាពញឹកញាប់៖ ប្រចាំខែ ដោយប្រើប្រភេទផលិតផលផ្សេងៗគ្នា

លំហាត់ទី 3៖ ការសាកល្បងត្រឡប់ប្រវត្តិសាស្ត្រ (Historical Backtesting)

• គោលបំណង៖ ទទួលបានបទពិសោធន៍អំពីរបៀបដែលការសន្និដ្ឋានពីគំរូតូចបរាជ័យតាមពេលវេលា
• ពេលវេលាដែលត្រូវការ៖ 45 នាទី
• សម្ភារៈដែលត្រូវការ៖ ទិន្នន័យភាគហ៊ុនប្រវត្តិសាស្ត្រ ឬស្ថិតិកីឡា (មាននៅលើអ៊ីនធឺណិតដោយសេរី)
• កម្រិតពិបាក៖ កម្រិតខ្ពស់
• ការណែនាំ៖
  1. ជ្រើសរើសភាគហ៊ុន ឬអត្តពលិកចំនួន 10 ដែលមានទិន្នន័យយ៉ាងហោចណាស់ 10 ឆ្នាំ
  2. មើលតែឆ្នាំទីមួយនៃទិន្នន័យប៉ុណ្ណោះ។ កំណត់អ្នកដែលមានលទ្ធផលល្អបំផុត 3 នាក់
  3. ទស្សន៍ទាយថាពួកគេនឹងក្លាយជាអ្នកដែលមានលទ្ធផលល្អបំផុតនៅឆ្នាំទី 2
  4. ពិនិត្យលទ្ធផលឆ្នាំទី 2។ តើមានប៉ុន្មាននាក់ដែលនៅតែស្ថិតក្នុងចំណាត់ថ្នាក់កំពូលទាំង 3?
  5. ឥឡូវនេះមើលមធ្យមភាគ 5 ឆ្នាំ។ កំណត់អ្នកដែលមានលទ្ធផលល្អបំផុត 3 នាក់
  6. ពិនិត្យមើលដំណើរការ 5 ឆ្នាំជាបន្តបន្ទាប់។ ប្រៀបធៀបភាពត្រឹមត្រូវ
• សំណួរឆ្លុះបញ្ចាំង៖
  • តើដំណើរការរយៈពេលខ្លីទស្សន៍ទាយលទ្ធផលរយៈពេលវែងយ៉ាងដូចម្តេច?
  • តើមានការពន្យល់អ្វីខ្លះសម្រាប់ការថយចុះមកមធ្យមភាគដែលអ្នកបានសង្កេតឃើញ?
  • តើនេះនឹងផ្លាស់ប្តូរយុទ្ធសាស្រ្តវិនិយោគ ឬការភ្នាល់របស់អ្នកយ៉ាងដូចម្តេច?
• ភាពញឹកញាប់៖ ប្រចាំត្រីមាស

ការអនុវត្តប្រចាំថ្ងៃ

ជារៀងរាល់ថ្ងៃ សូមកត់សម្គាល់ការសន្និដ្ឋានមួយដែលអ្នកកំពុងទាញពីទិន្នន័យមានកំណត់។ មុនពេលទទួលយកវា សូមសួរថា៖ "តើនេះផ្អែកលើការសង្កេតប៉ុន្មាន?" និង "តើខ្ញុំនឹងសន្និដ្ឋានយ៉ាងណាប្រសិនបើខ្ញុំមានទិន្នន័យច្រើនជាងនេះ 10 ដង?" គ្រាន់តែការកត់សម្គាល់ពីបញ្ហាទំហំគំរូគឺគ្រប់គ្រាន់ហើយ — អ្នកមិនចាំបាច់ផ្លាស់ប្តូរការសន្និដ្ឋានរបស់អ្នកទេ គ្រាន់តែកត់សម្គាល់ពីដែនកំណត់។

• រយៈពេលដែលបានស្នើ៖ 2 នាទី
• ពេលវេលាល្អបំផុតនៃថ្ងៃ៖ ការឆ្លុះបញ្ចាំងពេលល្ងាច
• របៀបតាមដានវឌ្ឍនភាព៖ រក្សាការកត់ត្រានៃការសង្កេតប្រចាំថ្ងៃនៅក្នុងសៀវភៅកត់ត្រាតូចមួយ

បញ្ហាប្រឈមប្រចាំសប្តាហ៍

ម្តងក្នុងមួយសប្តាហ៍ ស្វែងរកអត្ថបទព័ត៌មាន ឬការបង្ហោះប្រព័ន្ធផ្សព្វផ្សាយសង្គមដែលដកស្រង់ស្ថិតិ។ ស្រាវជ្រាវប្រភពដើម និងកំណត់ទំហំគំរូ។ សរសេរចំណាំខ្លីមួយអំពីថាតើការសន្និដ្ឋានត្រូវបានបញ្ជាក់ដោយភាពខ្លាំងនៃភស្តុតាងដែរឬទេ។

• លទ្ធផលរំពឹងទុកបន្ទាប់ពី 4 សប្តាហ៍៖ ការសង្ស័យដោយធម្មជាតិអំពីការរកឃើញដែលបានរាយការណ៍; ការយកចិត្តទុកដាក់ដោយស្វ័យប្រវត្តិចំពោះទំហំគំរូ
• សំណួរសម្រាប់ការសរសេរទិនានុប្បវត្តិ (Journaling)៖
  • តើអ្វីជាទំហំគំរូគួរឱ្យភ្ញាក់ផ្អើលបំផុតដែលខ្ញុំបានរកឃើញក្នុងសប្តាហ៍នេះ?
  • តើការរៀនពីទំហំគំរូបានផ្លាស់ប្តូរការបកស្រាយរបស់ខ្ញុំចំពោះការរកឃើញយ៉ាងដូចម្តេច?
  • តើខ្ញុំកំពុងមានភាពត្រឹមត្រូវជាងមុននៅក្នុងការសង្ស័យដំបូងរបស់ខ្ញុំឬទេ?

12. សម្រាប់ទស្សនិកជនជាក់លាក់

សម្រាប់អ្នកដឹកនាំ និងអ្នកគ្រប់គ្រង

អ្នកដឹកនាំតែងតែធ្វើការសម្រេចចិត្តដែលមានហានិភ័យខ្ពស់ដោយផ្អែកលើទិន្នន័យមានកំណត់៖ លទ្ធផលប្រចាំត្រីមាស មតិយោបល់លើផលិតផលដំបូង ចំណាប់អារម្មណ៍នៃការសម្ភាសន៍ លទ្ធផលនៃកម្មវិធីសាកល្បង។ តម្លៃនៃការមិនអើពើទំហំគំរូបូកបញ្ចូលគ្នានៅកម្រិតអង្គការ។

យុទ្ធសាស្ត្រជាក់លាក់៖

• បង្កើតរយៈពេលសង្កេតអប្បបរមាមុនពេលសន្និដ្ឋានថាគំនិតផ្តួចផ្តើមជោគជ័យ ឬបរាជ័យ
• ទាមទារការរាយការណ៍អំពីទំហំគំរូនៅក្នុងរាល់ការស្រាវជ្រាវ និងការវិភាគផ្ទៃក្នុង
• បង្កើតក្របខ័ណ្ឌការសម្រេចចិត្តដែលបញ្ចូលភាពមិនច្បាស់លាស់យ៉ាងច្បាស់ពីគំរូតូចៗ
• ធ្វើជាគំរូនៃភាពរាបទាបផ្នែកស្ថិតិ៖ ពិនិត្យមើលការសន្និដ្ឋានឡើងវិញជាសាធារណៈនៅពេលដែលទិន្នន័យកាន់តែច្រើនផ្លាស់ប្តូររូបភាព
• កសាងក្រុមជាមួយអ្នកជំនាញផ្នែកស្ថិតិដែលអាចប្រឈមមុខនឹងការបកស្រាយដែលមានទំនុកចិត្តហួសហេតុ

អន្តរាគមន៍ផ្អែកលើក្រុម៖

• ចាត់តាំងតួនាទី "អ្នកតស៊ូមតិទំហំគំរូ" នៅក្នុងការប្រជុំសំខាន់ៗ
• បង្កើតបទដ្ឋានជុំវិញការកែតម្រូវទំនុកចិត្ត៖ "ដោយផ្អែកលើ N នេះ តើយើងគួរប្រាកដកម្រិតណា?"
• ធ្វើការវិភាគក្រោយ (post-mortems) លើការសម្រេចចិត្តកន្លងមកដែលត្រូវបានធ្វើឡើងដោយប្រើទិន្នន័យមានកំណត់

សម្រាប់ឪពុកម្តាយ និងអ្នកអប់រំ

កុមារត្រូវអភិវឌ្ឍវិចារណញាណស្ថិតិមុនពេលមានការអប់រំប្រូបាប៊ីលីតេផ្លូវការ។ គោលដៅគឺការកសាងទម្លាប់នៃការគិតដែលចោទសួរពីភាពខ្លាំងនៃភស្តុតាង។

ការពន្យល់សមស្របតាមអាយុ៖

• កុមារតូចៗ៖ "នៅពេលដែលយើងបានសាកល្បងអ្វីមួយតែពីរបីដង យើងមិនអាចដឹងពិតប្រាកដថាវានឹងតែងតែចេញមកបែបនេះទេ"
• កុមារធំ៖ ប្រើហ្គេម និងការពិសោធន៍ (បោះកាក់, រមៀលគ្រាប់ឡុកឡាក់) ដើម្បីបង្ហាញពីរបៀបដែលគំរូតូចៗប្រែប្រួល
• ក្មេងជំទង់៖ ពិភាក្សាអំពីរបៀបដែលប្រព័ន្ធផ្សព្វផ្សាយសង្គមបង្កើតគំរូលម្អៀងនៃអាកប្បកិរិយា និងមតិរបស់មិត្តភក្តិ

សកម្មភាព៖

• ការពិសោធន៍គ្រួសារជាមួយគ្រាប់ឡុកឡាក់ និងកាក់ដើម្បីសង្កេតមើលភាពប្រែប្រួល
• ពិភាក្សាថាតើត្រូវសាកល្បងប៉ុន្មានដងមុននឹងសន្និដ្ឋានថាវា "ល្អ" ឬ "អាក្រក់"
• វិភាគការអះអាងផ្សាយពាណិជ្ជកម្មជាមួយគ្នា៖ "តើពួកគេដឹងពីរឿងនេះដោយរបៀបណា?"

សម្រាប់អ្នកជំនាញថែទាំសុខភាព

ការសម្រេចចិត្តផ្នែកវេជ្ជសាស្រ្តមានផលវិបាកដល់អាយុជីវិត ដែលធ្វើឱ្យភាពប្រែប្រួលនៃទំហំគំរូមានសារៈសំខាន់។ បញ្ហាថតសុដន់បង្ហាញពីរបៀបដែលសូម្បីតែគ្រូពេទ្យដែលបានទទួលការបណ្តុះបណ្តាលក៏ជួបការលំបាកជាមួយនឹងការវែកញែកស្ថិតិដែរ។

ផលវិបាកគ្លីនិក៖

• ទទួលស្គាល់ថាលទ្ធផលតេស្តមិនធម្មតាចំពោះអ្នកជំងឺម្នាក់ៗអាចជាភាពប្រែប្រួលនៃគំរូ
• ត្រូវប្រុងប្រយ័ត្នជាពិសេសចំពោះជំងឺកម្រ ដែលអត្រាមូលដ្ឋានធ្វើឱ្យលទ្ធផលវិជ្ជមានមិនពិតទំនងជាកើតមាន
• ប្រើទម្រង់ប្រេកង់នៅពេលទំនាក់ទំនងហានិភ័យទៅកាន់អ្នកជំងឺ

យុទ្ធសាស្រ្តទំនាក់ទំនងជាមួយអ្នកជំងឺ៖

• ពន្យល់ថាលទ្ធផលតេស្តមួយគឺជាចំណុចទិន្នន័យមួយ; ការតាមដានតាមពេលវេលាផ្តល់នូវព័ត៌មានដែលគួរឱ្យទុកចិត្តជាងមុន
• បង្ហាញទិន្នន័យប្រសិទ្ធភាពនៃការព្យាបាលជាមួយនឹងទំហំគំរូច្បាស់លាស់៖ "ក្នុងការសិក្សាលើអ្នកជំងឺ 500 នាក់..."
• ជួយអ្នកជំងឺឱ្យយល់ថាបទពិសោធន៍ផ្ទាល់ខ្លួនរបស់ពួកគេប្រហែលជាមិនត្រូវគ្នានឹងស្ថិតិប្រជាជនទេ

សម្រាប់អ្នកជំនាញហិរញ្ញវត្ថុ

ទីផ្សារដាក់ទណ្ឌកម្មយ៉ាងធ្ងន់ធ្ងរចំពោះការមិនអើពើទំហំគំរូ។ ការដេញតាមកំណត់ត្រាបីឆ្នាំ ការប្រតិកម្មហួសហេតុចំពោះប្រាក់ចំណូលប្រចាំត្រីមាស និងការមិនអើពើ Survivorship Bias ធ្វើឱ្យអ្នកវិនិយោគខាតបង់រាប់ពាន់លានជារៀងរាល់ឆ្នាំ។

កម្មវិធីជាក់លាក់នៃការវិនិយោគ៖

• ទាមទារកំណត់ត្រាប្រវត្តិយូរជាងនេះ មុនពេលសន្និដ្ឋានថាជំនាញរបស់អ្នកគ្រប់គ្រងមានពិត
• គិតគូរពី Survivorship Bias នៅពេលវិភាគប្រភេទមូលនិធិ
• ទទួលស្គាល់ថាដំណើរការល្អក្នុងរយៈពេលខ្លីគឺស្របនឹងការប្រែប្រួលចៃដន្យ

យុទ្ធសាស្រ្តទំនាក់ទំនងអតិថិជន៖

• អប់រំអតិថិជនអំពីភាពមិនគួរឱ្យទុកចិត្តនៃដំណើរការរយៈពេលខ្លី
• បង្ហាញទិន្នន័យប្រវត្តិសាស្ត្រជាមួយនឹងចន្លោះទំនុកចិត្តសមស្រប
• ពន្យល់ពីការថយចុះមកមធ្យមភាគ៖ លទ្ធផលខ្លាំងជាទូទៅថយចុះតាមពេលវេលា

ផលវិបាកនៃការគ្រប់គ្រងហានិភ័យ៖

• កសាងផលប័ត្រដោយសន្មតថាអ្នកឈ្នះថ្មីៗនឹងថយចុះ
• ទាមទាររយៈពេលវាយតម្លៃយូរជាងនេះសម្រាប់យុទ្ធសាស្ត្រថ្មីៗ
• បញ្ចូលភាពមិនច្បាស់លាស់ពីគំរូតូចៗទៅក្នុងគំរូហានិភ័យ

13. អន្តរកម្មជាមួយភាពលម្អៀងផ្សេងទៀត

ភាពលម្អៀងដែលពង្រីកភាពលម្អៀងនេះ

ភាពលម្អៀងដែលប្រឆាំងនឹងភាពលម្អៀងនេះ

ច្រវាក់នៃភាពលម្អៀងទូទៅ

Representative Heuristic → Insensitivity to Sample Size → Gambler's Fallacy → Sunk Cost Fallacy

ការពន្យល់៖ យើងចាប់ផ្តើមដោយការវិនិច្ឆ័យប្រូបាប៊ីលីតេដោយផ្អែកលើភាពស្រដៀងគ្នាជាជាងភាពជឿជាក់នៃគំរូ។ នៅពេលដែលគំរូតូចៗងាកចេញពីលំនាំដែលរំពឹងទុក យើងរំពឹងថាវានឹង "កែតម្រូវ" ដែលនាំទៅដល់ Gambler's Fallacy។ នៅពេលដែលវាមិនកែតម្រូវ យើងអាចបន្តការវិនិយោគ (Sunk Cost) ដោយជឿថា "ការត្រឡប់មកវិញ" គឺជិតដល់ហើយ។

ដើម្បីរំខាន៖ សួររកទំហំគំរូនៅជំហានដំបូង។ សួរថា "តើទិន្នន័យនេះគ្រប់គ្រាន់ក្នុងការជឿទុកចិត្តឬទេ?" មុនពេលការបកស្រាយពីមូលហេតុណាមួយចាប់ផ្តើម។

14. ទស្សនៈវប្បធម៌

ការស្រាវជ្រាវអំពីការប្រែប្រួលវប្បធម៌នៅក្នុងភាពលម្អៀងនេះនៅមានកម្រិតនៅឡើយ ប៉ុន្តែលំនាំមួយចំនួនលេចឡើងពីចិត្តសាស្ត្រការយល់ដឹងឆ្លងវប្បធម៌។

វប្បធម៌ដែលសង្កត់ធ្ងន់លើការគិតបែបវិភាគ (ជាញឹកញាប់ត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងសង្គមលោកខាងលិច ដែលផ្តោតលើបុគ្គលនិយម) អាចបង្ហាញពីទម្រង់ភាពងាយរងគ្រោះខុសពីវប្បធម៌ដែលសង្កត់ធ្ងន់លើការគិតបែបបរិលក្ខណ៍ (holistic thinking) (ជាញឹកញាប់ត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងសង្គមអាស៊ីបូព៌ា ដែលផ្តោតលើសមូហភាព)។ អ្នកគិតបែបបរិលក្ខណ៍អាចមានការយកចិត្តទុកដាក់ជាងចំពោះបរិបទ និងកត្តាស្ថានភាព ដែលអាចកាត់បន្ថយការសន្និដ្ឋានខ្លាំងពីគំរូតូចៗ។

ប្រព័ន្ធអប់រំដែលសង្កត់ធ្ងន់លើការគណនាគណិតវិទ្យាដោយការទន្ទេញ ច្រើនជាងការវែកញែកតាមទស្សនៈស្ថិតិ ទំនងជាមានឥទ្ធិពលលើភាពធ្ងន់ធ្ងរនៃភាពលម្អៀងនេះ។ សម្មតិកម្មទម្រង់ប្រេកង់ (frequency format hypothesis) បង្ហាញថា វប្បធម៌ដែលមានប្រពៃណីរឹងមាំនៃគណិតវិទ្យាជាក់ស្តែង ផ្អែកលើបទពិសោធន៍ អាចដំណើរការបានល្អប្រសើរលើកិច្ចការដែលពាក់ព័ន្ធនឹងទំហំគំរូ។

ការសិក្សាឆ្លងវប្បធម៌ពីស្ថាប័នដូចជា Project Implicit (ពាក់ព័ន្ធនឹងអ្នកស្រាវជ្រាវមកពីសាកលវិទ្យាល័យ Ben-Gurion នៃប្រទេសអ៊ីស្រាអែល និងសាកលវិទ្យាល័យ Harvard) បង្ហាញថា ទោះបីជាភាពលម្អៀងនេះជាសកលក៏ដោយ កម្រិតនៃការពឹងផ្អែកលើ heuristics អាចប្រែប្រួលអាស្រ័យលើប្រព័ន្ធអប់រំ និងបទដ្ឋានវប្បធម៌។

15. ទេវកថា និងការយល់ខុស

16. ការយល់ដឹងពីអ្នកជំនាញ

"មនុស្សមានវិចារណញាណខុសឆ្គងអំពីច្បាប់នៃឱកាស។ ជាពិសេស ពួកគេចាត់ទុកគំរូដែលទាញយកដោយចៃដន្យពីប្រជាជនជាតំណាងដ៏ខ្ពង់ខ្ពស់ ពោលគឺស្រដៀងទៅនឹងប្រជាជននៅក្នុងលក្ខណៈសំខាន់ៗទាំងអស់។" — Amos Tversky & Daniel Kahneman, Science (1974)

"គំរូតូចមួយដែលតំណាងឱ្យប្រជាជនយ៉ាងខ្ពស់នៅក្នុងសមាសភាព មិនចាំបាច់ជាតំណាងនៅក្នុងលក្ខណៈសម្បត្តិស្ថិតិ ដូចជាមធ្យមភាគ ភាពប្រែប្រួល ឬទំនាក់ទំនងនោះទេ។" — Amos Tversky & Daniel Kahneman, "Belief in the Law of Small Numbers" (1971)

"ចិត្តមិនត្រូវបានរចនាឡើងសម្រាប់ការគណនាប្រូបាប៊ីលីតេក្នុងទម្រង់ជាភាគរយនោះទេ ប៉ុន្តែវាអាច 'មើលឃើញ' ប្រេកង់ធម្មជាតិ។" — Gerd Gigerenzer, វិទ្យាស្ថាន Max Planck សម្រាប់ការអភិវឌ្ឍមនុស្ស

17. ចំណុចសំខាន់ៗដែលត្រូវចងចាំ

1. ភាពប្រែប្រួលថយចុះជាមួយនឹងទំហំគំរូ៖ សេចក្តីពិតតាមគណិតវិទ្យានេះ (σ/√n) ត្រូវបានបំពានជាបន្តបន្ទាប់ដោយវិចារណញាណរបស់មនុស្ស។ គំរូតូចៗមានភាពប្រែប្រួលដោយធម្មជាតិ; គំរូធំមានស្ថិរភាព។

2. ភាពលម្អៀងនេះជាសកល៖ ចាប់ពីមនុស្សសាមញ្ញរហូតដល់អ្នកឈ្នះរង្វាន់ណូបែល អ្នកគ្រប់គ្នាបង្ហាញពីនិន្នាការនេះ។ ការបណ្តុះបណ្តាលផ្នែកស្ថិតិអាចកាត់បន្ថយ ប៉ុន្តែមិនអាចលុបបំបាត់វាបានទេ។

3. យើងឃើញលំនាំនៅក្នុងភាពរំខាន៖ ប្រព័ន្ធទទួលស្គាល់លំនាំរបស់ចិត្តមិនគិតពីភាពជឿជាក់នៃគំរូទេ ដែលបណ្តាលឱ្យយើងបង្កើតរឿងរ៉ាវអំពីមូលហេតុសម្រាប់ការប្រែប្រួលដោយចៃដន្យ។

4. ទម្រង់មានសារៈសំខាន់៖ ការបង្ហាញព័ត៌មានជាប្រេកង់ធម្មជាតិ ("10 ក្នុងចំណោម 1,000") ជាជាងភាគរយ ធ្វើឱ្យការវែកញែកប្រសើរឡើងយ៉ាងខ្លាំង ដែលបង្ហាញថាភាពលម្អៀងនេះមួយផ្នែកគឺនិយាយអំពីការរចនាព័ត៌មាន។

5. តម្លៃគឺធំធេង៖ វិបត្តិការចម្លង (Replication Crisis), ការធ្វើរោគវិនិច្ឆ័យខុសផ្នែកវេជ្ជសាស្រ្ត, ពពុះហិរញ្ញវត្ថុ, និងគ្រោះមហន្តរាយទីផ្សារ ទាំងអស់អាចបណ្តាលមកពីកំហុសតែមួយនេះ។

6. ភាពលម្អៀងនេះបានវិវត្តសម្រាប់ហេតុផលល្អ៖ នៅក្នុងបរិយាកាសបុព្វបុរសដែលមានទិន្នន័យតិចតួច ការសន្និដ្ឋានទូទៅយ៉ាងឆាប់រហ័សពីគំរូតូចៗគឺជាការសម្របខ្លួន។ ភាពមិនស៊ីគ្នានឹងបរិយាកាសដែលសម្បូរទិន្នន័យទំនើបបង្កើតជាបញ្ហា។

7. សួរថា "តើ N ជាអ្វី?"៖ អន្តរាគមន៍ដ៏មានប្រសិទ្ធភាពបំផុតគឺការធ្វើឱ្យទំហំគំរូលេចធ្លោមុនពេលទាញសេចក្តីសន្និដ្ឋាន។

18. ធនធានបន្ថែម

ឯកសារសិក្សាអប់រំ

• Tversky, A., & Kahneman, D. (1971). Belief in the law of small numbers. Psychological Bulletin, 76(2), 105-110.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684-704.
• Gilovich, T., Vallone, R., & Tversky, A. (1985). The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology, 17(3), 295-314.
• Wainer, H., & Zwerling, H. L. (2006). Evidence that smaller schools do not improve student achievement. Phi Delta Kappan, 88(4), 300-303.

សៀវភៅ

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Gigerenzer, G. (2002). Calculated Risks: How to Know When Numbers Deceive You. Simon & Schuster.
• Thaler, R. H. (2015). Misbehaving: The Making of Behavioral Economics. W. W. Norton & Company.
• Stanovich, K. E. (2009). What Intelligence Tests Miss: The Psychology of Rational Thought. Yale University Press.

ជំពូកសៀវភៅ

• Kahneman, D., & Tversky, A. (1972). Subjective probability: A judgment of representativeness. នៅក្នុង Cognitive Psychology, 3(3), 430-454.

19. កាតសង្ខេប

20. សទ្ទានុក្រមនៃពាក្យដែលបានប្រើ

21. សំណួរពិភាក្សា

សម្រាប់ក្លឹបសៀវភៅ ថ្នាក់រៀន ឬការឆ្លុះបញ្ចាំងខ្លួនឯង៖

1. សូមពិចារណាពីការសម្រេចចិត្តសំខាន់ថ្មីៗដែលអ្នកបានធ្វើ។ តើការសម្រេចចិត្តនោះផ្អែកលើទិន្នន័យប៉ុន្មាន ហើយតើអ្នកនឹងធ្វើជម្រើសដូចគ្នាដែរឬទេ ប្រសិនបើអ្នកមានព័ត៌មានច្រើនជាងដប់ដង?

2. ហេតុអ្វីបានជាអ្នកគិតថាការបណ្តុះបណ្តាលផ្នែកស្ថិតិមិនអាចលុបបំបាត់ភាពលម្អៀងនេះបានទាំងស្រុង? តើនេះបង្ហាញអ្វីខ្លះអំពីស្ថាបត្យកម្មនៃការយល់ដឹងរបស់មនុស្ស?

3. ផែនទីមហារីកតម្រងនោមបង្ហាញថា អត្រាមហារីកខ្ពស់បំផុត និងទាបបំផុតទាំងពីរ កើតឡើងនៅក្នុងស្រុកតូចៗតាមជនបទ។ តើមន្ត្រីសុខាភិបាលសាធារណៈដែលបានទទួលការបណ្តុះបណ្តាលផ្នែកស្ថិតិនឹងខិតជិតបញ្ហានេះខុសពីអ្នកដែលមិនបានបណ្តុះបណ្តាលយ៉ាងដូចម្តេច?

4. លោក Gigerenzer អះអាងថាការបង្ហាញព័ត៌មានជាប្រេកង់ធម្មជាតិជាជាងភាគរយ ធ្វើឱ្យការវែកញែកប្រសើរឡើងយ៉ាងខ្លាំង។ ហេតុអ្វីបានជាចិត្តរបស់យើងអាចគ្រប់គ្រង "10 ក្នុងចំណោម 1,000" បានល្អជាង "1%"?

5. ប្រសិនបើភាពលម្អៀងនេះជាការបន្ស៊ាំនៅក្នុងបរិយាកាសបុព្វបុរស តើវាបង្ហាញអ្វីខ្លះអំពីរបៀបដែលយើងគួរខិតជិតវា — ថាជារឿងមួយដែលត្រូវលុបបំបាត់ ឬជារឿងមួយដែលត្រូវដឹកនាំឱ្យបានសមស្រប?