ಮಾದರಿ ಗಾತ್ರಕ್ಕೆ ಅಸೂಕ್ಷ್ಮತೆ (Insensitivity to Sample Size)

ಒಂದು ನೋಟದಲ್ಲಿ

1. ತ್ವರಿತ ಸಾರಾಂಶ

ನಾವು ಸ್ವಾಭಾವಿಕವಾಗಿ ಡೇಟಾದ ಸಣ್ಣ ಮಾದರಿಯು ಅದು ಬಂದ ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಯಂತೆಯೇ ಕಾಣಬೇಕು ಎಂದು ನಂಬುತ್ತೇವೆ. ಹತ್ತು ನಾಣ್ಯಗಳನ್ನು ಚಿಮ್ಮಿದಾಗ ಅದು ನಿಖರವಾಗಿ 50/50 ವಿಭಜನೆಯನ್ನು ತೋರಿಸದಿದ್ದಾಗ, ಸಣ್ಣ ಸಂಖ್ಯೆಗಳ ನೈಸರ್ಗಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ಬದಲು ನಾವು ಮಾದರಿಗಳು, ಸರಣಿಗಳು ಅಥವಾ ಅನ್ಯಾಯವನ್ನು ನೋಡುತ್ತೇವೆ. ಇದು ಸೀಮಿತ ಡೇಟಾದಿಂದ ವಿಶ್ವಾಸಾರ್ಹ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು, ಯಾದೃಚ್ಛಿಕ (random) ಶಬ್ದದಲ್ಲಿ ಅರ್ಥಪೂರ್ಣ ಪ್ರವೃತ್ತಿಗಳನ್ನು ನೋಡಲು ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯಲ್ಲಿ ಪ್ರಮಾಣವು ವಹಿಸುವ ನಿರ್ಣಾಯಕ ಪಾತ್ರವನ್ನು ತಳ್ಳಿಹಾಕಲು ಕಾರಣವಾಗುತ್ತದೆ.

2. ಇದರ ಹಿಂದಿನ ವಿಜ್ಞಾನ

2.1. ಆವಿಷ್ಕಾರ ಮತ್ತು ಇತಿಹಾಸ

1970ರ ದಶಕದಲ್ಲಿ ಮನೋವಿಜ್ಞಾನದಲ್ಲಿ ಅರಿವಿನ ಕ್ರಾಂತಿಯಿಂದ (cognitive revolution) ಮಾದರಿ ಗಾತ್ರಕ್ಕೆ ಅಸೂಕ್ಷ್ಮತೆಯ ಔಪಚಾರಿಕ ಗುರುತಿಸುವಿಕೆ ಹೊರಹೊಮ್ಮಿತು. 1971 ರಲ್ಲಿ, ಅಮೋಸ್ ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಡೇನಿಯಲ್ ಕಾಹ್ನೆಮನ್ ಅವರು 'ಸೈಕಾಲಜಿಕಲ್ ಬುಲೆಟಿನ್' ನಲ್ಲಿ "ಬಿಲೀಫ್ ಇನ್ ದಿ ಲಾ ಆಫ್ ಸ್ಮಾಲ್ ನಂಬರ್ಸ್" (ಸಣ್ಣ ಸಂಖ್ಯೆಗಳ ಕಾನೂನಿನಲ್ಲಿ ನಂಬಿಕೆ) ಎಂಬ ಲೇಖನವನ್ನು ಪ್ರಕಟಿಸಿದರು. ಇದರಲ್ಲಿ ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳ ಕಾನೂನು ಸಣ್ಣ ಸಂಖ್ಯೆಗಳಿಗೂ ಅನ್ವಯಿಸುತ್ತದೆ ಎಂಬಂತೆ ಮಾನವ ಅಂತಃಪ್ರಜ್ಞೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಪ್ರಸ್ತಾಪಿಸಿದರು. ಮೂರು ವರ್ಷಗಳ ನಂತರ, ಅವರ 1974 ರ 'ಸೈನ್ಸ್' ಪತ್ರಿಕೆಯಾದ "ಜಡ್ಜ್ಮೆಂಟ್ ಅಂಡರ್ ಅನ್ಸರ್ಟೈನಿಟಿ: ಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್ ಅಂಡ್ ಬಯಾಸಸ್" ನಲ್ಲಿ, ಅವರು ಇದನ್ನು ಪ್ರತಿನಿಧಿತ್ವದ ಹ್ಯೂರಿಸ್ಟಿಕ್‌ನ ವಿಶಾಲ ಚೌಕಟ್ಟಿನೊಳಗೆ ನಿರ್ದಿಷ್ಟ ಅರಿವಿನ ಪಕ್ಷಪಾತವಾಗಿ ಔಪಚಾರಿಕವಾಗಿ ಕ್ರೋಡೀಕರಿಸಿದರು.

ಬೌದ್ಧಿಕ ಬೇರುಗಳು ಗಣಿತದ ಸಂಭವನೀಯತೆಯ (probability) ಸಿದ್ಧಾಂತಕ್ಕೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಗೆರೊಲಮೊ ಕಾರ್ಡಾನೊ ಮತ್ತು ಜಾಕೋಬ್ ಬರ್ನೌಲಿ ಅವರ ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳ ಕಾನೂನಿನ ಆರಂಭಿಕ ಸೂತ್ರೀಕರಣಗಳಿಗೆ ಹಿಂತಿರುಗುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಮಾನವರು ಈ ಗಣಿತದ ತತ್ವವನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಏಕೆ ಉಲ್ಲಂಘಿಸುತ್ತಾರೆ ಎಂಬ ಮಾನಸಿಕ ತನಿಖೆಯನ್ನು ಕಾಹ್ನೆಮನ್-ಟ್ವೆರ್ಸ್ಕಿ ಅವರ ಸಹಯೋಗವು ಪ್ರವರ್ತಿಸಿತು.

1970ರ ದಶಕದಿಂದಲೂ ನಮ್ಮ ತಿಳುವಳಿಕೆ ಗಣನೀಯವಾಗಿ ವಿಕಸನಗೊಂಡಿದೆ. ಮ್ಯಾಕ್ಸ್ ಪ್ಲಾಂಕ್ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್‌ನಲ್ಲಿ ಗೆರ್ಡ್ ಗಿಜೆರೆನ್ಜರ್ ನೇತೃತ್ವದ "ಪರಿಸರ ವೈಚಾರಿಕತೆ" (Ecological Rationality) ಶಾಲೆಯು ಮೂಲ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪ್ರಶ್ನಿಸಿದೆ. ಸಮಸ್ಯೆಗಳನ್ನು ಹೇಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ ಎಂಬುದರ ಒಂದು ಕಲಾಕೃತಿಯಾಗಿ ಈ ಪಕ್ಷಪಾತವು ಭಾಗಶಃ ಇರಬಹುದು ಎಂದು ವಾದಿಸಿದೆ. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾಹಿತಿಯನ್ನು ಅಮೂರ್ತ ಸಂಭವನೀಯತೆಗಳ ಬದಲಿಗೆ ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಾಗಿ ಮರುರೂಪಿಸಿದಾಗ, ಕಾರ್ಯಕ್ಷಮತೆ ನಾಟಕೀಯವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ.

2.2. ಪ್ರಮುಖ ಸಂಶೋಧಕರು

2.3. ಹೆಗ್ಗುರುತಿನ ಅಧ್ಯಯನಗಳು

ಆಸ್ಪತ್ರೆ ಸಮಸ್ಯೆ (ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಕಾಹ್ನೆಮನ್, 1974)

ಈ ಅಂಗೀಕೃತ ಪ್ರಯೋಗದಲ್ಲಿ, ಭಾಗವಹಿಸುವವರು ಓದಿದರು: "ಒಂದು ನಿರ್ದಿಷ್ಟ ಪಟ್ಟಣವು ಎರಡು ಆಸ್ಪತ್ರೆಗಳಿಂದ ಸೇವೆ ಸಲ್ಲಿಸಲ್ಪಡುತ್ತದೆ. ದೊಡ್ಡ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಪ್ರತಿದಿನ ಸುಮಾರು 45 ಮಕ್ಕಳು ಜನಿಸುತ್ತಾರೆ, ಮತ್ತು ಸಣ್ಣ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಪ್ರತಿದಿನ ಸುಮಾರು 15 ಮಕ್ಕಳು ಜನಿಸುತ್ತಾರೆ. ನಿಮಗೆ ತಿಳಿದಿರುವಂತೆ, ಎಲ್ಲಾ ಮಕ್ಕಳಲ್ಲಿ ಸುಮಾರು 50% ಹುಡುಗರು. ಆದಾಗ್ಯೂ, ನಿಖರವಾದ ಶೇಕಡಾವಾರು ದಿನದಿಂದ ದಿನಕ್ಕೆ ಬದಲಾಗುತ್ತದೆ. 1 ವರ್ಷದ ಅವಧಿಯಲ್ಲಿ, ಜನಿಸಿದ ಮಕ್ಕಳಲ್ಲಿ 60% ಕ್ಕಿಂತ ಹೆಚ್ಚು ಹುಡುಗರು ಇದ್ದ ದಿನಗಳನ್ನು ಪ್ರತಿ ಆಸ್ಪತ್ರೆಯು ದಾಖಲಿಸಿದೆ. ಯಾವ ಆಸ್ಪತ್ರೆಯು ಅಂತಹ ಹೆಚ್ಚಿನ ದಿನಗಳನ್ನು ದಾಖಲಿಸಿದೆ ಎಂದು ನೀವು ಭಾವಿಸುತ್ತೀರಿ?"

ಫಲಿತಾಂಶಗಳು ಆಶ್ಚರ್ಯಕರವಾಗಿದ್ದವು: 56% ರಷ್ಟು ಪದವಿಪೂರ್ವ ವಿಷಯಗಳು "ಸುಮಾರು ಒಂದೇ" ಎಂದು ಆಯ್ಕೆಮಾಡಿದರೆ, 22% ರಷ್ಟು ದೊಡ್ಡ ಆಸ್ಪತ್ರೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿದರು ಮತ್ತು ಕೇವಲ 22% ರಷ್ಟು ಜನರು ಸಣ್ಣ ಆಸ್ಪತ್ರೆಯನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸಿದ್ದಾರೆ. ಸರಿಯಾದ ಉತ್ತರ ಸಣ್ಣ ಆಸ್ಪತ್ರೆ ಏಕೆಂದರೆ ಸಣ್ಣ ಮಾದರಿಗಳು ಹೆಚ್ಚು ಬಾಷ್ಪಶೀಲವಾಗಿರುತ್ತವೆ ಮತ್ತು ಸರಾಸರಿಯಿಂದ ವಿಪರೀತ ವಿಚಲನಗಳನ್ನು ಉಂಟುಮಾಡುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು. ಮಾದರಿಯು 15 ಆಗಿರಲಿ ಅಥವಾ 45 ಆಗಿರಲಿ, 50% ಅನುಪಾತವು ಸಮಾನವಾಗಿ ಅನ್ವಯಿಸುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸುತ್ತಾ, ಭಾಗವಹಿಸುವವರು ಮಾದರಿಯ ಗಾತ್ರವನ್ನು ಅಪ್ರಸ್ತುತವೆಂದು ಪರಿಗಣಿಸಿದ್ದಾರೆ.

ಎತ್ತರದ ಅಂದಾಜು ಪ್ರಯೋಗ (ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಕಾಹ್ನೆಮನ್, 1974)

ಸಾಮಾನ್ಯ ಜನಸಂಖ್ಯೆಯಿಂದ ಪಡೆದ 10, 100 ಮತ್ತು 1,000 ಪುರುಷರ ಮಾದರಿಗಳಲ್ಲಿ 6 ಅಡಿಗಳಿಗಿಂತ (183 ಸೆಂ.ಮೀ) ಹೆಚ್ಚಿನ ಸರಾಸರಿ ಎತ್ತರವನ್ನು ಪಡೆಯುವ ಸಂಭವನೀಯತೆಯನ್ನು ಭಾಗವಹಿಸುವವರು ಅಂದಾಜಿಸಿದ್ದಾರೆ. ತಾರ್ಕಿಕವಾಗಿ, 6 ಅಡಿಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಸರಾಸರಿ ಇರುವ 1,000 ಪುರುಷರನ್ನು ಹುಡುಕುವುದು ಅಸಾಧ್ಯ, ಆದರೆ 10 ಪುರುಷರು ಈ ಎತ್ತರವನ್ನು ಹೊಂದುವುದು ಕೇವಲ ಅಸಂಭವ. ಆದರೂ ವಿಷಯಗಳು ಎಲ್ಲಾ ಮೂರು ಮಾದರಿ ಗಾತ್ರಗಳಿಗೆ ಒಂದೇ ಸಂಭವನೀಯತೆಯನ್ನು ನಿಯೋಜಿಸಿವೆ. ಮಾದರಿಗಳನ್ನು ಕೇವಲ ಅವುಗಳ ವಿವರಣೆಯ ("ಪುರುಷರು") ಆಧಾರದ ಮೇಲೆ ನಿರ್ಣಯಿಸುವ ಮೂಲಕ, ಭಾಗವಹಿಸುವವರು ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳ ಸ್ಥಿರಗೊಳಿಸುವ ಶಕ್ತಿಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ನಿರ್ಲಕ್ಷಿಸಿದರು.

ಮ್ಯಾಮೊಗ್ರಾಫಿ ಸಮಸ್ಯೆ (ಗಿಜೆರೆನ್ಜರ್ ಮತ್ತು ಇತರರು, 1995)

ಶೇಕಡಾವಾರುಗಳನ್ನು (ಸೂಕ್ಷ್ಮತೆ=90%, ತಪ್ಪು ಧನಾತ್ಮಕ=9%, ಹರಡುವಿಕೆ=1%) ಬಳಸಿ ಸಕಾರಾತ್ಮಕ ಮ್ಯಾಮೊಗ್ರಾಮ್ ನೀಡಲಾದ ಸ್ತನ ಕ್ಯಾನ್ಸರ್‌ನ ಸಂಭವನೀಯತೆಯನ್ನು ಅಂದಾಜು ಮಾಡಲು ವೈದ್ಯರನ್ನು ಕೇಳಿದಾಗ, ಕೇವಲ 10-15% ರಷ್ಟು ಜನರು ಸರಿಯಾಗಿ ಉತ್ತರಿಸಿದರು. ಅದೇ ಸಮಸ್ಯೆಯನ್ನು ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಾಗಿ ("ಪ್ರತಿ 1,000 ಮಹಿಳೆಯರಲ್ಲಿ 10 ಜನರಿಗೆ ಕ್ಯಾನ್ಸರ್ ಇದೆ...") ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ, ನಿಖರತೆಯು 46-67% ಗೆ ಏರಿತು. ಛೇದದಲ್ಲಿ (denominator) ಮಾದರಿ ಗಾತ್ರವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುವುದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ಸುಧಾರಿಸಿದೆ ಎಂದು ಇದು ಪ್ರದರ್ಶಿಸಿತು.

ಹಾಟ್ ಹ್ಯಾಂಡ್ ಅಧ್ಯಯನ (ಗಿಲೋವಿಚ್, ವಲ್ಲೋನ್ ಮತ್ತು ಟ್ವೆರ್ಸ್ಕಿ, 1985)

ಫಿಲಡೆಲ್ಫಿಯಾ 76ers ಮತ್ತು ಬೋಸ್ಟನ್ ಸೆಲ್ಟಿಕ್ಸ್‌ನ ಶೂಟಿಂಗ್ ದಾಖಲೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿದ ಸಂಶೋಧಕರು, ಅವಕಾಶದಿಂದ ನಿರೀಕ್ಷಿಸಿದ್ದಕ್ಕಿಂತ ಮೀರಿದ "ಹಾಟ್" ಸ್ಟ್ರೀಕ್‌ಗಳ ಯಾವುದೇ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳನ್ನು ಕಂಡುಕೊಂಡಿಲ್ಲ. ಆಟಗಾರನ ಶೂಟಿಂಗ್ ದಾಖಲೆಯು ಗಣಿತೀಯವಾಗಿ ನಾಣ್ಯ ಫ್ಲಿಪ್‌ಗಳ ಅನುಕ್ರಮದಿಂದ ಪ್ರತ್ಯೇಕಿಸಲಾಗದಂತಿತ್ತು. ಆಟಗಾರರು, ತರಬೇತುದಾರರು ಮತ್ತು ಅಭಿಮಾನಿಗಳಲ್ಲಿ "ಹಾಟ್ ಹ್ಯಾಂಡ್" ಮೇಲಿನ ಸಾರ್ವತ್ರಿಕ ನಂಬಿಕೆಯು ಯಾದೃಚ್ಛಿಕ ಸಣ್ಣ ಮಾದರಿಗಳಲ್ಲಿ ನಮೂನೆಗಳನ್ನು ಗ್ರಹಿಸುವ ಮೂಲಕ ಉತ್ಪತ್ತಿಯಾದ ಅರಿವಿನ ಭ್ರಮೆ ಎಂದು ಬಹಿರಂಗವಾಯಿತು.

2.4. ನರವೈಜ್ಞಾನಿಕ ಆಧಾರ

ಮನಶ್ಶಾಸ್ತ್ರಜ್ಞರಾದ ಕೀತ್ ಸ್ಟಾನೊವಿಚ್, ರಿಚರ್ಡ್ ವೆಸ್ಟ್ ಮತ್ತು ಡೇನಿಯಲ್ ಕಾಹ್ನೆಮನ್ ಅವರು "ಸಿಸ್ಟಮ್ 1" ಚಿಂತನೆ ಎಂದು ಕರೆದಿದ್ದರ ಮೂಲಕ ಪಕ್ಷಪಾತವು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ—ವೇಗ, ಸ್ವಯಂಚಾಲಿತ, ಅರ್ಥಗರ್ಭಿತ ಅರಿವಿನ ಪ್ರಕ್ರಿಯೆಗಳು ಗಣಿತದ ನಿಖರತೆಗಿಂತ ವೇಗ ಮತ್ತು ಸುಸಂಬದ್ಧತೆಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತವೆ. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ, ಸರಿಯಾದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆಗೆ ಅಗತ್ಯವಿರುವ ನಿಧಾನಗತಿಯ, ಹೆಚ್ಚು ಶ್ರಮದಾಯಕ ಸಿಸ್ಟಮ್ 2 ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ತೊಡಗಿಸಿಕೊಳ್ಳುವ ಬದಲು ಸಿಸ್ಟಮ್ 1 ಪ್ರಕ್ರಿಯೆಗಳು ಹೋಲಿಕೆ ಮತ್ತು ಮಾದರಿ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಮಾಡುತ್ತವೆ.

ವೇಗದ ಬೆದರಿಕೆ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸಾಂದರ್ಭಿಕ ನಿರ್ಣಯಕ್ಕಾಗಿ ವಿಕಸನಗೊಂಡ ಮಿದುಳಿನ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಸರ್ಕ್ಯೂಟ್‌ಗಳು, ಡೇಟಾದಲ್ಲಿ ಅರ್ಥಪೂರ್ಣ ರಚನೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹುಡುಕುತ್ತವೆ. ಈ ಸರ್ಕ್ಯೂಟ್‌ಗಳು ದೊಡ್ಡ ಮತ್ತು ಸಣ್ಣ ಮಾದರಿಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ; ಅವು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಕುರಿತಾದ ಮೆಟಾ-ಮಾಹಿತಿಯ (ಮಾದರಿ ಗಾತ್ರ, ವ್ಯತ್ಯಾಸ) ಬದಲಿಗೆ ಮಾಹಿತಿಯ ಮೇಲ್ಮೈ ಲಕ್ಷಣಗಳಿಗೆ (ಅನುಪಾತಗಳು, ಸ್ಪಷ್ಟ ಮಾದರಿಗಳು) ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ.

ಕಾರ್ಯನಿರ್ವಾಹಕ ಕಾರ್ಯ ಮತ್ತು ಗಣಿತದ ತಾರ್ಕಿಕತೆಗೆ ಜವಾಬ್ದಾರರಾಗಿರುವ ಪ್ರಿಫ್ರಂಟಲ್ ಕಾರ್ಟೆಕ್ಸ್, ಸಿಸ್ಟಮ್ 1 ತೀರ್ಪುಗಳನ್ನು ಅತಿಕ್ರಮಿಸಬಹುದು, ಆದರೆ ಇದಕ್ಕೆ ಪ್ರಜ್ಞಾಪೂರ್ವಕ ಪ್ರಯತ್ನ, ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತರಬೇತಿ ಮತ್ತು ಅರಿವಿನ ಸಂಪನ್ಮೂಲಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ. ಸಮಯದ ಒತ್ತಡ, ಅರಿವಿನ ಹೊರೆ ಅಥವಾ ಭಾವನಾತ್ಮಕ ಪ್ರಚೋದನೆಯ ಅಡಿಯಲ್ಲಿ, ಸಿಸ್ಟಮ್ 1 ಡೀಫಾಲ್ಟ್‌ಗಳು ಮೇಲುಗೈ ಸಾಧಿಸುತ್ತವೆ ಮತ್ತು ಮಾದರಿಯ ಗಾತ್ರವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ.

3. ವಿಕಾಸಾತ್ಮಕ ಮೂಲಗಳು

ಮಾನವ ಮನಸ್ಸು ಸಂಕೀರ್ಣವಾದ, ಗದ್ದಲದ ಮತ್ತು ಅಪಾಯಕಾರಿ ಪ್ರಪಂಚವನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ವಿಕಸನಗೊಂಡಿತು, ಅಲ್ಲಿ ಡೇಟಾ ವಿರಳವಾಗಿತ್ತು ಮತ್ತು ಹಿಂಜರಿಕೆಯ ಬೆಲೆ ಸಾವು. ಪ್ಲೆಸ್ಟೊಸೀನ್ ಪರಿಸರದಲ್ಲಿ, ನಮ್ಮ ಪೂರ್ವಜರು ಸೀಮಿತ ಅವಲೋಕನಗಳಿಂದ ವೇಗವಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಅಗತ್ಯವಿತ್ತು: ಪರಭಕ್ಷಕ ಅಥವಾ ವಿಷಕಾರಿ ಬೆರ್ರಿಯೊಂದಿಗಿನ ಒಂದೇ ಮುಖಾಮುಖಿಯು ತಪ್ಪಿಸುವ ಸಾರ್ವತ್ರಿಕ ನಿಯಮವನ್ನು ಸಮರ್ಥಿಸುತ್ತದೆ.

ಈ ವಿಕಾಸಾತ್ಮಕ ಟೂಲ್ಕಿಟ್ ಗಣಿತದ ನಿಖರತೆಗಿಂತ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ತ್ವರಿತ ತೀರ್ಮಾನಕ್ಕೆ ಆದ್ಯತೆ ನೀಡಿದೆ. ಸಣ್ಣ ಮಾದರಿಗಳಿಂದ ವಿಶಾಲವಾದ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವು ಒಂದು ವಿಶಿಷ್ಟವಾದ ಹೊಂದಾಣಿಕೆಯ ಪ್ರಯೋಜನವಾಗಿತ್ತು-ಪಲಾಯನ ಮಾಡಲು ನಿರ್ಧರಿಸುವ ಮೊದಲು ಪರಭಕ್ಷಕ ಎನ್‌ಕೌಂಟರ್‌ಗಳ "ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ" ಮಾದರಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಕಾಯುವುದು ಮಾರಣಾಂತಿಕವಾಗುತ್ತಿತ್ತು.

ಆದಾಗ್ಯೂ, ಡೇಟಾ-ವಿರಳ ಪೂರ್ವಜರ ಪರಿಸರದಲ್ಲಿ ಉಳಿವಿಗಾಗಿ ಖಾತ್ರಿಪಡಿಸಿದ ಅದೇ ಅರಿವಿನ ಹೊಂದಾಣಿಕೆಯು ನಮ್ಮ ಆಧುನಿಕ ಡೇಟಾ-ಸಮೃದ್ಧ ಜಗತ್ತಿನಲ್ಲಿ ಆಳವಾದ ಹೊಣೆಗಾರಿಕೆಯಾಗಿ ಪ್ರಕಟವಾಗುತ್ತದೆ. ನಾವು ಈಗ ಸಂಭವನೀಯ ಪ್ರಕ್ರಿಯೆಗಳು, ಸಂಭವನೀಯ ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಬೃಹತ್ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುವ ಜಗತ್ತಿನಲ್ಲಿ ವಾಸಿಸುತ್ತಿದ್ದೇವೆ, ಆದರೂ ನಮ್ಮ ಅಂತಃಪ್ರಜ್ಞೆಯು ಹಠಮಾರಿತನದಿಂದ ಸಣ್ಣ ಮಾದರಿಯ ತರ್ಕಕ್ಕೆ ಲಗತ್ತಿಸಲಾಗಿದೆ.

ಪಕ್ಷಪಾತವನ್ನು ದೋಷಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ವಿಕಸನಗೊಂಡ ಲಕ್ಷಣವಾಗಿ ವೀಕ್ಷಿಸಬಹುದು: ಇದು (1) ಮಾದರಿಗಳು ಸ್ವಾಭಾವಿಕವಾಗಿ ಚಿಕ್ಕದಾಗಿರುವ, (2) ತಪ್ಪು ಧನಾತ್ಮಕ ಅಂಶಗಳು (ಇಲ್ಲದ ಮಾದರಿಗಳನ್ನು ನೋಡುವುದು) ತಪ್ಪು ನಿರಾಕರಣೆಗಳಿಗಿಂತ (ನಿಜವಾದ ಬೆದರಿಕೆಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದು) ಕಡಿಮೆ ವೆಚ್ಚದಾಯಕ ಮತ್ತು (3) ತ್ವರಿತ ಕ್ರಮವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ನಿಖರತೆಯನ್ನು ಮೀರಿಸಿದ ಪರಿಸರಗಳಿಗೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲಾಗಿದೆ.

4. ಈ ಪಕ್ಷಪಾತ ಹೇಗೆ ಪ್ರಕಟವಾಗುತ್ತದೆ

4.1. ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ

ದೈನಂದಿನ ನಿರ್ಧಾರಗಳಲ್ಲಿ, ನಾವು ನಿರಂತರವಾಗಿ ಸಣ್ಣ ಮಾದರಿಗಳನ್ನು ಅತಿಯಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳುತ್ತೇವೆ. ಹೊಸ ರೆಸ್ಟೋರೆಂಟ್‌ಗೆ ಒಮ್ಮೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸಾಧಾರಣ ಊಟವನ್ನು ಮಾಡಿದ ನಂತರ, ನಾವು ಒಂದು ರಾತ್ರಿ ಒಂದು ಖಾದ್ಯವನ್ನು ಸ್ಯಾಂಪಲ್ ಮಾಡಿದ್ದೇವೆ ಎಂದು ಗುರುತಿಸುವ ಬದಲು "ಆ ಸ್ಥಳವು ಕೆಟ್ಟದಾಗಿದೆ" ಎಂದು ನಾವು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ. ನಿರ್ದಿಷ್ಟ ನಗರ ಅಥವಾ ವೃತ್ತಿಯವರನ್ನು ಭೇಟಿಯಾಗುವುದು ಆ ಒಂದೇ ಮುಖಾಮುಖಿಯ ಆಧಾರದ ಮೇಲೆ ಸಾಮಾನ್ಯೀಕರಣಗಳನ್ನು ಪ್ರಚೋದಿಸುತ್ತದೆ.

ಕೆಲವೇ ಕಥೆಗಳ ಮೂಲಕ ನಾವು ನೆರೆಹೊರೆಗಳ ಸುರಕ್ಷತೆಯನ್ನು ನಿರ್ಣಯಿಸುತ್ತೇವೆ, ಮೂರು ಅಮೆಜಾನ್ ವಿಮರ್ಶೆಗಳಿಂದ ಉತ್ಪನ್ನಗಳ ಬಗ್ಗೆ ಅಭಿಪ್ರಾಯಗಳನ್ನು ರೂಪಿಸುತ್ತೇವೆ ಮತ್ತು ಒಂದು ಅಸ್ಪಷ್ಟ ದುರಸ್ತಿಯ ಆಧಾರದ ಮೇಲೆ ನಮ್ಮ ಮೆಕ್ಯಾನಿಕ್ ಅಪ್ರಾಮಾಣಿಕ ಎಂದು ತೀರ್ಮಾನಿಸುತ್ತೇವೆ. ಸ್ನೇಹಿತರೊಬ್ಬರು ಆಹಾರ ಪದ್ಧತಿಯಲ್ಲಿ ಯಶಸ್ವಿಯಾಗುವುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ನಿರ್ಧರಿಸುವ ಸಾವಿರಾರು ವೈಯಕ್ತಿಕ ವ್ಯತ್ಯಾಸಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ಅದು ನಮಗೂ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ಭಾವಿಸುತ್ತೇವೆ.

ಸಂಬಂಧಗಳಲ್ಲಿ, ಕೆಲವು ದಿನಗಳಲ್ಲಿ ಪಾಲುದಾರರ ನಡವಳಿಕೆಯು ಅವರ ಪಾತ್ರದ ನಮ್ಮ ತೀರ್ಪನ್ನು ರೂಪಿಸುತ್ತದೆ. ಒಂದು ಪರೀಕ್ಷೆಯಲ್ಲಿ ಮಗುವಿನ ಕಳಪೆ ಕಾರ್ಯಕ್ಷಮತೆ ಪೋಷಕರು "ಗಣಿತದಲ್ಲಿ ಕೆಟ್ಟವರು" ಎಂದು ತೀರ್ಮಾನಿಸಲು ಕಾರಣವಾಗುತ್ತದೆ. ಕೆಲವು ಯಶಸ್ವಿ ಮುನ್ನೋಟಗಳು ಭವಿಷ್ಯವನ್ನು ಮುನ್ಸೂಚಿಸುವಲ್ಲಿ ನಾವು ಉತ್ತಮರು ಎಂದು ನಂಬುವಂತೆ ಮಾಡುತ್ತದೆ.

4.2. ಕೆಲಸದ ಸ್ಥಳದಲ್ಲಿ

ವೃತ್ತಿಪರ ಸೆಟ್ಟಿಂಗ್‌ಗಳು ಮಾದರಿ ಗಾತ್ರದ ನಿರ್ಲಕ್ಷ್ಯದ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ. ವ್ಯವಸ್ಥಾಪಕರು ವ್ಯವಸ್ಥಿತ ಡೇಟಾಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಕೆಲವು ಗಮನಿಸಿದ ಘಟನೆಗಳ ಆಧಾರದ ಮೇಲೆ ಉದ್ಯೋಗಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತಾರೆ. ನೇಮಕಾತಿ ನಿರ್ಧಾರಗಳು ಸಂಕ್ಷಿಪ್ತ ಸಂದರ್ಶನಗಳ ಮೇಲೆ ನಿಂತಿವೆ—ನಡವಳಿಕೆಯ ಒಂದು ಸಣ್ಣ ಮಾದರಿ—ಆದರೂ ಅವುಗಳನ್ನು ನಿರ್ಣಾಯಕ ಮೌಲ್ಯಮಾಪನಗಳಾಗಿ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಕೇವಲ ಮೂರು ತಿಂಗಳುಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ತ್ರೈಮಾಸಿಕ ಫಲಿತಾಂಶಗಳು (ಕಂಪನಿಯ ಪಥದ ಒಂದು ಸಣ್ಣ ಮಾದರಿ), ಪ್ರಮುಖ ಕಾರ್ಯತಂತ್ರದ ನಿರ್ಧಾರಗಳನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತವೆ. ಎರಡು ತಿಂಗಳ ಕಾಲ ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಹೊಸ ಉಪಕ್ರಮವನ್ನು ವ್ಯತ್ಯಾಸವು ಸ್ಥಿರಗೊಳ್ಳುವ ಮೊದಲು ರದ್ದುಗೊಳಿಸಲಾಗುತ್ತದೆ. ಆರಂಭಿಕ ಹಿನ್ನಡೆಗಳನ್ನು ಎದುರಿಸುವವರನ್ನು ಫಲಿತಾಂಶಗಳ ವಾಸ್ತವಿಕ ವಿತರಣೆಯನ್ನು ಲೆಕ್ಕಿಸದೆ ವಿಫಲರು ಎಂದು ಲೇಬಲ್ ಮಾಡಲಾಗುವಾಗ, ಬೇಗನೆ ಯಶಸ್ವಿಯಾಗುವ ನಾಯಕರನ್ನು "ದಾರ್ಶನಿಕ" ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿಮರ್ಶೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಇತ್ತೀಚಿನ ಘಟನೆಗಳನ್ನು ಅಸಮಾನವಾಗಿ ತೂಗುತ್ತವೆ, ಕಳೆದ ಕೆಲವು ವಾರಗಳನ್ನು ಇಡೀ ವರ್ಷದ ಪ್ರತಿನಿಧಿಯಂತೆ ಪರಿಗಣಿಸುತ್ತವೆ. ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಮೊದಲ ಗುಂಪಿನ ಆಧಾರದ ಮೇಲೆ ಪರಿಣಾಮಕಾರಿ ಅಥವಾ ಪರಿಣಾಮಕಾರಿಯಲ್ಲ ಎಂದು ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ, ಗುಂಪುಗಳಾದ್ಯಂತ ನೈಸರ್ಗಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ.

4.3. ವ್ಯಾಪಾರ ಮತ್ತು ಮಾರ್ಕೆಟಿಂಗ್‌ನಲ್ಲಿ

ನ್ಯೂ ಕೋಕ್ ದುರಂತವು ವ್ಯಾಪಾರಗಳು ಈ ಪಕ್ಷಪಾತಕ್ಕೆ ಹೇಗೆ ಬಲಿಯಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಉದಾಹರಿಸುತ್ತದೆ. ಕೋಕಾ-ಕೋಲಾ ಸುಮಾರು 200,000 ಕುರುಡು ರುಚಿ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿತು, ಅವರ ಸಿಹಿಯಾದ ಹೊಸ ಸೂತ್ರಕ್ಕೆ ಅಗಾಧವಾದ ಆದ್ಯತೆಯನ್ನು ಕಂಡುಕೊಂಡಿತು. ಆದಾಗ್ಯೂ, ಇವು "ಸಿಪ್ ಪರೀಕ್ಷೆಗಳು"—ಪಾನೀಯವನ್ನು ಸೇವಿಸುವ ಅನುಭವದ ಒಂದು ಸಣ್ಣ ಮಾದರಿ. ಒಂದು ಸಿಪ್‌ನಲ್ಲಿ, ಮೆದುಳು ಹೆಚ್ಚಿನ ಮಾಧುರ್ಯಕ್ಕೆ ಸಕಾರಾತ್ಮಕವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ಪೂರ್ಣ ಕ್ಯಾನ್‌ನಲ್ಲಿ, ಅದೇ ಸಿಹಿ ಅತಿಯಾಗುತ್ತದೆ. ಸಿಪ್ ಮಾದರಿಯು ಸಂಪೂರ್ಣ-ಕ್ಯಾನ್ ಅನುಭವದ ಪ್ರತಿನಿಧಿಯಾಗಿದೆ ಎಂದು ಕೋಕ್ ಅಧಿಕಾರಿಗಳು ಭಾವಿಸಿದರು, ಇದು ಬೃಹತ್ ಗ್ರಾಹಕ ದಂಗೆಗೆ ಕಾರಣವಾಯಿತು.

ಫೋರ್ಡ್ ಎಡ್ಸೆಲ್ ವೈಫಲ್ಯವು ತಾತ್ಕಾಲಿಕ ಮಾದರಿ ಗಾತ್ರದ ನಿರ್ಲಕ್ಷ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. 1955-1956ರಲ್ಲಿ ಫೋರ್ಡ್ ವ್ಯಾಪಕವಾದ ಸಂಶೋಧನೆಯನ್ನು ನಡೆಸಿತು, ಅಮೆರಿಕನ್ನರು ದೊಡ್ಡ, ಆಕರ್ಷಕ ಕಾರುಗಳನ್ನು ಬಯಸುತ್ತಾರೆ ಎಂದು ತೋರಿಸಿದರು. ಅವರು ಈ ಸಮಯ-ಬದ್ಧ ಮಾದರಿಯನ್ನು ಶಾಶ್ವತ ಸತ್ಯವೆಂದು ಪರಿಗಣಿಸಿದರು. 1958ರ ಬಿಡುಗಡೆಯ ಹೊತ್ತಿಗೆ, ಮಾರುಕಟ್ಟೆಯು ಸಣ್ಣ ಕಾರುಗಳ ಕಡೆಗೆ ಸ್ಥಳಾಂತರಗೊಂಡಿತು, ಮತ್ತು ಎಡ್ಸೆಲ್ ಮಾರ್ಕೆಟಿಂಗ್ ವೈಫಲ್ಯಕ್ಕೆ ಸಮಾನಾರ್ಥಕವಾಯಿತು.

ಕಂಪನಿಗಳು ದಿನನಿತ್ಯ 8-12 ಜನರ ಫೋಕಸ್ ಗುಂಪುಗಳು, ವಾರಗಳ ಬದಲಿಗೆ ದಿನಗಳವರೆಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ A/B ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ಪ್ರಾತಿನಿಧಿಕವಲ್ಲದ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿನ ಪ್ರಾಯೋಗಿಕ ಕಾರ್ಯಕ್ರಮಗಳ ಆಧಾರದ ಮೇಲೆ ಉತ್ಪನ್ನಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತವೆ. ಮಾರ್ಕೆಟಿಂಗ್ ಪ್ರಚಾರಗಳನ್ನು ಸ್ಥಿರಗೊಳ್ಳದ ಆರಂಭಿಕ ಪ್ರತಿಕ್ರಿಯೆ ದರಗಳ ಆಧಾರದ ಮೇಲೆ ಅಳೆಯಲಾಗುತ್ತದೆ.

4.4. ರಾಜಕೀಯ ಮತ್ತು ಮಾಧ್ಯಮದಲ್ಲಿ

1936 ರ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಪೋಲ್ ದುರಂತವು ಬೃಹತ್ ಆದರೆ ಪಕ್ಷಪಾತದ ಮಾದರಿಗಳು ಹೇಗೆ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ನಿಯತಕಾಲಿಕವು 2.4 ಮಿಲಿಯನ್ ಜನರನ್ನು ಸಮೀಕ್ಷೆ ಮಾಡಿತು ಮತ್ತು ಆಲ್ಫ್ರೆಡ್ ಲ್ಯಾಂಡನ್ ಫ್ರಾಂಕ್ಲಿನ್ ರೂಸ್ವೆಲ್ಟ್ ಅವರನ್ನು ಸೋಲಿಸುತ್ತಾರೆ ಎಂದು ಊಹಿಸಿತು. ಅವರು ಪ್ರಮಾಣವು ನಿಖರತೆಯನ್ನು ಖಾತರಿಪಡಿಸುತ್ತದೆ ಎಂದು ಭಾವಿಸಿದರು, ಅವರ ಮಾದರಿಯು (ಕಾರು ನೋಂದಣಿಗಳು ಮತ್ತು ಫೋನ್ ಡೈರೆಕ್ಟರಿಗಳಿಂದ ಪಡೆಯಲಾಗಿದೆ) ಸಂಪತ್ತಿನ ಈ ಗುರುತುಗಳಿಲ್ಲದ ಖಿನ್ನತೆಯ-ಯುಗದ ಮತದಾರರನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಹೊರಗಿಟ್ಟಿದೆ ಎಂಬುದನ್ನು ನಿರ್ಲಕ್ಷಿಸಿದರು. ಕೇವಲ 50,000 ಜನರ ಪ್ರತಿನಿಧಿ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಜಾರ್ಜ್ ಗ್ಯಾಲಪ್ ಫಲಿತಾಂಶವನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸಿದ್ದಾರೆ.

ಆಧುನಿಕ ಮತದಾನವು ಮಾದರಿ ಗಾತ್ರದ ವ್ಯಾಖ್ಯಾನದೊಂದಿಗೆ ಹೋರಾಡುವುದನ್ನು ಮುಂದುವರೆಸಿದೆ. ಮಾಧ್ಯಮವು ದೋಷದ ಅಂಚಿನಲ್ಲಿರುವ ಸಮೀಕ್ಷೆಯ ಬದಲಾವಣೆಗಳನ್ನು ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳಾಗಿ ಉಸಿರುಕಟ್ಟಿ ವರದಿ ಮಾಡುತ್ತದೆ. ಪಂಡಿತರು ಆರಂಭಿಕ ಮತದಾನದ ಆದಾಯದಿಂದ ಕಲ್ಪಿಸಿಕೊಳ್ಳುತ್ತಾರೆ, ಸಣ್ಣ ಮಾದರಿಗಳನ್ನು ಮುನ್ಸೂಚಕವೆಂದು ಪರಿಗಣಿಸುತ್ತಾರೆ. ಅನಿರ್ದಿಷ್ಟ ಮತದಾರರ ಫೋಕಸ್ ಗುಂಪುಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಶಬ್ದವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಹೊರತಾಗಿಯೂ ನಿರೂಪಣೆ-ವ್ಯಾಖ್ಯಾನಿಸುವ ಕ್ಷಣಗಳಾಗುತ್ತವೆ.

ವಲಸಿಗರು, ಕಲ್ಯಾಣ ಸ್ವೀಕರಿಸುವವರು ಅಥವಾ ಪೊಲೀಸ್ ಅಧಿಕಾರಿಗಳ ಬಗ್ಗೆ ಬೆರಳೆಣಿಕೆಯಷ್ಟು ಉಪಾಖ್ಯಾನಗಳ ಆಧಾರದ ಮೇಲೆ ರಾಜಕೀಯ ಅಭಿಪ್ರಾಯಗಳು ರೂಪುಗೊಳ್ಳುತ್ತವೆ, ಪ್ರತಿಯೊಂದು ಕಥೆಯು ಲಕ್ಷಾಂತರ ವೈವಿಧ್ಯಮಯ ವ್ಯಕ್ತಿಗಳ ಪ್ರತಿನಿಧಿಯಂತೆ ಪರಿಗಣಿಸಲ್ಪಡುತ್ತದೆ.

4.5. ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಲ್ಲಿ

ಮೂತ್ರಪಿಂಡದ ಕ್ಯಾನ್ಸರ್ ನಕ್ಷೆಯು ಗಮನಾರ್ಹವಾದ ವೈದ್ಯಕೀಯ ಉದಾಹರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞರಾದ ಹೊವಾರ್ಡ್ ವೈನರ್ ಮತ್ತು ಹ್ಯಾರಿಸ್ ಜ್ವೆರ್ಲಿಂಗ್ ಅವರು ಮೂತ್ರಪಿಂಡದ ಕ್ಯಾನ್ಸರ್‌ನ ಕಡಿಮೆ ದರಗಳನ್ನು ಹೊಂದಿರುವ ಕೌಂಟಿಗಳು ಅಗಾಧವಾಗಿ ಗ್ರಾಮೀಣ ಮತ್ತು ವಿರಳ ಜನಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ತೋರಿಸಿದರು. ಅರ್ಥಗರ್ಭಿತ ನಿರೂಪಣೆ: ತಾಜಾ ಗಾಳಿ ಮತ್ತು ಶುದ್ಧ ಜೀವನದ ಮೂಲಕ ಗ್ರಾಮೀಣ ಜೀವನವು ಕ್ಯಾನ್ಸರ್ ಅನ್ನು ತಡೆಯುತ್ತದೆ. ನಂತರ ಅವರು ಹೆಚ್ಚಿನ ದರಗಳನ್ನು ಹೊಂದಿರುವ ಕೌಂಟಿಗಳು ಅಗಾಧವಾಗಿ ಗ್ರಾಮೀಣ ಮತ್ತು ವಿರಳ ಜನಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಬಹಿರಂಗಪಡಿಸಿದರು. ಸಾಮಾನ್ಯ ಅಂಶವೆಂದರೆ ಜೀವನಶೈಲಿ ಅಲ್ಲ ಆದರೆ ಸಣ್ಣ ಜನಸಂಖ್ಯೆಯ ಗಾತ್ರ-500 ನಿವಾಸಿಗಳನ್ನು ಹೊಂದಿರುವ ಕೌಂಟಿಯಲ್ಲಿ, ಒಂದೇ ರೋಗನಿರ್ಣಯವು ದರವನ್ನು ರಾಷ್ಟ್ರೀಯ ಮಿತಿಗಳಿಗೆ ಏರಿಸುತ್ತದೆ, ಆದರೆ ಶೂನ್ಯ ಪ್ರಕರಣಗಳು ಅದನ್ನು ಕೆಳಕ್ಕೆ ಇಳಿಸುತ್ತವೆ.

ವೈದ್ಯರು ಅಪರೂಪದ ಕಾಯಿಲೆಗಳಲ್ಲಿ ಸಕಾರಾತ್ಮಕ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಅತಿಯಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಾರೆ, ಮೂಲ ದರಗಳು ಮತ್ತು ಮಾದರಿ ಗಾತ್ರಗಳನ್ನು ಪರಿಗಣಿಸುವಲ್ಲಿ ವಿಫಲರಾಗುತ್ತಾರೆ. ಮೂರು ಎತ್ತರದ ವಾಚನಗೋಷ್ಠಿಗಳನ್ನು ಹೊಂದಿರುವ ರೋಗಿಗೆ ಕೇವಲ ಮಾಪನ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ದೀರ್ಘಕಾಲದ ಸ್ಥಿತಿಯೊಂದಿಗೆ ರೋಗನಿರ್ಣಯ ಮಾಡಲಾಗುತ್ತದೆ. ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳಿಗಿಂತ ಬೆರಳೆಣಿಕೆಯಷ್ಟು ರೋಗಿಗಳಿಂದ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ.

ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಅಧಿಕಾರಿಗಳು ಕೇವಲ ಸಣ್ಣ ಜನಸಂಖ್ಯೆಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕಲಾಕೃತಿಗಳಾಗಿರುವ "ಕ್ಯಾನ್ಸರ್ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು" ಮತ್ತು "ಆರೋಗ್ಯಕರ ವಲಯಗಳನ್ನು" ಬೆನ್ನಟ್ಟುತ್ತಾರೆ. ದೊಡ್ಡ ಮಾದರಿಗಳೊಂದಿಗೆ ಸರಾಸರಿಗೆ ಹಿಮ್ಮೆಟ್ಟುವ ವಿಪರೀತ ಮೌಲ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ಸಂಪನ್ಮೂಲಗಳನ್ನು ತಪ್ಪಾಗಿ ಹಂಚಲಾಗುತ್ತದೆ.

4.6. ಹಣಕಾಸು ಮತ್ತು ಹೂಡಿಕೆಯಲ್ಲಿ

ಸರ್ವೈವರ್‌ಶಿಪ್ ಪಕ್ಷಪಾತವು (Survivorship Bias) ಹಣಕಾಸು ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರದ ನಿರ್ಲಕ್ಷ್ಯದ ವಿನಾಶಕಾರಿ ರೂಪವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಹೂಡಿಕೆದಾರರು ಕಳೆದ 10 ವರ್ಷಗಳಲ್ಲಿ ಮ್ಯೂಚುವಲ್ ಫಂಡ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿದಾಗ, ಅವರು ಇನ್ನೂ ಇರುವ ನಿಧಿಗಳನ್ನು ಮಾತ್ರ ಪರಿಶೀಲಿಸುತ್ತಾರೆ—ಬದುಕುಳಿದವರು. ವಿಫಲವಾದ ಮತ್ತು ದಿವಾಳಿಯಾದ ನಿಧಿಗಳು ಮಾದರಿಯಿಂದ ಕಾಣೆಯಾಗಿವೆ, ಇದು ಸ್ಪಷ್ಟವಾದ ಸರಾಸರಿ ಆದಾಯವನ್ನು ಕೃತಕವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ. ಹೂಡಿಕೆದಾರನು 8% ರಷ್ಟು ಸರಾಸರಿ ಆದಾಯವನ್ನು ನೋಡಬಹುದು ಮತ್ತು ಸಕ್ರಿಯ ನಿರ್ವಹಣೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ತೀರ್ಮಾನಿಸಬಹುದು, "ಸತ್ತ" ನಿಧಿಗಳನ್ನು ಸೇರಿಸಿದಾಗ 4% ಅಥವಾ ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಆದಾಯವನ್ನು ಬಹಿರಂಗಪಡಿಸಬಹುದು.

ಹೂಡಿಕೆದಾರರು 3-5 ವರ್ಷಗಳ ಟ್ರ್ಯಾಕ್ ರೆಕಾರ್ಡ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ ನಿಧಿಗಳನ್ನು ಬೆನ್ನಟ್ಟುತ್ತಾರೆ, ಈ ಸಣ್ಣ ತಾತ್ಕಾಲಿಕ ಮಾದರಿಯನ್ನು ನಿರಂತರ ಕೌಶಲ್ಯದ ಪುರಾವೆಯಾಗಿ ಪರಿಗಣಿಸುತ್ತಾರೆ. ರಿಚರ್ಡ್ ಥೇಲರ್ ಅವರ ಸಂಶೋಧನೆಯು ಹೂಡಿಕೆದಾರರು ಗಳಿಕೆಯ ಸುದ್ದಿಯ ಸಣ್ಣ ಮಾದರಿಗಳಿಂದ ಅತಿಯಾಗಿ ವಿಸ್ತರಿಸುತ್ತಾರೆ ಎಂದು ತೋರಿಸುತ್ತದೆ: ಮಿತಿಮೀರಿದ ಅಂದಾಜುಗಳ ಮೂರು ಭಾಗಗಳನ್ನು ರಚನಾತ್ಮಕ ಮೌಲ್ಯಕ್ಷಯ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಇದು ಬೆಲೆಗಳನ್ನು ಅಭಾಗಲಬ್ಧ ಮಟ್ಟಕ್ಕೆ ಚಾಲನೆ ಮಾಡುತ್ತದೆ.

ರಾಬರ್ಟ್ ಶಿಲ್ಲರ್ ಅವರು ಮಾರುಕಟ್ಟೆ ಬೆಲೆಗಳು ಆಧಾರವಾಗಿರುವ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಸಮರ್ಥಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಏರಿಳಿತಗೊಳ್ಳುತ್ತವೆ ಎಂದು ದಾಖಲಿಸಿದ್ದಾರೆ. ಈ "ಹೆಚ್ಚುವರಿ ಚಂಚಲತೆ" ಯು ಹೂಡಿಕೆದಾರರು ಅಲ್ಪಾವಧಿಯ ಸುದ್ದಿಗಳನ್ನು—ಕಂಪನಿಯ ದೀರ್ಘಾವಧಿಯ ಭವಿಷ್ಯದ ಸಣ್ಣ ಮಾದರಿಗಳು—ಶಾಶ್ವತ ಮೌಲ್ಯದ ಬಗ್ಗೆ ನಿರ್ಣಾಯಕ ಮಾಹಿತಿಯಾಗಿ ಪರಿಗಣಿಸುವುದರಿಂದ ಉಂಟಾಗುತ್ತದೆ.

5. ನೈಜ ಪ್ರಪಂಚದ ಕೇಸ್ ಸ್ಟಡೀಸ್

ಕೇಸ್ ಸ್ಟಡಿ 1: ಮನೋವಿಜ್ಞಾನದಲ್ಲಿ ಪುನರಾವರ್ತನೆ ಬಿಕ್ಕಟ್ಟು

• ಸಂದರ್ಭ: ದಶಕಗಳ ಕಾಲ, ಮಾನಸಿಕ ಸಂಶೋಧನೆಯು ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರಗಳೊಂದಿಗೆ (ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿ ಸ್ಥಿತಿಗೆ N=20 ಅಥವಾ N=40) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿತ್ತು. "ಪವರ್ ಪೋಸಿಂಗ್" ಅಧ್ಯಯನವು (ಕಾರ್ನೆ, ಕಡ್ಡಿ ಮತ್ತು ಯಾಪ್, 2010) ಎರಡು ನಿಮಿಷಗಳ ಕಾಲ "ಉನ್ನತ-ಶಕ್ತಿ" ಭಂಗಿಯಲ್ಲಿ ನಿಲ್ಲುವುದು ಹಾರ್ಮೋನ್ ಬದಲಾವಣೆಗಳಿಗೆ ಮತ್ತು ಅಪಾಯ-ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಎಂದು ಹೇಳಿಕೊಂಡಿದೆ. ಮಾದರಿ ಗಾತ್ರವು 42 ಭಾಗವಹಿಸುವವರು ಆಗಿತ್ತು.

• ಏನಾಯಿತು: ಅಧ್ಯಯನವು ಪ್ರತಿಷ್ಠಿತ ಜರ್ನಲ್‌ನಲ್ಲಿ ಪ್ರಕಟವಾಯಿತು, ಬೃಹತ್ ಮಾಧ್ಯಮದ ಗಮನವನ್ನು ಸೆಳೆಯಿತು ಮತ್ತು ಲಕ್ಷಾಂತರ ಬಾರಿ ವೀಕ್ಷಿಸಿದ TED ಭಾಷಣವನ್ನು ಹುಟ್ಟುಹಾಕಿತು. ಸೂಕ್ಷ್ಮವಾದ ಹಾರ್ಮೋನ್ ಪರಿಣಾಮಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು N=42 ಸಾಕಷ್ಟು ಎಂದು ವೈಜ್ಞಾನಿಕ ಸಮುದಾಯ ಒಪ್ಪಿಕೊಂಡಿತು.

• ಕೆಲಸದಲ್ಲಿರುವ ಪಕ್ಷಪಾತ: ಸಂಶೋಧಕರು, ಸಂಪಾದಕರು ಮತ್ತು ವಿಮರ್ಶಕರು-ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಕಾಹ್ನೆಮನ್ ವಿವರಿಸಿದ ಅದೇ ಪಕ್ಷಪಾತದಿಂದ ಬಳಲುತ್ತಿರುವವರು-ಸೂಕ್ಷ್ಮ ಪರಿಣಾಮಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಣ್ಣ ಮಾದರಿಗಳು ಸಾಕಷ್ಟು ದೃಢವಾಗಿವೆ ಎಂದು ನಂಬಿದ್ದರು. ಅವರು ಶಬ್ದದಲ್ಲಿ ಒಂದು ಮಾದರಿಯನ್ನು ನೋಡಿದರು.

• ಪರಿಣಾಮಗಳು: N=200+ ನೊಂದಿಗೆ ನಂತರದ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಪುನರಾವರ್ತನೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿದಾಗ, ಹಾರ್ಮೋನ್ ಪರಿಣಾಮಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಕಣ್ಮರೆಯಾದವು. ಓಪನ್ ಸೈನ್ಸ್ ಸಹಯೋಗ (2015) 100 ಮನೋವಿಜ್ಞಾನ ಅಧ್ಯಯನಗಳನ್ನು ಪುನರಾವರ್ತಿಸಿತು ಮತ್ತು ಅರ್ಧಕ್ಕಿಂತ ಕಡಿಮೆ ಭಾಗವನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಪುನರುತ್ಪಾದಿಸಬಹುದು ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ. ಕಡಿಮೆ ಶಕ್ತಿಯುತ ಅಧ್ಯಯನಗಳ ಮೇಲಿನ ಅವಲಂಬನೆಯೇ ಪ್ರಾಥಮಿಕ ಅಪರಾಧಿಯಾಗಿತ್ತು.

• ಕಲಿತ ಪಾಠಗಳು: ವೈಜ್ಞಾನಿಕ ಪ್ರಕಟಣೆಯಲ್ಲಿ "ವಿಜೇತರ ಶಾಪ" (Winner's Curse) ಎಂದರೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಾಮುಖ್ಯತೆಯ ಮಿತಿಗಳನ್ನು ದಾಟಿದ ಉತ್ಪ್ರೇಕ್ಷಿತ ಪರಿಣಾಮದ ಗಾತ್ರಗಳನ್ನು ಹೊಂದಿರುವ ಅಧ್ಯಯನಗಳು ಪ್ರಕಟವಾಗುತ್ತವೆ. ದೊಡ್ಡ ಮಾದರಿಗಳೊಂದಿಗೆ ಮಾತ್ರ ನಿಜವಾದ ಪರಿಣಾಮಗಳು ಹೊರಹೊಮ್ಮುತ್ತವೆ. ಮನೋವಿಜ್ಞಾನವು ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ಮತ್ತು ಅಧ್ಯಯನಗಳ ಪೂರ್ವ-ನೋಂದಣಿಯ ಅಗತ್ಯವಿರುವ ಸುಧಾರಣೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿದೆ.

ಕೇಸ್ ಸ್ಟಡಿ 2: ನ್ಯೂ ಕೋಕ್ ದುರಂತ

• ಸಂದರ್ಭ: 1985 ರಲ್ಲಿ, ಪೆಪ್ಸಿಯ "ಪೆಪ್ಸಿ ಚಾಲೆಂಜ್" ಕುರುಡು ರುಚಿ ಪರೀಕ್ಷೆಗಳಿಂದ ಕೋಕಾ-ಕೋಲಾ ಹೆಚ್ಚುತ್ತಿರುವ ಮಾರುಕಟ್ಟೆ ಒತ್ತಡವನ್ನು ಎದುರಿಸಿತು. ಆಂತರಿಕ ಸಂಶೋಧನೆಯು ಸಿಹಿಯಾದ ಪೆಪ್ಸಿ ಸಿಪ್-ಬೈ-ಸಿಪ್ ಹೋಲಿಕೆಗಳಲ್ಲಿ ಗೆಲ್ಲುತ್ತಿದೆ ಎಂದು ತೋರಿಸಿದೆ.

• ಏನಾಯಿತು: ಕೋಕಾ-ಕೋಲಾ ಸುಮಾರು 200,000 ಕುರುಡು ರುಚಿ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿತು, ಸಿಹಿಯಾದ ಹೊಸ ಸೂತ್ರಕ್ಕೆ ಅಗಾಧವಾದ ಆದ್ಯತೆಯನ್ನು ಕಂಡುಕೊಂಡಿತು. ಈ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ, ಅವರು ತಮ್ಮ ಶತಮಾನದ ಹಳೆಯ ಸೂತ್ರವನ್ನು "ನ್ಯೂ ಕೋಕ್" ನೊಂದಿಗೆ ಬದಲಾಯಿಸಿದರು.

• ಕೆಲಸದಲ್ಲಿರುವ ಪಕ್ಷಪಾತ: ಇವು "ಸಿಪ್ ಪರೀಕ್ಷೆಗಳು"—ಸಂಪೂರ್ಣ ಪಾನೀಯವನ್ನು ಸೇವಿಸುವ ಅನುಭವದ ಒಂದು ಸಣ್ಣ ಮಾದರಿ. ಈ ಸೂಕ್ಷ್ಮ-ಮಾದರಿಯು ಸಂಪೂರ್ಣ ಬಳಕೆಯ ಅನುಭವವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಎಂದು ಕಾರ್ಯನಿರ್ವಾಹಕರು ಭಾವಿಸಿದರು. ಒಂದು ಗುಟುಕಿನಲ್ಲಿ, ಮಾಧುರ್ಯವು ಆಹ್ಲಾದಕರವಾಗಿರುತ್ತದೆ; ಪೂರ್ಣ ಕ್ಯಾನ್‌ನಲ್ಲಿ, ಅದು ಅಗಾಧವಾಗುತ್ತದೆ.

• ಪರಿಣಾಮಗಳು: ಗ್ರಾಹಕರ ದಂಗೆ ತಕ್ಷಣವೇ ಮತ್ತು ಉಗ್ರವಾಗಿತ್ತು. 79 ದಿನಗಳಲ್ಲಿ, ಕೋಕಾ-ಕೋಲಾ ಮೂಲ ಸೂತ್ರವನ್ನು "ಕೋಕಾ-ಕೋಲಾ ಕ್ಲಾಸಿಕ್" ಆಗಿ ಮರಳಿ ತಂದಿತು. ಕಂಪನಿಯು ಲಕ್ಷಾಂತರ ಕಳೆದುಕೊಂಡಿತು ಮತ್ತು ಬ್ರ್ಯಾಂಡ್ ಹಾನಿಯನ್ನು ಅನುಭವಿಸಿತು.

• ಕಲಿತ ಪಾಠಗಳು: "ಮಾದರಿ" ಅದು ಪ್ರತಿನಿಧಿಸುವ "ಜನಸಂಖ್ಯೆ" ಗೆ ಹೊಂದಿಕೆಯಾಗಬೇಕು. ಒಂದು ಗುಟುಕು ಕ್ಯಾನ್ ಅಲ್ಲ, ಕೇವಲ ಒಂದು ಸ್ಟೋರ್ ಭೇಟಿ ಗ್ರಾಹಕರ ನಿಷ್ಠೆ ಅಲ್ಲ. ವಿಶ್ಲೇಷಣೆಯ ಘಟಕವು ನೈಜ-ಪ್ರಪಂಚದ ನಡವಳಿಕೆಗೆ ಹೊಂದಿಕೆಯಾಗಬೇಕು.

ಐತಿಹಾಸಿಕ ಉದಾಹರಣೆ: 1936 ರ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆ

ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಮ್ಯಾಗಜೀನ್ ಮತದಾನದ ಸುವರ್ಣ ಗುಣಮಟ್ಟದಂತೆ ತೋರುವ ಸಮೀಕ್ಷೆಯನ್ನು ನಡೆಸಿತು: 10 ಮಿಲಿಯನ್ ಸಮೀಕ್ಷೆಗಳನ್ನು ಕಳುಹಿಸಲಾಗಿದೆ, 2.4 ಮಿಲಿಯನ್ ಹಿಂತಿರುಗಿಸಲಾಗಿದೆ. 57% ಮತಗಳೊಂದಿಗೆ ಲ್ಯಾಂಡನ್ ರೂಸ್‌ವೆಲ್ಟ್ ಅವರನ್ನು ಸೋಲಿಸುತ್ತಾರೆ ಎಂದು ಅವರು ಊಹಿಸಿದ್ದರು. 61% ಮತಗಳೊಂದಿಗೆ ರೂಸ್‌ವೆಲ್ಟ್ ಜಯಗಳಿಸಿದರು.

ಬೃಹತ್ ಮಾದರಿ ಗಾತ್ರವು ನಿಖರತೆಯನ್ನು ಖಾತರಿಪಡಿಸುತ್ತದೆ ಎಂದು ಡೈಜೆಸ್ಟ್ನ ಸಂಪಾದಕರು ನಂಬಿದ್ದರು. ಅವರು ಗುರುತಿಸಲು ವಿಫಲವಾದ ವಿಷಯವೆಂದರೆ ಅವರ ಮಾದರಿ ಚೌಕಟ್ಟು-ದೂರವಾಣಿ ಡೈರೆಕ್ಟರಿಗಳು ಮತ್ತು ಕಾರ್ ನೋಂದಣಿ ಪಟ್ಟಿಗಳು-ರೂಸ್‌ವೆಲ್ಟ್‌ನ ನ್ಯೂ ಡೀಲ್ ನೀತಿಗಳನ್ನು ಅಗಾಧವಾಗಿ ಬೆಂಬಲಿಸುವ ಕಡಿಮೆ-ಆದಾಯದ ಮತದಾರರನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಹೊರಗಿಟ್ಟಿದೆ. ಜಾರ್ಜ್ ಗ್ಯಾಲಪ್, ಕೇವಲ 50,000 ಪ್ರತಿಕ್ರಿಯಿಸುವವರೊಂದಿಗೆ ಸರಿಯಾದ ಸಂಭವನೀಯತೆಯ ಮಾದರಿಯನ್ನು ಬಳಸಿ, ಫಲಿತಾಂಶವನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸಿದ್ದಾರೆ.

ಸಣ್ಣ, ಪ್ರತಿನಿಧಿ ಮಾದರಿ (n=3,000) ಬೃಹತ್, ಪಕ್ಷಪಾತದ ಮಾದರಿಗಿಂತ (N=2.4 ಮಿಲಿಯನ್) ಅನಂತವಾಗಿ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ ಎಂದು ಈ ಪ್ರಕರಣವು ಕಲಿಸುತ್ತದೆ. ಮಾದರಿ ಗುಣಮಟ್ಟ ಮತ್ತು ಮಾದರಿ ಗಾತ್ರದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ತನ್ನದೇ ಆದ ವೈಫಲ್ಯಕ್ಕೆ ಬಲಿಯಾದ ಡೈಜೆಸ್ಟ್ ಎರಡು ವರ್ಷಗಳ ನಂತರ ಪ್ರಕಟಣೆಯನ್ನು ನಿಲ್ಲಿಸಿತು.

6. ಈ ಪಕ್ಷಪಾತದ ವೆಚ್ಚ

6.1. ವೈಯಕ್ತಿಕ ವೆಚ್ಚಗಳು

ನಡವಳಿಕೆಯ ಸಣ್ಣ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ನಾವು ಪಾಲುದಾರರನ್ನು ನಿರ್ಣಯಿಸಿದಾಗ ಸಂಬಂಧಗಳು ನರಳುತ್ತವೆ—ಕೆಲವು ಕೆಟ್ಟ ದಿನಗಳು ಮೂಲಭೂತ ಪಾತ್ರದ ನ್ಯೂನತೆಗಳ ಪುರಾವೆಯಾಗುತ್ತವೆ. ಸೀಮಿತ ಪ್ರಯತ್ನಗಳ ನಂತರ ನಾವು ಏನನ್ನಾದರೂ ಮಾಡಲು "ಸಾಧ್ಯವಿಲ್ಲ" ಎಂದು ತೀರ್ಮಾನಿಸಿದಾಗ ವೈಯಕ್ತಿಕ ಬೆಳವಣಿಗೆ ನಿಲ್ಲುತ್ತದೆ. ಕೇವಲ ನೈಸರ್ಗಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಆರಂಭಿಕ ಹಿನ್ನಡೆಗಳ ನಂತರ ವೃತ್ತಿಜೀವನದ ಪಿವೋಟ್‌ಗಳನ್ನು ಕೈಬಿಡಲಾಗುತ್ತದೆ.

ನಮ್ಮದೇ ಆದ ಏಕೈಕ ಅನುಭವ ಅಥವಾ ಸ್ನೇಹಿತರ ಕೆಲವು ಕಥೆಗಳಿಂದ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ನಿರ್ಣಯಿಸಿದಾಗ ಆರೋಗ್ಯದ ನಿರ್ಧಾರಗಳು ತಪ್ಪಾಗುತ್ತವೆ. ಇತ್ತೀಚಿನ ವಿಜೇತರನ್ನು ನಾವು ಬೆನ್ನಟ್ಟಿದಾಗ ಅಥವಾ ಇತ್ತೀಚಿನ ಸೋತವರಿಂದ ಓಡಿಹೋದಾಗ ಹೂಡಿಕೆ ಪೋರ್ಟ್‌ಫೋಲಿಯೊಗಳನ್ನು ತಪ್ಪಾಗಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ. ಶುದ್ಧ ಯಾದೃಚ್ಛಿಕತೆಯಿರುವುದರಲ್ಲಿ ನಮೂನೆಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ ಎಂದು ನಂಬುವ ಮೂಲಕ ನಾವು ಮೂಢನಂಬಿಕೆಗಳನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳುತ್ತೇವೆ.

ಅಸ್ಥಿರವಾದ ತೀರ್ಮಾನಗಳಲ್ಲಿ ಅನಗತ್ಯವಾದ ವಿಶ್ವಾಸ, ಮುನ್ಸೂಚನೆಗಳು ವಿಫಲವಾದಾಗ ಗೊಂದಲ ಸೇರಿದಂತೆ ಮಾನಸಿಕ ವೆಚ್ಚವು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಶುದ್ಧವಾದ ಯಾದೃಚ್ಛಿಕ ವ್ಯತ್ಯಾಸಕ್ಕಾಗಿ ನಾವು ವಿಸ್ತಾರವಾದ ಸಾಂದರ್ಭಿಕ ವಿವರಣೆಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ, ನೈಜ ಮಾದರಿಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗದ ವಾಸ್ತವದ ಮಾನಸಿಕ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ.

6.2. ವೃತ್ತಿಪರ ವೆಚ್ಚಗಳು

ಸೀಮಿತ ಅವಲೋಕನಗಳ ಆಧಾರದ ಮೇಲೆ ಮ್ಯಾನೇಜರ್‌ಗಳು ನಮ್ಮ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ತಪ್ಪಾಗಿ ನಿರ್ಣಯಿಸಿದಾಗ ವೃತ್ತಿಜೀವನದ ಪ್ರಗತಿಯು ನರಳುತ್ತದೆ. ಆರಂಭಿಕ ಅನಿಸಿಕೆಗಳು (ನಡವಳಿಕೆಯ ಸಣ್ಣ ಮಾದರಿಗಳು) ಯಶಸ್ಸಿನ ಸ್ಟೀರಿಯೊಟೈಪ್‌ಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗದ ಕಾರಣ ಉತ್ತಮ ಉದ್ಯೋಗಿಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಕೆಟ್ಟ ನೇಮಕಾತಿ ನಿರ್ಧಾರಗಳು ಸಾಂಸ್ಥಿಕ ಸಂಪನ್ಮೂಲಗಳನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತವೆ ಮತ್ತು ತಂಡದ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಹಾನಿಗೊಳಿಸುತ್ತವೆ.

ದೀರ್ಘಾವಧಿಯ ಪ್ರವೃತ್ತಿಗಳಿಗಿಂತ ಆರಂಭಿಕ ಫಲಿತಾಂಶಗಳಿಗೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದಾಗ ವ್ಯಾಪಾರ ತಂತ್ರಗಳು ವಿಫಲಗೊಳ್ಳುತ್ತವೆ. ಗದ್ದಲದ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಉತ್ಪನ್ನಗಳನ್ನು ಅಕಾಲಿಕವಾಗಿ ಪ್ರಾರಂಭಿಸಲಾಗುತ್ತದೆ ಅಥವಾ ಮೊದಲೇ ಕೊಲ್ಲಲಾಗುತ್ತದೆ. ಸಣ್ಣ ಮಾದರಿಗಳನ್ನು ಪ್ರತಿನಿಧಿಯೆಂದು ಪರಿಗಣಿಸಿದಾಗ ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆಯು ಕಂಪನಿಗಳನ್ನು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ.

ಹೂಡಿಕೆಯ ನಿರ್ಧಾರಗಳು ಇತ್ತೀಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬೆನ್ನಟ್ಟುವುದರಿಂದ ಹಣಕಾಸಿನ ನಷ್ಟಗಳು ಹೆಚ್ಚಾಗುತ್ತವೆ. ಮೂರು ವರ್ಷಗಳ ಅವಧಿಯಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದ ಫಂಡ್ ಮ್ಯಾನೇಜರ್‌ಗಳು ಬೃಹತ್ ಒಳಹರಿವುಗಳನ್ನು ಆಕರ್ಷಿಸುತ್ತಾರೆ, ಆದರೆ ಸರಾಸರಿಗೆ ಹಿಮ್ಮೆಟ್ಟುತ್ತಾರೆ ಮತ್ತು ಭವಿಷ್ಯದ ಆದಾಯವನ್ನು ಸಣ್ಣ ಮಾದರಿಯು ಊಹಿಸುತ್ತದೆ ಎಂದು ಭಾವಿಸಿದ ಹೂಡಿಕೆದಾರರನ್ನು ನಿರಾಶೆಗೊಳಿಸುತ್ತಾರೆ.

6.3. ಸಾಮಾಜಿಕ ವೆಚ್ಚಗಳು

ಪುನರಾವರ್ತನೆ ಬಿಕ್ಕಟ್ಟು (Replication Crisis) ಮರುಉತ್ಪಾದಿಸಲಾಗದ ಅಧ್ಯಯನಗಳಿಗಾಗಿ ಸಂಶೋಧನಾ ನಿಧಿಯಲ್ಲಿ ಶತಕೋಟಿ ವೆಚ್ಚ ಮಾಡಿದೆ. ಸಣ್ಣ ಪ್ರಯೋಗಗಳ ಆಧಾರದ ಮೇಲೆ ವೈದ್ಯಕೀಯ ಚಿಕಿತ್ಸೆಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ, ಆದರೆ ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಯಾವುದೇ ಪ್ರಯೋಜನವನ್ನು ತೋರಿಸುವುದಿಲ್ಲ. ಸಣ್ಣ ಜನಸಂಖ್ಯೆಯಲ್ಲಿನ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕಲಾಕೃತಿಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಸಂಪನ್ಮೂಲಗಳನ್ನು ತಪ್ಪಾಗಿ ಹಂಚಲಾಗುತ್ತದೆ.

ಲಕ್ಷಾಂತರ ಜನರ ಬಗ್ಗೆ ನೀತಿ ಚರ್ಚೆಗಳನ್ನು ವೈಯಕ್ತಿಕ ಪ್ರಕರಣಗಳ ಕುರಿತಾದ ಉಪಾಖ್ಯಾನಗಳು ರೂಪಿಸಿದಾಗ ರಾಜಕೀಯ ಪ್ರವಚನವು ವಿಷಪೂರಿತವಾಗುತ್ತದೆ. ಉನ್ನತ-ಪ್ರೊಫೈಲ್ ಪ್ರಕರಣಗಳು (ಸಣ್ಣ ಮಾದರಿಗಳು) ಶಾಸನವನ್ನು ನಡೆಸಿದಾಗ ಕ್ರಿಮಿನಲ್ ನ್ಯಾಯ ವ್ಯವಸ್ಥೆಗಳು ವಿರೂಪಗೊಳ್ಳುತ್ತವೆ. ಮಾದರಿ ಗಾತ್ರಗಳು ಹೆಚ್ಚಾದಂತೆ ಸಂಶೋಧನೆಗಳು ಹಿಮ್ಮುಖವಾದಾಗ ವಿಜ್ಞಾನದ ಮೇಲಿನ ಸಾರ್ವಜನಿಕ ನಂಬಿಕೆ ಸವೆದುಹೋಗುತ್ತದೆ.

ಮೂಲಭೂತ ಅಂಶಗಳು ಸಮರ್ಥಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಮಾರುಕಟ್ಟೆಗಳು ಹೆಚ್ಚು ಬಾಷ್ಪಶೀಲವಾಗುತ್ತವೆ, ಸಂಪತ್ತು ಮತ್ತು ಆರ್ಥಿಕ ಸ್ಥಿರತೆಯನ್ನು ನಾಶಪಡಿಸುವ ಬೂಮ್-ಬಸ್ಟ್ ಚಕ್ರಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ಸ್ಥಿರವಾದ ಆದ್ಯತೆಗಳಿಗಿಂತ ಸಾರ್ವಜನಿಕ ಅಭಿಪ್ರಾಯದ ಸಣ್ಣ ಮಾದರಿಗಳಿಗೆ ರಾಜಕಾರಣಿಗಳು ಪ್ರತಿಕ್ರಿಯಿಸುವುದರಿಂದ ಸಾರ್ವಜನಿಕ ನೀತಿಯು ವಿಪರೀತಗಳ ನಡುವೆ ಅಲುಗಾಡುತ್ತದೆ.

6.4. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಭಾವ

N=50 ಕ್ಕಿಂತ ಕಡಿಮೆ ಮಾದರಿ ಗಾತ್ರಗಳನ್ನು ಹೊಂದಿರುವ ಅಧ್ಯಯನಗಳು ಪರಿಣಾಮದ ಗಾತ್ರಗಳನ್ನು ತೀವ್ರವಾಗಿ ಉಬ್ಬಿಸಿವೆ ಎಂದು ಸಂಶೋಧನಾ ಸಂಶೋಧನೆಗಳು ಸೂಚಿಸುತ್ತವೆ, ಸಾಮಾನ್ಯವಾಗಿ 100% ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚು. ಓಪನ್ ಸೈನ್ಸ್ ಸಹಯೋಗವು ಕೇವಲ 36% ಮನೋವಿಜ್ಞಾನ ಅಧ್ಯಯನಗಳನ್ನು ಮಾತ್ರ ಯಶಸ್ವಿಯಾಗಿ ಪುನರಾವರ್ತಿಸಬಲ್ಲದು ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ, ಕಡಿಮೆ ಶಕ್ತಿಯುತ ಅಧ್ಯಯನಗಳು ಪ್ರಾಥಮಿಕ ಚಾಲಕವಾಗಿದೆ.

ಹಣಕಾಸಿನಲ್ಲಿ, ಬದುಕುಳಿದವರ ಪಕ್ಷಪಾತವು (Survivorship Bias) ಸ್ಪಷ್ಟವಾದ ಮ್ಯೂಚುವಲ್ ಫಂಡ್ ಆದಾಯವನ್ನು ವಾರ್ಷಿಕವಾಗಿ 1-2% ರಷ್ಟು ಹೆಚ್ಚಿಸುತ್ತದೆ—ಇದು ಲಕ್ಷಾಂತರ ಹೂಡಿಕೆದಾರರಾದ್ಯಂತ ತಪ್ಪಾಗಿ ಹಂಚಿಕೆಯಾದ ನಿವೃತ್ತಿ ಉಳಿತಾಯದಲ್ಲಿ ಲಕ್ಷಾಂತರ ಡಾಲರ್‌ಗಳಿಗೆ ಸೇರಿಕೊಳ್ಳುತ್ತದೆ.

ಮೂಲ ದರದ ನಿರ್ಲಕ್ಷ್ಯ ಮತ್ತು ಮಾದರಿ ಗಾತ್ರದ ಅಸೂಕ್ಷ್ಮತೆಯಿಂದ ನಡೆಸಲ್ಪಡುವ ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯದ ದೋಷಗಳು ವಾರ್ಷಿಕವಾಗಿ 12 ಮಿಲಿಯನ್ ಅಮೆರಿಕನ್ನರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ, ಅದರಲ್ಲಿ ಸರಿಸುಮಾರು ಅರ್ಧದಷ್ಟು ಹಾನಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.

7. ಗುಪ್ತ ಪ್ರಯೋಜನಗಳು

ಪಕ್ಷಪಾತವು ಕೇವಲ ಅಸಮರ್ಪಕವಲ್ಲ—ಇದು ವೇಗ ಮತ್ತು ನಿಖರತೆಯ ನಡುವಿನ ವ್ಯಾಪಾರ-ವಹಿವಾಟನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಇದು ಡೇಟಾ ವಿರಳವಾದ ಮತ್ತು ತಕ್ಷಣದ ಕ್ರಮ ಅಗತ್ಯವಿರುವ ಪೂರ್ವಜರ ಪರಿಸರಗಳಿಗೆ ಹೊಂದುವಂತೆ ಮಾಡಲಾಗಿದೆ.

ಸೀಮಿತ ಡೇಟಾದಿಂದ ತ್ವರಿತ ಕಲಿಕೆ: ನಿಜವಾದ ಅಪಾಯಕಾರಿ ಪರಿಸರದಲ್ಲಿ, ಒಂದೇ ನಿದರ್ಶನಗಳಿಂದ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯ (ಪರಭಕ್ಷಕದೊಂದಿಗೆ ಒಂದು ಮುಖಾಮುಖಿ, ಒಂದು ವಿಷಕಾರಿ ಬೆರ್ರಿ) ಸ್ಪಷ್ಟ ಬದುಕುಳಿಯುವ ಮೌಲ್ಯವನ್ನು ಒದಗಿಸುತ್ತದೆ. "ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ" ಪುರಾವೆಗಳಿಗಾಗಿ ಕಾಯುವುದು ಮಾರಣಾಂತಿಕವಾಗಬಹುದು.

ಅರಿವಿನ ಆರ್ಥಿಕತೆ (Cognitive Economy): ಮಾದರಿ ಗಾತ್ರಕ್ಕೆ ವಿಶ್ವಾಸವನ್ನು ಸರಿಯಾಗಿ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲು ಸಿಸ್ಟಮ್ 2 ನಿಶ್ಚಿತಾರ್ಥದ ಅಗತ್ಯವಿದೆ—ನಿಧಾನ, ಶ್ರಮದಾಯಕ ಮತ್ತು ಚಯಾಪಚಯ ವೆಚ್ಚದಾಯಕ. ಕಡಿಮೆ-ಅಪಾಯದ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಸಿಸ್ಟಮ್ 1 ರ ಮಾನಸಿಕ ಶಾರ್ಟ್‌ಕಟ್‌ಗಳು ಕನಿಷ್ಠ ಅರಿವಿನ ವೆಚ್ಚದಲ್ಲಿ "ಸಾಕಷ್ಟು ಉತ್ತಮ" ತೀರ್ಪುಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ.

ಆಕ್ಷನ್ ಓರಿಯಂಟೇಶನ್: ಪಕ್ಷಪಾತವು ಪಾರ್ಶ್ವವಾಯುವಿಗೆ ತುತ್ತಾಗುವ ಅನಿಶ್ಚಿತತೆಗಿಂತ ನಿರ್ಣಾಯಕ ಕ್ರಿಯೆಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ. ಅನೇಕ ನೈಜ-ಪ್ರಪಂಚದ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಅಪೂರ್ಣ ಮಾಹಿತಿಯ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದು ಎಂದಿಗೂ ಬರದ ನಿಶ್ಚಿತತೆಗಾಗಿ ಕಾಯುವುದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿದೆ.

ಮಾದರಿ ಪತ್ತೆ: ಸಣ್ಣ ಮಾದರಿಗಳಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ನೋಡುವ ಪ್ರವೃತ್ತಿ, ಹೆಚ್ಚಾಗಿ ತಪ್ಪಾಗಿದ್ದರೂ, ಸಾಂದರ್ಭಿಕವಾಗಿ ಶುದ್ಧವಾದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು ಕಳೆದುಕೊಳ್ಳುವ ನೈಜ ಸಂಕೇತಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ. ಕೆಲವು ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ತಪ್ಪು ನಿರಾಕರಣೆಗಳಿಗಿಂತ (ನಿಜವಾದ ಮಾದರಿಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದು) ತಪ್ಪು ಧನಾತ್ಮಕ ವೆಚ್ಚಗಳು (ಇಲ್ಲದ ಮಾದರಿಗಳನ್ನು ನೋಡುವುದು) ಕಡಿಮೆ ಇರಬಹುದು.

ಪಕ್ಷಪಾತವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ತೆಗೆದುಹಾಕಲು ನಿರಂತರ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಲೆಕ್ಕಾಚಾರದ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅದು ಅರಿವಿನ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಆವರಿಸುತ್ತದೆ. ನಿರ್ಮೂಲನೆ ಮಾಡುವುದು ಗುರಿಯಲ್ಲ ಆದರೆ ಸೂಕ್ತವಾದ ಮಾಪನಾಂಕ ನಿರ್ಣಯ - ಕಡಿಮೆ-ಪಾಲು ಸಂದರ್ಭಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್‌ಗೆ ಅವಕಾಶ ನೀಡುವಾಗ ಹೆಚ್ಚಿನ-ಪಾಲು ಸಂದರ್ಭಗಳಲ್ಲಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆಯನ್ನು ನಿಯೋಜಿಸುವುದು.

8. ಸ್ವಯಂ ಮೌಲ್ಯಮಾಪನ: ನಿಮಗೆ ಈ ಪಕ್ಷಪಾತವಿದೆಯೇ?

8.1. ಎಚ್ಚರಿಕೆ ಚಿಹ್ನೆಗಳ ಪರಿಶೀಲನಾಪಟ್ಟಿ

• ಒಂದೇ ಅನುಭವದ ನಂತರ ನಾನು ರೆಸ್ಟೋರೆಂಟ್‌ಗಳು, ಉತ್ಪನ್ನಗಳು ಅಥವಾ ಸೇವೆಗಳ ಬಗ್ಗೆ ಬಲವಾದ ಅಭಿಪ್ರಾಯಗಳನ್ನು ರೂಪಿಸುತ್ತೇನೆ
• ಕ್ರೀಡೆ, ಜೂಜು ಅಥವಾ ಹೂಡಿಕೆಯಲ್ಲಿ "ಹಾಟ್ ಸ್ಟ್ರೀಕ್ಸ್" ಮತ್ತು "ಕೋಲ್ಡ್ ಸ್ಪೆಲ್ಸ್" ಅನ್ನು ನಾನು ನಂಬುತ್ತೇನೆ
• ನಾಣ್ಯವು ಸತತವಾಗಿ ಮೂರು ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚು ಬಾರಿ ಒಂದೇ ಬದಿಯಲ್ಲಿ ಬಿದ್ದಾಗ ನನಗೆ ಆಶ್ಚರ್ಯವಾಗುತ್ತದೆ
• ಅಲ್ಪಾವಧಿಯ ಹೂಡಿಕೆ ಆದಾಯವು ದೀರ್ಘಾವಧಿಯವರೆಗೆ ಮುಂದುವರಿಯುತ್ತದೆ ಎಂದು ನಾನು ನಿರೀಕ್ಷಿಸುತ್ತೇನೆ
• ನಾನು ಸ್ನೇಹಿತರ ಉಪಾಖ್ಯಾನಗಳನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳಷ್ಟೇ ಬಲವಾಗಿ ಪರಿಗಣಿಸುತ್ತೇನೆ
• ಒಂದು ಘಟನೆಯ ಆಧಾರದ ಮೇಲೆ ನಾನು ಯಾರೊಬ್ಬರ ಸ್ವಭಾವದ ಬಗ್ಗೆ ನನ್ನ ಮನಸ್ಸನ್ನು ಬದಲಾಯಿಸಿದ್ದೇನೆ
• ಗ್ರಾಹಕರ ವಿಮರ್ಶೆಗಳು ಎಷ್ಟು ಕಡಿಮೆ ಇದ್ದರೂ ಏಕಮುಖವಾಗಿದ್ದಾಗ ನಾನು ಅವುಗಳನ್ನು ಹೆಚ್ಚು ನಂಬುತ್ತೇನೆ
• ಚಿಕ್ಕದಾದ, ಚೆನ್ನಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ಮಾದರಿಯು ದೊಡ್ಡದರಂತೆಯೇ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬೇಕು ಎಂದು ನನಗೆ ಅನಿಸುತ್ತದೆ
• ಕೇವಲ ಎರಡು ಅಥವಾ ಮೂರು ಬಾರಿ ನೋಡಿದ ನಂತರ ನಾನು ಮಾದರಿಗಳಲ್ಲಿ ವಿಶ್ವಾಸ ಹೊಂದುತ್ತೇನೆ
• ಕೆಲವು ಘಟನೆಗಳ ಆಧಾರದ ಮೇಲೆ ನಾನು ಆಗಾಗ್ಗೆ "ಇದು ಯಾವಾಗಲೂ ನನಗೆ ಸಂಭವಿಸುತ್ತದೆ" ಎಂದು ಹೇಳುತ್ತೇನೆ

ಸ್ಕೋರಿಂಗ್:

• 0-2 ಪರಿಶೀಲಿಸಲಾಗಿದೆ: ಕಡಿಮೆ ಒಳಗಾಗುವಿಕೆ
• 3-5 ಪರಿಶೀಲಿಸಲಾಗಿದೆ: ಮಧ್ಯಮ ಒಳಗಾಗುವಿಕೆ
• 6-8 ಪರಿಶೀಲಿಸಲಾಗಿದೆ: ಹೆಚ್ಚಿನ ಒಳಗಾಗುವಿಕೆ
• 9-10 ಪರಿಶೀಲಿಸಲಾಗಿದೆ: ಅತಿ ಹೆಚ್ಚು ಒಳಗಾಗುವಿಕೆ

8.2. ಸ್ವಯಂ-ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು

1. ಕ್ಲಿನಿಕಲ್ ಟ್ರಯಲ್‌ನಲ್ಲಿ ಹೊಸ ಔಷಧಿಯು "80% ಪರಿಣಾಮಕಾರಿ" ಎಂದು ನೀವು ಓದಿದಾಗ, ಅಧ್ಯಯನದಲ್ಲಿ ಎಷ್ಟು ರೋಗಿಗಳು ಇದ್ದರು ಎಂದು ಕೇಳಲು ನೀವು ಸಹಜವಾಗಿ ಯೋಚಿಸುತ್ತೀರಾ?

2. ಮೊದಲ ಎರಡು ವಾರಗಳಲ್ಲೇ ಹೊಸ ಅಭ್ಯಾಸ, ಆಹಾರಕ್ರಮ, ಅಥವಾ ದಿನಚರಿಯನ್ನು ನೀವು ಎಂದಾದರೂ ಬಿಟ್ಟಿದ್ದೀರಾ, ಏಕೆಂದರೆ ಅದು "ಕೆಲಸ ಮಾಡುತ್ತಿಲ್ಲ", ಅದಕ್ಕೆ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸಲು ಸಾಕಷ್ಟು ಸಮಯ ನೀಡಿದ್ದೀರಾ ಎಂದು ಪರಿಗಣಿಸದೆ?

3. ಸ್ನೇಹಿತರೊಬ್ಬರು ತಮ್ಮ ಒಂದು ಅನುಭವದ ಆಧಾರದ ಮೇಲೆ ವೈದ್ಯರು, ರೆಸ್ಟೋರೆಂಟ್ ಅಥವಾ ಉತ್ಪನ್ನವನ್ನು ಶಿಫಾರಸು ಮಾಡಿದಾಗ, ಒಟ್ಟು ವಿಮರ್ಶೆಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ನೀವು ಆ ಶಿಫಾರಸನ್ನು ಎಷ್ಟು ತೂಗುತ್ತೀರಿ?

4. ಸ್ಟ್ರೀಕ್ ನಂತರ ಯಾದೃಚ್ಛಿಕ ಘಟನೆಗಳು ವಿಭಿನ್ನ ಫಲಿತಾಂಶವನ್ನು "ನೀಡಬೇಕಿದೆ" ಎಂದು ನೀವು ಎಂದಾದರೂ ಭಾವಿಸಿದ್ದೀರಾ (ಉದಾಹರಣೆಗೆ, ಸ್ಲಾಟ್ ಯಂತ್ರವು ಗೆಲುವಿಗೆ "ಬಾಕಿ" ಇದೆ)?

5. ನೀವು ತುಂಬಾ ಕಡಿಮೆ ಮಾಹಿತಿಯಿಂದ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಿದ್ದೀರಿ ಎಂದು ಯಾರಾದರೂ ಎಂದಾದರೂ ಗಮನಸೆಳೆದಿದ್ದಾರೆಯೇ?

8.3. ತ್ವರಿತ ರೋಗನಿರ್ಣಯದ ಸನ್ನಿವೇಶ

ಸನ್ನಿವೇಶ: ನಿಮ್ಮ ನಿವೃತ್ತಿ ಉಳಿತಾಯಕ್ಕಾಗಿ ನೀವು ಎರಡು ಮ್ಯೂಚುವಲ್ ಫಂಡ್‌ಗಳನ್ನು ಸಂಶೋಧಿಸುತ್ತಿದ್ದೀರಿ. ಫಂಡ್ A ಸ್ಟಾರ್ ಮ್ಯಾನೇಜರ್‌ನೊಂದಿಗೆ ಕಳೆದ 3 ವರ್ಷಗಳಲ್ಲಿ ವಾರ್ಷಿಕ 15% ಆದಾಯವನ್ನು ನೀಡಿದೆ. ಫಂಡ್ B ಸರಾಸರಿ ನಿರ್ವಹಣೆಯೊಂದಿಗೆ ಕಳೆದ 15 ವರ್ಷಗಳಲ್ಲಿ ವಾರ್ಷಿಕ 9% ಆದಾಯವನ್ನು ನೀಡಿದೆ. ನೀವು ಯಾವ ನಿಧಿಯನ್ನು ಆರಿಸುತ್ತೀರಿ?

• A) ಫಂಡ್ A, ಏಕೆಂದರೆ 15% 9% ಗಿಂತ ಉತ್ತಮವಾಗಿದೆ ಮತ್ತು ಮ್ಯಾನೇಜರ್ ಸ್ಪಷ್ಟವಾಗಿ ನುರಿತವರಾಗಿದ್ದಾರೆ → ಹೆಚ್ಚಿನ ಒಳಗಾಗುವಿಕೆ
• B) ಫಂಡ್ A, ಆದರೆ ನಾನು ಸಂಪೂರ್ಣವಾಗಿ ಬದ್ಧರಾಗುವ ಮೊದಲು ಹೆಚ್ಚಿನ ಇತಿಹಾಸವನ್ನು ನೋಡಲು ಬಯಸುತ್ತೇನೆ → ಮಧ್ಯಮ ಒಳಗಾಗುವಿಕೆ
• C) ಫಂಡ್ B, ಏಕೆಂದರೆ 3 ವರ್ಷಗಳಿಗಿಂತ 15 ವರ್ಷಗಳ ಡೇಟಾ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ, ಮತ್ತು ವ್ಯತ್ಯಾಸವು ಕೇವಲ ಅದೃಷ್ಟವಾಗಿರಬಹುದು → ಕಡಿಮೆ ಒಳಗಾಗುವಿಕೆ

9. ಇತರರಲ್ಲಿ ಈ ಪಕ್ಷಪಾತವನ್ನು ಗುರುತಿಸುವುದು

9.1. ನಡವಳಿಕೆಯ ಸೂಚಕಗಳು

ನಿರ್ಧಾರ-ಮಾಡುವ ಮಾದರಿಗಳನ್ನು ಗಮನಿಸಿ: ಸೀಮಿತ ಪುರಾವೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅವರು ಬಲವಾದ ಬದ್ಧತೆಗಳನ್ನು ಮಾಡುತ್ತಾರೆಯೇ? ಇತ್ತೀಚಿನ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಅವರು ವೇಗವಾಗಿ ದಿಕ್ಕನ್ನು ಬದಲಾಯಿಸುತ್ತಾರೆಯೇ? ಕೇವಲ ಕೆಲವು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳ ನಂತರ ಅವರು ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸವನ್ನು ವ್ಯಕ್ತಪಡಿಸುತ್ತಾರೆಯೇ?

ಅವರು ಸಂಭವನೀಯತೆ ಮತ್ತು ಅವಕಾಶವನ್ನು ಹೇಗೆ ಚರ್ಚಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ವೀಕ್ಷಿಸಿ: ಅಲ್ಪಾವಧಿಯಲ್ಲಿ ಯಾದೃಚ್ಛಿಕತೆಯು "ಸಮತೋಲನಗೊಳ್ಳುತ್ತದೆ" ಎಂದು ಅವರು ನಿರೀಕ್ಷಿಸುತ್ತಾರೆಯೇ? ಶಬ್ದವಾಗಿ ಗೋಚರಿಸುವುದರಲ್ಲಿ ಅವರು ಅರ್ಥಪೂರ್ಣ ಮಾದರಿಗಳನ್ನು ನೋಡುತ್ತಾರೆಯೇ? ನಿರೀಕ್ಷೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗದಿದ್ದಾಗ ಅವರು ಫಲಿತಾಂಶಗಳನ್ನು "ಫ್ಲೂಕ್ಸ್" (flukes) ಎಂದು ತಳ್ಳಿಹಾಕುತ್ತಾರೆಯೇ?

ಉಪಾಖ್ಯಾನಗಳು ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ಮೇಲಿನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಗಮನಿಸಿ: ಒಟ್ಟು ಡೇಟಾಕ್ಕಿಂತ ಅವರು ಸ್ಪಷ್ಟವಾದ ವೈಯಕ್ತಿಕ ಕಥೆಯನ್ನು ಹೆಚ್ಚು ತೂಗುತ್ತಾರೆಯೇ? ಒಂದೇ ಉದಾಹರಣೆಗಳಿಂದ ಸಾರ್ವತ್ರಿಕ ನಿಯಮಗಳವರೆಗೆ ಅವರು ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತಾರೆಯೇ?

9.2. ಸಂಭಾಷಣೆಯ ರೆಡ್ ಫ್ಲಾಗ್‌ಗಳು

ಈ ಪಕ್ಷಪಾತದ ಅಡಿಯಲ್ಲಿ ಜನರು ಹೇಳುವ ನುಡಿಗಟ್ಟುಗಳು:

• "ಇದು ಸತತ ಮೂರು ಬಾರಿ ಸಂಭವಿಸಿದೆ—ಇಲ್ಲಿ ಖಂಡಿತವಾಗಿಯೂ ಒಂದು ಮಾದರಿ ಇದೆ"
• "ನಾನು ಅದನ್ನು ಒಮ್ಮೆ ಪ್ರಯತ್ನಿಸಿದೆ ಮತ್ತು ಅದು ಕೆಲಸ ಮಾಡಲಿಲ್ಲ, ಆದ್ದರಿಂದ..."
• "ಅವಕಾಶಗಳು ಅಂತಿಮವಾಗಿ ಸಮನಾಗಬೇಕು"
• "ನನ್ನ ಸ್ನೇಹಿತರು ಅದರೊಂದಿಗೆ ಭೀಕರ ಅನುಭವವನ್ನು ಹೊಂದಿದ್ದರು, ಹಾಗಾಗಿ ನಾನು ಅದನ್ನು ಎಂದಿಗೂ ಪ್ರಯತ್ನಿಸುವುದಿಲ್ಲ"
• "ಕಳೆದ ಎರಡು ತ್ರೈಮಾಸಿಕಗಳು ಉತ್ತಮವಾಗಿವೆ, ಆದ್ದರಿಂದ ಈ ಕಂಪನಿಯು ಸ್ಪಷ್ಟವಾಗಿ ಉತ್ತಮವಾಗಿ-ನಿರ್ವಹಿಸಲ್ಪಟ್ಟಿದೆ"

ಅವರು ಮಾಡುವ ವಾದಗಳ ವಿಧಗಳು:

• ಪ್ರವೃತ್ತಿಯ ಪುರಾವೆಯಾಗಿ ಬೆರಳೆಣಿಕೆಯಷ್ಟು ಉದಾಹರಣೆಗಳನ್ನು ಪರಿಗಣಿಸುವುದು
• ಜನಸಂಖ್ಯೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪ್ರತಿನಿಧಿಸಲು ಸಣ್ಣ ಮಾದರಿಗಳನ್ನು ನಿರೀಕ್ಷಿಸುವುದು

ಅವರು ಕೇಳುವುದನ್ನು ತಪ್ಪಿಸುವ ಪ್ರಶ್ನೆಗಳು:

• "ಇದು ಎಷ್ಟು ಅವಲೋಕನಗಳನ್ನು ಆಧರಿಸಿದೆ?"
• "ಮಾದರಿಯ ಗಾತ್ರ ಎಷ್ಟು?"
• "ಇದು ಕೇವಲ ಯಾದೃಚ್ಛಿಕ ವ್ಯತ್ಯಾಸವಾಗಿರಬಹುದೇ?"

9.3. ಸಂದರ್ಭೋಚಿತ ಪ್ರಚೋದಕಗಳು

ಈ ಪಕ್ಷಪಾತವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ ಸಂದರ್ಭಗಳು:

• ತ್ವರಿತ ನಿರ್ಧಾರಗಳನ್ನು ಒತ್ತಾಯಿಸುವ ಸಮಯದ ಒತ್ತಡ
• ಸ್ಪಷ್ಟವಾದ ಉದಾಹರಣೆಗಳು ಎದ್ದುಕಾಣುವ ಭಾವನಾತ್ಮಕವಾಗಿ ಆವೇಶದ ಸಂದರ್ಭಗಳು
• ಆವರ್ತನ ಸ್ವರೂಪಗಳಿಗಿಂತ ಶೇಕಡಾವಾರುಗಳಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಸಂಕೀರ್ಣ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾಹಿತಿ
• ಪ್ರತಿಕ್ರಿಯೆ ವಿಳಂಬವಾಗಿರುವ ಡೊಮೇನ್‌ಗಳು (ಹೂಡಿಕೆ, ನೇಮಕಾತಿ, ಆರೋಗ್ಯ ಆಯ್ಕೆಗಳು)
• ಡೇಟಾಕ್ಕಿಂತ ಉಪಾಖ್ಯಾನಗಳು ಹೆಚ್ಚು ಲಭ್ಯವಿರುವ ಸಂದರ್ಭಗಳು

ಪರಿಸರದ ಅಂಶಗಳು:

• ಎಚ್ಚರಿಕೆಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮೌಲ್ಯಮಾಪನವನ್ನು ತಡೆಯುವ ಮಾಹಿತಿಯ ಮಿತಿಮೀರಿದ
• ಅಭಿಪ್ರಾಯದ ಪಕ್ಷಪಾತದ ಮಾದರಿಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಎಕೋ ಚೇಂಬರ್ಸ್
• ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಕಥೆಗಳನ್ನು ಒತ್ತಿಹೇಳುವ ಮಾಧ್ಯಮ

ದುರ್ಬಲತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಭಾವನಾತ್ಮಕ ಸ್ಥಿತಿಗಳು:

• ಲಭ್ಯವಿರುವ ಯಾವುದೇ ಪುರಾವೆಗಳಿಂದ ನಿಶ್ಚಿತತೆಯನ್ನು ಬಯಸುವ ಆತಂಕ
• ಆರಂಭಿಕ ಧನಾತ್ಮಕ ಸಂಕೇತಗಳಲ್ಲಿ ಅತಿಯಾದ ವಿಶ್ವಾಸವನ್ನು ಉತ್ತೇಜಿಸುವ ಉತ್ಸಾಹ
• ಅಸ್ಪಷ್ಟ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮಾದರಿ-ಹುಡುಕುವಿಕೆಯನ್ನು ಪ್ರೇರೇಪಿಸುವ ಹತಾಶೆ

10. ಅರಿವಿನ ಪಕ್ಷಪಾತ ನಿವಾರಣಾ ತಂತ್ರಗಳು

10.1. ತಕ್ಷಣದ ತಂತ್ರಗಳು

"N" ಪ್ರಶ್ನೆ: ಯಾವುದೇ ತೀರ್ಮಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೊದಲು, ಕೇಳಿ: "ಇದು ಆಧಾರಿತವಾಗಿರುವ ಮಾದರಿ ಎಷ್ಟು ದೊಡ್ಡದಾಗಿದೆ?" ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸುವ ಮೊದಲು ಮಾದರಿ ಗಾತ್ರವನ್ನು ಎದ್ದುಕಾಣುವಂತೆ ಮಾಡಿ.

ಸ್ಥಿರತೆಯ ಪರೀಕ್ಷೆ: ಕೇಳಿ "ನಾನು ಮಾದರಿಯನ್ನು ದ್ವಿಗುಣಗೊಳಿಸಿದರೆ ಅಥವಾ ಮೂರು ಪಟ್ಟು ಹೆಚ್ಚಿಸಿದರೆ ಈ ಫಲಿತಾಂಶವು ಹಾಗೆಯೇ ಉಳಿಯುತ್ತದೆ ಎಂದು ನಾನು ನಿರೀಕ್ಷಿಸುತ್ತೇನೆಯೇ?" ಇಲ್ಲದಿದ್ದರೆ, ತೀರ್ಪನ್ನು ತಡೆಹಿಡಿಯಿರಿ.

ಆವರ್ತನಗಳಂತೆ ಮರುರೂಪಿಸಿ (Reframe): ಶೇಕಡಾವಾರುಗಳನ್ನು ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಾಗಿ ಪರಿವರ್ತಿಸಿ ("80% ಪರಿಣಾಮಕಾರಿ" "10 ಜನರಲ್ಲಿ 8" ಆಗುತ್ತದೆ). ಇದು ಸ್ವಾಭಾವಿಕವಾಗಿ ಛೇದದಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ.

ಹಿಂಜರಿತ ನಿಯಮ (Regression Rule): ತೀವ್ರ ಫಲಿತಾಂಶಗಳು ಸರಾಸರಿಗೆ ಹಿಮ್ಮೆಟ್ಟುತ್ತವೆ ಎಂದು ಊಹಿಸಿ. ಏನಾದರೂ ಅಸಾಮಾನ್ಯವಾಗಿ ಒಳ್ಳೆಯದು ಅಥವಾ ಕೆಟ್ಟದ್ದಾಗಿ ಕಂಡುಬಂದರೆ, ಅದು ಕಾಲಾನಂತರದಲ್ಲಿ ಹೆಚ್ಚು ಸರಾಸರಿಯಾಗುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಿ.

ಮೂಲ ದರಗಳನ್ನು (Base Rates) ಹುಡುಕಿ: ನಿರ್ದಿಷ್ಟ ಪುರಾವೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮೊದಲು, ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಸ್ಥಾಪಿಸಿ. ಇದನ್ನು ಆಂಕರ್ ಆಗಿ ಬಳಸಿ.

10.2. ದೀರ್ಘಕಾಲೀನ ತಂತ್ರಗಳು

ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಾಕ್ಷರತೆ: ಮೂಲ ಸಂಭವನೀಯತೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ಶಿಕ್ಷಣದಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡಿ. ವಿಚಲನ (variance), ಪ್ರಮಾಣಿತ ದೋಷ (standard error) ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮಧ್ಯಂತರಗಳನ್ನು (confidence intervals) ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮಾದರಿ ಗಾತ್ರವು ಯಾವಾಗ ಮುಖ್ಯವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಲು ಪರಿಕಲ್ಪನಾ ಚೌಕಟ್ಟನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಸಂದೇಹವಾದದ ಅಭ್ಯಾಸವನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಿ: ಸಣ್ಣ-ಮಾದರಿ ಸಂಶೋಧನೆಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪ್ರಶ್ನಿಸಲು ನಿಮ್ಮನ್ನು ತರಬೇತಿಗೊಳಿಸಿ. "ಇದು ಸಾಕಷ್ಟು ಡೇಟಾವೇ?" ಎನ್ನುವುದನ್ನು ಪ್ರತಿಫಲಿತ ಪ್ರಶ್ನೆಯನ್ನಾಗಿಸಿ.

ನಿಮ್ಮ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿ: ಸೀಮಿತ ಡೇಟಾದಿಂದ ಪಡೆದ ತೀರ್ಮಾನಗಳು ಮತ್ತು ಕಾಲಾನಂತರದಲ್ಲಿ ಅವು ಹಿಡಿದಿಟ್ಟುಕೊಂಡಿವೆಯೇ ಎಂಬುದರ ದಾಖಲೆಯನ್ನು ಇರಿಸಿ. ಇದು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಬಗ್ಗೆ ವೈಯಕ್ತಿಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಕ್ಲಾಸಿಕ್ ಉದಾಹರಣೆಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ: ಅಂಗೀಕೃತ ಪ್ರಕರಣಗಳೊಂದಿಗೆ (ಆಸ್ಪತ್ರೆ ಸಮಸ್ಯೆ, ಮೂತ್ರಪಿಂಡ ಕ್ಯಾನ್ಸರ್ ನಕ್ಷೆ) ನಿಮ್ಮನ್ನು ಪರಿಚಿತರಾಗಿಸಿಕೊಳ್ಳಿ, ಇದರಿಂದ ಹೊಸ ಸಂದರ್ಭಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ ಅವು ನೆನಪಿಗೆ ಬರುತ್ತವೆ.

10.3. ಪರಿಸರ ವಿನ್ಯಾಸ

ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರವನ್ನು ನಿರ್ಮಿಸಿ: ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೊದಲು ಕನಿಷ್ಠ ಮಾದರಿ ಗಾತ್ರಗಳ ಅಗತ್ಯವಿರುವ ಸಾಂಸ್ಥಿಕ ನಿಯಮಗಳನ್ನು ರಚಿಸಿ. ಆರಂಭಿಕ ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮೊದಲು ಕಾಯುವ ಅವಧಿಗಳನ್ನು ಜಾರಿಗೊಳಿಸಿ.

ದೃಶ್ಯ ಸಾಧನಗಳನ್ನು ಬಳಸಿ: ಸಣ್ಣ ಮಾದರಿಗಳಿಗಾಗಿ ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರಗಳನ್ನು ವಿಸ್ತರಿಸುವ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳನ್ನು ರಚಿಸಿ. ಅನಿಶ್ಚಿತತೆಯನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಮಾಡಿ.

ಆವರ್ತನ ಸ್ವರೂಪಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ: ಸಾಂಸ್ಥಿಕ ಸಂವಹನಗಳಲ್ಲಿ, ಸಂಭವನೀಯತೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾದ ಛೇದಗಳೊಂದಿಗೆ ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲು ಕಡ್ಡಾಯಗೊಳಿಸಿ.

ಡೆವಿಲ್ಸ್ ಅಡ್ವೊಕೇಟ್‌ಗಳನ್ನು ರಚಿಸಿ: ಮಾದರಿ ಗಾತ್ರಗಳು ವಿಶ್ವಾಸದ ಮಟ್ಟವನ್ನು ಸಮರ್ಥಿಸುತ್ತವೆಯೇ ಎಂದು ನಿರ್ದಿಷ್ಟವಾಗಿ ಪ್ರಶ್ನಿಸಲು ತಂಡದ ಸದಸ್ಯರನ್ನು ನಿಯೋಜಿಸಿ. ಸಂದೇಹವನ್ನು ಸಾಂಸ್ಥಿಕಗೊಳಿಸಿ.

10.4. ಬಾಹ್ಯ ಇನ್ಪುಟ್ ಅನ್ನು ಯಾವಾಗ ಪಡೆಯಬೇಕು

ಉನ್ನತ-ಅಪಾಯದ ನಿರ್ಧಾರಗಳು: ಸೀಮಿತ ಡೇಟಾವನ್ನು ಆಧರಿಸಿದ ಯಾವುದೇ ಪರಿಣಾಮಕಾರಿ ಆಯ್ಕೆ (ಪ್ರಮುಖ ಹೂಡಿಕೆಗಳು, ನೇಮಕಾತಿ, ವೈದ್ಯಕೀಯ ಚಿಕಿತ್ಸೆಗಳು) ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಮಾಲೋಚನೆಯನ್ನು ಸಮರ್ಥಿಸುತ್ತದೆ.

ನೀವು ಖಚಿತವಾಗಿ ಭಾವಿಸಿದಾಗ: ವಿರೋಧಾಭಾಸವಾಗಿ, ಸಣ್ಣ ಮಾದರಿಗಳಿಂದ ಬಲವಾದ ವಿಶ್ವಾಸವು ಬಾಹ್ಯ ವಿಮರ್ಶೆಯನ್ನು ಪ್ರಚೋದಿಸಬೇಕು. ಕೇಳಿ: "ನನ್ನ ನಿಶ್ಚಿತತೆಯು ಡೇಟಾದಿಂದ ಸಮರ್ಥಿಸಲ್ಪಟ್ಟಿದೆಯೇ?"

ಡೊಮೇನ್ ತಜ್ಞರು: ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞರು, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಸಂಶೋಧಕರು ಸಾಕ್ಷ್ಯದ ಬಲದ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಒದಗಿಸಬಹುದು. ವಿನಂತಿಗಳನ್ನು ಈ ರೀತಿ ಫ್ರೇಮ್ ಮಾಡಿ: "N=X ನೀಡಿದರೆ, ಈ ಶೋಧನೆಯಲ್ಲಿ ನಾನು ಎಷ್ಟು ವಿಶ್ವಾಸ ಹೊಂದಿರಬೇಕು?"

ಮಾದರಿಗಳು ತ್ವರಿತವಾಗಿ ಹೊರಹೊಮ್ಮಿದಾಗ: ಕೇವಲ ಕೆಲವು ಅವಲೋಕನಗಳ ನಂತರ ನೀವು ಸ್ಪಷ್ಟವಾದ ಮಾದರಿಯನ್ನು ನೋಡಿದರೆ, ಅದು ಮುಂದುವರಿಯುವ ಸಾಧ್ಯತೆಯಿದೆಯೇ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಫಲಿತಾಂಶದಲ್ಲಿ ಕಡಿಮೆ ಹೂಡಿಕೆ ಮಾಡಿದವರನ್ನು ಸಂಪರ್ಕಿಸಿ.

11. ಪ್ರಾಯೋಗಿಕ ವ್ಯಾಯಾಮಗಳು

ವ್ಯಾಯಾಮ 1: ನಾಣ್ಯ ಫ್ಲಿಪ್ ಪ್ರಯೋಗ

• ಉದ್ದೇಶ: ಸಣ್ಣ ಮಾದರಿಗಳ ವ್ಯತ್ಯಾಸಕ್ಕಾಗಿ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ
• ಅಗತ್ಯವಿರುವ ಸಮಯ: 20 ನಿಮಿಷಗಳು
• ಬೇಕಾದ ಸಾಮಗ್ರಿಗಳು: ಒಂದು ನಾಣ್ಯ, ಪೇಪರ್, ಪೆನ್ಸಿಲ್
• ಕಷ್ಟದ ಮಟ್ಟ: ಹರಿಕಾರ (Beginner)
• ಸೂಚನೆಗಳು:
  1. ನಾಣ್ಯವನ್ನು 10 ಬಾರಿ ತಿರುಗಿಸಿ (flip) ಮತ್ತು ಹೆಡ್ಸ್ ಶೇಕಡಾವಾರು ದಾಖಲಿಸಿ
  2. ಇದನ್ನು 10 ಬಾರಿ ಪುನರಾವರ್ತಿಸಿ, ತಲಾ 10 ಫ್ಲಿಪ್‌ಗಳ 10 ಮಾದರಿಗಳನ್ನು ರಚಿಸಿ
  3. ಶೇಕಡಾವಾರು ವ್ಯಾಪ್ತಿಯನ್ನು ಗಮನಿಸಿ (20% ರಿಂದ 80% ರವರೆಗಿನ ಸಾಧ್ಯತೆಯಿದೆ)
  4. ಈಗ ನಾಣ್ಯವನ್ನು 100 ಬಾರಿ ತಿರುಗಿಸಿ ಮತ್ತು ಶೇಕಡಾವಾರು ದಾಖಲಿಸಿ
  5. 100 ಫ್ಲಿಪ್‌ಗಳ ಎರಡನೇ ಸೆಟ್‌ಗೆ ಪುನರಾವರ್ತಿಸಿ
  6. 10-ಫ್ಲಿಪ್ ಮಾದರಿಗಳ ವಿರುದ್ಧ 100-ಫ್ಲಿಪ್ ಮಾದರಿಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ
• ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು:
  • ಸಣ್ಣ ಮಾದರಿಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸದಿಂದ ನೀವು ಎಷ್ಟು ಆಶ್ಚರ್ಯಚಕಿತರಾಗಿದ್ದೀರಿ?
  • ನಾಣ್ಯ ನ್ಯಾಯಸಮ್ಮತವಾಗಿದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿದ್ದರೂ ಯಾವುದೇ 10-ಫ್ಲಿಪ್ ಅನುಕ್ರಮವು "ರಿಗ್ಡ್" (rigged) ಎಂದು ಅನಿಸಿದೆಯೇ?
  • 100-ಫ್ಲಿಪ್ ಶೇಕಡಾವಾರುಗಳು ಒಂದಕ್ಕೊಂದು ಹೇಗೆ ಹೋಲಿಸುತ್ತವೆ?
• ಆವರ್ತನ: ಒಮ್ಮೆ, ನಿಮಗೆ ಜ್ಞಾಪನೆ ಅಗತ್ಯವಿದ್ದಾಗ ಹಿಂತಿರುಗಿ

ವ್ಯಾಯಾಮ 2: ವಿಮರ್ಶೆ ವಿಶ್ಲೇಷಣೆ

• ಉದ್ದೇಶ: ನೈಜ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರಕ್ಕೆ ವಿಶ್ವಾಸವನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸುವುದನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ
• ಅಗತ್ಯವಿರುವ ಸಮಯ: 30 ನಿಮಿಷಗಳು
• ಬೇಕಾದ ಸಾಮಗ್ರಿಗಳು: ಇಂಟರ್ನೆಟ್ ಪ್ರವೇಶ
• ಕಷ್ಟದ ಮಟ್ಟ: ಮಧ್ಯಮ
• ಸೂಚನೆಗಳು:
  1. ನೀವು ಖರೀದಿಸಬಹುದಾದ ಉತ್ಪನ್ನದ ವರ್ಗವನ್ನು ಹುಡುಕಿ (ಹೆಡ್‌ಫೋನ್‌ಗಳು, ಪುಸ್ತಕಗಳು, ರೆಸ್ಟೋರೆಂಟ್‌ಗಳು)
  2. ಮೂರು ವಸ್ತುಗಳನ್ನು ಹುಡುಕಿ: 5 ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಒಂದು, 50 ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಒಂದು, 500 ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಒಂದು
  3. ಪ್ರತಿಯೊಂದಕ್ಕೂ, ಸರಾಸರಿ ರೇಟಿಂಗ್ ಅನ್ನು ಗಮನಿಸಿ ಮತ್ತು ಹಲವಾರು ವಿಮರ್ಶೆಗಳನ್ನು ಓದಿ
  4. ಪ್ರತಿ ರೇಟಿಂಗ್‌ನ ನಿಖರತೆಯಲ್ಲಿ ನೀವು ಎಷ್ಟು ವಿಶ್ವಾಸ ಹೊಂದಿದ್ದೀರಿ ಎಂದು ಬರೆಯಿರಿ
  5. ಪರಿಗಣಿಸಿ: ಒಂದು ಹೊಸ ತೀವ್ರವಾದ ವಿಮರ್ಶೆಯು ಪ್ರತಿ ಸರಾಸರಿಯನ್ನು ಎಷ್ಟು ಬದಲಾಯಿಸುತ್ತದೆ?
• ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು:
  • ಹೆಚ್ಚಿನ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ರೇಟಿಂಗ್‌ಗಳಲ್ಲಿ ನೀವು ಸ್ವಾಭಾವಿಕವಾಗಿ ಹೆಚ್ಚು ವಿಶ್ವಾಸ ಹೊಂದಿದ್ದೀರಾ?
  • ವಿಮರ್ಶೆಗಳ ವಿತರಣೆಯು (ಎಲ್ಲಾ 5-ಸ್ಟಾರ್ ವಿರುದ್ಧ ಮಿಶ್ರ) ನಿಮ್ಮ ವಿಶ್ವಾಸದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರಿತು?
  • ರೇಟಿಂಗ್ ಅನ್ನು ನಂಬಲು ನಿಮಗೆ ಯಾವ ಕನಿಷ್ಠ ಮಾದರಿ ಗಾತ್ರ ಬೇಕು?
• ಆವರ್ತನ: ಮಾಸಿಕ, ವಿಭಿನ್ನ ಉತ್ಪನ್ನ ವರ್ಗಗಳನ್ನು ಬಳಸಿ

ವ್ಯಾಯಾಮ 3: ಐತಿಹಾಸಿಕ ಬ್ಯಾಕ್‌ಟೆಸ್ಟಿಂಗ್

• ಉದ್ದೇಶ: ಸಣ್ಣ-ಮಾದರಿ ತೀರ್ಮಾನಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಹೇಗೆ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ ಎಂಬುದನ್ನು ಅನುಭವಿಸಿ
• ಅಗತ್ಯವಿರುವ ಸಮಯ: 45 ನಿಮಿಷಗಳು
• ಬೇಕಾದ ಸಾಮಗ್ರಿಗಳು: ಐತಿಹಾಸಿಕ ಸ್ಟಾಕ್ ಡೇಟಾ ಅಥವಾ ಕ್ರೀಡಾ ಅಂಕಿಅಂಶಗಳು (ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಉಚಿತವಾಗಿ ಲಭ್ಯವಿದೆ)
• ಕಷ್ಟದ ಮಟ್ಟ: ಸುಧಾರಿತ (Advanced)
• ಸೂಚನೆಗಳು:
  1. ಕನಿಷ್ಠ 10 ವರ್ಷಗಳ ವ್ಯಾಪ್ತಿಯ ಡೇಟಾದೊಂದಿಗೆ 10 ಸ್ಟಾಕ್‌ಗಳು ಅಥವಾ ಕ್ರೀಡಾಪಟುಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ
  2. ಡೇಟಾದ ಮೊದಲ ವರ್ಷವನ್ನು ಮಾತ್ರ ನೋಡಿ. ಅಗ್ರ 3 ಪ್ರದರ್ಶಕರನ್ನು ಗುರುತಿಸಿ
  3. ಅವರು 2ನೇ ವರ್ಷದಲ್ಲಿ ಉತ್ತಮ ಸಾಧನೆ ಮಾಡುವವರು ಎಂದು ಊಹಿಸಿ
  4. 2ನೇ ವರ್ಷದ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ಅಗ್ರ 3ರಲ್ಲಿ ಎಷ್ಟು ಮಂದಿ ಉಳಿದಿದ್ದಾರೆ?
  5. ಈಗ 5-ವರ್ಷದ ಸರಾಸರಿಗಳನ್ನು ನೋಡಿ. ಅಗ್ರ 3 ಪ್ರದರ್ಶಕರನ್ನು ಗುರುತಿಸಿ
  6. ನಂತರದ 5-ವರ್ಷದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. ನಿಖರತೆಯನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ
• ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು:
  • ಅಲ್ಪಾವಧಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯು ದೀರ್ಘಾವಧಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಊಹಿಸಿತು?
  • ನೀವು ಗಮನಿಸಿದ ಸರಾಸರಿಗೆ ಹಿಂಜರಿತವನ್ನು ಯಾವುದು ವಿವರಿಸುತ್ತದೆ?
  • ಇದು ನಿಮ್ಮ ಹೂಡಿಕೆ ಅಥವಾ ಬೆಟ್ಟಿಂಗ್ ತಂತ್ರವನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ?
• ಆವರ್ತನ: ತ್ರೈಮಾಸಿಕ

ದೈನಂದಿನ ಅಭ್ಯಾಸ

ಪ್ರತಿದಿನ, ಸೀಮಿತ ಡೇಟಾದಿಂದ ನೀವು ಪಡೆಯುತ್ತಿರುವ ಒಂದು ತೀರ್ಮಾನವನ್ನು ಗಮನಿಸಿ. ಅದನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವ ಮೊದಲು, ಕೇಳಿ: "ಇದು ಎಷ್ಟು ಅವಲೋಕನಗಳನ್ನು ಆಧರಿಸಿದೆ?" ಮತ್ತು "ನನ್ನ ಬಳಿ 10 ಪಟ್ಟು ಹೆಚ್ಚು ಡೇಟಾ ಇದ್ದರೆ ನಾನು ಏನನ್ನು ತೀರ್ಮಾನಿಸುತ್ತೇನೆ?" ಕೇವಲ ಮಾದರಿ ಗಾತ್ರದ ಸಮಸ್ಯೆಯನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುವುದು ಸಾಕು-ನಿಮ್ಮ ತೀರ್ಮಾನವನ್ನು ನೀವು ಬದಲಾಯಿಸುವ ಅಗತ್ಯವಿಲ್ಲ, ಮಿತಿಯನ್ನು ಗಮನಿಸಿ.

• ಸೂಚಿಸಲಾದ ಅವಧಿ: 2 ನಿಮಿಷಗಳು
• ದಿನದ ಉತ್ತಮ ಸಮಯ: ಸಂಜೆಯ ಪ್ರತಿಬಿಂಬ
• ಪ್ರಗತಿಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು ಹೇಗೆ: ಸಣ್ಣ ನೋಟ್‌ಬುಕ್‌ನಲ್ಲಿ ದೈನಂದಿನ ಅವಲೋಕನಗಳ ಟ್ಯಾಲಿಯನ್ನು ಇರಿಸಿ

ಸಾಪ್ತಾಹಿಕ ಸವಾಲು

ವಾರಕ್ಕೊಮ್ಮೆ, ಅಂಕಿಅಂಶಗಳನ್ನು ಉಲ್ಲೇಖಿಸುವ ಸುದ್ದಿ ಲೇಖನ ಅಥವಾ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಪೋಸ್ಟ್ ಅನ್ನು ಹುಡುಕಿ. ಮೂಲ ಮೂಲವನ್ನು ಸಂಶೋಧಿಸಿ ಮತ್ತು ಮಾದರಿ ಗಾತ್ರವನ್ನು ಗುರುತಿಸಿ. ಸಾಕ್ಷ್ಯದ ಬಲದಿಂದ ತೀರ್ಮಾನಗಳು ಸಮರ್ಥಿಸಲ್ಪಟ್ಟಿವೆಯೇ ಎಂಬುದರ ಕುರಿತು ಸಂಕ್ಷಿಪ್ತ ಟಿಪ್ಪಣಿಯನ್ನು ಬರೆಯಿರಿ.

• 4 ವಾರಗಳ ನಂತರ ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳು: ವರದಿಯಾದ ಸಂಶೋಧನೆಗಳ ಬಗ್ಗೆ ನೈಸರ್ಗಿಕ ಸಂದೇಹ; ಮಾದರಿ ಗಾತ್ರಕ್ಕೆ ಸ್ವಯಂಚಾಲಿತ ಗಮನ
• ಪ್ರತಿಬಿಂಬಕ್ಕಾಗಿ ಜರ್ನಲಿಂಗ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳು:
  • ಈ ವಾರ ನಾನು ಕಂಡುಹಿಡಿದ ಅತ್ಯಂತ ಆಶ್ಚರ್ಯಕರ ಮಾದರಿ ಗಾತ್ರ ಯಾವುದು?
  • ಮಾದರಿಯ ಗಾತ್ರವನ್ನು ಕಲಿಯುವುದು ಶೋಧನೆಯ ನನ್ನ ವ್ಯಾಖ್ಯಾನವನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸಿತು?
  • ನನ್ನ ಆರಂಭಿಕ ಸಂದೇಹದಲ್ಲಿ ನಾನು ಹೆಚ್ಚು ಕ್ಯಾಲಿಬ್ರೇಟ್ ಆಗುತ್ತಿದ್ದೇನೆಯೇ?

12. ನಿರ್ದಿಷ್ಟ ಪ್ರೇಕ್ಷಕರಿಗಾಗಿ

ನಾಯಕರು ಮತ್ತು ವ್ಯವಸ್ಥಾಪಕರಿಗಾಗಿ

ನಾಯಕರು ಸೀಮಿತ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ನಿಯಮಿತವಾಗಿ ಉನ್ನತ-ಪಾಲು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ: ತ್ರೈಮಾಸಿಕ ಫಲಿತಾಂಶಗಳು, ಆರಂಭಿಕ ಉತ್ಪನ್ನದ ಪ್ರತಿಕ್ರಿಯೆ, ಸಂದರ್ಶನದ ಅನಿಸಿಕೆಗಳು, ಪ್ರಾಯೋಗಿಕ ಕಾರ್ಯಕ್ರಮದ ಫಲಿತಾಂಶಗಳು. ಸಾಂಸ್ಥಿಕ ಮಾಪಕದಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರದ ನಿರ್ಲಕ್ಷ್ಯದ ವೆಚ್ಚಗಳು ಸಂಯುಕ್ತವಾಗಿವೆ.

ನಿರ್ದಿಷ್ಟ ತಂತ್ರಗಳು:

• ಉಪಕ್ರಮಗಳು ಯಶಸ್ವಿಯಾಗುತ್ತವೆಯೇ ಅಥವಾ ವಿಫಲವಾಗುತ್ತವೆಯೇ ಎಂದು ತೀರ್ಮಾನಿಸುವ ಮೊದಲು ಕನಿಷ್ಠ ವೀಕ್ಷಣೆ ಅವಧಿಗಳನ್ನು ಸ್ಥಾಪಿಸಿ
• ಎಲ್ಲಾ ಆಂತರಿಕ ಸಂಶೋಧನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಳಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರದ ವರದಿ ಮಾಡುವ ಅಗತ್ಯವಿದೆ
• ಸಣ್ಣ ಮಾದರಿಗಳಿಂದ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಸಂಯೋಜಿಸುವ ನಿರ್ಧಾರ-ಮಾಡುವ ಚೌಕಟ್ಟುಗಳನ್ನು ರಚಿಸಿ
• ಮಾದರಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ನಮ್ರತೆ: ಹೆಚ್ಚು ಡೇಟಾ ಚಿತ್ರವನ್ನು ಬದಲಾಯಿಸಿದಾಗ ಸಾರ್ವಜನಿಕವಾಗಿ ತೀರ್ಮಾನಗಳನ್ನು ಪರಿಷ್ಕರಿಸಿ
• ಅತಿಯಾದ ಆತ್ಮವಿಶ್ವಾಸದ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಸವಾಲು ಮಾಡುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರಿಣತಿಯೊಂದಿಗೆ ತಂಡಗಳನ್ನು ನಿರ್ಮಿಸಿ

ತಂಡ ಆಧಾರಿತ ಮಧ್ಯಸ್ಥಿಕೆಗಳು:

• ಪ್ರಮುಖ ಸಭೆಗಳಲ್ಲಿ "ಮಾದರಿ ಗಾತ್ರದ ವಕೀಲ" ಪಾತ್ರವನ್ನು ನಿಯೋಜಿಸಿ
• ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಸುತ್ತ ರೂಢಿಗಳನ್ನು ರಚಿಸಿ: "ಈ N ನೀಡಿದರೆ, ನಾವು ಎಷ್ಟು ಖಚಿತವಾಗಿರಬೇಕು?"
• ಸೀಮಿತ ಡೇಟಾದೊಂದಿಗೆ ತೆಗೆದುಕೊಂಡ ಹಿಂದಿನ ನಿರ್ಧಾರಗಳ ಕುರಿತು ಪೋಸ್ಟ್-ಮಾರ್ಟಮ್‌ಗಳನ್ನು ನಡೆಸುವುದು

ಪೋಷಕರು ಮತ್ತು ಶಿಕ್ಷಕರಿಗೆ

ಔಪಚಾರಿಕ ಸಂಭವನೀಯತೆಯ ಶಿಕ್ಷಣದ ಮೊದಲು ಮಕ್ಕಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಬೇಕು. ಸಾಕ್ಷ್ಯದ ಬಲವನ್ನು ಪ್ರಶ್ನಿಸುವ ಆಲೋಚನಾ ಅಭ್ಯಾಸಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಗುರಿಯಾಗಿದೆ.

ವಯಸ್ಸಿಗೆ ಸೂಕ್ತವಾದ ವಿವರಣೆಗಳು:

• ಚಿಕ್ಕ ಮಕ್ಕಳು: "ನಾವು ಕೆಲವು ಬಾರಿ ಮಾತ್ರ ಏನನ್ನಾದರೂ ಪ್ರಯತ್ನಿಸಿದಾಗ, ಅದು ಯಾವಾಗಲೂ ಆ ರೀತಿಯಲ್ಲಿಯೇ ಆಗುತ್ತದೆಯೇ ಎಂದು ನಮಗೆ ನಿಜವಾಗಿಯೂ ತಿಳಿದಿಲ್ಲ"
• ಹಳೆಯ ಮಕ್ಕಳು: ಸಣ್ಣ ಮಾದರಿಗಳು ಹೇಗೆ ಬದಲಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಪ್ರದರ್ಶಿಸಲು ಆಟಗಳು ಮತ್ತು ಪ್ರಯೋಗಗಳನ್ನು (ಕಾಯಿನ್ ಫ್ಲಿಪ್ಸ್, ಡೈಸ್ ರೋಲ್ಸ್) ಬಳಸಿ
• ಹದಿಹರೆಯದವರು: ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮವು ಗೆಳೆಯರ ನಡವಳಿಕೆ ಮತ್ತು ಅಭಿಪ್ರಾಯದ ಪಕ್ಷಪಾತದ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಸೃಷ್ಟಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಚರ್ಚಿಸಿ

ಚಟುವಟಿಕೆಗಳು:

• ವ್ಯತ್ಯಾಸವನ್ನು ವೀಕ್ಷಿಸಲು ದಾಳಗಳು ಮತ್ತು ನಾಣ್ಯಗಳೊಂದಿಗೆ ಕೌಟುಂಬಿಕ ಪ್ರಯೋಗಗಳು
• ಏನಾದರೂ "ಒಳ್ಳೆಯದು" ಅಥವಾ "ಕೆಟ್ಟದು" ಎಂದು ತೀರ್ಮಾನಿಸುವ ಮೊದಲು ಅದು ಎಷ್ಟು ಪ್ರಯತ್ನಗಳಿಗೆ ಅರ್ಹವಾಗಿದೆ ಎಂದು ಚರ್ಚಿಸಿ
• ಒಟ್ಟಿಗೆ ಜಾಹೀರಾತು ಹಕ್ಕುಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ: "ಅವರಿಗೆ ಇದು ಹೇಗೆ ಗೊತ್ತು?"

ಆರೋಗ್ಯ ವೃತ್ತಿಪರರಿಗೆ

ವೈದ್ಯಕೀಯ ನಿರ್ಧಾರಗಳು ಜೀವ-ಮರಣದ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿದ್ದು, ಮಾದರಿ ಗಾತ್ರದ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ನಿರ್ಣಾಯಕವಾಗಿಸುತ್ತದೆ. ತರಬೇತಿ ಪಡೆದ ವೈದ್ಯರು ಸಹ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆಯೊಂದಿಗೆ ಹೇಗೆ ಹೋರಾಡುತ್ತಾರೆ ಎಂಬುದನ್ನು ಮ್ಯಾಮೊಗ್ರಾಫಿ ಸಮಸ್ಯೆ ತೋರಿಸುತ್ತದೆ.

ಕ್ಲಿನಿಕಲ್ ಪರಿಣಾಮಗಳು:

• ವೈಯಕ್ತಿಕ ರೋಗಿಗಳಲ್ಲಿ ಅಸಾಮಾನ್ಯ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳು ಮಾದರಿಯ ವ್ಯತ್ಯಾಸವಾಗಿರಬಹುದು ಎಂಬುದನ್ನು ಗುರುತಿಸಿ
• ಮೂಲ ದರಗಳು ತಪ್ಪು ಧನಾತ್ಮಕ ಸಾಧ್ಯತೆಯನ್ನು ಉಂಟುಮಾಡುವ ಅಪರೂಪದ ರೋಗಗಳ ಬಗ್ಗೆ ವಿಶೇಷವಾಗಿ ಜಾಗರೂಕರಾಗಿರಿ
• ರೋಗಿಗಳಿಗೆ ಅಪಾಯವನ್ನು ತಿಳಿಸುವಾಗ ಆವರ್ತನ ಸ್ವರೂಪಗಳನ್ನು ಬಳಸಿ

ರೋಗಿಗಳ ಸಂವಹನ ತಂತ್ರಗಳು:

• ಒಂದೇ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶವು ಒಂದು ಡೇಟಾ ಪಾಯಿಂಟ್ ಎಂದು ವಿವರಿಸಿ; ಕಾಲಾನಂತರದಲ್ಲಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ
• ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಕಾರಿತ್ವದ ಡೇಟಾವನ್ನು ಸ್ಪಷ್ಟವಾದ ಮಾದರಿ ಗಾತ್ರಗಳೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿ: "500 ರೋಗಿಗಳ ಅಧ್ಯಯನದಲ್ಲಿ..."
• ತಮ್ಮ ವೈಯಕ್ತಿಕ ಅನುಭವವು ಜನಸಂಖ್ಯೆಯ ಅಂಕಿಅಂಶಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗದಿರಬಹುದು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ರೋಗಿಗಳಿಗೆ ಸಹಾಯ ಮಾಡಿ

ಹಣಕಾಸು ವೃತ್ತಿಪರರಿಗೆ

ಮಾರುಕಟ್ಟೆಗಳು ಮಾದರಿ ಗಾತ್ರದ ನಿರ್ಲಕ್ಷ್ಯವನ್ನು ಕಠಿಣವಾಗಿ ಶಿಕ್ಷಿಸುತ್ತವೆ. ಮೂರು ವರ್ಷಗಳ ಟ್ರ್ಯಾಕ್ ರೆಕಾರ್ಡ್‌ಗಳನ್ನು ಬೆನ್ನಟ್ಟುವುದು, ತ್ರೈಮಾಸಿಕ ಗಳಿಕೆಗೆ ಅತಿಯಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಮತ್ತು ಸರ್ವೈವರ್‌ಶಿಪ್ ಪಕ್ಷಪಾತವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು ಹೂಡಿಕೆದಾರರಿಗೆ ವಾರ್ಷಿಕವಾಗಿ ಶತಕೋಟಿ ವೆಚ್ಚವನ್ನು ತರುತ್ತದೆ.

ಹೂಡಿಕೆ-ನಿರ್ದಿಷ್ಟ ಅನ್ವಯಿಕೆಗಳು:

• ಮ್ಯಾನೇಜರ್ ಕೌಶಲ್ಯ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಎಂದು ತೀರ್ಮಾನಿಸುವ ಮೊದಲು ದೀರ್ಘ ಟ್ರ್ಯಾಕ್ ರೆಕಾರ್ಡ್‌ಗಳನ್ನು ಬೇಡಿಕೆ ಮಾಡಿ
• ನಿಧಿ ವರ್ಗಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವಾಗ ಬದುಕುಳಿದವರ ಪಕ್ಷಪಾತದ (Survivorship bias) ಬಗ್ಗೆ ಎಚ್ಚರವಿರಲಿ
• ಅಲ್ಪಾವಧಿಯ ಉತ್ತಮ ಸಾಧನೆಯು ಯಾದೃಚ್ಛಿಕ ವ್ಯತ್ಯಾಸದೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿದೆ ಎಂದು ಗುರುತಿಸಿ

ಕ್ಲೈಂಟ್ ಸಂವಹನ ತಂತ್ರಗಳು:

• ಅಲ್ಪಾವಧಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಬಗ್ಗೆ ಗ್ರಾಹಕರಿಗೆ ಶಿಕ್ಷಣ ನೀಡಿ
• ಸೂಕ್ತವಾದ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮಧ್ಯಂತರಗಳೊಂದಿಗೆ ಐತಿಹಾಸಿಕ ಡೇಟಾವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ
• ಸರಾಸರಿಗೆ ಹಿಂಜರಿತವನ್ನು ವಿವರಿಸಿ: ತೀವ್ರ ಫಲಿತಾಂಶಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕಾಲಾನಂತರದಲ್ಲಿ ಮಧ್ಯಮವಾಗಿರುತ್ತವೆ

ಅಪಾಯ ನಿರ್ವಹಣೆ ಪರಿಣಾಮಗಳು:

• ಇತ್ತೀಚಿನ ವಿಜೇತರು ಹಿಮ್ಮೆಟ್ಟುತ್ತಾರೆ ಎಂದು ಊಹಿಸಿ ಪೋರ್ಟ್ಫೋಲಿಯೊಗಳನ್ನು ನಿರ್ಮಿಸಿ
• ಹೊಸ ಕಾರ್ಯತಂತ್ರಗಳಿಗೆ ದೀರ್ಘ ಮೌಲ್ಯಮಾಪನ ಅವಧಿಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ
• ಸಣ್ಣ ಮಾದರಿಗಳಿಂದ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಅಪಾಯದ ಮಾದರಿಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಿ

13. ಇತರ ಪಕ್ಷಪಾತಗಳೊಂದಿಗಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳು

ಇದನ್ನು ವರ್ಧಿಸುವ ಪಕ್ಷಪಾತಗಳು

ಇದನ್ನು ಪ್ರತಿರೋಧಿಸುವ ಪಕ್ಷಪಾತಗಳು

ಸಾಮಾನ್ಯ ಪಕ್ಷಪಾತ ಸರಪಳಿಗಳು

ಪ್ರತಿನಿಧಿತ್ವದ ಹ್ಯೂರಿಸ್ಟಿಕ್ → ಮಾದರಿ ಗಾತ್ರಕ್ಕೆ ಅಸೂಕ್ಷ್ಮತೆ → ಜೂಜುಕೋರನ ಭ್ರಮೆ → ಮುಳುಗಿದ ವೆಚ್ಚದ ಭ್ರಮೆ (Sunk Cost Fallacy)

ವಿವರಣೆ: ನಾವು ಮಾದರಿ ವಿಶ್ವಾಸಾರ್ಹತೆಗಿಂತ ಹೋಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಸಂಭವನೀಯತೆಯನ್ನು ನಿರ್ಣಯಿಸುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ. ಸಣ್ಣ ಮಾದರಿಗಳು ನಿರೀಕ್ಷಿತ ಮಾದರಿಗಳಿಂದ ವಿಚಲನಗೊಂಡಾಗ, ನಾವು ಅವುಗಳನ್ನು "ಸರಿಪಡಿಸಲು" ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ, ಇದು ಜೂಜುಕೋರನ ಭ್ರಮೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಅವರು ಸರಿಪಡಿಸದಿದ್ದಾಗ, "ತಿರುವು" ಸನ್ನಿಹಿತವಾಗಿದೆ ಎಂದು ನಂಬಿ ನಾವು ಹೂಡಿಕೆ (ಮುಳುಗಿದ ವೆಚ್ಚ) ಮುಂದುವರಿಸಬಹುದು.

ಅಡ್ಡಿಪಡಿಸಲು: ಮೊದಲ ಹಂತದಲ್ಲಿ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಪ್ರಶ್ನಿಸಿ. ಯಾವುದೇ ಸಾಂದರ್ಭಿಕ ವ್ಯಾಖ್ಯಾನ ಪ್ರಾರಂಭವಾಗುವ ಮೊದಲು "ಇದು ನಂಬಲು ಸಾಕಷ್ಟು ಡೇಟಾವೇ?" ಎಂದು ಕೇಳಿ.

14. ಸಾಂಸ್ಕೃತಿಕ ದೃಷ್ಟಿಕೋನಗಳು

ಈ ಪಕ್ಷಪಾತದಲ್ಲಿನ ಸಾಂಸ್ಕೃತಿಕ ವ್ಯತ್ಯಾಸಗಳ ಸಂಶೋಧನೆಯು ಸೀಮಿತವಾಗಿದೆ, ಆದರೆ ಅಡ್ಡ-ಸಾಂಸ್ಕೃತಿಕ ಅರಿವಿನ ಮನೋವಿಜ್ಞಾನದಿಂದ ಕೆಲವು ಮಾದರಿಗಳು ಹೊರಹೊಮ್ಮುತ್ತವೆ.

ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಚಿಂತನೆಗೆ ಒತ್ತು ನೀಡುವ ಸಂಸ್ಕೃತಿಗಳು (ಸಾಮಾನ್ಯವಾಗಿ ಪಾಶ್ಚಿಮಾತ್ಯ, ವ್ಯಕ್ತಿಗತ ಸಮಾಜಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿವೆ) ಸಮಗ್ರ ಚಿಂತನೆಗೆ ಒತ್ತು ನೀಡುವ ಸಂಸ್ಕೃತಿಗಳಿಗಿಂತ (ಸಾಮಾನ್ಯವಾಗಿ ಪೂರ್ವ ಏಷ್ಯಾ, ಸಾಮೂಹಿಕ ಸಮಾಜಗಳೊಂದಿಗೆ ಸಂಬಂಧ ಹೊಂದಿವೆ) ವಿಭಿನ್ನ ದುರ್ಬಲತೆಯ ಮಾದರಿಗಳನ್ನು ತೋರಿಸಬಹುದು. ಸಮಗ್ರ ಚಿಂತಕರು ಸಂದರ್ಭ ಮತ್ತು ಸನ್ನಿವೇಶದ ಅಂಶಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚು ಗಮನ ಹರಿಸಬಹುದು, ಸಣ್ಣ ಮಾದರಿಗಳಿಂದ ವಿಪರೀತ ತೀರ್ಮಾನಗಳನ್ನು ಮಿತಗೊಳಿಸಬಹುದು.

ವೈಚಾರಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆಯ ವಿರುದ್ಧ ರಾಟ್ ಗಣಿತದ ಲೆಕ್ಕಾಚಾರವನ್ನು ಒತ್ತಿಹೇಳುವ ಶೈಕ್ಷಣಿಕ ವ್ಯವಸ್ಥೆಗಳು ಪಕ್ಷಪಾತದ ತೀವ್ರತೆಯ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ. ದೃಢವಾದ, ಅನುಭವದ ಗಣಿತದ ಬಲವಾದ ಸಂಪ್ರದಾಯಗಳನ್ನು ಹೊಂದಿರುವ ಸಂಸ್ಕೃತಿಗಳು ಮಾದರಿ-ಗಾತ್ರದ-ಸೂಕ್ಷ್ಮ ಕಾರ್ಯಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ಎಂದು ಆವರ್ತನ ಸ್ವರೂಪದ ಊಹೆಯು ಸೂಚಿಸುತ್ತದೆ.

ಪ್ರಾಜೆಕ್ಟ್ ಇಂಪ್ಲಿಸಿಟ್‌ನಂತಹ ಸಂಸ್ಥೆಗಳ ಕ್ರಾಸ್-ಕಲ್ಚರಲ್ ಅಧ್ಯಯನಗಳು (ಬೆನ್-ಗುರಿಯನ್ ವಿಶ್ವವಿದ್ಯಾಲಯ, ಇಸ್ರೇಲ್ ಮತ್ತು ಹಾರ್ವರ್ಡ್‌ನ ಸಂಶೋಧಕರನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ) ಪಕ್ಷಪಾತವು ಸಾರ್ವತ್ರಿಕವಾಗಿದ್ದರೂ, ಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್‌ಗಳ ಮೇಲಿನ ಅವಲಂಬನೆಯ ಮಟ್ಟವು ಶೈಕ್ಷಣಿಕ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಸಾಂಸ್ಕೃತಿಕ ರೂಢಿಗಳ ಆಧಾರದ ಮೇಲೆ ಬದಲಾಗಬಹುದು ಎಂದು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.

15. ಪುರಾಣಗಳು ಮತ್ತು ತಪ್ಪುಗ್ರಹಿಕೆಗಳು

16. ತಜ್ಞರ ಒಳನೋಟಗಳು

"ಅವಕಾಶದ ನಿಯಮಗಳ ಬಗ್ಗೆ ಜನರು ತಪ್ಪಾದ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಹೊಂದಿದ್ದಾರೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಅವರು ಜನಸಂಖ್ಯೆಯಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಚಿತ್ರಿಸಿದ ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಅಂದರೆ ಎಲ್ಲಾ ಅಗತ್ಯ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿ ಜನಸಂಖ್ಯೆಯಂತೆಯೇ ಪರಿಗಣಿಸುತ್ತಾರೆ." — ಅಮೋಸ್ ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಡೇನಿಯಲ್ ಕಾಹ್ನೆಮನ್, ಸೈನ್ಸ್ (1974)

"ಸಂಯೋಜನೆಯಲ್ಲಿ ಜನಸಂಖ್ಯೆಯ ಹೆಚ್ಚು ಪ್ರತಿನಿಧಿಸುವ ಸಣ್ಣ ಮಾದರಿಯು ಸರಾಸರಿಗಳು, ಭಿನ್ನತೆಗಳು ಅಥವಾ ಪರಸ್ಪರ ಸಂಬಂಧಗಳಂತಹ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಬೇಕಾಗಿಲ್ಲ." — ಅಮೋಸ್ ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಡೇನಿಯಲ್ ಕಾಹ್ನೆಮನ್, "ಬಿಲೀಫ್ ಇನ್ ದಿ ಲಾ ಆಫ್ ಸ್ಮಾಲ್ ನಂಬರ್ಸ್" (1971)

"ಶೇಕಡಾವಾರು ರೂಪದಲ್ಲಿ ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಮನಸ್ಸನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿಲ್ಲ, ಆದರೆ ಅದು ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳನ್ನು 'ನೋಡಬಹುದು'." — ಗೆರ್ಡ್ ಗಿಜೆರೆನ್ಜರ್, ಮ್ಯಾಕ್ಸ್ ಪ್ಲಾಂಕ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಫಾರ್ ಹ್ಯೂಮನ್ ಡೆವಲಪ್ಮೆಂಟ್

17. ಪ್ರಮುಖ ಅಂಶಗಳು

1. ಮಾದರಿಯ ಗಾತ್ರದೊಂದಿಗೆ ವ್ಯತ್ಯಾಸವು ಕಡಿಮೆಯಾಗುತ್ತದೆ: ಈ ಗಣಿತದ ಸತ್ಯವನ್ನು (σ/√n) ಮಾನವ ಅಂತಃಪ್ರಜ್ಞೆಯಿಂದ ನಿರಂತರವಾಗಿ ಉಲ್ಲಂಘಿಸಲಾಗುತ್ತದೆ. ಸಣ್ಣ ಮಾದರಿಗಳು ಅಂತರ್ಗತವಾಗಿ ಬಾಷ್ಪಶೀಲವಾಗಿರುತ್ತವೆ; ದೊಡ್ಡ ಮಾದರಿಗಳು ಸ್ಥಿರವಾಗಿವೆ.

2. ಪಕ್ಷಪಾತವು ಸಾರ್ವತ್ರಿಕವಾಗಿದೆ: ಸಾಮಾನ್ಯ ಜನರಿಂದ ಹಿಡಿದು ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿ ವಿಜೇತರವರೆಗೆ ಪ್ರತಿಯೊಬ್ಬರೂ ಈ ಪ್ರವೃತ್ತಿಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತಾರೆ. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತರಬೇತಿಯು ಅದನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಆದರೆ ಅದನ್ನು ತೊಡೆದುಹಾಕುವುದಿಲ್ಲ.

3. ನಾವು ಶಬ್ದದಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ನೋಡುತ್ತೇವೆ: ಮನಸ್ಸಿನ ಮಾದರಿ-ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಗಳು ಮಾದರಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪರಿಗಣಿಸುವುದಿಲ್ಲ, ಇದರಿಂದಾಗಿ ಯಾದೃಚ್ಛಿಕ ಏರಿಳಿತಗಳಿಗಾಗಿ ಸಾಂದರ್ಭಿಕ ಕಥೆಗಳನ್ನು ನಾವು ನಿರ್ಮಿಸುತ್ತೇವೆ.

4. ಫಾರ್ಮ್ಯಾಟ್ ಮುಖ್ಯವಾಗಿದೆ: ಮಾಹಿತಿಯನ್ನು ಶೇಕಡಾವಾರು ಬದಲಿಗೆ ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಾಗಿ ("1,000 ರಲ್ಲಿ 10") ಪ್ರಸ್ತುತಪಡಿಸುವುದು ತಾರ್ಕಿಕತೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ, ಪಕ್ಷಪಾತವು ಭಾಗಶಃ ಮಾಹಿತಿ ವಿನ್ಯಾಸದ ಬಗ್ಗೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

5. ವೆಚ್ಚಗಳು ಅಗಾಧವಾಗಿವೆ: ಪುನರಾವರ್ತನೆ ಬಿಕ್ಕಟ್ಟು, ವೈದ್ಯಕೀಯ ತಪ್ಪುರೋಗನಿರ್ಣಯ, ಆರ್ಥಿಕ ಗುಳ್ಳೆಗಳು ಮತ್ತು ಮಾರ್ಕೆಟಿಂಗ್ ವಿಪತ್ತುಗಳನ್ನು ಈ ಒಂದೇ ದೋಷದ ಮೂಲಕ ಕಂಡುಹಿಡಿಯಬಹುದು.

6. ಪಕ್ಷಪಾತವು ಒಳ್ಳೆಯ ಕಾರಣಗಳಿಗಾಗಿ ವಿಕಸನಗೊಂಡಿದೆ: ಡೇಟಾ-ವಿರಳ ಪೂರ್ವಜರ ಪರಿಸರದಲ್ಲಿ, ಸಣ್ಣ ಮಾದರಿಗಳಿಂದ ತ್ವರಿತ ಸಾಮಾನ್ಯೀಕರಣವು ಹೊಂದಾಣಿಕೆಯಾಗಿತ್ತು. ಆಧುನಿಕ ಡೇಟಾ-ಸಮೃದ್ಧ ಪರಿಸರಗಳೊಂದಿಗಿನ ಅಸಾಮರಸ್ಯವು ಸಮಸ್ಯೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

7. "N ಎಷ್ಟು?" ಎಂದು ಕೇಳಿ: ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೊದಲು ಮಾದರಿಯ ಗಾತ್ರವನ್ನು ಎದ್ದುಕಾಣುವಂತೆ ಮಾಡುವುದು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಮಧ್ಯಸ್ಥಿಕೆಯಾಗಿದೆ.

18. ಹೆಚ್ಚಿನ ಸಂಪನ್ಮೂಲಗಳು

ಶೈಕ್ಷಣಿಕ ಪತ್ರಿಕೆಗಳು

• 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.

ಪುಸ್ತಕಗಳು

• 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.

ಪುಸ್ತಕದ ಅಧ್ಯಾಯಗಳು

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

19. ಸಾರಾಂಶ ಕಾರ್ಡ್

20. ಬಳಸಿದ ನಿಯಮಗಳ ಗ್ಲಾಸರಿ

21. ಚರ್ಚೆಯ ಪ್ರಶ್ನೆಗಳು

ಪುಸ್ತಕ ಕ್ಲಬ್‌ಗಳು, ತರಗತಿ ಕೊಠಡಿಗಳು ಅಥವಾ ಸ್ವಯಂ ಪ್ರತಿಫಲನಕ್ಕಾಗಿ:

1. ನೀವು ಇತ್ತೀಚೆಗೆ ತೆಗೆದುಕೊಂಡ ಪ್ರಮುಖ ನಿರ್ಧಾರವನ್ನು ಪರಿಗಣಿಸಿ. ಆ ನಿರ್ಧಾರವು ಎಷ್ಟು ಡೇಟಾವನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ನಿಮ್ಮ ಬಳಿ ಹತ್ತು ಪಟ್ಟು ಹೆಚ್ಚು ಮಾಹಿತಿ ಇದ್ದರೆ ನೀವು ಅದೇ ಆಯ್ಕೆಯನ್ನು ಮಾಡುತ್ತೀರಾ?

2. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತರಬೇತಿಯು ಈ ಪಕ್ಷಪಾತವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಏಕೆ ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ ಎಂದು ನೀವು ಯೋಚಿಸುತ್ತೀರಿ? ಮಾನವನ ಅರಿವಿನ ವಾಸ್ತುಶಿಲ್ಪದ ಬಗ್ಗೆ ಇದು ಏನನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ?

3. ಮೂತ್ರಪಿಂಡದ ಕ್ಯಾನ್ಸರ್ ನಕ್ಷೆಯು ಚಿಕ್ಕ, ಗ್ರಾಮೀಣ ಕೌಂಟಿಗಳಲ್ಲಿ ಅತ್ಯಧಿಕ ಮತ್ತು ಕಡಿಮೆ ಕ್ಯಾನ್ಸರ್ ದರಗಳನ್ನು ಸಂಭವಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಿದೆ. ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಅಧಿಕಾರಿಯು ತರಬೇತಿ ಪಡೆಯದವರಿಗಿಂತ ಭಿನ್ನವಾಗಿ ಇದನ್ನು ಹೇಗೆ ಸಂಪರ್ಕಿಸುತ್ತಾರೆ?

4. ಮಾಹಿತಿಯನ್ನು ಶೇಕಡಾವಾರುಗಳ ಬದಲಿಗೆ ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸುವುದು ತಾರ್ಕಿಕತೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ಗಿಜೆರೆನ್ಜರ್ ವಾದಿಸುತ್ತಾರೆ. "1%" ಗಿಂತ "1,000 ರಲ್ಲಿ 10" ಅನ್ನು ನಮ್ಮ ಮನಸ್ಸು ಏಕೆ ಉತ್ತಮವಾಗಿ ನಿಭಾಯಿಸುತ್ತದೆ?

5. ಪೂರ್ವಜರ ಪರಿಸರದಲ್ಲಿ ಈ ಪಕ್ಷಪಾತವು ಹೊಂದಾಣಿಕೆಯಾಗಿದ್ದರೆ, ನಾವು ಅದನ್ನು ಹೇಗೆ ಸಮೀಪಿಸಬೇಕು ಎಂದು ಅದು ಸೂಚಿಸುತ್ತದೆ—ನಿರ್ಮೂಲನೆ ಮಾಡುವ ವಿಷಯವಾಗಿ ಅಥವಾ ಸೂಕ್ತವಾಗಿ ಮಾರ್ಪಡಿಸುವ ವಿಷಯವಾಗಿ?