Base Rate Fallacy

Бір қарағанда

1. Қысқаша мазмұны

Ықтималдық туралы пайымдаулар жасаған кезде, адамдар өз шешімдерін негіздеуі тиіс кеңірек статистикалық контекстті елемей, белгілі бір жағдай туралы жарқын, нақты бөлшектерге назар аударуға бейім. Егер біреу поэзияны жақсы көретін, кітап оқитын, момын адамды сипаттаса, сіз оны "кітапханашы" деп болжауыңыз мүмкін, дегенмен әлемде осы қасиеттерге ие мұғалімдер, есепшілер немесе кеңсе қызметкерлері әлдеқайда көп. Базалық мөлшер қателігі біздің миымыз ықтималдықтарды есептеуге емес, үлгілерді сәйкестендіруге және оқиғаларды баяндауға бейім болғандықтан туындайды.

2. Ғылыми негізі

2.1. Ашылуы және тарихы

Базалық мөлшерді елемеудің ресми анықталуы 1970 жылдардағы психологиядағы когнитивті революция кезінде пайда болды. Статистикалық пайымдаулар мен клиникалық интуиция арасындағы шиеленісті бұрынырақ 1955 жылы Пол Мил мен Альберт Розен (олар дәрігерлерге диагностикалық тесттерді түсіндіру туралы ескерткен) атап өткенімен, бұл бейімділікті ресми түрде анықтап, атауын берген Амос Тверски мен Даниэль Канеман болды.

Олардың 1973 жылғы "Болжау психологиясы туралы" еңбегі ұтымды әрекет етуші туралы басым экономикалық болжамға күмән келтірді. Олар адамдардан нәтижелерді болжауды сұрағанда, олар жаңа дәлелдермен алдыңғы ықтималдықтарды жаңартатын (Байес теоремасы талап ететіндей) интуитивті статистиктер ретінде әрекет етпейтінін көрсетті. Оның орнына олар базалық мөлшер туралы ақпаратты жүйелі түрде елемейтін ментальды төте жолдарға сүйенеді.

Бұл жаңалық "Рационалдық соғыстары" деп аталатын нәрсені тудырды - бұл базалық мөлшерді елемеу адамның пайымдауындағы іргелі кемшілік пе, әлде қоршаған орта құрылымына бейімделген жауап па деген қызу теориялық пікірталас. Бұл пікірталас бес онжылдық бойы когнитивті ғылымды қалыптастырды.

Зерттеудегі негізгі кезеңдер:

• 1955: Мил мен Розен клиникалық және актуарлық болжау проблемасын анықтады
• 1973: Тверски мен Канеман "Болжау психологиясы туралы" мақаласын жариялады
• 1980: Майя Бар-Хиллел Релеванттық теория сынын енгізді
• 1995: Герд Гигеренцер табиғи жиілік форматтары қателікті азайтатынын көрсетті
• 2002: Канеман мен Фредерик "атрибутты алмастыру" теориясын рәсімдеді
• 2010 жж: Зерттеулер жасанды интеллект жүйелері мен алгоритмдік бейімділікке дейін кеңейді

2.2. Негізгі зерттеушілер

2.3. Атаулы зерттеулер

"Том В." тәжірибесі (Канеман және Тверски, 1973)

Бұл іргелі зерттеу қатысушыларда базалық мөлшер туралы нақты білім болған кездің өзінде өкілдіктің базалық мөлшерден қалай басым түсетінін көрсетті.

Дизайн: Қатысушылар үш жағдайға бөлінді:

• Базалық мөлшер тобы: Тоғыз саладағы магистратура студенттерінің пайызын бағалады. Олар гуманитарлық ғылымдар мен білім беруді үлкен салалар (жоғары базалық мөлшер) және информатиканы кіші (төмен базалық мөлшер) деп дұрыс анықтады.
• Ұқсастық тобы: "Том В." (ақылды, бірақ шығармашылығы жоқ, ұқыпты, механикалық жазуы бар және басқаларға жанашырлығы аз деп сипатталған) тұлғасының эскизі берілді, олар Томның қарапайым студентке қаншалықты ұқсайтыны бойынша салаларды рейтингтеді.
• Болжам тобы: Дәл сол эскиз беріліп, Том В.-ның қазіргі уақытта сол салада оқу ықтималдығы бойынша салаларды рейтингтеу сұралды — ең бастысы, эскиз "шектеулі жарамдылығы" бар тесттерге негізделгені айтылды.

Нәтижелер: Болжам тобының рейтингтері Ұқсастық тобымен дерлік мінсіз (r > 0.9) және Базалық мөлшер тобымен теріс корреляцияланды. Информатиканың гуманитарлық ғылымдармен салыстырғанда кішкентай сала екенін біле тұра, қатысушылар Томды Информатика маманы деп болжады, өйткені ол соған ұқсады. Ақпараттың сенімсіз екендігі ескертілсе де, даралаушы ақпарат базалық мөлшер туралы ақпаратты толығымен жоққа шығарды.

Такси проблемасы (Канеман және Тверски, 1972)

Куәгерлердің айғақтары мен базалық мөлшерлер арасындағы қақтығысты оқшаулайтын қателіктің ең танымал сандық көрінісі.

Сценарий: Түнде такси қағып кету оқиғасына қатысты болды. Қалада екі компания жұмыс істейді:

• Базалық мөлшер: 85% Жасыл таксилер, 15% Көк таксилер
• Куәгер таксиді Көк деп анықтады
• Сот сараптамасы куәгердің түстерді 80% жағдайда дұрыс анықтайтынын көрсетті

Сұрақ: Таксидің Көк болу ықтималдығы қандай?

Интуитивті жауап: Қатысушылардың көпшілігі тікелей куәгердің дәлдігіне сәйкес келетін 80% деп жауап береді.

Байестік талдау: $$P(Көк|Куәгер\ Көк\ дейді) = \frac{0.80 \times 0.15}{(0.80 \times 0.15) + (0.20 \times 0.85)} = \frac{0.12}{0.29} \approx 41%$$

Түсінік: Куәгер Көк деп мәлімдегенімен, таксидің Жасыл болу ықтималдығы (59%) жоғарырақ. Үлкен Жасыл флот кішкентай Көк флот беретін шын Көк есептерге қарағанда көбірек жалған Көк есептерді шығарады. Қатысушылар Жасыл базалық мөлшердің "салмағы" ықтималдықты куәгердің 80% дәлдігінен төмен тартатынын түсінбейді.

Инженер-Заңгер проблемасы (Тверски және Канеман, 1973)

Дизайн: Қатысушылар 100 кәсіпқойдың үлгілерінен алынған сипаттамаларды алды:

• А жағдайы: 70 инженер, 30 заңгер
• В жағдайы: 30 инженер, 70 заңгер

"Джек" стереотиптік инженерге тән қасиеттермен сипатталған (консервативті, мұқият, ағаш ұстасына қызығады).

Нәтижелер: Қатысушылар Джектің инженер болу ықтималдығын екі жағдайда да іс жүзінде бірдей (~90%) деп бағалады, базалық мөлшерлердің ауыстырылғанын мүлдем елемеді. Ең бастысы, ешбір стереотипке сәйкес келмейтін бейтарап сипаттама берілгенде, қатысушылар базалық мөлшерді (70% немесе 30%) дұрыс қолданды, бұл олардың базалық мөлшерді қолдана алатынын, бірақ даралаушы деректерді алғаннан кейін оларды бірден тастайтынын дәлелдеді.

2.4. Неврологиялық негізі

Базалық мөлшерді елемеудің нейрондық субстраттарын зерттеу екі танымдық жүйе арасындағы қақтығысты көрсетеді:

1-жүйе (Интуитивті өңдеу): Префронтальды қыртыс пен лимбиялық жүйе жылдам, автоматты түрде үлгіні сәйкестендіруді басқарады. Даралаушы ақпарат ұсынылған кезде, бұл аймақтар қатты белсендіріліп, интуитивті "ұқсастыққа негізделген" пайымдаулар тудырады. Амигдала жарқын, нақты ақпараттың маңыздылығын арттыруы мүмкін.

2-жүйе (Ойластырылған өңдеу): Дорсолатеральды префронтальды қыртыс пен алдыңғы цингулярлық қыртыс күш-жігерді талап ететін статистикалық пайымдауды қолдайды. ФМРТ қолданылған зерттеулер базалық мөлшерді дұрыс біріктіру осы аймақтардың белсендірілуін талап ететінін көрсетеді, бұл когнитивтік күш салуды қажет етеді және уақыт қысымы немесе когнитивтік жүктеме арқылы оңай бұзылады.

Нейрондық бәсекелестік: Базалық мөлшерді елемеу 1-жүйенің нейрондық бәсекелестікте "жеңіске жетуінің" нәтижесі болып көрінеді, өйткені:

• Үлгіні сәйкестендіру жылдамырақ және азырақ ресурстарды қажет етеді
• Нақты оқиғалар абстрактілі статистикаға қарағанда эмоционалды өңдеуді көбірек белсендіреді
• Мидың әдепкі режимі — ықтималдықтарды есептеу емес, баяндаулар құру
• Жұмыс жадының шектеулері базалық мөлшерлер мен іс туралы ақпаратты бір уақытта өңдеуді шектейді

Нейротрансмиттерлік зерттеулер сыйақыны болжауға қатысатын допамин жолдары статистикалық ойлаудан гөрі нақты "жетістіктердің" тартымдылығына ықпал етуі мүмкін екенін, ал стресс гормондары ойластырылған өңдеуді одан әрі баса алатынын көрсетеді.

3. Эволюциялық шығу тегі

Базалық мөлшер қателігі адамның танымы абстрактілі ықтималдықтарды есептеу үшін емес, қоршаған ортадағы тікелей қауіптерді шарлау үшін оңтайландырылған үлгіні тану механизмі ретінде дамығандықтан бар.

Нақты жағдайдағы пайымдаудың аман қалу артықшылықтары:

• Ата-бабаларымыздың ортасында шөптің сыбдыры жыртқыш болуы мүмкін еді. Желдің "базалық мөлшерін" елемей, қауіпті болжағандар мұқият статистиктерге қарағанда жиірек аман қалды.
• Әлеуметтік аман қалу популяцияның орташа көрсеткіштеріне емес, нақты жеке ниеттерді оқуға байланысты болды.
• Ресурстар мен жұбайлар абстрактілі жиіліктерді емес, нақты мүмкіндіктерді бағалау арқылы қамтамасыз етілді.
• Үлгіні сәйкестендіруге негізделген жылдам шешім қабылдау құнды когнитивті энергияны үнемдеді.

Баяндауға деген ұмтылыс: Оқиғалардан үйлесімді себеп-салдарлық баяндаулар құрастырған ата-бабаларымыз шындықты байланыссыз статистика ретінде өңдегендерге қарағанда жақсырақ үйреніп, үйретіп, болжай алды. Бұл баяндау мүмкіндігі адам интеллектінің орталық бөлігіне айналды, бірақ формальды ықтималдық қажет болған кезде жүйелі соқыр аймақтарды тудырады.

Кемшілік емес, ерекшелік — контексте: Көптеген заманауиға дейінгі жағдайларда базалық мөлшерді елемеу бейімді болды. Алдыңыздағы нақты жолбарыс жолбарыстардың орташа таралуынан маңыздырақ. Проблема бұл танымдық архитектура сирек кездесетін аурулар, сот-медициналық сараптама немесе қаржылық туындылар сияқты статистикалық ойлау қажет, бірақ эволюциялық тұрғыдан бұрын-соңды болмаған салалардағы заманауи шешімдерге тап болған кезде туындайды.

Энергияны үнемдеу: Байестік ықтималдықтарды есептеу метаболикалық тұрғыдан қымбат. Ми дене энергиясының 20%-ын тұтына отырып, көбінесе "жеткілікті жақсы" жұмыс істейтін төте жолдарды жасады. Тапшылық жағдайында формальды пайымдаудың когнитивті құны оның маргиналдық пайдасынан асып түсті.

4. Бұл бейімділік қалай көрінеді

4.1. Күнделікті өмірде

• Бейтаныс адамдарды стереотиптеу: Көзілдірік киген, ақырын сөйлейтін адамды кездестіргенде, басқа кәсіптермен салыстырғанда профессорлардың базалық мөлшері өте аз екеніне қарамастан, оны "профессор" деп қабылдауыңыз мүмкін
• Тәуекелді бағалау: Ұшақ апаты туралы жаңалықтарды көргеннен кейін, әуе қатынасының статистикалық қауіпсіздігін елемей, ұшу қаупін асыра бағалау
• Қарым-қатынас пайымдаулары: Бір күдікті мінез-құлыққа сүйеніп біреуді адал емес деп санау, сіздің адал қарым-қатынастарыңыздың ауқымды тарихын (олардың сенімділігінің базалық мөлшері) елемеу
• Лотерея және құмар ойындар: Жақындағы жеңістерге сүйеніп "сәтті" билетті немесе казиноны ерекше деп санау, ұтылыстардың математикалық базалық мөлшерін елемеу
• Ата-ана қорқынышы: Жарқын медиа оқиғаларына негізделген адам ұрлау сияқты қауіптерді күрт асыра бағалау, ал жол апаттары сияқты жиі кездесетін тәуекелдерді бағаламау

4.2. Жұмыс орнында

• Өнімділікті бағалау: Қызметкердің базалық өнімділік деректерін елемей, бір әсерлі презентация негізінде оны "жоғары әлеуетті" деп бағалау
• Жұмысқа қабылдау шешімдері: Ұқсас қызметкерлер арасындағы табыстың базалық мөлшерін ескерудің орнына, сұхбаттасу нәтижелері табыс стереотиптеріне сәйкес келетін үміткерлерге артықшылық беру
• Жобаны бағалау: Ұқсас жобалардағы бюджеттің асып кетуі мен кешігудің базалық мөлшерін елемей, нақты ерекшеліктерге сүйеніп "бұл жоба басқаша" деп сену
• Көшбасшылықты бағалау: Нарық жағдайларын (қолайлы ортадағы табыстың базалық мөлшері) елемей, команданың табысын харизматикалық көшбасшыға жатқызу
• Бәсекелестерді талдау: Осындай стратегиялар үшін салалық табыс көрсеткіштерін елемей, бәсекелестердің нақты қадамдарына артық салмақ беру

4.3. Бизнес және маркетингте

• Пікірлер мен кейстер: Тұтынушылар типтік нәтижелердің базалық мөлшерін ескермейтіндіктен, компаниялар нақты табыс тарихтарын пайдаланады
• "Теледидардан көргеніңіздей": Жарқын демонстрациялар өнімнің тиімділігі туралы статистикалық ақпаратты жоққа шығарады
• Сақтандыруды сату: Апаттың драмалық сценарийлері сирек кездесетін оқиғаларды ықтимал етіп көрсетеді
• Мақсатты жарнама: Статистикалық артықшылықтарды ұсынудың орнына өнімдерді нақты қажетті контексттерде көрсету
• Іске қосу туралы баяндаулар: 90% сәтсіздік базалық мөлшеріне қарамастан "бұл стартап басқаша" деген әңгімелер сақталады
• Тұтынушыларды сегменттеу: Жүйелі деректерді талдауға емес, есте қаларлық тұтынушылардың өзара әрекеттесуіне шамадан тыс назар аудару

4.4. Саясат пен медиада

• Қылмысты жариялау: Зорлық-зомбылықтың төмендеу базалық мөлшеріне қарамастан, сирек кездесетін зорлық-зомбылық қылмыстарын жарқын хабарлау саясатты басқарады
• Сайлау болжамдары: Сарапшылар билік басындағылардың артықшылығының тарихи базалық мөлшерін елемей, нақты науқан сәттеріне ("қателіктерге") назар аударады
• Иммиграция пікірталастары: Иммигранттардың қылмыстары туралы нақты әңгімелер иммигранттардың жергілікті тұрғындарға қарағанда қылмысты аз жасайтыны туралы статистикалық дәлелдерді жоққа шығарады
• Саяси баяндаулар: Жаңа саясаттарға арналған "бұл жолы басқаша" аргументтері саясаттың сәтсіздікке ұшырауының базалық мөлшерін елемейді
• Терроризм қаупі: Базалық мөлшерлер басқа қауіптердің (жол апаттары, жүрек ауруы) көбірек ресурстарды қажет ететінін көрсетсе де, жарқын шабуылдарға негізделген қауіпсіздікке жаппай инвестициялар

4.5. Денсаулық сақтауда

Жалған оң нәтиже парадоксы: Ауру сирек болған кезде (төмен базалық мөлшер), тіпті өте дәл тесттер негізінен жалған оң нәтижелер береді.

АИТВ скринингінің мысалы:

• Популяция: 0.01% АИТВ таралуы бар 100,000 адам

• Тест: 99.9% сезімталдық, 99.9% ерекшелік

• Шын оң нәтижелер: ~10 (жұқтырған адамдар дұрыс анықталған)

• Жалған оң нәтижелер: ~100 (сау адамдар қате белгіленген)

• Нәтиже: Оң тест нақты жұқтырудың тек ~9% мүмкіндігін білдіреді

• Диагностикалық қателер: Дәрігерлер қарапайым жағдайлардың базалық мөлшерін елемей, драмалық диагнозға сәйкес келетін белгілерге тіркеледі

• Дәрінің тиімділігі: Науқастар статистикалық емдеу табысының көрсеткіштерінен гөрі нақты сауығу оқиғаларына назар аударады

• Скринингтік шешімдер: Науқастар жалған оң нәтижелердің базалық мөлшерін түсінбей-ақ оң тест нәтижелерін қате түсіндіреді

• Емдеу режимін сақтау: Жанама әсерлер туралы жарқын оқиғалар статистикалық қауіпсіздік профильдерін жоққа шығарады

• COVID-19 вакцинасын дұрыс түсінбеу: Осал топтардың 95%+-ы вакцинацияланғанын елемей (бөлгіш мәселесі), "ауруханаға жатқызылған науқастардың 70%-ы вакцинацияланған" деген сөздер вакцинаның сәтсіздігі ретінде қате түсіндірілді

4.6. Қаржы және инвестициялауда

• "Бұл жолы басқаша": Инвесторлар нарықтық түзетулердің тарихи базалық мөлшерін елемей, нақты баяндауларға (Жаңа Экономика, ЖИ революциясы) назар аудара отырып, экстремалды бағалауларды негіздейді
• Дотком көпіршігі: Орташа бағалаудың ~15x тарихи базалық мөлшерін елемей, 100x+ P/E коэффициенттері интернет әлеуетімен негізделді
• Жеке акцияларды таңдау: Индекстерге қатысты акциялардың төмен өнімділігінің базалық мөлшерін елемей, компанияның нақты ақпаратын түпкілікті ретінде қарастыру
• Венчурлық капитал оптимизмі: Стартап сәтсіздігінің базалық мөлшеріне емес, құрылтайшының харизмасына негізделген қаржыландыру шешімдері
• LTCM күйреуі: Нобель сыйлығының лауреаттарының модельдері соңғы төмен құбылмалылықты базалық мөлшер ретінде қарастырып, нарықтық дүрбелеңдердің тарихи жиілігін ("жуан құйрықтар") елемеді
• Жылжымайтын мүлік алыпсатарлығы: "Бұл нарық басқаша" деген сенімдер тұрғын үй циклдерінің тарихи базалық мөлшерін елемейді

5. Нақты әлемдегі жағдайлық зерттеулер (Case Studies)

1-жағдай: Салли Кларк — жазықсыз сотталған ана

• Контекст: 1999 жылы британдық адвокат Салли Кларк екі кішкентай ұлынан айырылды - біріншісі 11 апталығында, екіншісі 8 апталығында. Оған екі рет сәби өлтірді деген айып тағылды.

• Не болды: Сарапшы куәгер сэр Рой Медоу ауқатты отбасында КБӨС (Кенеттен нәресте өлімі синдромы) салдарынан екі өлімнің болу ықтималдығы шамамен 73 миллионнан 1-ге тең (есептелгендей (1/8543)²) екенін айтты. Ол мұны "ұзақ қашықтыққа" бәс тігумен теңестірді.

• Бейімділіктің әрекеті: Екі маңызды қателік біріктірілді:

  1. Тәуелсіздікті бұзу: Медоу КБӨС өлімдерін тәуелсіз оқиғалар деп есептеді. Генетикалық және экологиялық факторлар іс жүзінде, егер бір өлім болған болса, екінші өлімнің болуын әлдеқайда ықтимал етеді — бұл оқиғалар шартты түрде тәуелді.
  2. Базалық мөлшерді елемеу: 73 миллионнан 1 санын қабылдағанның өзінде, алқабилер оны екі рет нәресте өлтірудің базалық мөлшерімен салыстыруы керек еді. Ананың екі рет кісі өлтіруі де өте сирек кездеседі (бәлкім 100 миллионнан 1). Екі өте сирек оқиғаны салыстырған кезде қатынас маңызды. Егер қос КБӨС 73 миллионнан 1 және қос кісі өлтіру 100 миллионнан 1 болса, КБӨС шын мәнінде ықтималырақ. Оқшауланған "73 миллионнан 1" ұсыну арқылы прокуратура кісі өлтіру әдепкі жағдай екенін меңзеді.

• Салдары: Салли Кларк кінәлі деп танылып, өмір бойына бас бостандығынан айырылды. Корольдік статистикалық қоғам қолданылған статистикалық пайымдауларға қоғамдық сөгіс жариялау туралы ерекше қадам жасады. Кларк екінші апелляциясынан кейін 2003 жылы босатылды. Заңсыз қамауға алыну мен балаларынан айырылу жарақатынан айыға алмай, ол 2007 жылы жедел алкогольден уланудан қайтыс болды.

• Алынған сабақтар: Статистикалық дәлелдер дұрыс Байестік шеңберді талап етеді. Соттар бір гипотезаны жеке бағаламай, бәсекелес гипотезалар аясында дәлелдемелердің ықтималдығын салыстыруы керек. Сарапшы куәгерлерге статистикалық сауаттылық бойынша оқыту қажет.

2-жағдай: Люсия де Берк — Голландиялық медбике

• Контекст: Голландиялық медбике Люсия де Берк 2003 жылы ауысым кезінде пациенттердің өліміне статистикалық талдау жасау негізінде жеті кісі өлтірді және үш рет кісі өлтіруге оқталды деген айыппен сотталды.

• Не болды: Аурухана статистигі оның ауысымдары кезінде кездейсоқ өлімнің көп болу ықтималдығы 342 миллионнан 1 екенін айтты.

• Бейімділіктің әрекеті:

  1. Пост-фактум іріктеу: Өлім жағдайлары Люсияның кезекшілікте болғанын білгеннен кейін ғана "күдікті" деп жіктелді — бұл базалық мөлшерді елемеумен біріктірілген классикалық растауға бейімділік.
  2. Кластерлердің базалық мөлшері еленбеді: Кез келген үлкен аурухана жүйесінде үлкен сандар заңы қандай да бір медбикенің тек кездейсоқтық бойынша ғана өте екіталай болып көрінетін ауысым үлгісіне ие болуына кепілдік береді (Техас мергені қателігі)
  3. Еленбеген балама гипотезалар: Түнгі ауысым кезінде пациенттердің өлу базалық мөлшері (ауыр науқастар мұқият бақыланатын кезде) дұрыс қаралмады

• Салдары: Люсия алты жылдан астам уақыт түрмеде отырды. Ол қамауда болған кезде инсульт алды. Тәуелсіз статистиктердің математикалық талдауы кейінірек кінәсіздік ықтималдығы іс жүзінде жоғары екенін көрсетті. Ол 2010 жылы Голландия билігі ел тарихындағы ең нашар сот төрелігі қателіктерінің бірі ретінде мойындаған істе ақталды.

• Алынған сабақтар: Үлкен деректер жиынтығындағы статистикалық сәйкестік себептіліктің дәлелі емес. Пост-фактум талдау өте сақтықты талап етеді. Соттарға ықтималдық дәлелдерін тәуелсіз статистикалық тексеру қажет.

3-жағдай: Роберт Уильямс — Бет-әлпетті танудың сәтсіздігі

• Контекст: 2020 жылдың қаңтарында Детройттық қара нәсілді Роберт Уильямс бет-әлпетті тану алгоритмі оның жүргізуші куәлігіндегі фотосуретін дүкен ұрлау оқиғасының бақылау камерасындағы бейнемен сәйкестендіргеннен кейін өз үйінде отбасының көзінше қамауға алынды.

• Не болды: Детективтер Уильямсқа бақылау камерасының суретін көрсетіп, "компьютер бұл сен дейді" деді. Ол босатылғанға дейін 30 сағат қамауда болды.

• Бейімділіктің әрекеті:

  1. Жалған оң нәтиже парадоксы: Тіпті 99% дәл бет-әлпетті тану жүйесі миллиондаған бет дерекқорын іздегенде мыңдаған жалған сәйкестіктерді тудырады
  2. Автоматтандыруға бейімділік: Тергеушілер алгоритмнің "сәйкестігін" растауды қажет ететін ықтималдық ұсыныс емес, түпкілікті дәлел ретінде қарастырды
  3. Кездейсоқ сәйкестіктердің базалық мөлшері: Такси проблемасы сияқты, "куәгердің" (алгоритм) қателік деңгейі бар, ал "жазықсыз халық" өте үлкен - бұл көптеген жалған оң нәтижелерді береді

• Салдары: Уильямс заңсыз қамауға алынды, ұсталды және оның ДНҚ-сы, саусақ іздері және фотосуреті қылмыстық дерекқорларға енгізілді. Ол Детройт полиция департаментінің үстінен сотқа шағым түсірді. Бұл іс құқық қорғау органдарындағы алгоритмдік бейімділіктің маңызды мысалы болды.

• Алынған сабақтар: Алгоритмдік дәлелдер қатесіз ретінде емес, ықтималдықпен бағалануы керек. Жалған сәйкестіктердің базалық мөлшерлері шешім қабылдаушыларға жеткізілуі керек. Алгоритмдік сәйкестіктер негізінде қамауға алмас бұрын растайтын дәлелдемелер талап етілуі керек.

Тарихи мысал: Ұзақ мерзімді капиталды басқарудың (LTCM) күйреуі

1998 жылы Нобель сыйлығының лауреаттары Майрон Шоулз пен Роберт Мертон басқаратын хедж-қор Long-Term Capital Management (LTCM) керемет түрде күйреп, жаһандық қаржы жүйесін тұрақсыздандыруға аз қалды.

LTCM-нің тәуекелдегі құн (VaR) күрделі модельдері нарықтың төмен құбылмалылығын көрсететін соңғы тарихи деректерге сүйенді. Олар үлкен шығындар статистикалық тұрғыдан мүмкін емес "10-сигма оқиғалары" деп есептеді. Модельдер қаржылық дүрбелеңнің тарихи базалық мөлшерін - нарықтық үлестірімдердің "жуан құйрықтарын" елемеді. Олар сондай-ақ жүйелік корреляцияның базалық мөлшерін елемеді: дағдарыстарда дүрбелең таралған сайын барлық корреляциялар 1-ге барады.

1998 жылдың тамызында Ресей өз қарызы бойынша дефолт жариялағанда, "мүмкін емес" нәрсе болды. LTCM төрт айдан аз уақыт ішінде 4.6 миллиард доллар жоғалтты, кеңірек қаржылық індеттің алдын алу үшін Федералдық резервтің келісілген көмегін қажет етті.

Сабақ: Сирек кездесетін оқиғалардың тарихи базалық мөлшерін елемейтін күрделі модельдер апатты соқыр аймақтарды тудырады. Жақын өткеннің нақты шарттары құйрық тәуекелдеріне (tail risks) сенімді нұсқаулық емес.

6. Бұл бейімділіктің құны

6.1. Жеке шығындар

• Қорқыныш пен үрей: Сирек кездесетін қауіптерді (ұшақ апаты, зорлық-зомбылық қылмысы, ауру) асыра бағалау созылмалы стресс тудырады, ал ықтималырақ қауіптерді елемейді
• Қарым-қатынастың бұзылуы: Адамдарды олардың тұрақты мінез-құлық базалық мөлшерімен емес, жарқын бір оқиғалар бойынша бағалау әділетсіз пайымдауларға және сенімнің бұзылуына әкеледі
• Жіберіліп алған мүмкіндіктер: Табыстың базалық мөлшерін елемей, сәтсіздіктердің жарқын оқиғаларына байланысты пайдалы іс-шаралардан (ұшу, операция, мансапты өзгерту) аулақ болу
• Қаржылық шығындар: Статистикалық дәлелдерден гөрі сенімді баяндаулар негізінде инвестициялық шешімдер қабылдау
• Медициналық мазасыздық: Жалған оң базалық мөлшерлерді түсінбей, скрининг нәтижелерін қате түсіндіру

6.2. Кәсіби шығындар

• Мансаптық қателіктер: Жұмысқа қатысты шешімдерді статистикалық мансап траекторияларына емес, нақты драмалық нәтижелерге негіздеу
• Жобаның сәтсіздіктері: "Бұл жоба басқаша" деген ойлау шығындар мен мерзімдерді қайта-қайта бағаламауға әкеледі
• Жұмысқа қабылдау қателері: Болжамдық базалық мөлшерлерге емес, сұхбат өнімділігі стереотиптеріне негізделген үміткерлерді таңдау
• Стратегиялық қателіктер: Салалық статистикаға емес, бәсекелестердің анекдоттарына негізделген бизнес-шешімдер
• Болжау сәтсіздіктері: Ұқсас жағдайлардың тарихи базалық мөлшерін елемейтін ағымдағы баяндауларға негізделген болжамдар

6.3. Қоғамдық шығындар

• Заңсыз сотталу: Салли Кларк пен Люсия де Берктің істерінде көрінгендей, сот ісін жүргізудегі базалық мөлшерді елемеу жазықсыз өмірді жояды
• Саясатты дұрыс бөлмеу: Ресурстар жарқын, бірақ сирек кездесетін қауіптерге (терроризмге) бағытталған, ал ықтимал зияндар (жол апаттары, аурулар) назардан тыс қалады
• Алгоритмдік әділетсіздік: Бейімді деректермен оқытылған ЖИ жүйелері базалық мөлшер қателерін сақтайды және күшейтеді, бұл дискриминациялық полицияға, несие беруге және жұмысқа қабылдауға әкеледі
• Қоғамдық денсаулық сақтау сәтсіздіктері: Скрининг статистикасын дұрыс түсінбеу ауқымды түрде орынсыз тестілеу мен емдеу шешімдеріне әкеледі
• Қаржы дағдарысы: Бағалаудың базалық мөлшерін елемейтін нарықтар сөзсіз жарылған кезде миллиондаған адамға зиян келтіретін көпіршіктер жасайды

6.4. Статистикалық әсері

Базалық мөлшерді елемеудің өлшенетін әсері туралы зерттеу нәтижелері:

• Медициналық шешім қабылдау: Зерттеулер көрсеткендей, дәрігерлердің тек ~15%-ы аурудың базалық мөлшері төмен болған кезде оң тест нәтижелерін дұрыс түсіндіреді, бұл жаппай гипердиагностикаға әкеледі
• Алқабилер шешімдері: Жалған алқабилер зерттеулері жарқын куәлік берілген кезде базалық мөлшер туралы ақпарат негізінен еленбейтінін анықтады
• Болжамдық дәлдік: Филип Тетлоктың зерттеуі базалық мөлшерді елемеуді жеңген "суперболжаушылардың" сарапшылардан 30%+ артық өнімділік көрсететінін анықтады
• Алгоритм өнімділігі: ProPublica-ның COMPAS рецидивизм алгоритміне жасаған талдауы оның базалық мөлшер бейімділігі қара нәсілді сотталушылар үшін ақ нәсілділерге қарағанда екі есе жоғары жалған оң нәтиже бергенін анықтады

7. Жасырын артықшылықтары

Базалық мөлшер қателігі тек когнитивті ақау емес — негізгі механизмдер маңызды бейімделу функцияларына қызмет етеді.

Қауіпті жылдам анықтау: Жыртқышты өткізіп алу өлімді білдіретін ортада халық статистикасын мұқият есептегеннен гөрі, нақты қауіп белгілеріне асыра жауап беру жақсы. Жалған оң нәтиженің құны (қажетсіз қырағылық) жалған теріс (желініп қою) нәтижемен салыстырғанда төмен.

Әлеуметтік интеллект: Әлеуметтік табысқа жету үшін адам мінез-құлқы туралы популяция деңгейіндегі статистиканы білуден гөрі нақты жеке адамдардың ниеттерін оқу маңыздырақ. Сіздің алдыңызда тұрған адам орташа адам емес — олар нақты ниеттерін түсінуіңіз керек нақты адам.

Баяндау арқылы оқыту: Оқиғалар - адамдардың ұрпақтан ұрпаққа білім беру тәсілі. Статистикаға қарағанда жарқын жағдайларға "бейімділік" тәжірибеден және басқалардың тәжірибесінен үйренуге мүмкіндік береді.

Энергия тиімділігі: Байестік пайымдау метаболикалық тұрғыдан қымбат. Көптеген күнделікті шешімдер үшін жылдам үлгіні сәйкестендіру когнитивті шығындардың бір бөлігінде жеткілікті жақсы нәтижелер береді.

Ымыра: Базалық мөлшерді елемеуді толығымен жою шешім қабылдауды тоқтататын тұрақты күш салу есептеуін қажет етеді. Мақсат — эвристиканы жою емес, статистикалық ойлау қашан қажет екенін түсіну, әсіресе базалық мөлшер маңызды құқықтық, медициналық, қаржылық және саясат салаларында.

8. Өзін-өзі бағалау: Сізде бұл бейімділік бар ма?

8.1. Ескерту белгілерінің бақылау парағы

• Өткен жағдайлармен статистикалық ұқсастықтарды тексермей-ақ, "бұл жағдай басқаша" деп жиі ойлайсыз
• Статистикалық қорытындыларға қарағанда нақты мысалдарды нанымдырақ деп санайсыз
• Деректермен кеңесудің орнына есте қаларлық анекдоттарға сүйеніп шешім қабылдадыңыз
• Медициналық тест нәтижесі жалған оң болуы мүмкін екеніне сену қиын
• Нәтижені қаншалықты оңай елестете алатыныңызға қарай ықтималдықтарды бағалайсыз
• Адамдарды алғашқы әсерлер немесе жеке мінез-құлық негізінде тез бағалайсыз
• "Фондық ақпаратты" елемедіңіз, өйткені ол нақты бөлшектерге қарағанда маңыздылығы төмен болып көрінді
• Пікірталастарда базалық мөлшер статистикасын "суық" немесе "мағынасыз" деп табасыз
• Статистикалық болжамдар сіздің интуицияңыздан өзгеше болған кезде таң қалдыңыз
• Пайыздармен ойлауға қарсы тұрасыз және иә/жоқ пайымдауларын қалайсыз

Бағалау:

• 0-2 белгіленген: Төмен бейімділік
• 3-5 белгіленген: Орташа бейімділік
• 6-8 белгіленген: Жоғары бейімділік
• 9-10 белгіленген: Өте жоғары бейімділік

8.2. Өзін-өзі рефлексиялау сұрақтары

1. Соңғы рет қашан сенімді оқиға немесе мысалдың орнына статистикалық дәлелдердің арқасында өз пікіріңізді өзгерттіңіз?
2. Жақында қабылдаған маңызды шешіміңізді ойлап көріңіз — ұқсас шешімдер үшін табыс/сәтсіздіктің базалық мөлшерлерін зерттедіңіз бе?
3. Тиісті статистикалық мәліметтер сіздің нақты жағдайыңызға сәйкес келмейтіндей көрінгендіктен оларды қабылдамаған кезіңіз болды ма?
4. Біреу сізге анекдот (оқиға) айтқанда, сіз инстинктивті түрде бұл тәжірибенің қаншалықты типтік немесе типтік емес екеніне таң қаласыз ба?
5. Басқалар сізге жеке мысалдарға тым көп мән бересіз немесе деректерге жеткілікті мән бермейсіз деп айтты ма?

8.3. Жылдам диагностикалық сценарий

Сценарий: Қауіпті ауруға арналған жаңа медициналық тест әзірленді. Тест 99% дәл (ауру бар кезде де оны анықтауда және сау адамдарды дұрыс тазартуда). Жалпы халықтың 1000 адамының 1-інде бұл ауру бар. Сіздің тестіңіз оң нәтиже береді. Сізде аурудың шынымен болу ықтималдығы қандай?

Сіз қалай жауап берер едіңіз?

• A) Шамамен 99% → Жоғары бейімділік (сіз базалық мөлшерді елемей, жауапты тест дәлдігіне сәйкестендіріп жатырсыз)
• B) Шамамен 50% → Орташа бейімділік (бірдеңе дұрыс емес екенін сезесіз, бірақ нақты ықтималдықты есептей алмайсыз)
• C) Шамамен 9% → Төмен бейімділік (сіз базалық мөлшерді дұрыс біріктірдіңіз; сыналған 1000 адамнан ~10 шын оң және ~100 жалған оң)

9. Бұл бейімділікті басқалардан анықтау

9.1. Мінез-құлық көрсеткіштері

• Жеке оқиғалардың пайдасына статистикалық дәлелдерді "суық" немесе "мағынасыз" деп қабылдамау
• Жалпы мәлімдемелер жасаған кезде "менің тәжірибемде" немесе "мен бір адамды білемін..." сияқты тіркестерді жиі пайдалану
• Жеке жағдайларды кең заңдылықтардың нақты дәлелі ретінде қарастыру
• Статистикалық жалпылаулардың олардың нақты жағдайына қатысты екенін қабылдау қиындығы
• Ықтималдықтарды бағалау кезінде соңғы немесе есте қаларлық оқиғаларға артық салмақ беру
• Базалық мөлшер деректері ұсынылған кезде пікірді өзгертуге қарсы тұру

9.2. Әңгімелесудегі қызыл жалаулар

Адамдар бұл бейімділікке түскенде айтатын тіркестер:

• "Бірақ бұл жағдай басқаша..."
• "Статистика толық оқиғаны айтпайды"
• "Сандардың не айтатынын білемін, бірақ..."
• "Мен саған өзім білетін бір адам туралы айтып берейін..."
• "Статистикамен кез келген нәрсені дәлелдеуге болады"

Олар жасайтын дәлелдер түрлері:

• Жалпы стратегиялардың дәлелі ретінде жеке табыс/сәтсіздік оқиғаларын келтіру
• Ерекше жағдайларды типтік нәтижелердің өкілі ретінде қарастыру

Олар қоймайтын сұрақтар:

• "Бұл әдетте қаншалықты жиі болады?"
• "Осыған ұқсас жағдайлар үшін табыс деңгейі қандай?"

9.3. Ситуациялық триггерлер

• Эмоционалдық мүдделер: Нәтижелер қатты маңызды болғанда, нақты жағдай туралы ақпарат сенімдірек болады
• Жарқын мысалдар: Жақында болған, драмалық немесе жеке басынан өткен оқиғалар статистикалық базалық көрсеткіштерден басым түседі
• Күрделілік: Статистикалық талдау қиын болғанда, адамдар өкілді мысалдарды әдепкі бойынша таңдайды
• Уақыт қысымы: Жылдам шешімдер ықтималдықты есептеуден гөрі үлгіні сәйкестендіруді қолдайды
• Баяндау контексі: Ақпарат статистика ретінде емес, оқиға ретінде келген кезде
• Сараптамалық құрылымдау: Билік өкілдері базалық мөлшер контексінсіз іс туралы ақпаратты ұсынған кезде

10. Когнитивті қателіктен арылу стратегиялары

10.1. Жедел әдістер

• "Қаншалықты жиі?" деп сұраңыз: Даралаушы ақпаратты қабылдамас бұрын, базалық мөлшер туралы нақты сұраңыз. "Бұл нәтиже жалпы қаншалықты жиі кездеседі?"
• "100 адам" қайта құруы: Ықтималдық берілгенде, сол жағдайдағы 100 адамды елестетіңіз. Олардың қаншасының нәтижесі әрқайсысы болады?
• Баламаны қарастырыңыз: Бәсекелес гипотезаның базалық мөлшері қандай? (Қос-КБӨС мен қос кісі өлтіру көрсеткіштерін салыстырған сияқты)
• Анықтамалық класс бойынша болжау: Жағдайыңыз үшін тиісті анықтамалық класты анықтаңыз және тарихи нәтижелерді тексеріңіз
• Газет тесті: Бұл нақты жағдай ерекше болғандықтан жаңалықтарға шығар ма еді? Егер солай болса, бұл типтік емес шығар

10.2. Ұзақ мерзімді стратегиялар

• Байестік ойлауды жаттықтыру: Базалық мөлшерді біріктіруді қажет ететін ықтималдық мәселелерін үнемі шешіңіз
• Болжамдар журналын жүргізіңіз: Интуицияңызды калибрлеу үшін көрсетілген ықтималдықтармен болжамдарды жазыңыз, содан кейін нәтижелерді тексеріңіз
• Статистикалық дайындықтан өтіңіз: Ықтималдықтар мен статистика бойынша ресми білім алу қателікке төтеп беруді жақсартады
• Базалық мөлшер кітапханаларын құру: Маңызды салалар үшін (денсаулық, мансап, қаржы) тиісті базалық мөлшерлерді зерттеп, есте сақтаңыз
• Статистикалық достар табыңыз: Ықтималдықпен ойлайтын және сіздің пайымдауыңызға күмән келтіретін адамдармен қарым-қатынас орнатыңыз

10.3. Экологиялық дизайн

• Табиғи жиілік форматтарын пайдалану: Ықтималдықтарды ми интуитивті түрде өңдейтін "Y-тің ішінен X" форматтарына түрлендіру
• Шешімдерді тексеру парақтарын (чек-листерін) жасау: Маңызды шешімдерде міндетті қадамдар ретінде базалық мөлшер сұрақтарын қосыңыз
• Иконка массивтерін пайдалану: Ықтималдықтарды визуалды көрсету бөлгішті елемеуді азайтады
• Статистикалық критерийлерге алдын-ала міндеттеме алу: Нақты ақпаратпен кездеспес бұрын, қандай статистика сіздің ойыңызды өзгертетінін анықтаңыз
• Ақпараттық дисплейлерді жобалау: Базалық мөлшерлерді көзге түсетіндей және даралаушы ақпараттан бұрын көрсетіңіз

10.4. Сыртқы пікірді қашан іздеу керек

• Маңызды шешімдер: Медициналық диагноздар, сот үкімдері, ірі инвестициялар, жұмысқа қабылдау шешімдері
• Сізде күшті интуиция болғанда: Күшті сезімдер 1-жүйенің басымдығын көрсетуі мүмкін — статистикалық тексеруден өтіңіз
• Күрделі ықтималдық жағдайлары: Бірнеше шартты ықтималдықтар өзара әрекеттескенде
• Эмоционалды қатысу: Жеке мүдделер объективті пайымдауды қиындатқан кезде
• Сараптамалық сәйкессіздік: Шешім сізде жоқ статистикалық сараптаманы қажет еткен кезде

11. Практикалық жаттығулар

1-жаттығу: Скрининг тестінің калькуляторы

• Мақсаты: Медициналық скрининг сценарийлерін талдау арқылы Байестік пайымдау интуициясын дамыту
• Қажетті уақыт: 20 минут
• Қажетті материалдар: Калькулятор, қағаз
• Қиындық деңгейі: Орташа
• Нұсқаулық:
  1. Медициналық жағдайды таңдап, оның сіздің демографияңыздағы таралуын (базалық мөлшерін) іздеңіз
  2. Осы жағдайға арналған жалпы скринингтік тесттердің сезімталдығы мен ерекшелігін іздеңіз
  3. Оң болжамды мәнді есептеңіз: оң тесттердің қанша пайызы шын оң болып табылады?
  4. Теріс болжамды мәнді есептеңіз: теріс тесттердің қанша пайызы шын теріс болып табылады?
  5. Мұны 10 000 адамнан тұратын популяцияға арналған 2x2 кестесімен көз алдыңызға елестетіңіз
• Рефлексия сұрақтары:
  • Оң болжамды мән сізді таң қалдырды ма?
  • Бұл сіздің медициналық скрининг туралы ойыңызды қалай өзгертеді?
  • Тест нәтижелерін алғаннан кейін дәрігеріңізге қандай сұрақтар қоюыңыз керек?
• Жиілігі: Айына бір рет, әртүрлі медициналық жағдайларды қолдана отырып

2-жаттығу: Анықтамалық класс бойынша болжау

• Мақсаты: Болжам жасамас бұрын тиісті базалық мөлшерлерді табу әдетін қалыптастыру
• Қажетті уақыт: 30 минут
• Қажетті материалдар: Интернетке қосылу, электрондық кесте
• Қиындық деңгейі: Орташа
• Нұсқаулық:
  1. Алдағы шешімді немесе жасауыңыз керек болжамды анықтаңыз
  2. Анықтамалық класты анықтаңыз: қандай ұқсас жағдайлар бар?
  3. Осы анықтамалық кластағы нәтижелердің базалық мөлшерін зерттеңіз
  4. Сіздің жағдайыңызды ерекшелендіретін нақты факторлар негізінде базалық мөлшерді реттеңіз
  5. Дәлелдеріңізді және соңғы ықтималдық бағасын құжаттаңыз
• Рефлексия сұрақтары:
  • Базалық мөлшерді табу сіздің бастапқы бағалауыңызды қалай өзгертті?
  • Қандай нақты факторлар базалық мөлшерден түзетуді негіздеді?
  • Жағдайыңызды дәлелсіз "басқаша" деп қарауға азғырылдыңыз ба?
• Жиілігі: Кез келген маңызды шешім қабылдамас бұрын

3-жаттығу: Жиілікті қайта құру

• Мақсаты: Ықтималдық мәлімдемелерін табиғи жиілік форматтарына түрлендіруге машықтану
• Қажетті уақыт: 15 минут
• Қажетті материалдар: Ықтималдық туралы мәлімдемелер тізімі (жаңалықтар мақалаларынан, зерттеу жұмыстарынан)
• Қиындық деңгейі: Бастауыш
• Нұсқаулық:
  1. Соңғы жаңалықтардан 5 ықтималдық туралы мәлімдемені жинаңыз (мысалы, "5% асқыну қаупі")
  2. Әрқайсысын табиғи жиілік ретінде қайта құрыңыз (мысалы, "әр 100 науқастың 5-і")
  3. Әрқайсысы үшін қалған 95 (немесе тиісті сан) науқасқа не болатынын жазыңыз
  4. Бұл сіздің ықтималдықты интуитивті сезінуіңізді қалай өзгертетініне назар аударыңыз
  5. Жиілік нұсқасын басқа біреуге түсіндіріп жаттығыңыз
• Рефлексия сұрақтары:
  • Қандай формат ықтималдықтарды түсінуді жеңілдетті?
  • Жиілік форматында қандай да бір ықтималдықтар көбірек немесе азырақ алаңдаушылық тудырды ма?
  • Бұл қайта құруды күнделікті өмірде қалай қолдануға болады?
• Жиілігі: Апта сайын

Күнделікті тәжірибе

Базалық мөлшер сұрағы: Күн сайын, пікір қалыптастырғанда немесе болжам жасағанда, кідіріп: "Базалық мөлшер қандай?" деп сұраңыз. Егер білмесеңіз, оны зерттеуге 60 секунд жұмсаңыз.

• Ұсынылатын ұзақтық: Әр жағдайға 1-2 минут
• Күннің ең жақсы уақыты: Күн ішінде шешім немесе пайымдау жасаған кезде
• Прогрессті қалай бақылауға болады: Сұрауды ұмытпағаныңызды және не үйренгеніңізді күнделікке жазыңыз

Апталық шақыру

Болжам аудиті: Әр апта сайын өзіңіз жасаған 3 болжамды немесе пайымдауды қарап шығыңыз. Әрқайсысы үшін:

1. Базалық мөлшерді ескергеніңізді анықтаңыз
2. Нақты базалық мөлшер қандай болғанын зерттеңіз
3. Базалық мөлшер туралы ақпарат сіздің пайымдауыңызды өзгертетін-өзгертпейтінін бағалаңыз

• 4 аптадан кейінгі күтілетін нәтижелер: Өз ойлауыңыздағы базалық мөлшерді елемеу туралы хабардарлықтың артуы; базалық мөлшерлерді автоматты түрде көбірек ескеру
• Рефлексияға арналған күнделік сұрақтары:
  • Шешімдердің қандай түрлері мен үшін базалық мөлшерді елемеуді жиі тудырады?
  • Қандай стратегиялар базалық мөлшерлерді тексеруді есте сақтауға көмектеседі?
  • Тәжірибе жинаған сайын менің шешімдерімнің сапасы қалай өзгерді?

12. Нақты аудиториялар үшін

Көшбасшылар мен менеджерлер үшін

Базалық мөлшер қателігі ұйымдық жағдайларда әсіресе қауіпті, мұнда жарқын табыстар мен сәтсіздіктер жүйелі талдаудан гөрі стратегияны көбірек басқарады.

Негізгі осалдықтар:

• Кандидаттардың базалық мөлшеріне емес, сұхбат әсерлеріне негізделген жұмысқа қабылдау шешімдері
• Тұрақты көрсеткіштерге емес, есте қаларлық оқиғаларға негізделген өнімділікті бағалау
• Салалық статистикаға емес, бәсекелестердің анекдоттарына негізделген стратегиялық жоспарлау
• Тарихи табыс көрсеткіштеріне емес, соңғы жоба нәтижелеріне негізделген ресурстарды бөлу

Стратегиялар:

• Жеке әсерлердің ықпалын азайту үшін стандартталған бағалауы бар құрылымдық сұхбаттарды енгізу
• Жобаның сәтсіздікке ұшырауының базалық мөлшерлерін нақты ескеретін "премортем" жаттығуларын жасау
• Ірі бастамалар үшін анықтамалық класс бойынша болжауды талап ету
• Жеке істермен қатар базалық мөлшерлерді алдыңғы қатарға шығаратын бақылау тақталарын құру
• Жарқын жағдайға негізделген пайымдауларға қарсы тұруға құқығы бар "статистикалық скептиктерді" тәрбиелеу

Ата-аналар мен мұғалімдер үшін

Балалар базалық мөлшерді елемеуге өте бейім, өйткені олар әлем туралы ең алдымен мысалдар мен оқиғалар арқылы біледі.

Оқыту тәсілдері:

• Базалық мөлшерлерге интуиция қалыптастыру үшін ықтималдықты (сүйектер, карталар) қамтитын ойындарды қолданыңыз
• Қауіптерді (бейтаныс қауіп, ауру, апаттар) талқылағанда, әрқайсысының қаншалықты жиі кездесетіні туралы контекст беріңіз
• Жаңалықтарда сирек болғандықтан жаңалыққа айналған оқиғалар көрсетілгенде атап өтіңіз
• Статистикалық ойлаудың үлгісін көрсетіңіз: "Бұл қызық мысал. Ол қаншалықты типтік екен?"
• "Бұл болды" және "бұл әдетте болады" арасындағы айырмашылықты үйретіңіз

Жасқа сәйкес түсіндірулер:

• 6-10 жас: "Кейбір нәрселер жиі болады, ал кейбір нәрселер сирек болады. Әңгімелер көбінесе сирек кездесетін нәрселер туралы болады, өйткені олар таңқаларлық."
• 11-14 жас: "Сандар бізге оқиғалардың қаншалықты жиі болатынын айта алады, бұл біздің олар туралы қаншалықты жиі еститінімізден өзгеше."
• 15+ жас: Ықтималдық ұғымдарына, Байес теоремасына және формальды пайымдауға кіріспе

Денсаулық сақтау мамандары үшін

Базалық мөлшерді елемеу диагностика, скрининг және пациентпен қарым-қатынас үшін үлкен маңызға ие.

Клиникалық салдары:

• Симптомдардың сәйкестігі таралу деректерін жоққа шығарғанда, сирек кездесетін аурулар гипердиагностикаланады
• Скринингтік бағдарламаның тиімділігі тек тест дәлдігіне емес, популяцияның базалық мөлшеріне де байланысты
• Оң скрининг нәтижелерінен туындаған пациенттің алаңдаушылығы көбінесе орынды уайымнан асып түседі
• Емдеу шешімдері клиникалық сынақ статистикасына қарағанда драмалық кейстерге көбірек салмақ беруі мүмкін

Стратегиялар:

• Тест нәтижелерін пациенттерге жеткізген кезде табиғи жиілік форматтарын пайдаланыңыз
• Тиісті базалық мөлшерлерді көрсететін клиникалық шешімдерді қолдауды енгізіңіз
• Диагностикалық бақылау парақтарында базалық мөлшерді нақты ескеруді талап етіңіз
• Оң болжамды мәнді түсіндіру үшін иконка массивтері мен көрнекі құралдарды пайдаланыңыз
• Медициналық білім берудің бір бөлігі ретінде Байестік пайымдауға үйретіңіз

Қаржы мамандары үшін

Нарықтарды баяндаулар басқарады, бұл инвестициялық табыс үшін базалық мөлшер тәртібін маңызды етеді.

Негізгі осалдықтар:

• Көпіршікті бағалаудағы "Бұл жолы басқаша" деген ойлау
• Тәуекел модельдеріндегі жақындағыға бейімділік (жақында болған құбылмалылықты базалық мөлшер ретінде қарастыру)
• Сектордың базалық мөлшерінен гөрі сарапшылардың нақты ұсыныстарына артық салмақ беру
• Табысты қор менеджерінің тәжірибесін кездейсоқтық емес, шеберлік ретінде қарастыру

Стратегиялар:

• Ұзақ мерзімді бағалаудың базалық мөлшерінің анықтамалық диаграммаларын жүргізіңіз (P/E қатынастары, дефолт мөлшерлемелері және т.б.)
• Орташа мәнге қайтару болжамдарын қамтамасыз ететін жүйелі қайта теңгерімді енгізіңіз
• Тарихи калибрленген үлестірімдері бар Монте-Карло симуляцияларын пайдаланыңыз
• Инвестициялық тезистер үшін нақты базалық мөлшер құжаттамасын талап етіңіз
• Күтулерді калибрлеу үшін тарихи көпіршіктер мен күйреулерді зерттеңіз

13. Басқа бейімділіктермен өзара әрекеттесуі

Бұл бейімділікті күшейтетін бейімділіктер

Бұл бейімділікке қарсы тұратын бейімділіктер

Жалпы бейімділік тізбектері

1-тізбек: Жарқын мысал (Қолжетімділік) → Үлгіні сәйкестендіру (Өкілдік) → Базалық мөлшерді елемеу → Сенімді қате пайымдау (Аса сенімділік) → Қатені растау (Растауға бейімділік)

2-тізбек: Нақты жағдайға зәкірлену → Популяция деректерін елемеу → Қолдаушы баяндау құру (Баяндау қателігі) → Түзетуші дәлелдерге қарсы тұру

Каскадты үзу: Ең тиімді араласу нүктесі ерте — жарқын мысал назар аудартпас бұрын. Базалық мөлшер туралы ақпаратты алдын ала жүктеу, жиілік форматтарын пайдалану және базалық мөлшерді тексерудің нақты әдеттерін қалыптастыру каскадтың басталуына жол бермейді.

14. Мәдени перспективалар

Базалық мөлшерді пайдаланудағы мәдени өзгерістерді зерттеу қызықты заңдылықтарды ашады, дегенмен елемеудің негізгі тенденциясы әмбебап болып көрінеді.

Кросс-мәдени нәтижелер:

• Зерттеулер батыстық, азиялық және басқа да мәдени контексттерде базалық мөлшерді елемеуді үнемі табады
• Кейбір дәлелдер шығыс азиялық қатысушылардың тұтас (холистикалық) когнитивті стильдерге байланысты белгілі бір контексттерде базалық мөлшерді сәл жақсырақ пайдаланатынын көрсетеді
• Ықтималдық пен статистикаға баса назар аударатын білім беру жүйелері мәдени фонға қарамастан базалық мөлшердің интеграциясын жақсартады
• Құқықтық жүйелердің статистикалық дәлелдемелерге қатынасы мәдениетке байланысты айтарлықтай өзгереді

Әмбебап аспектілері: Негізгі феномен — абстрактілі статистикалық базалық көрсеткіштерден гөрі нақты жарқын ақпаратты таңдау — мәдени саралануға дейін пайда болған танымдық архитектураға негізделген адамзаттың әмбебап қасиеті болып көрінеді.

Кросс-мәдени салдары: Статистикалық дәлелдер мәдени контексттерде мұқият құрылымдауды қажет етеді. Бір құқықтық немесе медициналық жүйеде жұмыс істейтін нәрсе екіншісіне тікелей ауыспауы мүмкін.

15. Мифтер мен қате түсініктер

16. Сарапшылардың пікірлері

"Субъектілердің жалпыдан жекеге көшуге құлықсыздығы олардың жекеден жалпыны шығаруға деген дайындығымен ғана тең болды." — Амос Тверски және Даниэль Канеман, 1973

"Ұқсастыққа базалық мөлшерлер әсер етпейді, алайда интуитивті ықтималдық пайымдауларында ұқсастық басым болады." — Даниэль Канеман, Ойлау, Жылдам және Баяу, 2011

"Проблема адамдардың статистикалық ойлай алмайтындығында емес, көптеген проблемалардың адам миы дамыған форматқа сәйкес келмейтін форматта ұсынылуында." — Герд Гигеренцер, 2002

"Психологтар өз субъектілерінің рационалдылығын тапсырмаға сәйкес келмейтін стандартпен бағалайды." — Л.Дж. Коэн, 1981

17. Негізгі тұжырымдар

1. Базалық мөлшерді елемеу әмбебап: Барлық адамдар нақты ақпарат қолжетімді болған кезде статистикалық базалық мөлшерлерді жете бағаламауға бейім — бұл жеке сәтсіздік емес, адамның танымдық архитектурасының ерекшелігі.

2. Өкілдік эвристикасы — механизм: Біз ықтималдықты популяциядағы жиілігімен емес, прототиптерге ұқсастығымен бағалаймыз.

3. Формат өте маңызды: Ақпаратты ықтималдықтардың орнына табиғи жиіліктер (Y-тің ішінен X) ретінде ұсыну қателікті айтарлықтай азайтады.

4. Контекст базалық мөлшерді пайдалануды басқарады: Адамдар базалық мөлшерлерді олар себептік маңызды болып көрінгенде пайдаланады; олар "жай статистикалық" болып көрінгенде оларды елемейді.

5. Салдарлар апатты: Заңсыз сотталудан (Салли Кларк, Люсия де Берк) қаржы дағдарыстарына (LTCM, Дотком) және алгоритмдік дискриминацияға дейін базалық мөлшерді елемеу ірі қоғамдық сәтсіздіктерді қалыптастырады.

6. Қателіктен арылу дизайнды қажет етеді: Біз жай ғана базалық мөлшерлерді құрметтеуді "шеше" алмаймыз — бізге базалық мөлшерлерді көрінетін және маңызды ететін ақпараттық архитектуралар, тексеру парақтары және шешім қабылдау процестері қажет.

7. Бейімділіктің артықшылықтары бар: Көптеген күнделікті контексттерде базалық мөлшерді елемейтін жылдам үлгіні сәйкестендіру бейімді және тиімді — мақсат статистикалық ойлау шынымен қашан қажет екенін түсіну.

18. Қосымша ресурстар

Академиялық мақалалар

• Tversky, A., & Kahneman, D. (1973). On the psychology of prediction. Psychological Review, 80(4), 237-251.
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684-704.
• Bar-Hillel, M. (1980). The base-rate fallacy in probability judgments. Acta Psychologica, 44(3), 211-233.
• Kahneman, D., & Frederick, S. (2002). Representativeness revisited: Attribute substitution in intuitive judgment. In Heuristics and Biases (pp. 49-81). Cambridge University Press.
• Koehler, J. J. (1996). The base rate fallacy reconsidered: Descriptive, normative, and methodological challenges. Behavioral and Brain Sciences, 19(1), 1-17.

Кітаптар

• 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.
• Gigerenzer, G., Todd, P. M., & ABC Research Group. (1999). Simple Heuristics That Make Us Smart. Oxford University Press.
• Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
• Meehl, P. E. (1954). Clinical vs. Statistical Prediction. University of Minnesota Press.

Кітап тараулары

• Meehl, P. E., & Rosen, A. (1955). Antecedent probability and the efficiency of psychometric signs, patterns, or cutting scores. Psychological Bulletin, 52(3), 194-216.
• Hattori, M., & Nishida, Y. (2009). Why does the base rate appear to be ignored? The equiprobability hypothesis. Psychonomic Bulletin & Review, 16(6), 1065-1070.

19. Түйіндеме картасы

20. Қолданылған терминдер сөздігі

21. Талқылау сұрақтары

Кітап клубтары, сыныптар немесе өзін-өзі рефлексиялау үшін:

1. Өміріңізде базалық мөлшерді елемегеніңізді кейінірек түсінген маңызды шешімді есіңізге түсіре аласыз ба? Сіз нені басқаша істер едіңіз?

2. Рационалдық соғыстары базалық мөлшерді елемеу адам танымының "ақауы" ма, әлде "ерекшелігі" ме деп сұрайды. Сіздің көзқарасыңыз қандай және оның салдары қандай?

3. Алқабилер арасында базалық мөлшерді елемеу туралы білетінімізді ескере отырып, соттар статистикалық дәлелдерді қалай қарастыруы керек? Арнайы дайындық немесе сараптамалық талаптар болуы керек пе?

4. Гигеренцер ақпаратты табиғи жиіліктерде ұсыну базалық мөлшерді елемеуді негізінен "шешеді" деп санайды. Егер бұл шын болса, ақпаратты дұрыс форматта ұсынуға кім жауапты — жеке адамдар, мекемелер немесе оқытушылар ма?

5. ЖИ жүйелері адам өміріне әсер ететін шешімдерді көбірек қабылдаған сайын, алгоритмдердегі базалық мөлшер бейімділігін шешу үшін қандай міндеттемелер бар? Алгоритмдік әділеттілік қалай анықталуы керек?