កំហុសអត្រាមូលដ្ឋាន (Base Rate Fallacy)

មើលមួយភ្លែត

1. សេចក្តីសង្ខេបរហ័ស

នៅពេលធ្វើការវិនិច្ឆ័យអំពីប្រូបាប៊ីលីតេ មនុស្សមានទំនោរផ្តោតលើព័ត៌មានលម្អិតជាក់លាក់រស់រវើកអំពីករណីណាមួយ ខណៈពេលដែលមិនអើពើនឹងបរិបទស្ថិតិទូលំទូលាយដែលគួរតែជូនដំណឹងដល់ការសម្រេចចិត្តរបស់ពួកគេ។ ប្រសិនបើនរណាម្នាក់ពណ៌នាអំពីមនុស្សស្ងៀមស្ងាត់ម្នាក់ ចូលចិត្តអានសៀវភៅ និងស្រឡាញ់កំណាព្យ អ្នកប្រហែលជាទាយថាគាត់ជា "បណ្ណារក្ស" ទោះបីជាមានគ្រូបង្រៀន គណនេយ្យករ ឬបុគ្គលិកការិយាល័យច្រើនជាងឆ្ងាយណាស់នៅក្នុងពិភពលោក ដែលមានចរិតលក្ខណៈទាំងនេះ។ កំហុសអត្រាមូលដ្ឋានកើតឡើងដោយសារតែខួរក្បាលរបស់យើងត្រូវបានតភ្ជាប់ដើម្បីផ្គូផ្គងលំនាំ និងរៀបរាប់រឿងរ៉ាវ មិនមែនដើម្បីគណនាប្រូបាប៊ីលីតេនោះទេ។

2. វិទ្យាសាស្រ្តនៅពីក្រោយវា

2.1. ការរកឃើញ និងប្រវត្តិ

ការកំណត់អត្តសញ្ញាណជាផ្លូវការនៃការមិនអើពើអត្រាមូលដ្ឋានបានលេចចេញពីបដិវត្តន៍ការយល់ដឹងក្នុងចិត្តវិទ្យាកំឡុងទសវត្សរ៍ឆ្នាំ 1970។ ខណៈពេលដែលភាពតានតឹងរវាងការវែកញែកតាមស្ថិតិ និងវិចារណញាណគ្លីនិកត្រូវបានកត់សម្គាល់មុននេះដោយ Paul Meehl និង Albert Rosen ក្នុងឆ្នាំ 1955 (អ្នកដែលបានព្រមានគ្រូពេទ្យគ្លីនិកអំពីការបកស្រាយតេស្តរោគវិនិច្ឆ័យ) វាគឺជា Amos Tversky និង Daniel Kahneman ដែលបានកំណត់អត្តសញ្ញាណនិងដាក់ឈ្មោះភាពលំអៀងនេះជាផ្លូវការ។

ឯកសារឆ្នាំ 1973 របស់ពួកគេ "On the Psychology of Prediction" បានជំទាស់នឹងការសន្មត់សេដ្ឋកិច្ចដែលកំពុងគ្របដណ្ដប់អំពីតួអង្គសនិទាន។ ពួកគេបានបង្ហាញថា នៅពេលដែលមនុស្សត្រូវបានស្នើសុំឱ្យទស្សន៍ទាយលទ្ធផល ពួកគេមិនដំណើរការជាអ្នកស្ថិតិវិចារណញាណដែលធ្វើបច្ចុប្បន្នភាពប្រូបាប៊ីលីតេមុនៗជាមួយនឹងភស្តុតាងថ្មីទេ (ដូចដែលទ្រឹស្តីបទបេយ៍ - Bayes' theorem កំណត់)។ ផ្ទុយទៅវិញ ពួកគេពឹងផ្អែកលើផ្លូវកាត់ផ្លូវចិត្តដែលជាប្រព័ន្ធមិនអើពើនឹងព័ត៌មានអត្រាមូលដ្ឋាន។

ការរកឃើញនេះបានបញ្ឆេះនូវអ្វីដែលត្រូវបានគេហៅថា "សង្គ្រាមសនិទានភាព" - ការជជែកដេញដោលតាមទ្រឹស្តីយ៉ាងខ្លាំងក្លាអំពីថាតើការមិនអើពើអត្រាមូលដ្ឋានបង្កើតបានជាកំហុសជាមូលដ្ឋាននៅក្នុងការវែកញែករបស់មនុស្ស ឬតំណាងឱ្យការឆ្លើយតបសម្របខ្លួនទៅនឹងរចនាសម្ព័ន្ធបរិស្ថាន។ ការជជែកដេញដោលនេះបានកំណត់រាងវិទ្យាសាស្ត្រការយល់ដឹងអស់រយៈពេលប្រាំទសវត្សរ៍។

ព្រឹត្តិការណ៍សំខាន់ៗក្នុងការស្រាវជ្រាវ៖

• 1955: Meehl និង Rosen កំណត់អត្តសញ្ញាណបញ្ហាការព្យាករណ៍គ្លីនិកធៀបនឹងគណិតវិទ្យាធានារ៉ាប់រង
• 1973: Tversky និង Kahneman បោះពុម្ពផ្សាយ "On the Psychology of Prediction"
• 1980: Maya Bar-Hillel ណែនាំការរិះគន់ទ្រឹស្តីភាពពាក់ព័ន្ធ (Relevance Theory)
• 1995: Gerd Gigerenzer បង្ហាញថាទម្រង់ប្រេកង់ធម្មជាតិកាត់បន្ថយកំហុស
• 2002: Kahneman និង Frederick បង្កើតទ្រឹស្តី "ការជំនួសគុណលក្ខណៈ" ជាផ្លូវការ
• ទសវត្សរ៍ឆ្នាំ 2010: ការស្រាវជ្រាវពង្រីកទៅប្រព័ន្ធ AI និងភាពលំអៀងនៃក្បួនដោះស្រាយ

2.2. អ្នកស្រាវជ្រាវសំខាន់ៗ

2.3. ការសិក្សាគោលសំខាន់ៗ

ការពិសោធន៍ "Tom W." (Kahneman & Tversky, 1973)

ការសិក្សាជាមូលដ្ឋាននេះបានបង្ហាញពីរបៀបដែលតំណាងភាព (representativeness) គ្របដណ្ដប់អត្រាមូលដ្ឋាន ទោះបីជាអ្នកចូលរួមមានចំណេះដឹងអំពីអត្រាមូលដ្ឋានត្រឹមត្រូវក៏ដោយ។

ការរចនា៖ អ្នកចូលរួមត្រូវបានបែងចែកជាបីលក្ខខណ្ឌ៖

• ក្រុមអត្រាមូលដ្ឋាន៖ ប៉ាន់ប្រមាណភាគរយនៃនិស្សិតបញ្ចប់ការសិក្សាក្នុងវិស័យចំនួនប្រាំបួន។ ពួកគេបានកំណត់យ៉ាងត្រឹមត្រូវនូវមនុស្សសាស្ត្រ និងការអប់រំជាវិស័យធំៗ (អត្រាមូលដ្ឋានខ្ពស់) និងវិទ្យាសាស្ត្រកុំព្យូទ័រជាវិស័យតូច (អត្រាមូលដ្ឋានទាប)។
• ក្រុមភាពស្រដៀងគ្នា៖ ត្រូវបានផ្តល់ការពណ៌នាបុគ្គលិកលក្ខណៈរបស់ "Tom W." (ត្រូវបានពិពណ៌នាថាឆ្លាត ប៉ុន្តែខ្វះភាពច្នៃប្រឌិត មានរបៀបរៀបរយ ការសរសេរដូចម៉ាស៊ីន និងមានការយល់ចិត្តតិចតួចចំពោះអ្នកដទៃ) ពួកគេបានចាត់ថ្នាក់វិស័យដោយផ្អែកលើភាពស្រដៀងគ្នារបស់ Tom ទៅនឹងសិស្សធម្មតា។
• ក្រុមទស្សន៍ទាយ៖ ត្រូវបានផ្តល់ការពណ៌នាដូចគ្នា ហើយស្នើសុំឱ្យចាត់ថ្នាក់វិស័យតាមប្រូបាប៊ីលីតេដែល Tom W. កំពុងសិក្សាក្នុងវិស័យនោះ — ហើយត្រូវបានប្រាប់យ៉ាងច្បាស់ថាការពណ៌នានេះផ្អែកលើការធ្វើតេស្តដែលមាន "សុពលភាពមានកំណត់" ។

របកគំហើញ៖ ចំណាត់ថ្នាក់របស់ក្រុមទស្សន៍ទាយទាក់ទងគ្នាស្ទើរតែឥតខ្ចោះ (r > 0.9) ជាមួយក្រុមភាពស្រដៀងគ្នា ហើយផ្ទុយគ្នាជាមួយក្រុមអត្រាមូលដ្ឋាន។ ទោះបីជាដឹងថាវិទ្យាសាស្ត្រកុំព្យូទ័រគឺជាវិស័យតូចតាចបើប្រៀបធៀបទៅនឹងមនុស្សសាស្ត្រក៏ដោយ ក៏អ្នកចូលរួមបានទស្សន៍ទាយថា Tom ជាអ្នកវិទ្យាសាស្ត្រកុំព្យូទ័រដោយសារតែគាត់មានរាងដូចអ្នកវិទ្យាសាស្ត្រកុំព្យូទ័រម្នាក់។ ព័ត៌មានបុគ្គលបានលុបបំបាត់ព័ត៌មានអត្រាមូលដ្ឋានទាំងស្រុង សូម្បីតែនៅពេលដែលអ្នកចូលរួមត្រូវបានព្រមានថាព័ត៌មាននេះមិនអាចទុកចិត្តបានក៏ដោយ។

បញ្ហារថយន្តតាក់ស៊ី (Kahneman & Tversky, 1972)

ការបង្ហាញជាលេខដ៏ល្បីល្បាញបំផុតនៃកំហុសនេះ ដោយញែកភាពខុសគ្នារវាងអត្រាមូលដ្ឋាន និងសក្ខីកម្មរបស់សាក្សី។

សេណារីយ៉ូ៖ រថយន្តតាក់ស៊ីមួយពាក់ព័ន្ធនឹងការបុកហើយរត់នៅពេលយប់។ ក្រុមហ៊ុនពីរដំណើរការនៅក្នុងទីក្រុង៖

• អត្រាមូលដ្ឋាន៖ រថយន្តតាក់ស៊ីពណ៌បៃតង 85% រថយន្តតាក់ស៊ីពណ៌ខៀវ 15%
• សាក្សីម្នាក់បានបញ្ជាក់ថារថយន្តតាក់ស៊ីនោះមានពណ៌ខៀវ
• ការធ្វើតេស្តរបស់តុលាការបានបង្ហាញថាសាក្សីកំណត់ពណ៌បានត្រឹមត្រូវ 80% នៃពេលវេលា

សំណួរ៖ តើប្រូបាប៊ីលីតេថារថយន្តតាក់ស៊ីនោះពណ៌ខៀវមានប៉ុន្មាន?

ការឆ្លើយតបតាមវិចារណញាណ៖ អ្នកចូលរួមភាគច្រើនឆ្លើយ 80% ដែលត្រូវគ្នានឹងភាពត្រឹមត្រូវរបស់សាក្សីដោយផ្ទាល់។

ការវិភាគតាមបេយ៍ (Bayesian Analysis)៖ $$P(Blue|Witness\ says\ Blue) = \frac{0.80 \times 0.15}{(0.80 \times 0.15) + (0.20 \times 0.85)} = \frac{0.12}{0.29} \approx 41%$$

ការយល់ដឹង៖ ទោះបីជាសាក្សីអះអាងថាពណ៌ខៀវក៏ដោយ វាពិតជាមានលទ្ធភាពច្រើនជាង (59%) ថារថយន្តតាក់ស៊ីនោះមានពណ៌បៃតង។ កងរថយន្តពណ៌បៃតងដ៏ធំបង្កើតរបាយការណ៍ពណ៌ខៀវមិនពិតច្រើនជាងកងរថយន្តពណ៌ខៀវតូចបង្កើតរបាយការណ៍ពណ៌ខៀវពិតប្រាកដ។ អ្នកចូលរួមបរាជ័យក្នុងការយល់ថា "ទម្ងន់" នៃអត្រាមូលដ្ឋានពណ៌បៃតងទាញប្រូបាប៊ីលីតេចុះពីភាពត្រឹមត្រូវ 80% របស់សាក្សី។

បញ្ហាវិស្វករ-មេធាវី (Tversky & Kahneman, 1973)

ការរចនា៖ អ្នកចូលរួមទទួលបានការពណ៌នាដែលដកស្រង់ចេញពីគំរូនៃអ្នកជំនាញ 100 នាក់៖

• លក្ខខណ្ឌ A: វិស្វករ 70 នាក់, មេធាវី 30 នាក់
• លក្ខខណ្ឌ B: វិស្វករ 30 នាក់, មេធាវី 70 នាក់

"Jack" ត្រូវបានពណ៌នាជាមួយនឹងចរិតលក្ខណៈស្រដៀងនឹងវិស្វករ (អភិរក្សនិយម ប្រុងប្រយ័ត្ន ចាប់អារម្មណ៍នឹងជាងឈើ)។

របកគំហើញ៖ អ្នកចូលរួមបានប៉ាន់ប្រមាណប្រូបាប៊ីលីតេដែល Jack ជាវិស្វករគឺស្ទើរតែដូចគ្នានៅក្នុងលក្ខខណ្ឌទាំងពីរ (~90%) ដោយមិនអើពើទាំងស្រុងថាអត្រាមូលដ្ឋានត្រូវបានត្រឡប់។ យ៉ាងសំខាន់ នៅពេលដែលត្រូវបានផ្តល់ការពណ៌នាអព្យាក្រឹតដែលមិនស៊ីគ្នានឹងទម្រង់គំរូទាំងពីរ អ្នកចូលរួមបានប្រើប្រាស់អត្រាមូលដ្ឋានយ៉ាងត្រឹមត្រូវ (70% ឬ 30%) ដោយបង្ហាញថាពួកគេអាចប្រើប្រាស់អត្រាមូលដ្ឋានបាន ប៉ុន្តែបានបោះបង់វាចោលភ្លាមៗនៅពេលទទួលបានទិន្នន័យបុគ្គល។

2.4. មូលដ្ឋានសរសៃប្រសាទ

ការស្រាវជ្រាវលើស្រទាប់សរសៃប្រសាទនៃការមិនអើពើអត្រាមូលដ្ឋានចង្អុលបង្ហាញពីជម្លោះរវាងប្រព័ន្ធការយល់ដឹងពីរ៖

ប្រព័ន្ធ 1 (ដំណើរការវិចារណញាណ)៖ សំបកខួរក្បាល prefrontal និងប្រព័ន្ធ limbic ជំរុញការផ្គូផ្គងលំនាំយ៉ាងលឿន និងដោយស្វ័យប្រវត្តិ។ នៅពេលបង្ហាញព័ត៌មានបុគ្គល តំបន់ទាំងនេះសកម្មខ្លាំង ដោយបង្កើតការវិនិច្ឆ័យ "ផ្អែកលើភាពស្រដៀងគ្នា" តាមវិចារណញាណ។ Amygdala អាចបង្កើនភាពលេចធ្លោនៃព័ត៌មានជាក់លាក់និងរស់រវើក។

ប្រព័ន្ធ 2 (ដំណើរការពិចារណា)៖ សំបកខួរក្បាល dorsolateral prefrontal និង anterior cingulate គាំទ្រការវែកញែកស្ថិតិដែលទាមទារការខិតខំប្រឹងប្រែង។ ការសិក្សាដោយប្រើ fMRI បង្ហាញថាការរួមបញ្ចូលអត្រាមូលដ្ឋានយ៉ាងត្រឹមត្រូវទាមទារការធ្វើឱ្យតំបន់ទាំងនេះសកម្ម ដែលទាមទារការខិតខំប្រឹងប្រែងនៃការយល់ដឹង និងងាយរំខានដោយសម្ពាធពេលវេលា ឬបន្ទុកនៃការយល់ដឹង។

ការប្រកួតប្រជែងសរសៃប្រសាទ៖ ការមិនអើពើអត្រាមូលដ្ឋានហាក់ដូចជាលទ្ធផលពីប្រព័ន្ធ 1 "ឈ្នះ" ការប្រកួតប្រជែងសរសៃប្រសាទដោយសារតែ៖

• ការផ្គូផ្គងលំនាំគឺលឿនជាង និងទាមទារធនធានតិច
• រឿងជាក់លាក់ធ្វើឱ្យដំណើរការផ្លូវចិត្តសកម្មជាងស្ថិតិអរូបី
• ទម្រង់លំនាំដើមរបស់ខួរក្បាលគឺបង្កើតរឿងរ៉ាវ មិនមែនគណនាប្រូបាប៊ីលីតេទេ
• ដែនកំណត់នៃការចងចាំការងាររឹតត្បិតដំណើរការដំណាលគ្នានៃអត្រាមូលដ្ឋាន និងព័ត៌មានករណី

ការស្រាវជ្រាវសារធាតុបញ្ជូនសរសៃប្រសាទបង្ហាញថាផ្លូវដូប៉ាមីន (dopamine) ដែលពាក់ព័ន្ធនឹងការព្យាករណ៍រង្វាន់អាចរួមចំណែកដល់ភាពទាក់ទាញនៃ "ភាពជោគជ័យ" ជាក់លាក់ជាងការគិតតាមស្ថិតិ ខណៈពេលដែលអរម៉ូនស្ត្រេសអាចរារាំងដំណើរការពិចារណាបន្ថែមទៀត។

3. ប្រភពដើមនៃការវិវត្ត

កំហុសអត្រាមូលដ្ឋានមានដោយសារតែការយល់ដឹងរបស់មនុស្សបានវិវត្តជាម៉ាស៊ីនសម្គាល់លំនាំដែលត្រូវបានធ្វើឱ្យប្រសើរឡើងសម្រាប់ការរុករកការគំរាមកំហែងបរិស្ថានភ្លាមៗ មិនមែនសម្រាប់ការគណនាប្រូបាប៊ីលីតេអរូបីទេ។

គុណសម្បត្តិរស់រានមានជីវិតនៃការវែកញែកករណីជាក់លាក់៖

• នៅក្នុងបរិយាកាសបុព្វបុរស ការកម្រើកនៅក្នុងស្មៅអាចជាសត្វសាហាវ។ អ្នកដែលមិនអើពើ "អត្រាមូលដ្ឋាន" នៃខ្យល់ហើយសន្មត់ថាជាការគំរាមកំហែងបានរស់រានមានជីវិតញឹកញាប់ជាងអ្នកស្ថិតិដែលប្រុងប្រយ័ត្ន
• ការរស់រានមានជីវិតក្នុងសង្គមពឹងផ្អែកលើការអានចេតនារបស់បុគ្គលជាក់លាក់ មិនមែនជាមធ្យមភាគប្រជាជនទេ
• ធនធាន និងដៃគូត្រូវបានធានាតាមរយៈការវាយតម្លៃឱកាសជាក់លាក់ មិនមែនប្រេកង់អរូបីទេ
• ការសម្រេចចិត្តយ៉ាងឆាប់រហ័សផ្អែកលើការផ្គូផ្គងលំនាំបានសន្សំថាមពលការយល់ដឹងដ៏មានតម្លៃ

កម្លាំងជំរុញនៃការរៀបរាប់៖ បុព្វបុរសរបស់យើងដែលបានសាងសង់រឿងរ៉ាវហេតុនិងផលស៊ីសង្វាក់គ្នាពីព្រឹត្តិការណ៍អាចរៀន បង្រៀន និងទស្សន៍ទាយបានល្អជាងអ្នកដែលដំណើរការពិតជាស្ថិតិដែលមិនទាក់ទងគ្នា។ សមត្ថភាពកសាងរឿងរ៉ាវនេះបានក្លាយជាចំណុចកណ្តាលនៃបញ្ញារបស់មនុស្ស ប៉ុន្តែបង្កើតចំណុចខ្វាក់ជាប្រព័ន្ធនៅពេលដែលប្រូបាប៊ីលីតេផ្លូវការត្រូវបានទាមទារ។

ជាលក្ខណៈពិសេស មិនមែនជាកំហុសទេ - នៅក្នុងបរិបទ៖ នៅក្នុងស្ថានភាពភាគច្រើនមុនសម័យទំនើប ការមិនអើពើអត្រាមូលដ្ឋានគឺជាការសម្របខ្លួន។ សត្វខ្លាជាក់លាក់នៅពីមុខអ្នកមានសារៈសំខាន់ជាងការចែកចាយជាមធ្យមនៃសត្វខ្លា។ បញ្ហាកើតឡើងនៅពេលដែលស្ថាបត្យកម្មការយល់ដឹងនេះប្រឈមមុខនឹងការសម្រេចចិត្តសម័យទំនើបដែលពាក់ព័ន្ធនឹងជំងឺកម្រ ភស្តុតាងកោសល្យវិច័យ ឬឧបករណ៍ហិរញ្ញវត្ថុ - វិស័យដែលការគិតតាមស្ថិតិមានសារៈសំខាន់ ប៉ុន្តែមិនធ្លាប់មានពីមុនមកក្នុងការវិវត្ត។

ការអភិរក្សថាមពល៖ ការគណនាប្រូបាប៊ីលីតេ Bayesian ចំណាយថាមពលមេតាបូលីសច្រើន។ ខួរក្បាល ដែលប្រើប្រាស់ 20% នៃថាមពលរាងកាយ បានបង្កើតផ្លូវកាត់ដែលដំណើរការ "ល្អគ្រប់គ្រាន់" ភាគច្រើន។ នៅក្នុងបរិយាកាសខ្វះខាត ថ្លៃដើមនៃការយល់ដឹងនៃការវែកញែកជាផ្លូវការមានទម្ងន់ធ្ងន់ជាងអត្ថប្រយោជន៍តិចតួចរបស់វា។

4. របៀបដែលភាពលំអៀងនេះបង្ហាញឡើង

4.1. ក្នុងជីវិតប្រចាំថ្ងៃ

• ការធ្វើគំរូអ្នកចម្លែក៖ ជួបនរណាម្នាក់ពាក់វ៉ែនតាដែលនិយាយតិចៗ អ្នកប្រហែលជាសន្មត់ថាជា "សាស្ត្រាចារ្យ" ទោះបីជាអត្រាមូលដ្ឋានរបស់សាស្ត្រាចារ្យមានទំហំតូចបើប្រៀបធៀបទៅនឹងមុខរបរផ្សេងទៀតក៏ដោយ
• ការវាយតម្លៃហានិភ័យ៖ បន្ទាប់ពីឃើញការផ្សាយព័ត៌មានអំពីការធ្លាក់យន្តហោះ ការប៉ាន់ស្មានហួសហេតុនៃគ្រោះថ្នាក់នៃការហោះហើរ ខណៈពេលដែលមិនអើពើនឹងសុវត្ថិភាពស្ថិតិនៃការធ្វើដំណើរតាមផ្លូវអាកាស
• ការវិនិច្ឆ័យទំនាក់ទំនង៖ សន្និដ្ឋានថានរណាម្នាក់មិនស្មោះត្រង់ដោយផ្អែកលើអាកប្បកិរិយាគួរឱ្យសង្ស័យមួយ ដោយមិនអើពើនឹងប្រវត្តិដ៏ទូលំទូលាយរបស់អ្នកនៃអន្តរកម្មស្មោះត្រង់ (អត្រាមូលដ្ឋាននៃភាពគួរឱ្យទុកចិត្តរបស់ពួកគេ)
• ឆ្នោត និងការលេងល្បែង៖ ចាត់ទុកសំបុត្រ "មានសំណាង" ឬកាស៊ីណូថាជាការពិសេសដោយផ្អែកលើការឈ្នះថ្មីៗ ខណៈពេលដែលមិនអើពើនឹងអត្រាមូលដ្ឋានគណិតវិទ្យានៃការចាញ់
• ការភ័យខ្លាចនៃការចិញ្ចឹមកូន៖ ការប៉ាន់ស្មានហួសហេតុយ៉ាងខ្លាំងនៃគ្រោះថ្នាក់ដូចជាការចាប់ជម្រិតដោយផ្អែកលើរឿងរ៉ាវប្រព័ន្ធផ្សព្វផ្សាយរស់រវើក ខណៈពេលដែលប៉ាន់ស្មានទាបនៃហានិភ័យទូទៅដូចជាគ្រោះថ្នាក់ចរាចរណ៍

4.2. នៅកន្លែងធ្វើការ

• ការវាយតម្លៃការអនុវត្ត៖ ការវាយតម្លៃបុគ្គលិកថាមាន "សក្តានុពលខ្ពស់" ដោយផ្អែកលើបទបង្ហាញដ៏គួរឱ្យចាប់អារម្មណ៍មួយ ខណៈពេលដែលមិនអើពើនឹងទិន្នន័យផលិតភាពជាមូលដ្ឋានរបស់ពួកគេ
• ការសម្រេចចិត្តជួលបុគ្គលិក៖ ការពេញចិត្តចំពោះបេក្ខជនដែលការអនុវត្តបទសម្ភាសន៍របស់ពួកគេត្រូវគ្នានឹងគំរូនៃភាពជោគជ័យ ជាជាងពិចារណាលើអត្រាមូលដ្ឋាននៃភាពជោគជ័យក្នុងចំណោមការជួលស្រដៀងគ្នា
• ការប៉ាន់ប្រមាណគម្រោង៖ ជឿថា "គម្រោងនេះខុសពីគេ" ដោយផ្អែកលើលក្ខណៈពិសេសជាក់លាក់ ខណៈពេលដែលមិនអើពើនឹងអត្រាមូលដ្ឋាននៃការចំណាយលើសថវិកា និងការពន្យារពេលក្នុងគម្រោងស្រដៀងគ្នា
• ការវាយតម្លៃភាពជាអ្នកដឹកនាំ៖ ការសន្មតថាភាពជោគជ័យរបស់ក្រុមគឺដោយសារអ្នកដឹកនាំដែលមានប្រជាប្រិយភាព ខណៈពេលដែលមិនអើពើនឹងលក្ខខណ្ឌទីផ្សារ (អត្រាមូលដ្ឋាននៃភាពជោគជ័យក្នុងបរិយាកាសអំណោយផល)
• ការវិភាគគូប្រកួតប្រជែង៖ ការផ្តល់ទម្ងន់ហួសហេតុលើចលនាជាក់លាក់របស់គូប្រកួតប្រជែង ខណៈពេលដែលមិនអើពើនឹងអត្រាជោគជ័យទូទាំងឧស្សាហកម្មសម្រាប់យុទ្ធសាស្រ្តស្រដៀងគ្នា

4.3. ក្នុងអាជីវកម្ម និងទីផ្សារ

• សក្ខីកម្ម និងការសិក្សាករណី៖ ក្រុមហ៊ុនប្រើប្រាស់រឿងរ៉ាវជោគជ័យជាក់លាក់ដោយសារតែអ្នកប្រើប្រាស់មិនអើពើនឹងអត្រាមូលដ្ឋាននៃលទ្ធផលធម្មតា
• "ដូចដែលបានឃើញនៅលើទូរទស្សន៍"៖ ការបង្ហាញរស់រវើកគ្របដណ្ដប់ព័ត៌មានស្ថិតិអំពីប្រសិទ្ធភាពផលិតផល
• ការលក់ធានារ៉ាប់រង៖ សេណារីយ៉ូដ៏អស្ចារ្យនៃមហន្តរាយធ្វើឱ្យព្រឹត្តិការណ៍កម្រមានអារម្មណ៍ថាអាចកើតមាន
• ការផ្សាយពាណិជ្ជកម្មគោលដៅ៖ ការបង្ហាញផលិតផលក្នុងបរិបទដែលគួរឱ្យចង់បានជាក់លាក់ ជាជាងការបង្ហាញអត្ថប្រយោជន៍ស្ថិតិ
• រឿងរ៉ាវនៃការចាប់ផ្តើម៖ រឿងរ៉ាវ "ការចាប់ផ្តើមអាជីវកម្មនេះខុសពីគេ" នៅតែបន្តកើតមានទោះបីជាមានអត្រាមូលដ្ឋាន ~90% នៃការបរាជ័យក៏ដោយ
• ការបែងចែកអតិថិជន៖ ការធ្វើសន្ទស្សន៍ហួសហេតុលើអន្តរកម្មអតិថិជនដែលគួរឱ្យចងចាំ ជាជាងការវិភាគទិន្នន័យជាប្រព័ន្ធ

4.4. ក្នុងនយោបាយ និងប្រព័ន្ធផ្សព្វផ្សាយ

• ការរាយការណ៍អំពីឧក្រិដ្ឋកម្ម៖ ការរាយការណ៍រស់រវើកអំពីឧក្រិដ្ឋកម្មហិង្សាកម្រជំរុញគោលនយោបាយ ទោះបីជាអត្រាមូលដ្ឋាននៃអំពើហិង្សាកំពុងធ្លាក់ចុះក៏ដោយ
• ការព្យាករណ៍ការបោះឆ្នោត៖ អ្នកជំនាញផ្តោតលើគ្រាជាក់លាក់នៃយុទ្ធនាការ ("កំហុស") ខណៈពេលដែលមិនអើពើនឹងអត្រាមូលដ្ឋានប្រវត្តិសាស្ត្រនៃអត្ថប្រយោជន៍របស់អ្នកកាន់តំណែង
• ការជជែកដេញដោលអំពីអន្តោប្រវេសន៍៖ រឿងរ៉ាវជាក់លាក់នៃឧក្រិដ្ឋកម្មជនអន្តោប្រវេសន៍គ្របដណ្ដប់ភស្តុតាងស្ថិតិដែលថាជនអន្តោប្រវេសន៍ប្រព្រឹត្តបទឧក្រិដ្ឋក្នុងអត្រាទាបជាងជនជាតិដើម
• រឿងរ៉ាវគោលនយោបាយ៖ អំណះអំណាង "លើកនេះខុសពីមុន" សម្រាប់គោលនយោបាយថ្មី មិនអើពើនឹងអត្រាមូលដ្ឋាននៃការបរាជ័យគោលនយោបាយ
• ហានិភ័យភេរវកម្ម៖ ការវិនិយោគសន្តិសុខដ៏ធំដោយផ្អែកលើការវាយប្រហាររស់រវើក ខណៈពេលដែលអត្រាមូលដ្ឋានបង្ហាញថាការគំរាមកំហែងផ្សេងទៀត (គ្រោះថ្នាក់ចរាចរណ៍ ជំងឺបេះដូង) សមនឹងទទួលបានធនធានច្រើនជាង

4.5. ក្នុងវិស័យថែទាំសុខភាព

Paradox វិជ្ជមានមិនពិត (The False Positive Paradox)៖ នៅពេលដែលជំងឺមួយកម្រ (អត្រាមូលដ្ឋានទាប) សូម្បីតែការធ្វើតេស្តត្រឹមត្រូវខ្ពស់ក៏បង្កើតបានជាលទ្ធផលវិជ្ជមានមិនពិតភាគច្រើន។

ឧទាហរណ៍នៃការពិនិត្យមេរោគអេដស៍ (HIV)៖

• ចំនួនប្រជាជន៖ 100,000 នាក់ ដែលមានអត្រាផ្ទុកមេរោគអេដស៍ 0.01%

• ការធ្វើតេស្ត៖ ភាពរសើប 99.9%, ភាពជាក់លាក់ 99.9%

• វិជ្ជមានពិត៖ ~10 នាក់ (អ្នកផ្ទុកមេរោគត្រូវបានកំណត់អត្តសញ្ញាណត្រឹមត្រូវ)

• វិជ្ជមានមិនពិត៖ ~100 នាក់ (មនុស្សមានសុខភាពល្អត្រូវបានសម្គាល់ខុស)

• លទ្ធផល៖ តេស្តវិជ្ជមានមានន័យថាមានឱកាសតែ ~9% ប៉ុណ្ណោះនៃការឆ្លងពិតប្រាកដ

• កំហុសក្នុងការធ្វើរោគវិនិច្ឆ័យ៖ គ្រូពេទ្យផ្តោតលើរោគសញ្ញាដែលត្រូវគ្នានឹងរោគវិនិច្ឆ័យដ៏គួរឱ្យកត់សម្គាល់ ខណៈពេលដែលមិនអើពើនឹងអត្រាមូលដ្ឋាននៃលក្ខខណ្ឌធម្មតា

• ប្រសិទ្ធភាពនៃថ្នាំ៖ អ្នកជំងឺផ្តោតលើរឿងរ៉ាវនៃការជាសះស្បើយជាក់លាក់ ជាជាងអត្រាជោគជ័យនៃការព្យាបាលតាមស្ថិតិ

• ការសម្រេចចិត្តពិនិត្យ៖ អ្នកជំងឺបកស្រាយលទ្ធផលតេស្តវិជ្ជមានខុសដោយមិនយល់ពីអត្រាមូលដ្ឋាននៃលទ្ធផលវិជ្ជមានមិនពិត

• ការអនុលោមតាមការព្យាបាល៖ រឿងរ៉ាវផលប៉ះពាល់រស់រវើកគ្របដណ្ដប់លើទម្រង់សុវត្ថិភាពស្ថិតិ

• ការយល់ច្រឡំអំពីវ៉ាក់សាំង COVID-19៖ "70% នៃអ្នកជំងឺសម្រាកនៅមន្ទីរពេទ្យបានចាក់វ៉ាក់សាំងរួច" ត្រូវបានបកស្រាយខុសថាជាការបរាជ័យនៃវ៉ាក់សាំង ដោយមិនអើពើថា 95%+ នៃប្រជាជនដែលងាយរងគ្រោះត្រូវបានចាក់វ៉ាក់សាំងរួច (បញ្ហាភាគបែង)

4.6. ក្នុងហិរញ្ញវត្ថុ និងការវិនិយោគ

• "លើកនេះខុសពីមុន"៖ អ្នកវិនិយោគបង្ហាញអំពីភាពត្រឹមត្រូវនៃការវាយតម្លៃខ្ពស់ដោយផ្តោតលើរឿងរ៉ាវជាក់លាក់ (សេដ្ឋកិច្ចថ្មី បដិវត្តន៍ AI) ខណៈពេលដែលមិនអើពើនឹងអត្រាមូលដ្ឋានប្រវត្តិសាស្ត្រនៃការកែតម្រូវទីផ្សារ
• ពពុះ Dot-Com៖ អនុបាត P/E 100x+ ត្រូវបានរាប់ជាត្រឹមត្រូវដោយសក្តានុពលអ៊ីនធឺណិត ដោយមិនអើពើនឹងអត្រាមូលដ្ឋានប្រវត្តិសាស្ត្រនៃការវាយតម្លៃជាមធ្យម ~15x
• ការរើសយកភាគហ៊ុននីមួយៗ៖ ការចាត់ទុកព័ត៌មានជាក់លាក់របស់ក្រុមហ៊ុនជាការសម្រេច ខណៈពេលដែលមិនអើពើនឹងអត្រាមូលដ្ឋាននៃភាគហ៊ុនដែលដំណើរការមិនល្អធៀបនឹងសន្ទស្សន៍
• សុទិដ្ឋិនិយមមូលធនបណ្តាក់ទុន (Venture capital)៖ ការសម្រេចចិត្តផ្តល់មូលនិធិផ្អែកលើភាពទាក់ទាញរបស់អ្នកបង្កើត ជាជាងអត្រាមូលដ្ឋាននៃការបរាជ័យនៃការចាប់ផ្តើមអាជីវកម្ម
• ការដួលរលំ LTCM៖ ម៉ូដែលរបស់អ្នកឈ្នះពានរង្វាន់ណូបែលបានចាត់ទុកភាពប្រែប្រួលទាបថ្មីៗជាអត្រាមូលដ្ឋាន ដោយមិនអើពើនឹងប្រេកង់ប្រវត្តិសាស្ត្រនៃភាពភ័យស្លន់ស្លោទីផ្សារ ("កន្ទុយធាត់" - fat tails)
• ការរំពឹងទុកអចលនទ្រព្យ៖ ជំនឿ "ទីផ្សារនេះខុសពីគេ" មិនអើពើនឹងអត្រាមូលដ្ឋានប្រវត្តិសាស្ត្រនៃវដ្តលំនៅដ្ឋាន

5. ការសិក្សាករណីក្នុងពិភពពិត

ការសិក្សាករណីទី 1៖ Sally Clark—ម្តាយម្នាក់ដែលត្រូវបានចាប់ដាក់ពន្ធនាគារដោយខុសឆ្គង

• បរិបទ៖ ក្នុងឆ្នាំ 1999 មេធាវីជនជាតិអង់គ្លេស Sally Clark បានបាត់បង់កូនប្រុសទើបនឹងកើតពីរនាក់ — ទីមួយនៅអាយុ 11 សប្តាហ៍ ទីពីរនៅអាយុ 8 សប្តាហ៍។ នាងត្រូវបានចោទប្រកាន់ពីបទសម្លាប់ទារកពីរដង។

• អ្វីដែលបានកើតឡើង៖ សាក្សីជំនាញលោក Sir Roy Meadow បានផ្តល់សក្ខីកម្មថាប្រូបាប៊ីលីតេនៃការស្លាប់ដោយ SIDS (រោគសញ្ញាស្លាប់របស់ទារកភ្លាមៗ) ចំនួនពីរនាក់ក្នុងគ្រួសារដែលមានជីវភាពធូរធារគឺប្រហែល 1 ក្នុងចំណោម 73 លាន (គណនាជា (1/8543)²)។ គាត់បានប្រៀបធៀបវាទៅនឹងហាងឆេងនៃការភ្នាល់ "ភាគរយតិចតួចបំផុត" (long shot)។

• ភាពលំអៀងដែលកំពុងដំណើរការ៖ កំហុសសំខាន់ពីរបានបូកបញ្ចូលគ្នា៖

  1. ការបំពានឯករាជ្យភាព៖ Meadow បានសន្មតថាការស្លាប់ដោយ SIDS គឺជាព្រឹត្តិការណ៍ឯករាជ្យពីគ្នា។ កត្តាហ្សែន និងបរិស្ថានពិតជាធ្វើឱ្យការស្លាប់លើកទីពីរទំនងជាកើតឡើងជាងប្រសិនបើមានការស្លាប់ទីមួយបានកើតឡើង — ព្រឹត្តិការណ៍ទាំងនោះមានការពឹងផ្អែកតាមលក្ខខណ្ឌ។
  2. ការមិនអើពើអត្រាមូលដ្ឋាន៖ សូម្បីតែទទួលយកតួលេខ 1 ក្នុង 73 លានក៏ដោយ ក៏គណៈវិនិច្ឆ័យចាំបាច់ត្រូវប្រៀបធៀបវាទៅនឹងអត្រាមូលដ្ឋាននៃការសម្លាប់ទារកពីរនាក់ដែរ។ ការសម្លាប់កូនពីរនាក់ដោយម្តាយក៏កម្រមានខ្លាំងណាស់ (ប្រហែល 1 ក្នុង 100 លាន)។ នៅពេលប្រៀបធៀបព្រឹត្តិការណ៍ដ៏កម្រពីរ អនុបាតគឺសំខាន់។ ប្រសិនបើ SIDS ពីរដងគឺ 1 ក្នុង 73 លាន និងការសម្លាប់ពីរដងគឺ 1 ក្នុង 100 លាន នោះ SIDS ពិតជាទំនងជាមានលទ្ធភាពច្រើនជាង។ ដោយបង្ហាញតែ "1 ក្នុងចំណោម 73 លាន" តែឯង ព្រះរាជអាជ្ញាបានបញ្ជាក់ប្រយោលថាការឃាតកម្មគឺជាជម្រើសចម្បង។

• ផលវិបាក៖ Sally Clark ត្រូវបានផ្តន្ទាទោស និងកាត់ទោសឱ្យជាប់ពន្ធនាគារអស់មួយជីវិត។ សមាគមស្ថិតិភូមិន្ទ (Royal Statistical Society) បានចាត់វិធានការដ៏កម្រមួយដោយចេញការស្តីបន្ទោសជាសាធារណៈចំពោះការវែកញែកតាមស្ថិតិដែលត្រូវបានប្រើប្រាស់។ Clark ត្រូវបានដោះលែងនៅឆ្នាំ 2003 បន្ទាប់ពីការប្តឹងឧទ្ធរណ៍លើកទីពីររបស់នាង។ ដោយមិនអាចជាសះស្បើយពីការប៉ះទង្គិចផ្លូវចិត្តនៃការជាប់ពន្ធនាគារដោយខុសឆ្គង និងការបាត់បង់កូនៗរបស់នាង នាងបានស្លាប់ដោយការពុលស្រាស្រួចស្រាវនៅឆ្នាំ 2007។

• មេរៀនដែលទទួលបាន៖ ភស្តុតាងស្ថិតិទាមទារការតាក់តែងបែប Bayesian ត្រឹមត្រូវ។ តុលាការត្រូវតែប្រៀបធៀបប្រូបាប៊ីលីតេនៃភស្តុតាងក្រោមសម្មតិកម្មប្រកួតប្រជែង មិនមែនវាយតម្លៃសម្មតិកម្មមួយតែឯងទេ។ សាក្សីជំនាញត្រូវការការបណ្តុះបណ្តាលអក្ខរកម្មស្ថិតិ។

ការសិក្សាករណីទី 2៖ Lucia de Berk—គិលានុបដ្ឋាយិកាជនជាតិហូឡង់

• បរិបទ៖ គិលានុបដ្ឋាយិកាជនជាតិហូឡង់ Lucia de Berk ត្រូវបានផ្តន្ទាទោសក្នុងឆ្នាំ 2003 ពីបទឃាតកម្មប្រាំពីរករណី និងប៉ុនប៉ងឃាតកម្មបីករណីដោយផ្អែកលើការវិភាគស្ថិតិនៃការស្លាប់របស់អ្នកជំងឺក្នុងអំឡុងពេលនាងផ្លាស់ប្តូរវេន។

• អ្វីដែលបានកើតឡើង៖ អ្នកស្ថិតិរបស់មន្ទីរពេទ្យបានផ្តល់សក្ខីកម្មថា ប្រូបាប៊ីលីតេនៃការស្លាប់ជាច្រើនដែលកើតឡើងក្នុងអំឡុងពេលនាងផ្លាស់ប្តូរវេនដោយចៃដន្យគឺ 1 ក្នុងចំណោម 342 លាន។

• ភាពលំអៀងដែលកំពុងដំណើរការ៖

  1. ការជ្រើសរើសក្រោយហេតុការណ៍ (Post-hoc selection)៖ ការស្លាប់ត្រូវបានចាត់ថ្នាក់ថា "គួរឱ្យសង្ស័យ" តែបន្ទាប់ពីដឹងថា Lucia កំពុងបំពេញការងារ — ជាការលំអៀងបញ្ជាក់ (confirmation bias) បែបបុរាណរួមបញ្ចូលគ្នាជាមួយនឹងការមិនអើពើអត្រាមូលដ្ឋាន
  2. អត្រាមូលដ្ឋាននៃចង្កោមត្រូវបានមិនអើពើ៖ នៅក្នុងប្រព័ន្ធមន្ទីរពេទ្យដ៏ធំណាមួយ ច្បាប់នៃចំនួនធំ (law of large numbers) ធានាថានឹងមានគិលានុបដ្ឋាយិកាមួយចំនួននៅទីបំផុតមានលំនាំនៃការផ្លាស់ប្តូរវេនដែលហាក់ដូចជាមិនទំនងទាល់តែសោះដោយចៃដន្យ (កំហុស Texas Sharpshooter)
  3. សម្មតិកម្មជំនួសដែលត្រូវបានមិនអើពើ៖ អត្រាមូលដ្ឋាននៃអ្នកជំងឺស្លាប់ក្នុងអំឡុងពេលវេនយប់ (នៅពេលដែលអ្នកជំងឺធ្ងន់ធ្ងរត្រូវបានត្រួតពិនិត្យយ៉ាងដិតដល់) មិនត្រូវបានពិចារណាយ៉ាងត្រឹមត្រូវទេ

• ផលវិបាក៖ Lucia បានជាប់ពន្ធនាគារជាងប្រាំមួយឆ្នាំ។ នាងបានរងជំងឺដាច់សរសៃឈាមខួរក្បាលក្នុងអំឡុងពេលជាប់ពន្ធនាគារ។ ការវិភាគគណិតវិទ្យាដោយអ្នកស្ថិតិឯករាជ្យនៅពេលក្រោយបានបង្ហាញថាប្រូបាប៊ីលីតេនៃភាពគ្មានកំហុសពិតជាមានកម្រិតខ្ពស់។ នាងត្រូវបានរួចខ្លួននៅឆ្នាំ 2010 នៅក្នុងអ្វីដែលអាជ្ញាធរហូឡង់ទទួលស្គាល់ថាជាកំហុសយុត្តិធម៌ដ៏អាក្រក់បំផុតមួយនៅក្នុងប្រវត្តិសាស្ត្រប្រទេសនេះ។

• មេរៀនដែលទទួលបាន៖ ភាពចៃដន្យនៃស្ថិតិនៅក្នុងសំណុំទិន្នន័យធំ មិនមែនជាភស្តុតាងនៃមូលហេតុទេ។ ការវិភាគក្រោយហេតុការណ៍ទាមទារការប្រុងប្រយ័ត្នខ្ពស់។ តុលាការត្រូវការការពិនិត្យស្ថិតិឯករាជ្យនៃភស្តុតាងប្រូបាប៊ីលីតេ។

ការសិក្សាករណីទី 3៖ Robert Williams—ការបរាជ័យនៃការស្គាល់ផ្ទៃមុខ

• បរិបទ៖ នៅខែមករា ឆ្នាំ 2020 លោក Robert Williams បុរសស្បែកខ្មៅមកពីទីក្រុង Detroit ត្រូវបានចាប់ខ្លួននៅផ្ទះរបស់គាត់នៅចំពោះមុខគ្រួសាររបស់គាត់ បន្ទាប់ពីក្បួនដោះស្រាយ (algorithm) ការសម្គាល់ផ្ទៃមុខបានផ្គូផ្គងរូបថតប័ណ្ណបើកបររបស់គាត់ទៅនឹងវីដេអូកាមេរ៉ាសុវត្ថិភាពពីឧប្បត្តិហេតុលួចឥវ៉ាន់។

• អ្វីដែលបានកើតឡើង៖ អ្នកស៊ើបអង្កេតបានបង្ហាញ Williams នូវរូបភាពពីកាមេរ៉ាសុវត្ថិភាព ហើយនិយាយថា "កុំព្យូទ័រនិយាយថាវាជាអ្នក"។ គាត់ត្រូវបានឃុំខ្លួនរយៈពេល 30 ម៉ោងមុនពេលត្រូវបានដោះលែង។

• ភាពលំអៀងដែលកំពុងដំណើរការ៖

  1. Paradox វិជ្ជមានមិនពិត៖ សូម្បីតែប្រព័ន្ធសម្គាល់ផ្ទៃមុខដែលមានភាពត្រឹមត្រូវ 99% ក៏ដោយ នៅពេលស្វែងរកមូលដ្ឋានទិន្នន័យដែលមានផ្ទៃមុខរាប់លាន វានឹងបង្កើតការផ្គូផ្គងខុសរាប់ពាន់
  2. ភាពលំអៀងស្វ័យប្រវត្តិកម្ម (Automation bias)៖ អ្នកស៊ើបអង្កេតបានចាត់ទុក "ការផ្គូផ្គង" របស់ក្បួនដោះស្រាយជាភស្តុតាងច្បាស់លាស់ ជាជាងការស្នើប្រូបាប៊ីលីតេដែលទាមទារការបញ្ជាក់
  3. អត្រាមូលដ្ឋាននៃការផ្គូផ្គងចៃដន្យ៖ ដូចជាបញ្ហារថយន្តតាក់ស៊ីដែរ "សាក្សី" (ក្បួនដោះស្រាយ) មានអត្រាកំហុស ហើយ "ប្រជាជនស្លូតត្រង់" មានចំនួនច្រើនណាស់ — បង្កើតបានជាលទ្ធផលវិជ្ជមានមិនពិតជាច្រើន

• ផលវិបាក៖ Williams ត្រូវបានចាប់ខ្លួន ឃុំខ្លួន និងមាន DNA ស្នាមម្រាមដៃ និងរូបថតមុខរបស់គាត់បញ្ចូលទៅក្នុងមូលដ្ឋានទិន្នន័យឧក្រិដ្ឋជនដោយខុសឆ្គង។ គាត់បានប្តឹងនាយកដ្ឋានប៉ូលីសក្រុង Detroit។ ករណីនេះបានក្លាយជាឧទាហរណ៍សំខាន់មួយនៃភាពលំអៀងក្បួនដោះស្រាយនៅក្នុងការអនុវត្តច្បាប់។

• មេរៀនដែលទទួលបាន៖ ភស្តុតាងក្បួនដោះស្រាយត្រូវតែវាយតម្លៃតាមបែបប្រូបាប៊ីលីតេ មិនមែនចាត់ទុកថាឥតខ្ចោះនោះទេ។ អត្រាមូលដ្ឋាននៃការផ្គូផ្គងខុសត្រូវតែប្រាប់ដល់អ្នកធ្វើការសម្រេចចិត្ត។ ភស្តុតាងបញ្ជាក់គួរតែតម្រូវឱ្យមានមុនពេលចាប់ខ្លួនផ្អែកលើការផ្គូផ្គងក្បួនដោះស្រាយ។

ឧទាហរណ៍ប្រវត្តិសាស្ត្រ៖ ការដួលរលំនៃការគ្រប់គ្រងមូលធនរយៈពេលវែង (LTCM)

នៅឆ្នាំ 1998 ក្រុមហ៊ុន Long-Term Capital Management (LTCM) ដែលជាមូលនិធិ hedge fund គ្រប់គ្រងដោយជ័យលាភីពានរង្វាន់ណូបែល Myron Scholes និង Robert Merton បានដួលរលំយ៉ាងគួរឱ្យកត់សម្គាល់ ដែលស្ទើរតែធ្វើឱ្យអស្ថិរភាពប្រព័ន្ធហិរញ្ញវត្ថុពិភពលោក។

ម៉ូដែលតម្លៃនៅពេលហានិភ័យ (VaR) ដ៏ទំនើបរបស់ LTCM ពឹងផ្អែកលើទិន្នន័យប្រវត្តិសាស្ត្រថ្មីៗ ដែលបង្ហាញពីភាពប្រែប្រួលទីផ្សារទាប។ ពួកគេបានគណនាថាការខាតបង់ធំៗគឺជា "ព្រឹត្តិការណ៍ 10-sigma" — មិនអាចទៅរួចតាមស្ថិតិ។ ម៉ូដែលទាំងនោះបានមិនអើពើនឹងអត្រាមូលដ្ឋានប្រវត្តិសាស្ត្រនៃការភ័យស្លន់ស្លោផ្នែកហិរញ្ញវត្ថុ — "កន្ទុយធាត់" នៃការចែកចាយទីផ្សារ។ ពួកគេក៏បានមិនអើពើនឹងអត្រាមូលដ្ឋាននៃការជាប់ទាក់ទងជាប្រព័ន្ធ៖ នៅក្នុងវិបត្តិ ការជាប់ទាក់ទងទាំងអស់ទៅកាន់ 1 នៅពេលភាពភ័យស្លន់ស្លោរាលដាល។

នៅពេលប្រទេសរុស្ស៊ីខកខានក្នុងការសងបំណុលរបស់ខ្លួននៅខែសីហា ឆ្នាំ 1998 រឿង "មិនអាចទៅរួច" បានកើតឡើង។ LTCM បានបាត់បង់ 4.6 ពាន់លានដុល្លារក្នុងរយៈពេលតិចជាងបួនខែ ដោយតម្រូវឱ្យមានការធានាសង្គ្រោះសម្របសម្រួលដោយ Federal Reserve ដើម្បីទប់ស្កាត់ការឆ្លងរាលដាលផ្នែកហិរញ្ញវត្ថុកាន់តែទូលំទូលាយ។

មេរៀន៖ ម៉ូដែលទំនើបៗដែលមិនអើពើនឹងអត្រាមូលដ្ឋានប្រវត្តិសាស្ត្រនៃព្រឹត្តិការណ៍កម្របង្កើតចំណុចខ្វាក់គ្រោះថ្នាក់។ លក្ខខណ្ឌជាក់លាក់នៃអតីតកាលថ្មីៗមិនមែនជាការណែនាំដែលអាចទុកចិត្តបានចំពោះហានិភ័យកន្ទុយ (tail risks) នោះទេ។

6. ថ្លៃដើមនៃភាពលំអៀងនេះ

6.1. ថ្លៃដើមផ្ទាល់ខ្លួន

• ការភ័យខ្លាច និងការថប់បារម្ភ៖ ការប៉ាន់ស្មានហួសហេតុនៃគ្រោះថ្នាក់កម្រ (ការធ្លាក់យន្តហោះ ឧក្រិដ្ឋកម្មហិង្សា ជំងឺ) បង្កើតភាពតានតឹងរ៉ាំរ៉ៃ ខណៈពេលដែលមិនអើពើនឹងហានិភ័យដែលទំនងជាកើតមានច្រើនជាង
• ការខូចខាតទំនាក់ទំនង៖ ការវិនិច្ឆ័យមនុស្សតាមព្រឹត្តិការណ៍រស់រវើកតែមួយ ជាជាងអត្រាមូលដ្ឋានអាកប្បកិរិយាជាប់លាប់របស់ពួកគេ នាំឱ្យមានការវិនិច្ឆ័យមិនយុត្តិធម៌ និងការបាត់បង់ទំនុកចិត្ត
• ការខកខានឱកាស៖ ជៀសវាងសកម្មភាពមានប្រយោជន៍ (ការហោះហើរ ការវះកាត់ ការផ្លាស់ប្តូរអាជីព) ដោយសារតែរឿងបរាជ័យរស់រវើក ខណៈពេលដែលមិនអើពើនឹងអត្រាមូលដ្ឋាននៃភាពជោគជ័យ
• ការខាតបង់ហិរញ្ញវត្ថុ៖ ធ្វើការសម្រេចចិត្តវិនិយោគផ្អែកលើរឿងរ៉ាវគួរឱ្យទាក់ទាញ ជាជាងភស្តុតាងស្ថិតិ
• ការថប់បារម្ភផ្នែកវេជ្ជសាស្រ្ត៖ ការបកស្រាយខុសនៃលទ្ធផលតេស្តពិនិត្យ ដោយមិនយល់ពីអត្រាមូលដ្ឋាននៃលទ្ធផលវិជ្ជមានមិនពិត

6.2. ថ្លៃដើមវិជ្ជាជីវៈ

• ការវិនិច្ឆ័យខុសក្នុងអាជីព៖ សម្រេចចិត្តការងារផ្អែកលើលទ្ធផលជាក់លាក់ដ៏អស្ចារ្យ ជាជាងគន្លងអាជីពតាមស្ថិតិ
• ការបរាជ័យគម្រោង៖ ការគិតថា "គម្រោងនេះខុសពីគេ" នាំឱ្យមានការប៉ាន់ស្មានទាបម្តងហើយម្តងទៀតនៃថ្លៃដើមនិងកាលវិភាគ
• កំហុសក្នុងការជួលបុគ្គលិក៖ ជ្រើសរើសបេក្ខជនផ្អែកលើគំរូនៃដំណើរការសម្ភាសន៍ ជាជាងអត្រាមូលដ្ឋានព្យាករណ៍
• កំហុសយុទ្ធសាស្ត្រ៖ ការសម្រេចចិត្តអាជីវកម្មជំរុញដោយរឿងរ៉ាវរបស់គូប្រជែង ជាជាងស្ថិតិឧស្សាហកម្ម
• ការព្យាករណ៍បរាជ័យ៖ ការព្យាករណ៍ផ្អែកលើរឿងរ៉ាវបច្ចុប្បន្នដែលមិនអើពើនឹងអត្រាមូលដ្ឋានប្រវត្តិសាស្ត្រនៃស្ថានភាពស្រដៀងគ្នា

6.3. ថ្លៃដើមសង្គម

• ការផ្តន្ទាទោសខុសឆ្គង៖ ដូចដែលបានឃើញក្នុងករណី Sally Clark និង Lucia de Berk ការមិនអើពើអត្រាមូលដ្ឋានក្នុងដំណើរការផ្លូវច្បាប់បំផ្លាញជីវិតមនុស្សស្លូតត្រង់
• ការបែងចែកគោលនយោបាយខុស៖ ធនធានត្រូវបានតម្រង់ទៅរកការគំរាមកំហែងរស់រវើកតែកម្រ (ភេរវកម្ម) ខណៈពេលដែលគ្រោះថ្នាក់ដែលមានលទ្ធភាពច្រើនជាង (ការស្លាប់ដោយចរាចរណ៍ ជំងឺ) ត្រូវបានគេមិនអើពើ
• អយុត្តិធម៌នៃក្បួនដោះស្រាយ៖ ប្រព័ន្ធ AI ដែលបានបណ្តុះបណ្តាលលើទិន្នន័យលំអៀងបន្តនិងពង្រីកកំហុសអត្រាមូលដ្ឋាន ដែលនាំឱ្យមានការរើសអើងក្នុងការប៉ូលីស ការផ្តល់ប្រាក់កម្ចី និងការជួល
• ការបរាជ័យផ្នែកសុខភាពសាធារណៈ៖ ការយល់ច្រឡំអំពីស្ថិតិពិនិត្យនាំឱ្យមានការធ្វើតេស្តមិនសមរម្យ និងការសម្រេចចិត្តព្យាបាលក្នុងទ្រង់ទ្រាយធំ
• វិបត្តិហិរញ្ញវត្ថុ៖ ទីផ្សារដែលមិនអើពើនឹងអត្រាមូលដ្ឋានវាយតម្លៃ បង្កើតពពុះដែលប៉ះពាល់ដល់មនុស្សរាប់លាននាក់នៅពេលដែលវាផ្ទុះដោយជៀសមិនរួច

6.4. ឥទ្ធិពលស្ថិតិ

របកគំហើញនៃការស្រាវជ្រាវលើឥទ្ធិពលដែលអាចវាស់វែងបាននៃការមិនអើពើអត្រាមូលដ្ឋាន៖

• ការសម្រេចចិត្តផ្នែកវេជ្ជសាស្រ្ត៖ ការសិក្សាបង្ហាញថាមានតែគ្រូពេទ្យ ~15% ប៉ុណ្ណោះដែលបកស្រាយលទ្ធផលតេស្តវិជ្ជមានបានត្រឹមត្រូវនៅពេលដែលអត្រាមូលដ្ឋាននៃជំងឺមានកម្រិតទាប ដែលនាំឱ្យមានការធ្វើរោគវិនិច្ឆ័យហួសហេតុយ៉ាងច្រើន
• ការសម្រេចចិត្តរបស់គណៈវិនិច្ឆ័យ៖ ការសិក្សាគណៈវិនិច្ឆ័យសាកល្បងបានរកឃើញថាព័ត៌មានអត្រាមូលដ្ឋានភាគច្រើនត្រូវបានគេមិនអើពើនៅពេលដែលសក្ខីកម្មរស់រវើកត្រូវបានបង្ហាញ
• ភាពត្រឹមត្រូវនៃការព្យាករណ៍៖ ការស្រាវជ្រាវរបស់ Philip Tetlock បានរកឃើញថា "អ្នកព្យាករណ៍កំពូល" ដែលជម្នះការមិនអើពើអត្រាមូលដ្ឋានមានដំណើរការល្អជាងអ្នកជំនាញ 30%+
• ដំណើរការក្បួនដោះស្រាយ៖ ការវិភាគរបស់ ProPublica ទៅលើក្បួនដោះស្រាយការប្រព្រឹត្តបទល្មើសឡើងវិញ COMPAS បានរកឃើញថា ភាពលំអៀងអត្រាមូលដ្ឋានរបស់វាបានបង្កើតអត្រាវិជ្ជមានមិនពិតខ្ពស់ជាងពីរដងសម្រាប់ចុងចោទស្បែកខ្មៅធៀបនឹងចុងចោទស្បែកស

7. អត្ថប្រយោជន៍លាក់កំបាំង

កំហុសអត្រាមូលដ្ឋានមិនមែនសុទ្ធតែជាពិការភាពនៃការយល់ដឹងនោះទេ — យន្តការមូលដ្ឋានបម្រើមុខងារសម្របខ្លួនដ៏សំខាន់។

ការរកឃើញការគំរាមកំហែងរហ័ស៖ នៅក្នុងបរិយាកាសដែលការមើលរំលងសត្វសាហាវមានន័យថាស្លាប់ វាជាការប្រសើរក្នុងការឆ្លើយតបហួសហេតុចំពោះសញ្ញាគ្រោះថ្នាក់ជាក់លាក់ ជាជាងការគណនាស្ថិតិប្រជាជនដោយប្រុងប្រយ័ត្ន។ ថ្លៃដើមនៃវិជ្ជមានមិនពិត (ការប្រុងប្រយ័ត្នដែលមិនចាំបាច់) គឺទាបបើប្រៀបធៀបទៅនឹងអវិជ្ជមានមិនពិត (ការត្រូវគេស៊ី)។

ភាពវៃឆ្លាតសង្គម៖ ការអានចេតនារបស់បុគ្គលជាក់លាក់មានសារៈសំខាន់សម្រាប់ភាពជោគជ័យក្នុងសង្គម ជាងការដឹងអំពីស្ថិតិកម្រិតប្រជាជនអំពីអាកប្បកិរិយារបស់មនុស្ស។ មនុស្សនៅពីមុខអ្នកមិនមែនជាមនុស្សមធ្យមទេ — ពួកគេគឺជាបុគ្គលជាក់លាក់ ដែលអ្នកត្រូវយល់ពីចេតនាជាក់លាក់របស់ពួកគេ។

ការរៀនតាមរយៈរឿងរ៉ាវ៖ រឿងរ៉ាវគឺជារបៀបដែលមនុស្សបញ្ជូនចំណេះដឹងឆ្លងកាត់ជំនាន់។ "ភាពលំអៀង" ឆ្ពោះទៅរករឿងរស់រវើកជាងស្ថិតិ គឺជាអ្វីដែលធ្វើឱ្យការរៀនពីបទពិសោធន៍ និងបទពិសោធន៍របស់អ្នកដទៃអាចធ្វើទៅបាន។

ប្រសិទ្ធភាពថាមពល៖ ការវែកញែកតាមបែប Bayesian ប្រុងប្រយ័ត្ន ចំណាយថាមពលមេតាបូលីសច្រើន។ សម្រាប់ការសម្រេចចិត្តប្រចាំថ្ងៃភាគច្រើន ការផ្គូផ្គងលំនាំរហ័សបង្កើតលទ្ធផលល្អគ្រប់គ្រាន់ដោយប្រើប្រាស់ថាមពលយល់ដឹងតិចតួច។

ការដោះដូរ៖ ការលុបបំបាត់ការមិនអើពើអត្រាមូលដ្ឋានទាំងស្រុងនឹងទាមទារការគណនាដែលខំប្រឹងប្រែងជាប់លាប់ ដែលនឹងធ្វើឱ្យខ្វិនដល់ការសម្រេចចិត្ត។ គោលដៅមិនមែនដើម្បីលុបបំបាត់ផ្លូវកាត់នោះទេ ប៉ុន្តែដើម្បីទទួលស្គាល់ពេលដែលការគិតតាមស្ថិតិត្រូវបានទាមទារ — ជាពិសេសក្នុងវិស័យច្បាប់ វេជ្ជសាស្រ្ត ហិរញ្ញវត្ថុ និងគោលនយោបាយ ដែលអត្រាមូលដ្ឋានមានសារៈសំខាន់បំផុត។

8. ការវាយតម្លៃខ្លួនឯង៖ តើអ្នកមានភាពលំអៀងនេះទេ?

8.1. បញ្ជីផ្ទៀងផ្ទាត់សញ្ញាព្រមាន

• អ្នកតែងតែគិតថា "ស្ថានភាពនេះខុសពីគេ" ដោយមិនបានពិនិត្យភាពស្រដៀងគ្នាតាមស្ថិតិទៅនឹងស្ថានភាពកន្លងមក
• អ្នកយល់ថាឧទាហរណ៍ជាក់លាក់គួរឱ្យជឿជាក់ជាងសេចក្តីសង្ខេបស្ថិតិ
• អ្នកធ្លាប់សម្រេចចិត្តផ្អែកលើរឿងរ៉ាវខ្លីៗដែលគួរឱ្យចងចាំ ជាជាងពិគ្រោះជាមួយទិន្នន័យ
• អ្នកពិបាកជឿថាលទ្ធផលតេស្តពេទ្យអាចជាវិជ្ជមានមិនពិត
• អ្នកប៉ាន់ប្រមាណប្រូបាប៊ីលីតេដោយមើលថាតើអ្នកអាចស្រមៃមើលលទ្ធផលបានងាយស្រួលប៉ុណ្ណា
• អ្នកវិនិច្ឆ័យមនុស្សយ៉ាងឆាប់រហ័សផ្អែកលើចំណាប់អារម្មណ៍ដំបូង ឬអាកប្បកិរិយាតែមួយ
• អ្នកធ្លាប់មិនអើពើនឹង "ព័ត៌មានផ្ទៃខាងក្រោយ" ដោយសារវាហាក់ដូចជាពាក់ព័ន្ធតិចជាងព័ត៌មានលម្អិតជាក់លាក់
• អ្នកយល់ថាស្ថិតិអត្រាមូលដ្ឋាន "ត្រជាក់" ឬ "ខុសប្រធានបទ" នៅក្នុងការពិភាក្សា
• អ្នកធ្លាប់ភ្ញាក់ផ្អើលនៅពេលដែលការព្យាករណ៍តាមស្ថិតិខុសពីវិចារណញាណរបស់អ្នក
• អ្នកទប់ទល់នឹងការគិតជាភាគរយ ហើយចូលចិត្តការវិនិច្ឆ័យ យល់ព្រម/មិនយល់ព្រម

ការដាក់ពិន្ទុ៖

• គូសធីក 0-2៖ ងាយរងគ្រោះកម្រិតទាប
• គូសធីក 3-5៖ ងាយរងគ្រោះកម្រិតមធ្យម
• គូសធីក 6-8៖ ងាយរងគ្រោះកម្រិតខ្ពស់
• គូសធីក 9-10៖ ងាយរងគ្រោះកម្រិតខ្ពស់ណាស់

8.2. សំណួរឆ្លុះបញ្ចាំងខ្លួនឯង

1. តើពេលណាជាលើកចុងក្រោយដែលអ្នកប្តូរគំនិតដោយសារតែភស្តុតាងស្ថិតិ ជាជាងរឿងរ៉ាវ ឬឧទាហរណ៍គួរឱ្យទាក់ទាញ?
2. គិតអំពីការសម្រេចចិត្តដ៏ធំមួយដែលអ្នកបានធ្វើថ្មីៗនេះ — តើអ្នកបានស្រាវជ្រាវពីអត្រាមូលដ្ឋាននៃភាពជោគជ័យ/ការបរាជ័យសម្រាប់ការសម្រេចចិត្តស្រដៀងគ្នាដែរឬទេ?
3. តើអ្នកធ្លាប់ច្រានចោលស្ថិតិពាក់ព័ន្ធដោយសារតែពួកវាមិនមានអារម្មណ៍ថាពាក់ព័ន្ធនឹងស្ថានភាពជាក់លាក់របស់អ្នកដែរឬទេ?
4. នៅពេលមាននរណាម្នាក់ប្រាប់អ្នកពីរឿងរ៉ាវខ្លីៗ តើអ្នកសួរខ្លួនឯងដោយឯកឯងថាតើបទពិសោធន៍នោះធម្មតា ឬមិនធម្មតាប៉ុណ្ណាទេ?
5. តើអ្នកដទៃធ្លាប់ប្រាប់អ្នកថាអ្នកផ្តោតលើឧទាហរណ៍បុគ្គលខ្លាំងពេក ឬមិនគ្រប់គ្រាន់លើទិន្នន័យដែរឬទេ?

8.3. សេណារីយ៉ូវិភាគរហ័ស

សេណារីយ៉ូ៖ ការធ្វើតេស្តវេជ្ជសាស្រ្តថ្មីមួយសម្រាប់ជំងឺធ្ងន់ធ្ងរត្រូវបានបង្កើតឡើង។ ការធ្វើតេស្តនេះមានភាពត្រឹមត្រូវ 99% (ទាំងក្នុងការរកឃើញជំងឺនៅពេលដែលមានវត្តមាន និងក្នុងការបញ្ជាក់ពីមនុស្សដែលមានសុខភាពល្អត្រឹមត្រូវ)។ នៅក្នុងប្រជាជនទូទៅ មនុស្ស 1 នាក់ក្នុងចំណោម 1,000 នាក់មានជំងឺនេះ។ ការធ្វើតេស្តរបស់អ្នកចេញមកវិជ្ជមាន។ តើប្រូបាប៊ីលីតេដែលអ្នកពិតជាមានជំងឺនេះមានប៉ុន្មាន?

តើអ្នកនឹងឆ្លើយតបយ៉ាងដូចម្តេច?

• A) ប្រហែល 99% → ងាយរងគ្រោះកម្រិតខ្ពស់ (អ្នកកំពុងផ្គូផ្គងចម្លើយទៅនឹងភាពត្រឹមត្រូវនៃការធ្វើតេស្ត ដោយមិនអើពើនឹងអត្រាមូលដ្ឋាន)
• B) ប្រហែល 50% → ងាយរងគ្រោះកម្រិតមធ្យម (អ្នកដឹងថាមានអ្វីមួយខុស ប៉ុន្តែមិនអាចគណនាប្រូបាប៊ីលីតេពិតប្រាកដ)
• C) ប្រហែល 9% → ងាយរងគ្រោះកម្រិតទាប (អ្នកបានរួមបញ្ចូលអត្រាមូលដ្ឋានយ៉ាងត្រឹមត្រូវ; វិជ្ជមានពិត ~10 នាក់ និងវិជ្ជមានមិនពិត ~100 នាក់ក្នុងចំណោមមនុស្ស 1,000 នាក់ដែលបានធ្វើតេស្ត)

9. ការកំណត់អត្តសញ្ញាណភាពលំអៀងនេះនៅក្នុងអ្នកដទៃ

9.1. សូចនាករអាកប្បកិរិយា

• ច្រានចោលអំណះអំណាងតាមស្ថិតិថា "ត្រជាក់" ឬ "ខុសប្រធានបទ" ដោយពេញចិត្តចំពោះរឿងរ៉ាវផ្ទាល់ខ្លួន
• ជារឿយៗប្រើឃ្លាដូចជា "តាមបទពិសោធន៍របស់ខ្ញុំ" ឬ "ខ្ញុំស្គាល់នរណាម្នាក់ដែល..." នៅពេលធ្វើការអះអាងទូទៅ
• ចាត់ទុកករណីនីមួយៗជាភស្តុតាងច្បាស់លាស់សម្រាប់លំនាំទូលំទូលាយ
• ពិបាកទទួលយកថាការធ្វើឱ្យទូទៅតាមស្ថិតិអនុវត្តចំពោះស្ថានភាពជាក់លាក់របស់ពួកគេ
• ផ្តល់ទម្ងន់លើសលប់លើព្រឹត្តិការណ៍ថ្មីៗ ឬគួរឱ្យចងចាំនៅពេលប៉ាន់ប្រមាណប្រូបាប៊ីលីតេ
• តស៊ូមិនផ្លាស់ប្តូរមតិនៅពេលត្រូវបានបង្ហាញទិន្នន័យអត្រាមូលដ្ឋាន

9.2. សញ្ញាព្រមានក្នុងការសន្ទនា

ឃ្លាដែលមនុស្សនិយាយនៅពេលស្ថិតក្រោមភាពលំអៀងនេះ៖

• "ប៉ុន្តែករណីនេះគឺខុសពីគេ..."
• "ស្ថិតិមិនបានប្រាប់ពីរឿងរ៉ាវទាំងមូលទេ"
• "ខ្ញុំដឹងថាតួលេខនិយាយអ្វី ប៉ុន្តែ..."
• "អនុញ្ញាតឱ្យខ្ញុំប្រាប់អ្នកអំពីនរណាម្នាក់ដែលខ្ញុំស្គាល់..."
• "អ្នកអាចបញ្ជាក់អ្វីក៏បានជាមួយស្ថិតិ"

ប្រភេទនៃអំណះអំណាងដែលពួកគេបង្កើត៖

• លើកយកឧទាហរណ៍ជោគជ័យ/បរាជ័យរបស់បុគ្គលជាភស្តុតាងសម្រាប់យុទ្ធសាស្ត្រទូទៅ
• ចាត់ទុកករណីពិសេសជាតំណាងនៃលទ្ធផលធម្មតា

សំណួរដែលពួកគេជៀសវាងសួរ៖

• "តើនេះតែងតែកើតឡើងញឹកញាប់ប៉ុណ្ណា?"
• "តើអត្រាជោគជ័យសម្រាប់ស្ថានភាពស្រដៀងគ្នានេះមានប៉ុន្មាន?"

9.3. កត្តាជំរុញតាមស្ថានភាព

• បញ្ហាផ្លូវអារម្មណ៍៖ នៅពេលលទ្ធផលមានសារៈសំខាន់ខ្លាំង ព័ត៌មានករណីជាក់លាក់កាន់តែគួរឱ្យទាក់ទាញ
• ឧទាហរណ៍រស់រវើក៖ ព្រឹត្តិការណ៍ថ្មីៗ គួរឱ្យរំភើប ឬមានបទពិសោធន៍ផ្ទាល់ខ្លួន គ្របដណ្ដប់លើមូលដ្ឋានស្ថិតិ
• ភាពស្មុគស្មាញ៖ នៅពេលការវិភាគស្ថិតិពិបាក មនុស្សនឹងប្តូរទៅរកឧទាហរណ៍តំណាង
• សម្ពាធពេលវេលា៖ ការសម្រេចចិត្តរហ័សពេញចិត្តការផ្គូផ្គងលំនាំជាងការគណនាប្រូបាប៊ីលីតេ
• បរិបទរឿងរ៉ាវ៖ នៅពេលព័ត៌មានមកជាទម្រង់រឿងរ៉ាវ ជាជាងស្ថិតិ
• ការរៀបចំរបស់អ្នកជំនាញ៖ នៅពេលអាជ្ញាធរបង្ហាញព័ត៌មានករណីដោយគ្មានបរិបទអត្រាមូលដ្ឋាន

10. យុទ្ធសាស្ត្រជម្នះភាពលំអៀងការយល់ដឹង

10.1. បច្ចេកទេសភ្លាមៗ

• សួរថា "ញឹកញាប់ប៉ុណ្ណា?"៖ មុននឹងទទួលយកព័ត៌មានបុគ្គល សូមសួរឱ្យច្បាស់អំពីអត្រាមូលដ្ឋាន។ "តើលទ្ធផលនេះជារឿងទូទៅប៉ុណ្ណា?"
• ការកែទម្រង់ "មនុស្ស 100 នាក់"៖ នៅពេលដែលផ្តល់ប្រូបាប៊ីលីតេមួយ សូមស្រមៃមើលមនុស្ស 100 នាក់ក្នុងស្ថានភាពនោះ។ តើមានប៉ុន្មាននាក់នឹងមានលទ្ធផលនីមួយៗ?
• ពិចារណាជម្រើសផ្សេង៖ តើអត្រាមូលដ្ឋាននៃសម្មតិកម្មប្រកួតប្រជែងមានប៉ុន្មាន? (ដូចជាការប្រៀបធៀបអត្រា SIDS ពីរដងទៅនឹងឃាតកម្មពីរដង)
• ការព្យាករណ៍ថ្នាក់យោង (Reference class forecasting)៖ កំណត់ថ្នាក់យោងដែលពាក់ព័ន្ធសម្រាប់ស្ថានភាពរបស់អ្នក និងពិនិត្យមើលលទ្ធផលប្រវត្តិសាស្ត្រ
• តេស្តកាសែត៖ តើករណីជាក់លាក់នេះនឹងត្រូវចុះកាសែតដោយសារតែវាខុសធម្មតាឬទេ? ប្រសិនបើដូច្នេះ វាប្រហែលជាមិនមែនជាតំណាងទេ

10.2. យុទ្ធសាស្ត្ររយៈពេលវែង

• អនុវត្តការគិតបែប Bayesian៖ ធ្វើការជាប្រចាំលើបញ្ហាប្រូបាប៊ីលីតេដែលទាមទារការរួមបញ្ចូលអត្រាមូលដ្ឋាន
• រក្សាទុកកំណត់ហេតុការព្យាករណ៍៖ កត់ត្រាការព្យាករណ៍ជាមួយនឹងប្រូបាប៊ីលីតេដែលបានបញ្ជាក់ បន្ទាប់មកពិនិត្យមើលលទ្ធផលដើម្បីកែតម្រូវវិចារណញាណរបស់អ្នក
• ស្វែងរកការបណ្តុះបណ្តាលស្ថិតិ៖ ការអប់រំផ្លូវការនៅក្នុងប្រូបាប៊ីលីតេ និងស្ថិតិបង្កើនភាពធន់នឹងកំហុស
• សាងសង់បណ្ណាល័យអត្រាមូលដ្ឋាន៖ សម្រាប់វិស័យសំខាន់ៗ (សុខភាព អាជីព ហិរញ្ញវត្ថុ) ស្រាវជ្រាវ និងចងចាំអត្រាមូលដ្ឋានដែលពាក់ព័ន្ធ
• បណ្តុះមិត្តភក្តិស្ថិតិ៖ បង្កើតទំនាក់ទំនងជាមួយមនុស្សដែលគិតតាមបែបប្រូបាប៊ីលីតេ និងនឹងប្រឈមមុខនឹងការវែកញែករបស់អ្នក

10.3. ការរចនាបរិស្ថាន

• ប្រើទម្រង់ប្រេកង់ធម្មជាតិ៖ បម្លែងប្រូបាប៊ីលីតេទៅជាទម្រង់ "X ក្នុងចំណោម Y" ដែលខួរក្បាលដំណើរការតាមវិចារណញាណជាងមុន
• បង្កើតបញ្ជីត្រួតពិនិត្យការសម្រេចចិត្ត៖ រួមបញ្ចូលសំណួរអត្រាមូលដ្ឋានជាជំហានចាំបាច់ក្នុងការសម្រេចចិត្តសំខាន់ៗ
• ប្រើអារេតំណាង (icon arrays)៖ ការតំណាងរូបភាពនៃប្រូបាប៊ីលីតេកាត់បន្ថយការមិនអើពើភាគបែង
• ប្តេជ្ញាជាមុនចំពោះលក្ខណៈវិនិច្ឆ័យស្ថិតិ៖ មុនពេលជួបប្រទះព័ត៌មានជាក់លាក់ កំណត់ថាតើស្ថិតិអ្វីខ្លះនឹងធ្វើឱ្យអ្នកប្តូរគំនិត
• រចនាការបង្ហាញព័ត៌មាន៖ បង្ហាញអត្រាមូលដ្ឋានឱ្យលេចធ្លោ និងមុនពេលព័ត៌មានបុគ្គល

10.4. ពេលណាត្រូវស្វែងរកមតិខាងក្រៅ

• ការសម្រេចចិត្តដែលមានហានិភ័យខ្ពស់៖ ការធ្វើរោគវិនិច្ឆ័យវេជ្ជសាស្រ្ត ការវិនិច្ឆ័យផ្លូវច្បាប់ ការវិនិយោគធំៗ ការសម្រេចចិត្តជួលបុគ្គលិក
• នៅពេលអ្នកមានវិចារណញាណខ្លាំង៖ អារម្មណ៍ខ្លាំងអាចបង្ហាញពីការគ្របដណ្តប់នៃប្រព័ន្ធ 1 — ទទួលយកការត្រួតពិនិត្យស្ថិតិ
• ស្ថានភាពប្រូបាប៊ីលីតេស្មុគស្មាញ៖ នៅពេលប្រូបាប៊ីលីតេតាមលក្ខខណ្ឌច្រើនមានទំនាក់ទំនងគ្នា
• ការពាក់ព័ន្ធផ្លូវអារម្មណ៍៖ នៅពេលដែលផលប្រយោជន៍ផ្ទាល់ខ្លួនធ្វើឱ្យការវែកញែកប្រកបដោយសត្យានុម័តមានការលំបាក
• ភាពមិនស៊ីគ្នានៃជំនាញ៖ នៅពេលការសម្រេចចិត្តទាមទារជំនាញស្ថិតិដែលអ្នកខ្វះខាត

11. លំហាត់អនុវត្ត

លំហាត់ទី 1៖ ម៉ាស៊ីនគិតលេខតេស្តពិនិត្យរោគ

• គោលបំណង៖ អភិវឌ្ឍវិចារណញាណសម្រាប់ការវែកញែកតាមបែប Bayesian ដោយធ្វើការលើសេណារីយ៉ូនៃការពិនិត្យរោគ
• ពេលវេលាត្រូវការ៖ 20 នាទី
• សម្ភារៈត្រូវការ៖ ម៉ាស៊ីនគិតលេខ, ក្រដាស
• កម្រិតលំបាក៖ មធ្យម
• សេចក្តីណែនាំ៖
  1. ជ្រើសរើសជំងឺមួយ ហើយស្វែងរកអត្រាប្រេវ៉ាឡង់ (អត្រាមូលដ្ឋាន) នៅក្នុងប្រជាសាស្ត្ររបស់អ្នក
  2. ស្វែងរកភាពរសើប និងភាពជាក់លាក់នៃការធ្វើតេស្តពិនិត្យទូទៅសម្រាប់ជំងឺនោះ
  3. គណនាតម្លៃទស្សន៍ទាយវិជ្ជមាន៖ តើភាគរយនៃការធ្វើតេស្តវិជ្ជមានណាខ្លះដែលជាវិជ្ជមានពិត?
  4. គណនាតម្លៃទស្សន៍ទាយអវិជ្ជមាន៖ តើភាគរយនៃការធ្វើតេស្តអវិជ្ជមានណាខ្លះដែលជាអវិជ្ជមានពិត?
  5. ស្រមៃមើលវាជាមួយតារាង 2x2 សម្រាប់ប្រជាជន 10,000 នាក់
• សំណួរឆ្លុះបញ្ចាំង៖
  • តើអ្នកភ្ញាក់ផ្អើលនឹងតម្លៃទស្សន៍ទាយវិជ្ជមានទេ?
  • តើនេះផ្លាស់ប្តូររបៀបដែលអ្នកគិតអំពីការពិនិត្យរោគយ៉ាងដូចម្តេច?
  • តើសំណួរអ្វីខ្លះដែលអ្នកគួរតែសួរគ្រូពេទ្យរបស់អ្នកបន្ទាប់ពីទទួលបានលទ្ធផលតេស្ត?
• ភាពញឹកញាប់៖ ប្រចាំខែ ដោយប្រើស្ថានភាពសុខភាពខុសៗគ្នា

លំហាត់ទី 2៖ ការព្យាករណ៍ថ្នាក់យោង (Reference Class Forecasting)

• គោលបំណង៖ បង្កើតទម្លាប់ក្នុងការស្វែងរកអត្រាមូលដ្ឋានដែលពាក់ព័ន្ធមុនពេលធ្វើការព្យាករណ៍
• ពេលវេលាត្រូវការ៖ 30 នាទី
• សម្ភារៈត្រូវការ៖ ការចូលប្រើអ៊ីនធឺណិត, សៀវភៅបញ្ជី (spreadsheet)
• កម្រិតលំបាក៖ មធ្យម
• សេចក្តីណែនាំ៖
  1. កំណត់អត្តសញ្ញាណការសម្រេចចិត្ត ឬការព្យាករណ៍នាពេលខាងមុខដែលអ្នកត្រូវធ្វើ
  2. កំណត់ថ្នាក់យោង៖ តើស្ថានភាពស្រដៀងគ្នាអ្វីខ្លះដែលមាន?
  3. ស្រាវជ្រាវអត្រាមូលដ្ឋាននៃលទ្ធផលនៅក្នុងថ្នាក់យោងនោះ
  4. កែតម្រូវអត្រាមូលដ្ឋានដោយផ្អែកលើកត្តាជាក់លាក់ដែលធ្វើឱ្យស្ថានភាពរបស់អ្នកខុសប្លែក
  5. កត់ត្រាការវែកញែករបស់អ្នក និងការប៉ាន់ស្មានប្រូបាប៊ីលីតេចុងក្រោយ
• សំណួរឆ្លុះបញ្ចាំង៖
  • តើការស្វែងរកអត្រាមូលដ្ឋានផ្លាស់ប្តូរការប៉ាន់ស្មានដំបូងរបស់អ្នកយ៉ាងដូចម្តេច?
  • តើកត្តាជាក់លាក់អ្វីខ្លះដែលបញ្ជាក់ពីភាពត្រឹមត្រូវនៃការកែតម្រូវពីអត្រាមូលដ្ឋាន?
  • តើអ្នកមានការល្បួងឱ្យចាត់ទុកស្ថានភាពរបស់អ្នកថា "ខុសពីគេ" ដោយគ្មានភស្តុតាងដែរឬទេ?
• ភាពញឹកញាប់៖ មុនការសម្រេចចិត្តសំខាន់ណាមួយ

លំហាត់ទី 3៖ ការកែទម្រង់ប្រេកង់

• គោលបំណង៖ អនុវត្តការបម្លែងសេចក្តីថ្លែងការណ៍ប្រូបាប៊ីលីតេទៅជាទម្រង់ប្រេកង់ធម្មជាតិ
• ពេលវេលាត្រូវការ៖ 15 នាទី
• សម្ភារៈត្រូវការ៖ បញ្ជីសេចក្តីថ្លែងការណ៍ប្រូបាប៊ីលីតេ (ពីអត្ថបទព័ត៌មាន ឯកសារស្រាវជ្រាវ)
• កម្រិតលំបាក៖ ដំបូង
• សេចក្តីណែនាំ៖
  1. ប្រមូលសេចក្តីថ្លែងការណ៍ប្រូបាប៊ីលីតេចំនួន 5 ពីព័ត៌មានថ្មីៗ (ឧ. "ហានិភ័យ 5% នៃផលវិបាក")
  2. កែទម្រង់នីមួយៗជាប្រេកង់ធម្មជាតិ (ឧ. "អ្នកជំងឺ 5 នាក់ក្នុងចំណោម 100 នាក់")
  3. សម្រាប់ចំណុចនីមួយៗ សូមសរសេរពីអ្វីដែលកើតឡើងចំពោះ 95 នាក់ផ្សេងទៀត (ឬចំនួនដែលពាក់ព័ន្ធ)
  4. កត់សម្គាល់ពីរបៀបដែលវាផ្លាស់ប្តូរការយល់ដឹងតាមវិចារណញាណរបស់អ្នកអំពីប្រូបាប៊ីលីតេ
  5. អនុវត្តការពន្យល់កំណែប្រេកង់នេះដល់អ្នកដទៃ
• សំណួរឆ្លុះបញ្ចាំង៖
  • តើទម្រង់ណាមួយធ្វើឱ្យប្រូបាប៊ីលីតេងាយយល់ជាង?
  • តើប្រូបាប៊ីលីតេណាមួយមានអារម្មណ៍ថាគួរឱ្យព្រួយបារម្ភច្រើន ឬតិចជាងនៅក្នុងទម្រង់ប្រេកង់ទេ?
  • តើអ្នកអាចអនុវត្តការកែទម្រង់នេះក្នុងជីវិតប្រចាំថ្ងៃបានដោយរបៀបណា?
• ភាពញឹកញាប់៖ ប្រចាំសប្តាហ៍

ការអនុវត្តប្រចាំថ្ងៃ

សំណួរអត្រាមូលដ្ឋាន៖ ជារៀងរាល់ថ្ងៃ នៅពេលអ្នកបង្កើតមតិ ឬធ្វើការព្យាករណ៍ សូមផ្អាក ហើយសួរថា៖ "តើអត្រាមូលដ្ឋានមានប៉ុន្មាន?" ប្រសិនបើអ្នកមិនដឹង សូមចំណាយពេល 60 វិនាទីស្រាវជ្រាវវា។

• រយៈពេលដែលបានស្នើ៖ 1-2 នាទីក្នុងមួយដង
• ពេលវេលាល្អបំផុតនៃថ្ងៃ៖ នៅពេលធ្វើការសម្រេចចិត្ត ឬការវិនិច្ឆ័យពេញមួយថ្ងៃ
• របៀបតាមដានវឌ្ឍនភាព៖ កត់ត្រាក្នុងកំណត់ហេតុនៅពេលអ្នកចងចាំសួរ និងអ្វីដែលអ្នកបានរៀន

បញ្ហាប្រឈមប្រចាំសប្តាហ៍

ការធ្វើសវនកម្មការព្យាករណ៍៖ ជារៀងរាល់សប្តាហ៍ ពិនិត្យមើលការព្យាករណ៍ ឬការវិនិច្ឆ័យ 3 ដែលអ្នកបានធ្វើ។ សម្រាប់នីមួយៗ៖

1. កំណត់ថាតើអ្នកបានពិចារណាអត្រាមូលដ្ឋានដែរឬទេ
2. ស្រាវជ្រាវថាតើអត្រាមូលដ្ឋានពិតជាមានប៉ុន្មាន
3. វាយតម្លៃថាតើព័ត៌មានអត្រាមូលដ្ឋាននឹងផ្លាស់ប្តូរការវិនិច្ឆ័យរបស់អ្នកដែរឬទេ

• លទ្ធផលរំពឹងទុកបន្ទាប់ពី 4 សប្តាហ៍៖ បង្កើនការយល់ដឹងអំពីការមិនអើពើអត្រាមូលដ្ឋាននៅក្នុងការគិតរបស់អ្នកផ្ទាល់; ការពិចារណាដោយស្វ័យប្រវត្តិបន្ថែមទៀតអំពីអត្រាមូលដ្ឋាន
• ប្រធានបទកំណត់ហេតុសម្រាប់ការឆ្លុះបញ្ចាំង៖
  • តើការសម្រេចចិត្តប្រភេទណាដែលតែងតែជំរុញឱ្យមានការមិនអើពើអត្រាមូលដ្ឋានសម្រាប់ខ្ញុំ?
  • តើមានយុទ្ធសាស្ត្រអ្វីខ្លះជួយខ្ញុំឱ្យចងចាំក្នុងការពិនិត្យមើលអត្រាមូលដ្ឋាន?
  • តើគុណភាពនៃការសម្រេចចិត្តរបស់ខ្ញុំផ្លាស់ប្តូរយ៉ាងដូចម្តេចនៅពេលខ្ញុំបានអនុវត្ត?

12. សម្រាប់ទស្សនិកជនជាក់លាក់

សម្រាប់អ្នកដឹកនាំ និងអ្នកគ្រប់គ្រង

កំហុសអត្រាមូលដ្ឋានមានគ្រោះថ្នាក់ជាពិសេសនៅក្នុងបរិយាកាសស្ថាប័នដែលភាពជោគជ័យនិងបរាជ័យរស់រវើក ជំរុញយុទ្ធសាស្ត្រខ្លាំងជាងការវិភាគជាប្រព័ន្ធ។

ចំណុចងាយរងគ្រោះសំខាន់ៗ៖

• ការសម្រេចចិត្តជួលបុគ្គលិកផ្អែកលើចំណាប់អារម្មណ៍ក្នុងការសម្ភាសន៍ ជាជាងអត្រាមូលដ្ឋានរបស់បេក្ខជន
• ការពិនិត្យមើលការអនុវត្តដោយផ្អែកលើឧប្បត្តិហេតុគួរឱ្យចងចាំ ជាជាងរង្វាស់ជាប់លាប់
• ការធ្វើផែនការយុទ្ធសាស្រ្តជំរុញដោយរឿងរ៉ាវគូប្រជែង ជាជាងស្ថិតិឧស្សាហកម្ម
• ការបែងចែកធនធានផ្អែកលើលទ្ធផលគម្រោងថ្មីៗ ជាជាងអត្រាជោគជ័យប្រវត្តិសាស្ត្រ

យុទ្ធសាស្ត្រ៖

• អនុវត្តការសម្ភាសន៍មានរចនាសម្ព័ន្ធជាមួយនឹងការដាក់ពិន្ទុស្តង់ដារ ដើម្បីកាត់បន្ថយឥទ្ធិពលនៃចំណាប់អារម្មណ៍បុគ្គល
• បង្កើតលំហាត់ "premortem" (ការវិភាគមុនគម្រោង) ដែលពិចារណាយ៉ាងច្បាស់អំពីអត្រាមូលដ្ឋាននៃការបរាជ័យគម្រោង
• ទាមទារការព្យាករណ៍ថ្នាក់យោងសម្រាប់គំនិតផ្តួចផ្តើមសំខាន់ៗ
• បង្កើតផ្ទាំងគ្រប់គ្រងដែលបង្ហាញអត្រាមូលដ្ឋានទន្ទឹមនឹងករណីនីមួយៗ
• បណ្តុះ "អ្នកសង្ស័យតាមស្ថិតិ" ដែលមានសិទ្ធិអំណាចប្រឈមមុខនឹងការវែកញែកតាមករណីរស់រវើក

សម្រាប់ឪពុកម្តាយ និងអ្នកអប់រំ

កុមារងាយរងគ្រោះជាពិសេសចំពោះការមិនអើពើអត្រាមូលដ្ឋាន នៅពេលពួកគេរៀនអំពីពិភពលោកជាចម្បងតាមរយៈឧទាហរណ៍ និងរឿងរ៉ាវ។

វិធីសាស្រ្តបង្រៀន៖

• ប្រើហ្គេមដែលពាក់ព័ន្ធនឹងប្រូបាប៊ីលីតេ (គ្រាប់ឡុកឡាក់ សន្លឹកបៀ) ដើម្បីកសាងវិចារណញាណសម្រាប់អត្រាមូលដ្ឋាន
• នៅពេលពិភាក្សាអំពីហានិភ័យ (គ្រោះថ្នាក់ជនចម្លែក ជំងឺ គ្រោះថ្នាក់) ផ្តល់បរិបទអំពីថាតើហានិភ័យនីមួយៗមានជាទូទៅប៉ុណ្ណា
• ចង្អុលបង្ហាញនៅពេលដែលរឿងរ៉ាវព័ត៌មានបង្ហាញពីព្រឹត្តិការណ៍ដែលគួរឱ្យចាប់អារម្មណ៍ដោយសារតែពួកវាកម្រ
• បង្ហាញជាគំរូនៃការគិតតាមស្ថិតិ៖ "នោះជាឧទាហរណ៍ដ៏គួរឱ្យចាប់អារម្មណ៍មួយ។ ខ្ញុំឆ្ងល់ថាតើវាជារឿងធម្មតាប៉ុណ្ណា?"
• បង្រៀនពីភាពខុសគ្នារវាង "នេះបានកើតឡើង" និង "នេះជាធម្មតាកើតឡើង"

ការពន្យល់ស្របតាមអាយុ៖

• អាយុ 6-10 ឆ្នាំ៖ "រឿងខ្លះកើតឡើងច្រើន ហើយរឿងខ្លះកម្រមាន។ រឿងរ៉ាវតែងតែនិយាយពីរឿងកម្រ ព្រោះវាគួរឱ្យភ្ញាក់ផ្អើល។"
• អាយុ 11-14 ឆ្នាំ៖ "តួលេខអាចប្រាប់យើងថាអ្វីៗកើតឡើងញឹកញាប់ប៉ុណ្ណា ដែលវាខុសពីចំនួនដងដែលយើងឮអំពីវា។"
• អាយុ 15+ ឆ្នាំ៖ ការណែនាំអំពីគោលគំនិតប្រូបាប៊ីលីតេ ទ្រឹស្តីបទ Bayes និងការវែកញែកជាផ្លូវការ

សម្រាប់អ្នកជំនាញថែទាំសុខភាព

ការមិនអើពើអត្រាមូលដ្ឋានមានផលប៉ះពាល់យ៉ាងជ្រាលជ្រៅចំពោះការធ្វើរោគវិនិច្ឆ័យ ការពិនិត្យ និងការប្រាស្រ័យទាក់ទងជាមួយអ្នកជំងឺ។

ផលវិបាកគ្លីនិក៖

• ជំងឺកម្រត្រូវបានធ្វើរោគវិនិច្ឆ័យលើសកម្រិតនៅពេលដែលការផ្គូផ្គងរោគសញ្ញាគ្របដណ្តប់លើទិន្នន័យប្រេវ៉ាឡង់
• ប្រសិទ្ធភាពនៃកម្មវិធីពិនិត្យរោគអាស្រ័យលើអត្រាមូលដ្ឋានប្រជាជន មិនមែនត្រឹមតែភាពត្រឹមត្រូវនៃការធ្វើតេស្តនោះទេ
• ការថប់បារម្ភរបស់អ្នកជំងឺពីលទ្ធផលតេស្តវិជ្ជមានតែងតែលើសពីក្តីបារម្ភដែលសមស្រប
• ការសម្រេចចិត្តព្យាបាលអាចផ្តល់ទម្ងន់លើសលប់លើការសិក្សាករណីដ៏អស្ចារ្យ ជាជាងស្ថិតិសាកល្បងគ្លីនិក

យុទ្ធសាស្ត្រ៖

• ប្រើទម្រង់ប្រេកង់ធម្មជាតិនៅពេលទំនាក់ទំនងលទ្ធផលតេស្តទៅកាន់អ្នកជំងឺ
• អនុវត្តការគាំទ្រការសម្រេចចិត្តគ្លីនិកដែលបង្ហាញអត្រាមូលដ្ឋានដែលពាក់ព័ន្ធ
• ទាមទារការពិចារណាអត្រាមូលដ្ឋានច្បាស់លាស់នៅក្នុងបញ្ជីត្រួតពិនិត្យរោគវិនិច្ឆ័យ
• ប្រើអារេតំណាង និងជំនួយរូបភាពដើម្បីពន្យល់ពីតម្លៃទស្សន៍ទាយវិជ្ជមាន
• បណ្តុះបណ្តាលក្នុងការវែកញែកបែប Bayesian ជាផ្នែកនៃការអប់រំវេជ្ជសាស្រ្ត

សម្រាប់អ្នកជំនាញហិរញ្ញវត្ថុ

ទីផ្សារត្រូវបានជំរុញដោយរឿងរ៉ាវ ដែលធ្វើឱ្យវិន័យអត្រាមូលដ្ឋានមានសារៈសំខាន់សម្រាប់ភាពជោគជ័យនៃការវិនិយោគ។

ចំណុចងាយរងគ្រោះសំខាន់ៗ៖

• ការគិតថា "លើកនេះខុសពីមុន" នៅក្នុងការវាយតម្លៃពពុះ
• ភាពលំអៀងថ្មីៗនៅក្នុងម៉ូដែលហានិភ័យ (ចាត់ទុកភាពប្រែប្រួលថ្មីៗជាអត្រាមូលដ្ឋាន)
• ការផ្តល់ទម្ងន់លើសលប់ចំពោះអនុសាសន៍របស់អ្នកវិភាគជាក់លាក់ ជាងអត្រាមូលដ្ឋានរបស់វិស័យ
• ការចាត់ទុកកំណត់ត្រាជោគជ័យរបស់អ្នកគ្រប់គ្រងមូលនិធិជាជំនាញ ជាជាងសំណាង

យុទ្ធសាស្ត្រ៖

• រក្សាតារាងយោងអត្រាមូលដ្ឋានវាយតម្លៃរយៈពេលវែង (អនុបាត P/E, អត្រាខកខាន។ល។)
• អនុវត្តតុល្យភាពជាប្រព័ន្ធដែលពង្រឹងការសន្មត់ការត្រលប់ទៅមធ្យមភាគ (mean reversion)
• ប្រើការក្លែងធ្វើ Monte Carlo ជាមួយការចែកចាយដែលបានកែតម្រូវតាមប្រវត្តិសាស្ត្រ
• ទាមទារឯកសារអត្រាមូលដ្ឋានច្បាស់លាស់សម្រាប់និក្ខេបបទវិនិយោគ
• សិក្សាអំពីពពុះ និងការធ្លាក់ចុះប្រវត្តិសាស្ត្រដើម្បីកែតម្រូវការរំពឹងទុក

13. អន្តរកម្មជាមួយភាពលំអៀងផ្សេងទៀត

ភាពលំអៀងដែលពង្រីកភាពលំអៀងនេះ

ភាពលំអៀងដែលប្រឆាំងនឹងភាពលំអៀងនេះ

ខ្សែសង្វាក់ភាពលំអៀងទូទៅ

ខ្សែសង្វាក់ទី 1៖ ឧទាហរណ៍រស់រវើក (Availability) → ការផ្គូផ្គងលំនាំ (Representativeness) → ការមិនអើពើអត្រាមូលដ្ឋាន → ការវិនិច្ឆ័យខុសប្រកបដោយទំនុកចិត្ត (Overconfidence) → ការបញ្ជាក់ពីកំហុស (Confirmation Bias)

ខ្សែសង្វាក់ទី 2៖ យុថ្កាលើករណីជាក់លាក់ → មិនអើពើទិន្នន័យប្រជាជន → សាងសង់រឿងរ៉ាវគាំទ្រ (Narrative Fallacy) → ទប់ទល់នឹងភស្តុតាងកែតម្រូវ

ការរំខានដល់ការបន្តបន្ទាប់គ្នា៖ ចំណុចអន្តរាគមន៍ដែលមានប្រសិទ្ធភាពបំផុតគឺនៅដំណាក់កាលដំបូង — មុនពេលឧទាហរណ៍រស់រវើកទាក់ទាញចំណាប់អារម្មណ៍។ ការផ្ទុកព័ត៌មានអត្រាមូលដ្ឋានជាមុន ការប្រើប្រាស់ទម្រង់ប្រេកង់ និងការបង្កើតទម្លាប់ត្រួតពិនិត្យអត្រាមូលដ្ឋានយ៉ាងច្បាស់លាស់ អាចការពារខ្សែសង្វាក់នេះមិនឱ្យចាប់ផ្តើម។

14. ទស្សនវិស័យវប្បធម៌

ការស្រាវជ្រាវលើការប្រែប្រួលវប្បធម៌ក្នុងការប្រើប្រាស់អត្រាមូលដ្ឋានបង្ហាញពីលំនាំដ៏គួរឱ្យចាប់អារម្មណ៍ ទោះបីជាទំនោរស្នូលឆ្ពោះទៅរកការមិនអើពើហាក់ដូចជាមានលក្ខណៈសកលក៏ដោយ។

របកគំហើញឆ្លងវប្បធម៌៖

• ការសិក្សាបានរកឃើញយ៉ាងជាប់លាប់នូវការមិនអើពើអត្រាមូលដ្ឋាននៅទូទាំងបរិបទវប្បធម៌លោកខាងលិច អាស៊ី និងវប្បធម៌ផ្សេងទៀត
• ភស្តុតាងខ្លះបង្ហាញថាអ្នកចូលរួមនៅអាស៊ីបូព៌ាបង្ហាញពីការប្រើប្រាស់អត្រាមូលដ្ឋានប្រសើរជាងមុនបន្តិចក្នុងបរិបទមួយចំនួន ដែលអាចទាក់ទងនឹងទម្រង់ការយល់ដឹងបែបបរិបូរណ៍ (holistic)
• ប្រព័ន្ធអប់រំដែលសង្កត់ធ្ងន់លើប្រូបាប៊ីលីតេ និងស្ថិតិបង្កើតការរួមបញ្ចូលអត្រាមូលដ្ឋានប្រសើរជាងមុន ដោយមិនគិតពីប្រវត្តិវប្បធម៌
• ការប្រព្រឹត្តរបស់ប្រព័ន្ធច្បាប់ចំពោះភស្តុតាងស្ថិតិប្រែប្រួលយ៉ាងខ្លាំងតាមវប្បធម៌

ទិដ្ឋភាពសកល៖ បាតុភូតស្នូល — ការពេញចិត្តព័ត៌មានរស់រវើកជាក់លាក់ជាជាងមូលដ្ឋានស្ថិតិអរូបី — ហាក់ដូចជាលក្ខណៈសកលរបស់មនុស្ស ដែលចាក់ឫសនៅក្នុងស្ថាបត្យកម្មការយល់ដឹងដែលបានកើតមានមុនភាពខុសគ្នានៃវប្បធម៌។

ផលវិបាកឆ្លងវប្បធម៌៖ ភស្តុតាងស្ថិតិត្រូវការការតាក់តែងដោយប្រុងប្រយ័ត្ននៅទូទាំងបរិបទវប្បធម៌។ អ្វីដែលដំណើរការនៅក្នុងប្រព័ន្ធច្បាប់ ឬវេជ្ជសាស្រ្តមួយ អាចមិនផ្ទេរដោយផ្ទាល់ទៅប្រព័ន្ធមួយផ្សេងទៀតនោះទេ។

15. ទេវកថា និងការយល់ច្រឡំ

16. ការយល់ដឹងរបស់អ្នកជំនាញ

"ភាពមិនមានឆន្ទៈរបស់បុគ្គលសាកល្បងក្នុងការកាត់ន័យអ្វីដែលជាក់លាក់ចេញពីអ្វីដែលទូទៅ គឺត្រូវបានផ្គូផ្គងតែជាមួយឆន្ទៈរបស់ពួកគេក្នុងការសន្និដ្ឋានអ្វីដែលទូទៅចេញពីអ្វីដែលជាក់លាក់ប៉ុណ្ណោះ។" — Amos Tversky & Daniel Kahneman, 1973

"ភាពស្រដៀងគ្នាមិនត្រូវបានជះឥទ្ធិពលដោយអត្រាមូលដ្ឋានទេ ប៉ុន្តែការវិនិច្ឆ័យប្រូបាប៊ីលីតេតាមវិចារណញាណត្រូវបានគ្របដណ្ដប់ដោយភាពស្រដៀងគ្នា។" — Daniel Kahneman, Thinking, Fast and Slow, 2011

"បញ្ហាមិនមែនថាមនុស្សមិនអាចវែកញែកតាមស្ថិតិនោះទេ ប៉ុន្តែបញ្ហាភាគច្រើនត្រូវបានបង្ហាញក្នុងទម្រង់ដែលមិនស្របទៅនឹងទម្រង់ដែលខួរក្បាលមនុស្សបានវិវត្តដើម្បីវែកញែក។" — Gerd Gigerenzer, 2002

"អ្នកចិត្តសាស្រ្តកំពុងវាយតម្លៃសនិទានភាពនៃបុគ្គលសាកល្បងរបស់ពួកគេ ដោយស្តង់ដារមួយដែលមិនសមរម្យសម្រាប់កិច្ចការនោះ។" — L.J. Cohen, 1981

17. ចំណុចសំខាន់ៗដែលត្រូវចងចាំ

1. ការមិនអើពើអត្រាមូលដ្ឋានគឺជាសកល៖ មនុស្សទាំងអស់មានទំនោរផ្តល់ទម្ងន់ទាបដល់អត្រាមូលដ្ឋានស្ថិតិនៅពេលមានព័ត៌មានជាក់លាក់ — នេះគឺជាលក្ខណៈពិសេសនៃស្ថាបត្យកម្មការយល់ដឹងរបស់មនុស្ស មិនមែនជាការបរាជ័យរបស់បុគ្គលនោះទេ។

2. Representativeness heuristic គឺជាយន្តការ៖ យើងវិនិច្ឆ័យប្រូបាប៊ីលីតេដោយភាពស្រដៀងគ្នាទៅនឹងទម្រង់គំរូ ជាជាងប្រេកង់ក្នុងចំនួនប្រជាជន។

3. ទម្រង់មានសារៈសំខាន់ខ្លាំងណាស់៖ ការបង្ហាញព័ត៌មានជាប្រេកង់ធម្មជាតិ (X ក្នុងចំណោម Y) ជាជាងប្រូបាប៊ីលីតេ កាត់បន្ថយកំហុសយ៉ាងច្រើន។

4. បរិបទជំរុញការប្រើប្រាស់អត្រាមូលដ្ឋាន៖ មនុស្សប្រើប្រាស់អត្រាមូលដ្ឋាននៅពេលដែលវាហាក់ដូចជាពាក់ព័ន្ធតាមហេតុផល; ពួកគេមិនអើពើវានៅពេលដែលវាហាក់ដូចជា "គ្រាន់តែជាស្ថិតិ"។

5. ផលវិបាកអាចជាមហន្តរាយ៖ ពីការផ្តន្ទាទោសខុសឆ្គង (Sally Clark, Lucia de Berk) ដល់វិបត្តិហិរញ្ញវត្ថុ (LTCM, Dot-Com) ដល់ការរើសអើងក្បួនដោះស្រាយ ការមិនអើពើអត្រាមូលដ្ឋានបង្កើតឱ្យមានការបរាជ័យសង្គមដ៏ធំ។

6. ការជម្នះភាពលំអៀងទាមទារការរចនា៖ យើងមិនអាចគ្រាន់តែ "សម្រេចចិត្ត" គោរពអត្រាមូលដ្ឋាននោះទេ — យើងត្រូវការស្ថាបត្យកម្មព័ត៌មាន បញ្ជីត្រួតពិនិត្យ និងដំណើរការសម្រេចចិត្តដែលធ្វើឱ្យអត្រាមូលដ្ឋានអាចមើលឃើញ និងពាក់ព័ន្ធ។

7. ភាពលំអៀងមានអត្ថប្រយោជន៍៖ នៅក្នុងបរិបទប្រចាំថ្ងៃជាច្រើន ការផ្គូផ្គងលំនាំរហ័សដែលមិនអើពើអត្រាមូលដ្ឋានគឺសម្របខ្លួន និងមានប្រសិទ្ធភាព — គោលដៅគឺការទទួលស្គាល់ពេលដែលការគិតតាមស្ថិតិពិតជាត្រូវបានទាមទារ។

18. ធនធានបន្ថែម

ឯកសារសិក្សា (Academic Papers)

• 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.

សៀវភៅ

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Gigerenzer, G. (2002). Calculated Risks: How to Know When Numbers Deceive You. Simon & Schuster.
• 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.

ជំពូកសៀវភៅ

• 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. កាតសង្ខេប

20. សទ្ទានុក្រមនៃពាក្យដែលបានប្រើ

21. សំណួរពិភាក្សា

សម្រាប់ក្លឹបសៀវភៅ ថ្នាក់រៀន ឬការឆ្លុះបញ្ចាំងខ្លួនឯង៖

1. តើអ្នកអាចគិតពីការសម្រេចចិត្តដ៏ធំមួយក្នុងជីវិតរបស់អ្នក ដែលក្រោយមកអ្នកដឹងថាអ្នកមិនអើពើអត្រាមូលដ្ឋានដែរឬទេ? តើអ្នកនឹងធ្វើអ្វីខុសពីនេះ?

2. "សង្គ្រាមសនិទានភាព" សួរថាតើការមិនអើពើអត្រាមូលដ្ឋានគឺជា "កំហុស" ឬ "លក្ខណៈពិសេស" នៃការយល់ដឹងរបស់មនុស្ស។ តើទស្សនៈរបស់អ្នកជាអ្វី ហើយតើវាមានផលវិបាកអ្វីខ្លះ?

3. តើតុលាការគួរដោះស្រាយភស្តុតាងស្ថិតិយ៉ាងដូចម្តេច ដោយផ្អែកលើអ្វីដែលយើងដឹងអំពីការមិនអើពើអត្រាមូលដ្ឋាននៅក្នុងគណៈវិនិច្ឆ័យ? តើគួរមានការបណ្តុះបណ្តាលពិសេស ឬតម្រូវការអ្នកជំនាញដែរឬទេ?

4. Gigerenzer ប្រកែកថាការបង្ហាញព័ត៌មានក្នុងប្រេកង់ធម្មជាតិភាគច្រើន "ដោះស្រាយ" ការមិនអើពើអត្រាមូលដ្ឋាន។ ប្រសិនបើនេះជាការពិត តើនរណាជាអ្នកទទួលខុសត្រូវក្នុងការបង្ហាញព័ត៌មានក្នុងទម្រង់ត្រឹមត្រូវ — បុគ្គល ស្ថាប័ន ឬអ្នកអប់រំ?

5. ខណៈពេលដែលប្រព័ន្ធ AI កាន់តែមានឥទ្ធិពលលើការសម្រេចចិត្តដែលប៉ះពាល់ដល់ជីវិតមនុស្ស តើមានកាតព្វកិច្ចអ្វីខ្លះដើម្បីដោះស្រាយភាពលំអៀងអត្រាមូលដ្ឋាននៅក្នុងក្បួនដោះស្រាយ? តើភាពយុត្តិធម៌នៃក្បួនដោះស្រាយគួរត្រូវបានកំណត់យ៉ាងដូចម្តេច?