ಬೇಸ್ ರೇಟ್ ಫ್ಯಾಲಸಿ (Base Rate Fallacy)

ಒಂದು ನೋಟದಲ್ಲಿ (At a Glance)

1. ತ್ವರಿತ ಸಾರಾಂಶ (Quick Summary)

ಸಂಭವನೀಯತೆಯ ಬಗ್ಗೆ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಾಗ, ಮನುಷ್ಯರು ತಮ್ಮ ನಿರ್ಧಾರವನ್ನು ರೂಪಿಸಬೇಕಾದ ವಿಶಾಲವಾದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಂದರ್ಭವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವ ಮೂಲಕ ಒಂದು ನಿರ್ದಿಷ್ಟ ಪ್ರಕರಣದ ಬಗ್ಗೆ ಎದ್ದುಕಾಣುವ, ನಿರ್ದಿಷ್ಟ ವಿವರಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತಾರೆ. ಕವಿತೆಯನ್ನು ಪ್ರೀತಿಸುವ ಶಾಂತ, ಪುಸ್ತಕಪ್ರೇಮಿ ವ್ಯಕ್ತಿಯನ್ನು ಯಾರಾದರೂ ವಿವರಿಸಿದರೆ, ನೀವು ಅವರನ್ನು "ಲೈಬ್ರರಿಯನ್" ಎಂದು ಊಹಿಸಬಹುದು—ಈ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ಶಿಕ್ಷಕರು, ಅಕೌಂಟೆಂಟ್‌ಗಳು ಅಥವಾ ಕಚೇರಿ ಉದ್ಯೋಗಿಗಳು ಜಗತ್ತಿನಲ್ಲಿ ಹೆಚ್ಚು ಸಂಖ್ಯೆಯಲ್ಲಿದ್ದರೂ ಸಹ. ನಮ್ಮ ಮೆದುಳು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಕಥೆಗಳನ್ನು ಹೇಳಲು ಸಿದ್ಧವಾಗಿದೆಯೇ ಹೊರತು ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಅಲ್ಲ; ಈ ಕಾರಣದಿಂದಾಗಿ ಬೇಸ್ ರೇಟ್ ಫ್ಯಾಲಸಿ ಉಂಟಾಗುತ್ತದೆ.

2. ಇದರ ಹಿಂದಿನ ವಿಜ್ಞಾನ (The Science Behind It)

2.1. ಅನ್ವೇಷಣೆ ಮತ್ತು ಇತಿಹಾಸ

ಬೇಸ್ ರೇಟ್ ಕಡೆಗಣನೆಯ ಔಪಚಾರಿಕ ಗುರುತಿಸುವಿಕೆಯು 1970 ರ ದಶಕದಲ್ಲಿ ಮನೋವಿಜ್ಞಾನದಲ್ಲಿ ಅರಿವಿನ ಕ್ರಾಂತಿಯಿಂದ ಹೊರಹೊಮ್ಮಿತು. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಅಂತಃಪ್ರಜ್ಞೆಯ ನಡುವಿನ ಉದ್ವಿಗ್ನತೆಯನ್ನು 1955 ರಲ್ಲಿ ಪಾಲ್ ಮೀಲ್ ಮತ್ತು ಆಲ್ಬರ್ಟ್ ರೋಸೆನ್ ಗಮನಿಸಿದ್ದರು (ಅವರು ರೋಗನಿರ್ಣಯ ಪರೀಕ್ಷೆಯ ವ್ಯಾಖ್ಯಾನದ ಬಗ್ಗೆ ವೈದ್ಯರಿಗೆ ಎಚ್ಚರಿಸಿದ್ದರು), ಅಮೋಸ್ ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಡೇನಿಯಲ್ ಕಾಹ್ನೆಮನ್ ಈ ಪಕ್ಷಪಾತವನ್ನು ಔಪಚಾರಿಕವಾಗಿ ಗುರುತಿಸಿ ಹೆಸರಿಸಿದರು.

ಅವರ 1973 ರ ಲೇಖನ "ಆನ್ ದಿ ಸೈಕಾಲಜಿ ಆಫ್ ಪ್ರಿಡಿಕ್ಷನ್" ತರ್ಕಬದ್ಧ ನಟನ ಚಾಲ್ತಿಯಲ್ಲಿರುವ ಆರ್ಥಿಕ ಊಹೆಯನ್ನು ಪ್ರಶ್ನಿಸಿತು. ಜನರು ಫಲಿತಾಂಶಗಳನ್ನು ಊಹಿಸಲು ಕೇಳಿದಾಗ, ಹೊಸ ಪುರಾವೆಗಳೊಂದಿಗೆ (ಬೇಯ್ಸ್ ಪ್ರಮೇಯವು ನಿರ್ದೇಶಿಸುವಂತೆ) ಪೂರ್ವ ಸಂಭವನೀಯತೆಗಳನ್ನು ನವೀಕರಿಸುವ ಅರ್ಥಗರ್ಭಿತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞರಾಗಿ ಅವರು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ ಎಂದು ಅವರು ಪ್ರದರ್ಶಿಸಿದರು. ಬದಲಾಗಿ, ಅವರು ಬೇಸ್ ರೇಟ್ ಮಾಹಿತಿಯನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ನಿರ್ಲಕ್ಷಿಸುವ ಮಾನಸಿಕ ಶಾರ್ಟ್‌ಕಟ್‌ಗಳನ್ನು ಅವಲಂಬಿಸಿದ್ದಾರೆ.

ಈ ಅನ್ವೇಷಣೆಯು "ದಿ ರಿಯಾಲಿಟಿ ವಾರ್ಸ್" ಎಂದು ಕರೆಯಲ್ಪಟ್ಟಿದ್ದನ್ನು ಹುಟ್ಟುಹಾಕಿತು - ಬೇಸ್ ರೇಟ್ ಕಡೆಗಣನೆ ಮಾನವ ತಾರ್ಕಿಕತೆಯಲ್ಲಿ ಮೂಲಭೂತ ದೋಷವನ್ನು ರೂಪಿಸುತ್ತದೆಯೇ ಅಥವಾ ಪರಿಸರ ರಚನೆಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆಯೇ ಎಂಬುದರ ಕುರಿತು ತೀವ್ರವಾದ ಸೈದ್ಧಾಂತಿಕ ಚರ್ಚೆ. ಈ ಚರ್ಚೆಯು ಐದು ದಶಕಗಳವರೆಗೆ ಅರಿವಿನ ವಿಜ್ಞಾನವನ್ನು ರೂಪಿಸಿದೆ.

ಸಂಶೋಧನೆಯ ಪ್ರಮುಖ ಮೈಲಿಗಲ್ಲುಗಳು:

• 1955: ಮೀಲ್ ಮತ್ತು ರೋಸೆನ್ ಕ್ಲಿನಿಕಲ್ ಮತ್ತು ಆಕ್ಚುರಿಯಲ್ ಪ್ರಿಡಿಕ್ಷನ್ ಸಮಸ್ಯೆಯನ್ನು ಗುರುತಿಸುತ್ತಾರೆ
• 1973: ಟ್ವೆರ್ಸ್ಕಿ ಮತ್ತು ಕಾಹ್ನೆಮನ್ "ಆನ್ ದಿ ಸೈಕಾಲಜಿ ಆಫ್ ಪ್ರಿಡಿಕ್ಷನ್" ಅನ್ನು ಪ್ರಕಟಿಸುತ್ತಾರೆ
• 1980: ಮಾಯಾ ಬಾರ್-ಹಿಲ್ಲೆಲ್ ರಿಲವೆನ್ಸ್ ಥಿಯರಿ ವಿಮರ್ಶೆಯನ್ನು ಪರಿಚಯಿಸುತ್ತಾರೆ
• 1995: ಗರ್ಡ್ ಗಿಜೆರೆನ್ಜರ್ ನೈಸರ್ಗಿಕ ಆವರ್ತನ ಸ್ವರೂಪಗಳು ಫ್ಯಾಲಸಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ ಎಂದು ತೋರಿಸುತ್ತಾರೆ
• 2002: ಕಾಹ್ನೆಮನ್ ಮತ್ತು ಫ್ರೆಡ್ರಿಕ್ "ಅಟ್ರಿಬ್ಯೂಟ್ ಸಬ್ಸ್ಟಿಟ್ಯೂಷನ್" ಸಿದ್ಧಾಂತವನ್ನು ಔಪಚಾರಿಕಗೊಳಿಸುತ್ತಾರೆ
• 2010s: ಸಂಶೋಧನೆಯು AI ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಅಲ್ಗಾರಿದಮಿಕ್ ಪಕ್ಷಪಾತಕ್ಕೆ ವಿಸ್ತರಿಸುತ್ತದೆ

2.2. ಪ್ರಮುಖ ಸಂಶೋಧಕರು

2.3. ಪ್ರಮುಖ ಅಧ್ಯಯನಗಳು

ದಿ "ಟಾಮ್ ಡಬ್ಲ್ಯೂ." ಪ್ರಯೋಗ (ಕಾಹ್ನೆಮನ್ & ಟ್ವೆರ್ಸ್ಕಿ, 1973)

ಭಾಗವಹಿಸುವವರು ನಿಖರವಾದ ಬೇಸ್ ರೇಟ್ ಜ್ಞಾನವನ್ನು ಹೊಂದಿದ್ದರೂ ಸಹ ಪ್ರತಿನಿಧಿತ್ವವು (representativeness) ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಹೇಗೆ ಮೀರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಈ ಅಡಿಪಾಯದ ಅಧ್ಯಯನವು ಪ್ರದರ್ಶಿಸಿತು.

ವಿನ್ಯಾಸ: ಭಾಗವಹಿಸುವವರನ್ನು ಮೂರು ಪರಿಸ್ಥಿತಿಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ:

• ಬೇಸ್-ರೇಟ್ ಗ್ರೂಪ್: ಒಂಬತ್ತು ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪದವೀಧರ ವಿದ್ಯಾರ್ಥಿಗಳ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವನ್ನು ಅಂದಾಜು ಮಾಡಲಾಗಿದೆ. ಅವರು ಹ್ಯುಮಾನಿಟೀಸ್ ಮತ್ತು ಶಿಕ್ಷಣವನ್ನು ದೊಡ್ಡ ಕ್ಷೇತ್ರಗಳಾಗಿ (ಹೆಚ್ಚಿನ ಬೇಸ್ ರೇಟ್‌ಗಳು) ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಅನ್ನು ಸಣ್ಣದು (ಕಡಿಮೆ ಬೇಸ್ ರೇಟ್) ಎಂದು ಸರಿಯಾಗಿ ಗುರುತಿಸಿದ್ದಾರೆ.
• ಸಿಮಿಲಾರಿಟಿ ಗ್ರೂಪ್: "ಟಾಮ್ ಡಬ್ಲ್ಯೂ" ಅವರ ವ್ಯಕ್ತಿತ್ವ ರೇಖಾಚಿತ್ರವನ್ನು ನೀಡಲಾಗಿದೆ (ಬುದ್ಧಿವಂತ ಆದರೆ ಸೃಜನಶೀಲತೆಯ ಕೊರತೆ, ಅಚ್ಚುಕಟ್ಟಾದ, ಯಾಂತ್ರಿಕ ಬರವಣಿಗೆ ಮತ್ತು ಇತರರ ಬಗ್ಗೆ ಕಡಿಮೆ ಸಹಾನುಭೂತಿ ಎಂದು ವಿವರಿಸಲಾಗಿದೆ), ಸಾಮಾನ್ಯ ವಿದ್ಯಾರ್ಥಿಗೆ ಟಾಮ್ ಎಷ್ಟು ಹೋಲುತ್ತಾನೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ಅವರು ಕ್ಷೇತ್ರಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಿದರು.
• ಪ್ರಿಡಿಕ್ಷನ್ ಗ್ರೂಪ್: ಅದೇ ರೇಖಾಚಿತ್ರವನ್ನು ನೀಡಲಾಗಿದೆ ಮತ್ತು ಟಾಮ್ ಡಬ್ಲ್ಯೂ ಆ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪ್ರಸ್ತುತ ಓದುತ್ತಿರುವ ಸಂಭವನೀಯತೆಯ ಮೂಲಕ ಕ್ಷೇತ್ರಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಲು ಕೇಳಲಾಯಿತು - ಮುಖ್ಯವಾಗಿ ರೇಖಾಚಿತ್ರವು "ಸೀಮಿತ ಸಿಂಧುತ್ವ (limited validity)" ಪರೀಕ್ಷೆಗಳನ್ನು ಆಧರಿಸಿದೆ ಎಂದು ಹೇಳಲಾಗಿದೆ.

ಫಲಿತಾಂಶಗಳು: ಪ್ರಿಡಿಕ್ಷನ್ ಗ್ರೂಪ್‌ನ ಶ್ರೇಯಾಂಕಗಳು ಸಿಮಿಲಾರಿಟಿ ಗ್ರೂಪ್‌ನೊಂದಿಗೆ ಬಹುತೇಕವಾಗಿ (r > 0.9) ಮತ್ತು ಬೇಸ್-ರೇಟ್ ಗ್ರೂಪ್‌ನೊಂದಿಗೆ ನಕಾರಾತ್ಮಕವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ. ಮಾನವಿಕ ಶಾಸ್ತ್ರಗಳಿಗೆ (Humanities) ಹೋಲಿಸಿದರೆ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಒಂದು ಸಣ್ಣ ಕ್ಷೇತ್ರ ಎಂದು ತಿಳಿದಿದ್ದರೂ, ಭಾಗವಹಿಸುವವರು ಟಾಮ್ ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಿ ಎಂದು ಭವಿಷ್ಯ ನುಡಿದಿದ್ದಾರೆ ಏಕೆಂದರೆ ಅವನು ಒಬ್ಬನನ್ನು ಹೋಲುತ್ತಾನೆ. ಮಾಹಿತಿಯು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ ಎಂದು ಭಾಗವಹಿಸುವವರಿಗೆ ಎಚ್ಚರಿಸಿದ್ದರೂ ಸಹ, ವ್ಯಕ್ತಿಯ ಮಾಹಿತಿಯು ಬೇಸ್ ರೇಟ್ ಮಾಹಿತಿಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಮರೆಮಾಡಿದೆ.

ದಿ ಟ್ಯಾಕ್ಸಿಕ್ಯಾಬ್ ಪ್ರಾಬ್ಲಮ್ (ಕಾಹ್ನೆಮನ್ & ಟ್ವೆರ್ಸ್ಕಿ, 1972)

ದೋಷದ ಅತ್ಯಂತ ಪ್ರಸಿದ್ಧ ಸಂಖ್ಯಾತ್ಮಕ ಪ್ರದರ್ಶನ, ಬೇಸ್ ರೇಟ್‌ಗಳು ಮತ್ತು ಸಾಕ್ಷಿಗಳ ಸಾಕ್ಷ್ಯಗಳ ನಡುವಿನ ಸಂಘರ್ಷವನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ.

ಸನ್ನಿವೇಶ: ರಾತ್ರಿಯಿಡೀ ಹಿಟ್-ಅಂಡ್-ರನ್ ನಲ್ಲಿ ಕ್ಯಾಬ್ ಭಾಗಿಯಾಗಿತ್ತು. ನಗರದಲ್ಲಿ ಎರಡು ಕಂಪನಿಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ:

• ಬೇಸ್ ರೇಟ್: 85% ಹಸಿರು ಕ್ಯಾಬ್‌ಗಳು, 15% ನೀಲಿ ಕ್ಯಾಬ್‌ಗಳು
• ಸಾಕ್ಷಿಯೊಬ್ಬ ಕ್ಯಾಬ್ ಅನ್ನು ನೀಲಿ ಎಂದು ಗುರುತಿಸಿದ್ದಾನೆ
• ನ್ಯಾಯಾಲಯದ ಪರೀಕ್ಷೆಯು ಸಾಕ್ಷಿಯು ಶೇಕಡಾ 80 ರಷ್ಟು ಬಣ್ಣಗಳನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸಿದೆ ಎಂದು ತೋರಿಸಿದೆ

ಪ್ರಶ್ನೆ: ಕ್ಯಾಬ್ ನೀಲಿ ಬಣ್ಣದ್ದಾಗಿರುವ ಸಂಭವನೀಯತೆ ಎಷ್ಟು?

ಅರ್ಥಗರ್ಭಿತ ಪ್ರತಿಕ್ರಿಯೆ: ಹೆಚ್ಚಿನ ಭಾಗವಹಿಸುವವರು 80% ಉತ್ತರಿಸುತ್ತಾರೆ, ಸಾಕ್ಷಿಯ ನಿಖರತೆಯನ್ನು ನೇರವಾಗಿ ಹೊಂದಿಸುತ್ತಾರೆ.

ಬೇಸಿಯನ್ ವಿಶ್ಲೇಷಣೆ: $$P(Blue|Witness\ says\ Blue) = \frac{0.80 \times 0.15}{(0.80 \times 0.15) + (0.20 \times 0.85)} = \frac{0.12}{0.29} \approx 41%$$

ಒಳನೋಟ: ಸಾಕ್ಷಿಯು ನೀಲಿ ಎಂದು ಹೇಳಿಕೊಂಡರೂ, ಕ್ಯಾಬ್ ಹಸಿರು ಬಣ್ಣದ್ದಾಗಿರುವ ಸಾಧ್ಯತೆ (59%) ಹೆಚ್ಚು. ಸಣ್ಣ ನೀಲಿ ಫ್ಲೀಟ್ ನಿಜವಾದ ನೀಲಿ ವರದಿಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದಕ್ಕಿಂತ ದೊಡ್ಡ ಗ್ರೀನ್ ಫ್ಲೀಟ್ ಹೆಚ್ಚು ತಪ್ಪು ನೀಲಿ ವರದಿಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಗ್ರೀನ್ ಬೇಸ್ ರೇಟ್ ನ "ತೂಕ"ವು ಸಾಕ್ಷಿಯ 80% ನಿಖರತೆಯಿಂದ ಸಂಭವನೀಯತೆಯನ್ನು ಕೆಳಗೆ ಎಳೆಯುತ್ತದೆ ಎಂಬುದನ್ನು ಭಾಗವಹಿಸುವವರು ಗ್ರಹಿಸಲು ವಿಫಲರಾಗುತ್ತಾರೆ.

ಇಂಜಿನಿಯರ್-ಲಾಯರ್ ಪ್ರಾಬ್ಲಮ್ (ಟ್ವೆರ್ಸ್ಕಿ & ಕಾಹ್ನೆಮನ್, 1973)

ವಿನ್ಯಾಸ: ಭಾಗವಹಿಸುವವರು 100 ವೃತ್ತಿಪರರ ಮಾದರಿಗಳಿಂದ ಪಡೆದ ವಿವರಣೆಗಳನ್ನು ಸ್ವೀಕರಿಸಿದರು:

• ಷರತ್ತು ಎ: 70 ಎಂಜಿನಿಯರ್‌ಗಳು, 30 ವಕೀಲರು
• ಷರತ್ತು ಬಿ: 30 ಎಂಜಿನಿಯರ್‌ಗಳು, 70 ವಕೀಲರು

"ಜ್ಯಾಕ್" ನನ್ನು ಸ್ಟೀರಿಯೊಟೈಪಿಕಲ್ ಎಂಜಿನಿಯರ್-ತರಹದ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ವಿವರಿಸಲಾಗಿದೆ (ಸಂಪ್ರದಾಯವಾದಿ, ಜಾಗರೂಕ, ಮರಗೆಲಸದಲ್ಲಿ ಆಸಕ್ತಿ).

ಫಲಿತಾಂಶಗಳು: ಭಾಗವಹಿಸುವವರು ಜ್ಯಾಕ್ ಇಂಜಿನಿಯರ್ ಆಗುವ ಸಂಭವನೀಯತೆಯನ್ನು ಎರಡೂ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ವಾಸ್ತವಿಕವಾಗಿ ಒಂದೇ (~90%) ಎಂದು ಅಂದಾಜಿಸಿದ್ದಾರೆ, ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ತಿರುಗಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ನಿರ್ಲಕ್ಷಿಸಿದ್ದಾರೆ. ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ, ಎರಡೂ ಸ್ಟೀರಿಯೊಟೈಪ್‌ಗಳಿಗೆ ಸರಿಹೊಂದದ ತಟಸ್ಥ ವಿವರಣೆಯನ್ನು ನೀಡಿದಾಗ, ಭಾಗವಹಿಸುವವರು ಬೇಸ್ ರೇಟ್ ಅನ್ನು (70% ಅಥವಾ 30%) ಸರಿಯಾಗಿ ಬಳಸಿದ್ದಾರೆ, ಅವರು ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಬಳಸಬಹುದು ಎಂದು ಸಾಬೀತುಪಡಿಸಿದರು ಆದರೆ ವ್ಯಕ್ತಿಯ-ನಿರ್ದಿಷ್ಟ ಡೇಟಾವನ್ನು ಸ್ವೀಕರಿಸಿದ ತಕ್ಷಣ ಅವುಗಳನ್ನು ತಿರಸ್ಕರಿಸಿದರು.

2.4. ನರವೈಜ್ಞಾನಿಕ ಆಧಾರ

ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯದ ನರ ತಲಾಧಾರಗಳ ಮೇಲಿನ ಸಂಶೋಧನೆಯು ಎರಡು ಅರಿವಿನ ವ್ಯವಸ್ಥೆಗಳ ನಡುವಿನ ಸಂಘರ್ಷವನ್ನು ಸೂಚಿಸುತ್ತದೆ:

ಸಿಸ್ಟಮ್ 1 (ಅರ್ಥಗರ್ಭಿತ ಪ್ರಕ್ರಿಯೆ): ಪ್ರಿಫ್ರಂಟಲ್ ಕಾರ್ಟೆಕ್ಸ್ ಮತ್ತು ಲಿಂಬಿಕ್ ಸಿಸ್ಟಮ್ ಕ್ಷಿಪ್ರ, ಸ್ವಯಂಚಾಲಿತ ಮಾದರಿ-ಹೊಂದಾಣಿಕೆಯನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತದೆ. ವ್ಯಕ್ತಿಗತ ಮಾಹಿತಿಯೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ, ಈ ಪ್ರದೇಶಗಳು ಬಲವಾಗಿ ಸಕ್ರಿಯಗೊಳ್ಳುತ್ತವೆ, ಅರ್ಥಗರ್ಭಿತ "ಹೋಲಿಕೆ-ಆಧಾರಿತ" ತೀರ್ಪುಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ. ಅಮಿಗ್ಡಾಲಾ ಎದ್ದುಕಾಣುವ, ನಿರ್ದಿಷ್ಟ ಮಾಹಿತಿಯ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು.

ಸಿಸ್ಟಮ್ 2 (ಉದ್ದೇಶಪೂರ್ವಕ ಪ್ರಕ್ರಿಯೆ): ಡಾರ್ಸೊಲ್ಯಾಟರಲ್ ಪ್ರಿಫ್ರಂಟಲ್ ಕಾರ್ಟೆಕ್ಸ್ ಮತ್ತು ಆಂಟೀರಿಯರ್ ಸಿಂಗ್ಯುಲೇಟ್ ಕಾರ್ಟೆಕ್ಸ್ ಪ್ರಯತ್ನದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಎಫ್‌ಎಂಆರ್‌ಐ (fMRI) ಬಳಸುವ ಅಧ್ಯಯನಗಳು ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಸರಿಯಾಗಿ ಸಂಯೋಜಿಸಲು ಈ ಪ್ರದೇಶಗಳ ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆಯ ಅಗತ್ಯವಿದೆ ಎಂದು ತೋರಿಸುತ್ತವೆ, ಇದು ಅರಿವಿನ ಪ್ರಯತ್ನವನ್ನು ಬಯಸುತ್ತದೆ ಮತ್ತು ಸಮಯದ ಒತ್ತಡ ಅಥವಾ ಅರಿವಿನ ಹೊರೆಯಿಂದ ಸುಲಭವಾಗಿ ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ.

ನರಗಳ ಸ್ಪರ್ಧೆ: ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವು ಸಿಸ್ಟಮ್ 1 ನರಗಳ ಸ್ಪರ್ಧೆಯನ್ನು "ಗೆಲ್ಲುವ" ಫಲಿತಾಂಶವಾಗಿ ಕಂಡುಬರುತ್ತದೆ ಏಕೆಂದರೆ:

• ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ ವೇಗವಾಗಿದೆ ಮತ್ತು ಕಡಿಮೆ ಸಂಪನ್ಮೂಲಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ
• ನಿರ್ದಿಷ್ಟ ಕಥೆಗಳು ಅಮೂರ್ತ ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಭಾವನಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೆಚ್ಚು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತವೆ
• ನಿರೂಪಣೆಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಮೆದುಳಿನ ಡೀಫಾಲ್ಟ್ ಮೋಡ್ ಆಗಿದೆ, ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದಲ್ಲ
• ವರ್ಕಿಂಗ್ ಮೆಮೊರಿ ಮಿತಿಗಳು ಬೇಸ್ ರೇಟ್‌ಗಳು ಮತ್ತು ಕೇಸ್ ಮಾಹಿತಿಯ ಏಕಕಾಲಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತವೆ

ಬಹುಮಾನದ ಭವಿಷ್ಯದಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಡೋಪಮೈನ್ ಮಾರ್ಗಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಚಿಂತನೆಗಿಂತ ನಿರ್ದಿಷ್ಟ "ಹಿಟ್" ಗಳ ಆಕರ್ಷಣೆಗೆ ಕೊಡುಗೆ ನೀಡಬಹುದು ಎಂದು ನರಪ್ರೇಕ್ಷಕ ಸಂಶೋಧನೆ ಸೂಚಿಸುತ್ತದೆ, ಆದರೆ ಒತ್ತಡದ ಹಾರ್ಮೋನುಗಳು ಉದ್ದೇಶಪೂರ್ವಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಇನ್ನಷ್ಟು ನಿಗ್ರಹಿಸಬಹುದು.

3. ವಿಕಸನೀಯ ಮೂಲಗಳು (Evolutionary Origins)

ಬೇಸ್ ರೇಟ್ ಫ್ಯಾಲಸಿ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಏಕೆಂದರೆ ಮಾನವನ ಅರಿವು ಅಮೂರ್ತ ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಅಲ್ಲ, ತಕ್ಷಣದ ಪರಿಸರ ಬೆದರಿಕೆಗಳನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ಹೊಂದುವಂತೆ ಮಾದರಿ-ಗುರುತಿಸುವಿಕೆ ಎಂಜಿನ್ ಆಗಿ ವಿಕಸನಗೊಂಡಿದೆ.

ನಿರ್ದಿಷ್ಟ-ಪ್ರಕರಣದ ತಾರ್ಕಿಕತೆಯ ಉಳಿವಿನ ಅನುಕೂಲಗಳು:

• ಪೂರ್ವಜರ ಪರಿಸರದಲ್ಲಿ, ಹುಲ್ಲಿನ ತುಕ್ಕು ಪರಭಕ್ಷಕ ಆಗಿರಬಹುದು. ಗಾಳಿಯ "ಬೇಸ್ ರೇಟ್" ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ಬೆದರಿಕೆಯನ್ನು ಊಹಿಸಿದವರು ಎಚ್ಚರಿಕೆಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞರಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಬದುಕುಳಿದರು
• ಸಾಮಾಜಿಕ ಉಳಿವು ನಿರ್ದಿಷ್ಟ ವೈಯಕ್ತಿಕ ಉದ್ದೇಶಗಳನ್ನು ಓದುವುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ, ಜನಸಂಖ್ಯೆಯ ಸರಾಸರಿಗಳಲ್ಲ
• ನಿರ್ದಿಷ್ಟ ಅವಕಾಶಗಳನ್ನು ನಿರ್ಣಯಿಸುವ ಮೂಲಕ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಸಂಗಾತಿಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಲಾಗಿದೆ, ಅಮೂರ್ತ ಆವರ್ತನಗಳಲ್ಲ
• ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ ಆಧಾರದ ಮೇಲೆ ತ್ವರಿತ ನಿರ್ಧಾರ ಕೈಗೊಳ್ಳುವಿಕೆ ಅಮೂಲ್ಯವಾದ ಅರಿವಿನ ಶಕ್ತಿಯನ್ನು ಉಳಿಸಿತು

ನಿರೂಪಣೆಯ ಡ್ರೈವ್ (The narrative drive): ಘಟನೆಗಳಿಂದ ಸುಸಂಬದ್ಧ ಕಾರಣಾತ್ಮಕ ಕಥೆಗಳನ್ನು ನಿರ್ಮಿಸಿದ ನಮ್ಮ ಪೂರ್ವಜರು ವಾಸ್ತವವನ್ನು ಸಂಪರ್ಕ ಕಡಿತಗೊಂಡ ಅಂಕಿಅಂಶಗಳಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದವರಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಲಿಯಬಹುದು, ಕಲಿಸಬಹುದು ಮತ್ತು ಊಹಿಸಬಹುದು. ಈ ನಿರೂಪಣೆ-ನಿರ್ಮಾಣ ಸಾಮರ್ಥ್ಯವು ಮಾನವನ ಬುದ್ಧಿಮತ್ತೆಗೆ ಕೇಂದ್ರವಾಯಿತು ಆದರೆ ಔಪಚಾರಿಕ ಸಂಭವನೀಯತೆಯ ಅಗತ್ಯವಿದ್ದಾಗ ವ್ಯವಸ್ಥಿತ ದೋಷಗಳನ್ನು (ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್) ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಒಂದು ವೈಶಿಷ್ಟ್ಯ, ದೋಷವಲ್ಲ - ಸಂದರ್ಭದಲ್ಲಿ: ಹೆಚ್ಚಿನ ಆಧುನಿಕ-ಪೂರ್ವ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವು ಹೊಂದಿಕೊಳ್ಳಬಲ್ಲದು. ನಿಮ್ಮ ಮುಂದಿರುವ ನಿರ್ದಿಷ್ಟ ಹುಲಿ, ಹುಲಿಗಳ ಸರಾಸರಿ ವಿತರಣೆಗಿಂತ ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿದೆ. ಅಪರೂಪದ ಕಾಯಿಲೆಗಳು, ವಿಧಿವಿಜ್ಞಾನದ ಪುರಾವೆಗಳು ಅಥವಾ ಹಣಕಾಸಿನ ಉತ್ಪನ್ನಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಆಧುನಿಕ ನಿರ್ಧಾರಗಳನ್ನು-ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಚಿಂತನೆಯು ಅತ್ಯಗತ್ಯವಾಗಿರುವ ಆದರೆ ವಿಕಸನೀಯವಾಗಿ ಅಭೂತಪೂರ್ವವಾಗಿರುವ ಡೊಮೇನ್‌ಗಳನ್ನು ಈ ಅರಿವಿನ ವಾಸ್ತುಶಿಲ್ಪವು ಎದುರಿಸಿದಾಗ ಸಮಸ್ಯೆ ಉದ್ಭವಿಸುತ್ತದೆ.

ಶಕ್ತಿ ಸಂರಕ್ಷಣೆ: ಬೇಸಿಯನ್ ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಚಯಾಪಚಯವಾಗಿ ದುಬಾರಿಯಾಗಿದೆ. ಮೆದುಳು, ದೇಹದ 20% ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಹೆಚ್ಚಿನ ಸಮಯ "ಸಾಕಷ್ಟು ಉತ್ತಮವಾಗಿ" ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಶಾರ್ಟ್‌ಕಟ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ. ಕೊರತೆಯ ವಾತಾವರಣದಲ್ಲಿ, ಔಪಚಾರಿಕ ತಾರ್ಕಿಕತೆಯ ಅರಿವಿನ ವೆಚ್ಚವು ಅದರ ಕನಿಷ್ಠ ಪ್ರಯೋಜನಗಳನ್ನು ಮೀರಿದೆ.

4. ಈ ಪಕ್ಷಪಾತವು ಹೇಗೆ ಪ್ರಕಟವಾಗುತ್ತದೆ (How This Bias Manifests)

4.1. ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ

• ಅಪರಿಚಿತರನ್ನು ಸ್ಟೀರಿಯೊಟೈಪಿಂಗ್ ಮಾಡುವುದು: ಮೃದುವಾಗಿ ಮಾತನಾಡುವ ಕನ್ನಡಕವನ್ನು ಹೊಂದಿರುವ ಯಾರನ್ನಾದರೂ ಭೇಟಿಯಾದಾಗ, ಇತರ ಉದ್ಯೋಗಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಪ್ರಾಧ್ಯಾಪಕರ ಮೂಲ ದರವು (base rate) ಚಿಕ್ಕದಾಗಿದ್ದರೂ ಸಹ ನೀವು "ಪ್ರಾಧ್ಯಾಪಕ" ಎಂದು ಭಾವಿಸಬಹುದು
• ಅಪಾಯದ ಮೌಲ್ಯಮಾಪನ: ವಿಮಾನ ಅಪಘಾತದ ಸುದ್ದಿ ಪ್ರಸಾರವನ್ನು ನೋಡಿದ ನಂತರ, ವಿಮಾನಯಾನದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸುರಕ್ಷತೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ ಹಾರಾಟದ ಅಪಾಯವನ್ನು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುವುದು
• ಸಂಬಂಧದ ತೀರ್ಪುಗಳು: ನಿಮ್ಮ ಪ್ರಾಮಾಣಿಕ ಸಂವಹನಗಳ ವ್ಯಾಪಕ ಇತಿಹಾಸವನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ (ಅವರ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಬೇಸ್ ರೇಟ್), ಒಂದು ಅನುಮಾನಾಸ್ಪದ ವರ್ತನೆಯ ಆಧಾರದ ಮೇಲೆ ಯಾರಾದರೂ ಅಪ್ರಾಮಾಣಿಕ ಎಂದು ತೀರ್ಮಾನಿಸುವುದು
• ಲಾಟರಿ ಮತ್ತು ಜೂಜು: ನಷ್ಟದ ಗಣಿತದ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ, ಇತ್ತೀಚಿನ ಗೆಲುವುಗಳ ಆಧಾರದ ಮೇಲೆ "ಲಕ್ಕಿ" ಟಿಕೆಟ್ ಅಥವಾ ಕ್ಯಾಸಿನೊವನ್ನು ವಿಶೇಷವೆಂದು ಪರಿಗಣಿಸುವುದು
• ಪೋಷಕರ ಭಯ: ಅಪಹರಣದಂತಹ ಅಪಾಯಗಳನ್ನು ರೋಮಾಂಚಕ ಮಾಧ್ಯಮದ ಕಥೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುವುದು, ಕಾರು ಅಪಘಾತಗಳಂತಹ ಸಾಮಾನ್ಯ ಅಪಾಯಗಳನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುವುದು

4.2. ಕೆಲಸದ ಸ್ಥಳದಲ್ಲಿ

• ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೌಲ್ಯಮಾಪನ: ಉದ್ಯೋಗಿಯ ಬೇಸ್‌ಲೈನ್ ಉತ್ಪಾದಕತೆಯ ಡೇಟಾವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ, ಒಂದು ಪ್ರಭಾವಶಾಲಿ ಪ್ರಸ್ತುತಿಯ ಆಧಾರದ ಮೇಲೆ ಅವರನ್ನು "ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯ" ಹೊಂದಿರುವವರು ಎಂದು ರೇಟಿಂಗ್ ಮಾಡುವುದು
• ನೇಮಕಾತಿ ನಿರ್ಧಾರಗಳು: ಇದೇ ರೀತಿಯ ನೇಮಕಾತಿಗಳಲ್ಲಿನ ಯಶಸ್ಸಿನ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಪರಿಗಣಿಸುವ ಬದಲು ಸಂದರ್ಶನದ ಕಾರ್ಯಕ್ಷಮತೆಯು ಯಶಸ್ಸಿನ ಸ್ಟೀರಿಯೊಟೈಪ್‌ಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಅಭ್ಯರ್ಥಿಗಳಿಗೆ ಒಲವು ತೋರುವುದು
• ಯೋಜನೆ ಅಂದಾಜು: ಇದೇ ರೀತಿಯ ಯೋಜನೆಗಳಲ್ಲಿ ಬಜೆಟ್ ಮಿತಿಮೀರಿದ ಮತ್ತು ವಿಳಂಬಗಳ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ ನಿರ್ದಿಷ್ಟ ವೈಶಿಷ್ಟ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ "ಈ ಯೋಜನೆಯು ವಿಭಿನ್ನವಾಗಿದೆ" ಎಂದು ನಂಬುವುದು
• ನಾಯಕತ್ವದ ಮೌಲ್ಯಮಾಪನ: ಮಾರುಕಟ್ಟೆಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ (ಅನುಕೂಲಕರ ಪರಿಸರದಲ್ಲಿ ಯಶಸ್ಸಿನ ಬೇಸ್ ರೇಟ್), ವರ್ಚಸ್ವಿ ನಾಯಕನಿಗೆ ತಂಡದ ಯಶಸ್ಸನ್ನು ಆರೋಪಿಸುವುದು
• ಸ್ಪರ್ಧಿ ವಿಶ್ಲೇಷಣೆ: ಇದೇ ರೀತಿಯ ತಂತ್ರಗಳಿಗೆ ಉದ್ಯಮ-ವ್ಯಾಪಕ ಯಶಸ್ಸಿನ ದರಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ, ನಿರ್ದಿಷ್ಟ ಪ್ರತಿಸ್ಪರ್ಧಿ ಚಲನೆಗಳಿಗೆ ಹೆಚ್ಚಿನ ತೂಕವನ್ನು ನೀಡುವುದು

4.3. ವ್ಯಾಪಾರ ಮತ್ತು ಮಾರ್ಕೆಟಿಂಗ್‌ ನಲ್ಲಿ

• ಪ್ರಶಂಸಾಪತ್ರಗಳು ಮತ್ತು ಕೇಸ್ ಸ್ಟಡೀಸ್: ಗ್ರಾಹಕರು ವಿಶಿಷ್ಟ ಫಲಿತಾಂಶಗಳ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ರಿಯಾಯಿತಿ ಮಾಡುವುದರಿಂದ ಕಂಪನಿಗಳು ನಿರ್ದಿಷ್ಟ ಯಶಸ್ಸಿನ ಕಥೆಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತವೆ
• "ಟಿವಿಯಲ್ಲಿ ನೋಡಿದಂತೆ": ಉತ್ಪನ್ನದ ಪರಿಣಾಮಕಾರಿತ್ವದ ಬಗ್ಗೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾಹಿತಿಯನ್ನು ಎದ್ದುಕಾಣುವ ಪ್ರದರ್ಶನಗಳು ಅತಿಕ್ರಮಿಸುತ್ತವೆ
• ವಿಮೆ ಮಾರಾಟ: ವಿಪತ್ತಿನ ನಾಟಕೀಯ ಸನ್ನಿವೇಶಗಳು ಅಪರೂಪದ ಘಟನೆಗಳನ್ನು ಸಂಭಾವ್ಯವೆಂದು ಭಾವಿಸುವಂತೆ ಮಾಡುತ್ತದೆ
• ಉದ್ದೇಶಿತ ಜಾಹೀರಾತು (Targeted advertising): ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಯೋಜನಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಬದಲು ನಿರ್ದಿಷ್ಟ ಅಪೇಕ್ಷಣೀಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಉತ್ಪನ್ನಗಳನ್ನು ತೋರಿಸುವುದು
• ಉಡಾವಣಾ ನಿರೂಪಣೆಗಳು: ವೈಫಲ್ಯದ ~90% ಬೇಸ್ ರೇಟ್‌ನ ಹೊರತಾಗಿಯೂ "ಈ ಸ್ಟಾರ್ಟ್ಅಪ್ ವಿಭಿನ್ನವಾಗಿದೆ" ಕಥೆಗಳು ಮುಂದುವರಿಯುತ್ತವೆ
• ಗ್ರಾಹಕ ವಿಭಾಗೀಕರಣ: ವ್ಯವಸ್ಥಿತ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಗಿಂತ ಸ್ಮರಣೀಯ ಗ್ರಾಹಕ ಸಂವಹನಗಳ ಮೇಲೆ ಹೆಚ್ಚು ಗಮನಹರಿಸುವುದು

4.4. ರಾಜಕೀಯ ಮತ್ತು ಮಾಧ್ಯಮದಲ್ಲಿ

• ಅಪರಾಧ ಕವರೇಜ್: ಕುಸಿಯುತ್ತಿರುವ ಹಿಂಸಾಚಾರದ ಬೇಸ್ ರೇಟ್‌ಗಳ ಹೊರತಾಗಿಯೂ ಅಪರೂಪದ ಹಿಂಸಾತ್ಮಕ ಅಪರಾಧಗಳ ಎದ್ದುಕಾಣುವ ವರದಿ ನೀತಿಯನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತದೆ
• ಚುನಾವಣಾ ಭವಿಷ್ಯ: ಅಧಿಕಾರಸ್ಥರ ಅನುಕೂಲದ ಐತಿಹಾಸಿಕ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ಪಂಡಿತರು ನಿರ್ದಿಷ್ಟ ಪ್ರಚಾರದ ಕ್ಷಣಗಳ ಮೇಲೆ ("ಗಾಫೆಸ್") ಗಮನಹರಿಸುತ್ತಾರೆ
• ವಲಸೆಯ ಚರ್ಚೆ: ಸ್ಥಳೀಯರಿಗಿಂತ ಕಡಿಮೆ ದರದಲ್ಲಿ ವಲಸಿಗರು ಅಪರಾಧಗಳನ್ನು ಮಾಡುತ್ತಾರೆ ಎಂಬ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳನ್ನು ವಲಸಿಗರ ಅಪರಾಧದ ನಿರ್ದಿಷ್ಟ ಕಥೆಗಳು ಮೀರಿಸುತ್ತವೆ
• ನೀತಿ ನಿರೂಪಣೆಗಳು: ಹೊಸ ನೀತಿಗಳಿಗಾಗಿ "ಈ ಬಾರಿ ವಿಭಿನ್ನವಾಗಿದೆ" ಎಂಬ ವಾದಗಳು ನೀತಿ ವೈಫಲ್ಯದ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತವೆ
• ಭಯೋತ್ಪಾದನೆ ಅಪಾಯ: ಎದ್ದುಕಾಣುವ ದಾಳಿಗಳ ಆಧಾರದ ಮೇಲೆ ಬೃಹತ್ ಭದ್ರತಾ ಹೂಡಿಕೆಗಳು, ಆದರೆ ಬೇಸ್ ರೇಟ್‌ಗಳು ಇತರ ಬೆದರಿಕೆಗಳಿಗೆ (ಟ್ರಾಫಿಕ್ ಅಪಘಾತಗಳು, ಹೃದ್ರೋಗ) ಹೆಚ್ಚಿನ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಅರ್ಹವೆಂದು ಸೂಚಿಸುತ್ತವೆ

4.5. ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಲ್ಲಿ

ದಿ ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಪ್ಯಾರಡಾಕ್ಸ್: ರೋಗವು ಅಪರೂಪವಾದಾಗ (ಕಡಿಮೆ ಬೇಸ್ ರೇಟ್), ಹೆಚ್ಚು ನಿಖರವಾದ ಪರೀಕ್ಷೆಗಳು ಸಹ ಹೆಚ್ಚಾಗಿ ತಪ್ಪು ಧನಾತ್ಮಕ (false positives) ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತವೆ.

HIV ಸ್ಕ್ರೀನಿಂಗ್ ಉದಾಹರಣೆ:

• ಜನಸಂಖ್ಯೆ: 0.01% HIV ಹರಡುವಿಕೆಯೊಂದಿಗೆ 100,000 ಜನರು

• ಪರೀಕ್ಷೆ: 99.9% ಸೂಕ್ಷ್ಮತೆ, 99.9% ನಿರ್ದಿಷ್ಟತೆ

• ಟ್ರೂ ಪಾಸಿಟಿವ್: ~10 (ಸೋಂಕಿತ ಜನರನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸಲಾಗಿದೆ)

• ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್: ~100 (ಆರೋಗ್ಯಕರ ಜನರನ್ನು ತಪ್ಪಾಗಿ ಫ್ಲ್ಯಾಗ್ ಮಾಡಲಾಗಿದೆ)

• ಫಲಿತಾಂಶ: ಪಾಸಿಟಿವ್ ಪರೀಕ್ಷೆ ಎಂದರೆ ನಿಜವಾದ ಸೋಂಕಿನ ಕೇವಲ ~9% ಅವಕಾಶ ಎಂದರ್ಥ

• ರೋಗನಿರ್ಣಯ ದೋಷಗಳು: ಲೌಕಿಕ ಪರಿಸ್ಥಿತಿಗಳ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ ನಾಟಕೀಯ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವ ರೋಗಲಕ್ಷಣಗಳನ್ನು ವೈದ್ಯರು ಆಂಕರ್ ಮಾಡುತ್ತಾರೆ

• ಔಷಧಿ ಪರಿಣಾಮಕಾರಿತ್ವ: ರೋಗಿಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಚಿಕಿತ್ಸೆಯ ಯಶಸ್ಸಿನ ದರಗಳಿಗಿಂತ ನಿರ್ದಿಷ್ಟ ಚೇತರಿಕೆ ಕಥೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತಾರೆ

• ಸ್ಕ್ರೀನಿಂಗ್ ನಿರ್ಧಾರಗಳು: ರೋಗಿಗಳು ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಗಳ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದೆ ಪಾಸಿಟಿವ್ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸುತ್ತಾರೆ

• ಚಿಕಿತ್ಸೆಯ ಅನುಸರಣೆ: ಎದ್ದುಕಾಣುವ ಅಡ್ಡ ಪರಿಣಾಮದ ಕಥೆಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸುರಕ್ಷತಾ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ಅತಿಕ್ರಮಿಸುತ್ತವೆ

• COVID-19 ಲಸಿಕೆ ತಪ್ಪು ತಿಳುವಳಿಕೆ: ದುರ್ಬಲ ಜನಸಂಖ್ಯೆಯ 95%+ ಲಸಿಕೆಯನ್ನು (ಛೇದ ಸಮಸ್ಯೆ / denominator problem) ಹಾಕಲಾಗಿದೆ ಎಂಬುದನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ, "ಆಸ್ಪತ್ರೆಗೆ ದಾಖಲಾದ 70% ರೋಗಿಗಳಿಗೆ ಲಸಿಕೆ ನೀಡಲಾಗಿದೆ" ಎಂಬುದನ್ನು ಲಸಿಕೆ ವೈಫಲ್ಯವೆಂದು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಲಾಗಿದೆ

4.6. ಹಣಕಾಸು ಮತ್ತು ಹೂಡಿಕೆಯಲ್ಲಿ

• "ಈ ಬಾರಿ ವಿಭಿನ್ನವಾಗಿದೆ": ಮಾರುಕಟ್ಟೆ ತಿದ್ದುಪಡಿಗಳ ಐತಿಹಾಸಿಕ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ ಹೂಡಿಕೆದಾರರು ನಿರ್ದಿಷ್ಟ ನಿರೂಪಣೆಗಳ (ನ್ಯೂ ಎಕಾನಮಿ, AI ಕ್ರಾಂತಿ) ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವ ಮೂಲಕ ವಿಪರೀತ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಸಮರ್ಥಿಸುತ್ತಾರೆ
• ಡಾಟ್-ಕಾಮ್ ಬಬಲ್: 100x+ ನ P/E ಅನುಪಾತಗಳು ಇಂಟರ್ನೆಟ್ ಸಾಮರ್ಥ್ಯದಿಂದ ಸಮರ್ಥಿಸಲ್ಪಟ್ಟವು, ~15x ಸರಾಸರಿ ಮೌಲ್ಯಮಾಪನಗಳ ಐತಿಹಾಸಿಕ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ
• ವೈಯಕ್ತಿಕ ಸ್ಟಾಕ್ ಪಿಕ್ಕಿಂಗ್: ಸೂಚ್ಯಂಕಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಸ್ಟಾಕ್ ಕಡಿಮೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಾಗ ಕಂಪನಿ-ನಿರ್ದಿಷ್ಟ ಮಾಹಿತಿಯನ್ನು ನಿರ್ಣಾಯಕವೆಂದು ಪರಿಗಣಿಸುವುದು
• ವೆಂಚರ್ ಕ್ಯಾಪಿಟಲ್ ಆಶಾವಾದ: ಸ್ಟಾರ್ಟ್ಅಪ್ ವೈಫಲ್ಯದ ಬೇಸ್ ರೇಟ್‌ಗಳಿಗಿಂತ ಸಂಸ್ಥಾಪಕರ ವರ್ಚಸ್ಸಿನ ಆಧಾರದ ಮೇಲೆ ನಿಧಿಯ ನಿರ್ಧಾರಗಳು
• LTCM ಕುಸಿತ: ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿ ವಿಜೇತರ ಮಾದರಿಗಳು ಮಾರುಕಟ್ಟೆಯ ಪ್ಯಾನಿಕ್‌ಗಳ ("ಫ್ಯಾಟ್ ಟೈಲ್ಸ್") ಐತಿಹಾಸಿಕ ಆವರ್ತನವನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ಇತ್ತೀಚಿನ ಕಡಿಮೆ ಚಂಚಲತೆಯನ್ನು ಬೇಸ್ ರೇಟ್ ಎಂದು ಪರಿಗಣಿಸಿವೆ
• ರಿಯಲ್ ಎಸ್ಟೇಟ್ ಊಹಾಪೋಹಗಳು: "ಈ ಮಾರುಕಟ್ಟೆ ವಿಭಿನ್ನವಾಗಿದೆ" ನಂಬಿಕೆಗಳು ವಸತಿ ಚಕ್ರಗಳ ಐತಿಹಾಸಿಕ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತವೆ

5. ನೈಜ ಪ್ರಪಂಚದ ಕೇಸ್ ಸ್ಟಡೀಸ್ (Real-World Case Studies)

ಕೇಸ್ ಸ್ಟಡಿ 1: ಸ್ಯಾಲಿ ಕ್ಲಾರ್ಕ್ - ತಪ್ಪಾಗಿ ಜೈಲು ಪಾಲಾದ ತಾಯಿ

• ಸಂದರ್ಭ: 1999 ರಲ್ಲಿ, ಬ್ರಿಟಿಷ್ ಸಾಲಿಸಿಟರ್ ಸ್ಯಾಲಿ ಕ್ಲಾರ್ಕ್ ತನ್ನ ಇಬ್ಬರು ಶಿಶು ಪುತ್ರರನ್ನು ಕಳೆದುಕೊಂಡಳು-ಮೊದಲನೆಯದು 11 ವಾರಗಳಲ್ಲಿ, ಎರಡನೆಯದು 8 ವಾರಗಳಲ್ಲಿ. ಆಕೆಯ ಮೇಲೆ ದ್ವಿ-ಶಿಶುಹತ್ಯೆ ಆರೋಪ ಹೊರಿಸಲಾಯಿತು.

• ಏನಾಯಿತು: ತಜ್ಞ ಸಾಕ್ಷಿ ಸರ್ ರಾಯ್ ಮೆಡೋ ಅವರು ಶ್ರೀಮಂತ ಕುಟುಂಬದಲ್ಲಿ ಎರಡು SIDS (ಶಿಶು ಹಠಾತ್ ಮರಣ ಸಿಂಡ್ರೋಮ್) ಸಾವುಗಳ ಸಂಭವನೀಯತೆಯು ಸರಿಸುಮಾರು 73 ಮಿಲಿಯನ್‌ನಲ್ಲಿ 1 ಎಂದು ಸಾಕ್ಷ್ಯ ನೀಡಿದರು ((1/8543)² ಎಂದು ಲೆಕ್ಕ ಹಾಕಲಾಗಿದೆ). ಅವರು ಇದನ್ನು "ಲಾಂಗ್ ಶಾಟ್" ನ ಮೇಲಿನ ಬೆಟ್ಟಿಂಗ್ ಆಡ್ಸ್ಗೆ ಹೋಲಿಸಿದರು.

• ಕೆಲಸದಲ್ಲಿರುವ ಪಕ್ಷಪಾತ: ಎರಡು ನಿರ್ಣಾಯಕ ದೋಷಗಳು ಸಂಯೋಜಿಸಲ್ಪಟ್ಟವು:

  1. ಸ್ವಾತಂತ್ರ್ಯ ಉಲ್ಲಂಘನೆ (Independence violation): SIDS ಸಾವುಗಳು ಸ್ವತಂತ್ರ ಘಟನೆಗಳೆಂದು ಮೆಡೋ ಭಾವಿಸಿದ್ದರು. ಆನುವಂಶಿಕ ಮತ್ತು ಪರಿಸರ ಅಂಶಗಳು ವಾಸ್ತವವಾಗಿ ಒಂದು ಸಾವು ಸಂಭವಿಸಿದರೆ ಎರಡನೇ ಸಾವು ಸಂಭವಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ಹೆಚ್ಚು ಮಾಡುತ್ತವೆ - ಘಟನೆಗಳು ಷರತ್ತುಬದ್ಧವಾಗಿ ಅವಲಂಬಿತವಾಗಿವೆ.
  2. ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯ: 73-ಮಿಲಿಯನ್‌ನಲ್ಲಿ-1 ಅಂಕಿಅಂಶವನ್ನು ಒಪ್ಪಿಕೊಂಡರೂ ಸಹ, ತೀರ್ಪುಗಾರರು ಇದನ್ನು ಡಬಲ್ ಶಿಶುಹತ್ಯೆಯ ಬೇಸ್ ರೇಟ್‌ಗೆ ಹೋಲಿಸಬೇಕಾಗಿತ್ತು. ತಾಯಿಯಿಂದ ಎರಡು ಬಾರಿ ಕೊಲೆಯಾಗುವುದು ಅಸಾಧಾರಣವಾಗಿ ವಿರಳ (ಬಹುಶಃ 100 ಮಿಲಿಯನ್‌ನಲ್ಲಿ 1). ಎರಡು ಅತ್ಯಂತ ಅಪರೂಪದ ಘಟನೆಗಳನ್ನು ಹೋಲಿಸುವಾಗ, ಅನುಪಾತವು ಮುಖ್ಯವಾಗಿದೆ. ಡಬಲ್ SIDS 73M ನಲ್ಲಿ 1 ಮತ್ತು ಡಬಲ್ ಮರ್ಡರ್ 100M ನಲ್ಲಿ 1 ಆಗಿದ್ದರೆ, SIDS ವಾಸ್ತವವಾಗಿ ಹೆಚ್ಚು ಸಾಧ್ಯತೆ ಇದೆ. ಪ್ರತ್ಯೇಕವಾಗಿ "73 ಮಿಲಿಯನ್‌ನಲ್ಲಿ 1" ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಮೂಲಕ, ಪ್ರಾಸಿಕ್ಯೂಷನ್ ಕೊಲೆಯು ಡಿಫಾಲ್ಟ್ ಎಂದು ಸೂಚಿಸಿತು.

• ಪರಿಣಾಮಗಳು: ಸ್ಯಾಲಿ ಕ್ಲಾರ್ಕ್ ದೋಷಿ ಎಂದು ನಿರ್ಣಯಿಸಲಾಯಿತು ಮತ್ತು ಜೀವಾವಧಿ ಶಿಕ್ಷೆ ವಿಧಿಸಲಾಯಿತು. ರಾಯಲ್ ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕಲ್ ಸೊಸೈಟಿಯು ಬಳಸಿದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಾರ್ಕಿಕತೆಯ ಬಗ್ಗೆ ಸಾರ್ವಜನಿಕವಾಗಿ ಖಂಡನೆ ನೀಡುವ ಅಸಾಧಾರಣ ಹೆಜ್ಜೆಯನ್ನು ತೆಗೆದುಕೊಂಡಿತು. ಆಕೆಯ ಎರಡನೇ ಮೇಲ್ಮನವಿಯ ನಂತರ 2003 ರಲ್ಲಿ ಕ್ಲಾರ್ಕ್ ಬಿಡುಗಡೆಯಾದಳು. ತಪ್ಪಾದ ಜೈಲುವಾಸ ಮತ್ತು ಅವಳ ಮಕ್ಕಳ ನಷ್ಟದ ಆಘಾತದಿಂದ ಚೇತರಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗದೆ, ಅವರು 2007 ರಲ್ಲಿ ತೀವ್ರ ಮದ್ಯದ ವಿಷದಿಂದ ನಿಧನರಾದರು.

• ಕಲಿತ ಪಾಠಗಳು: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳಿಗೆ ಸರಿಯಾದ ಬೇಸಿಯನ್ ಫ್ರೇಮಿಂಗ್ ಅಗತ್ಯವಿದೆ. ನ್ಯಾಯಾಲಯಗಳು ಪ್ರತ್ಯೇಕವಾಗಿ ಒಂದು ಕಲ್ಪನೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಾರದು, ಬದಲಿಗೆ ಸ್ಪರ್ಧಾತ್ಮಕ ಕಲ್ಪನೆಗಳ ಅಡಿಯಲ್ಲಿ ಪುರಾವೆಗಳ ಸಂಭವನೀಯತೆಯನ್ನು ಹೋಲಿಸಬೇಕು. ಪರಿಣಿತ ಸಾಕ್ಷಿಗಳಿಗೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಾಕ್ಷರತೆಯ ತರಬೇತಿಯ ಅಗತ್ಯವಿದೆ.

ಕೇಸ್ ಸ್ಟಡಿ 2: ಲೂಸಿಯಾ ಡಿ ಬರ್ಕ್-ಡಚ್ ನರ್ಸ್

• ಸಂದರ್ಭ: ಡಚ್ ನರ್ಸ್ ಲೂಸಿಯಾ ಡಿ ಬರ್ಕ್ ಅವರು 2003 ರಲ್ಲಿ ತಮ್ಮ ಪಾಳಿಯ ಸಮಯದಲ್ಲಿ ರೋಗಿಗಳ ಸಾವುಗಳ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಯ ಆಧಾರದ ಮೇಲೆ ಏಳು ಕೊಲೆಗಳು ಮತ್ತು ಮೂರು ಕೊಲೆ ಯತ್ನಗಳಿಗಾಗಿ ಶಿಕ್ಷೆಗೊಳಗಾದರು.

• ಏನಾಯಿತು: ಅವಳ ಪಾಳಿಯ ಸಮಯದಲ್ಲಿ ಆಕಸ್ಮಿಕವಾಗಿ ಇಷ್ಟು ಸಾವುಗಳು ಸಂಭವಿಸುವ ಸಂಭವನೀಯತೆಯು 342 ಮಿಲಿಯನ್‌ಗಳಲ್ಲಿ 1 ಎಂದು ಆಸ್ಪತ್ರೆಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞ ಸಾಕ್ಷ್ಯ ನೀಡಿದರು.

• ಕೆಲಸದಲ್ಲಿರುವ ಪಕ್ಷಪಾತ:

  1. ಪೋಸ್ಟ್-ಹಾಕ್ ಆಯ್ಕೆ (Post-hoc selection): ಲೂಸಿಯಾ ಕರ್ತವ್ಯದಲ್ಲಿದ್ದಾರೆ ಎಂದು ತಿಳಿದ ನಂತರ ಮಾತ್ರ ಸಾವುಗಳನ್ನು "ಅನುಮಾನಾಸ್ಪದ" ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗಿದೆ - ಕ್ಲಾಸಿಕ್ ಕನ್ಫರ್ಮೇಷನ್ ಬಯಾಸ್ ನೊಂದಿಗೆ ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯದ ಸಂಯೋಜನೆ
  2. ಸಮೂಹಗಳ ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷಿಸಲಾಗಿದೆ: ಯಾವುದೇ ದೊಡ್ಡ ಆಸ್ಪತ್ರೆಯ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ಲಾರ್ಜ್ ನಂಬರ್ಸ್ ನಿಯಮವು ಕೆಲವು ದಾದಿಯರು ಅಂತಿಮವಾಗಿ ಕೇವಲ ಆಕಸ್ಮಿಕವಾಗಿ ಹೆಚ್ಚು ಅಸಂಭವವೆಂದು ತೋರುವ ಶಿಫ್ಟ್ ಮಾದರಿಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ ಎಂದು ಖಾತರಿಪಡಿಸುತ್ತದೆ (ಟೆಕ್ಸಾಸ್ ಶಾರ್ಪ್‌ಶೂಟರ್ ಫ್ಯಾಲಸಿ)
  3. ನಿರ್ಲಕ್ಷಿತ ಪರ್ಯಾಯ ಊಹೆಗಳು: ರಾತ್ರಿಯ ಪಾಳಿಯಲ್ಲಿ (ರೋಗಿಗಳನ್ನು ಹೆಚ್ಚು ನಿಕಟವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿದಾಗ) ಸಾಯುವ ರೋಗಿಗಳ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಸರಿಯಾಗಿ ಪರಿಗಣಿಸಲಾಗಿಲ್ಲ

• ಪರಿಣಾಮಗಳು: ಲೂಸಿಯಾ ಜೈಲಿನಲ್ಲಿ ಆರು ವರ್ಷಗಳಿಗಿಂತ ಹೆಚ್ಚು ಕಾಲ ಸೇವೆ ಸಲ್ಲಿಸಿದಳು. ಸೆರೆಮನೆಯಲ್ಲಿದ್ದಾಗ ಅವಳು ಸ್ಟ್ರೋಕ್ ಗೆ ಒಳಗಾದಳು. ಸ್ವತಂತ್ರ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞರ ಗಣಿತದ ವಿಶ್ಲೇಷಣೆಯು ನಿರಪರಾಧಿತ್ವದ ಸಂಭವನೀಯತೆ ವಾಸ್ತವವಾಗಿ ಹೆಚ್ಚು ಎಂದು ತೋರಿಸಿದೆ. ದೇಶದ ಇತಿಹಾಸದಲ್ಲಿ ನ್ಯಾಯ ವ್ಯವಸ್ಥೆಯ ವೈಫಲ್ಯ (ನ್ಯಾಯದ ಅಪಹಾಸ್ಯ) ಪ್ರಕರಣಗಳಲ್ಲಿ ಇದೂ ಒಂದು ಎಂದು ಡಚ್ ಅಧಿಕಾರಿಗಳು ಒಪ್ಪಿಕೊಂಡಿದ್ದರಿಂದ 2010 ರಲ್ಲಿ ಅವಳನ್ನು ದೋಷಮುಕ್ತಗೊಳಿಸಲಾಯಿತು.

• ಕಲಿತ ಪಾಠಗಳು: ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿನ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕಾಕತಾಳೀಯತೆಯು ಕಾರಣದ ಪುರಾವೆಯಲ್ಲ. ಪೋಸ್ಟ್-ಹಾಕ್ ವಿಶ್ಲೇಷಣೆಗೆ ತೀವ್ರ ಎಚ್ಚರಿಕೆಯ ಅಗತ್ಯವಿದೆ. ನ್ಯಾಯಾಲಯಗಳಿಗೆ ಸಂಭವನೀಯತೆಯ ಸಾಕ್ಷ್ಯದ ಸ್ವತಂತ್ರ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಮರ್ಶೆಯ ಅಗತ್ಯವಿದೆ.

ಕೇಸ್ ಸ್ಟಡಿ 3: ರಾಬರ್ಟ್ ವಿಲಿಯಮ್ಸ್-ಮುಖ ಗುರುತಿಸುವಿಕೆಯ ವೈಫಲ್ಯ

• ಸಂದರ್ಭ: ಜನವರಿ 2020 ರಲ್ಲಿ, ಡೆಟ್ರಾಯಿಟ್‌ನ ಕರಿಯ ವ್ಯಕ್ತಿ ರಾಬರ್ಟ್ ವಿಲಿಯಮ್ಸ್‌ನನ್ನು ಅವನ ಡ್ರೈವಿಂಗ್ ಲೈಸೆನ್ಸ್ ಫೋಟೋವನ್ನು ಶಾಪ್ ಲಿಫ್ಟಿಂಗ್ ಘಟನೆಯ ಕಣ್ಗಾವಲು ದೃಶ್ಯಾವಳಿಗಳಿಗೆ ಮುಖ ಗುರುತಿಸುವಿಕೆ ಅಲ್ಗಾರಿದಮ್ (facial recognition algorithm) ಹೊಂದಿಸಿದ ನಂತರ ಅವನ ಕುಟುಂಬದ ಮುಂದೆ ಅವನ ಮನೆಯಲ್ಲಿ ಬಂಧಿಸಲಾಯಿತು.

• ಏನಾಯಿತು: ಪತ್ತೆದಾರರು ವಿಲಿಯಮ್ಸ್‌ಗೆ ಕಣ್ಗಾವಲು ಚಿತ್ರವನ್ನು ತೋರಿಸಿದರು ಮತ್ತು "ಕಂಪ್ಯೂಟರ್ ಅದು ನೀವು ಎಂದು ಹೇಳುತ್ತದೆ" ಎಂದು ಹೇಳಿದರು. ಬಿಡುಗಡೆಯಾಗುವ ಮೊದಲು ಅವರನ್ನು 30 ಗಂಟೆಗಳ ಕಾಲ ತಡೆಹಿಡಿಯಲಾಗಿತ್ತು.

• ಕೆಲಸದಲ್ಲಿರುವ ಪಕ್ಷಪಾತ:

  1. ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಪ್ಯಾರಡಾಕ್ಸ್: ಲಕ್ಷಾಂತರ ಮುಖಗಳ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು ಹುಡುಕುವಾಗ 99% ನಿಖರವಾದ ಮುಖ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಯು ಸಾವಿರಾರು ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಮ್ಯಾಚ್‌ಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
  2. ಆಟೊಮೇಷನ್ ಬಯಾಸ್: ತನಿಖಾಧಿಕಾರಿಗಳು ಅಲ್ಗಾರಿದಮ್‌ನ "ಮ್ಯಾಚ್" ಅನ್ನು ನಿರ್ಣಾಯಕ ಪುರಾವೆಯಾಗಿ ಪರಿಗಣಿಸಿದ್ದಾರೆ ಹೊರತು ದೃಢೀಕರಣದ ಅಗತ್ಯವಿರುವ ಸಂಭವನೀಯ ಸಲಹೆಯಾಗಿ ಅಲ್ಲ
  3. ಯಾದೃಚ್ಛಿಕ ಮ್ಯಾಚ್‌ಗಳ ಬೇಸ್ ರೇಟ್: ಟ್ಯಾಕ್ಸಿಕ್ಯಾಬ್ ಸಮಸ್ಯೆಯಂತೆ, "ಸಾಕ್ಷಿ" (ಅಲ್ಗಾರಿದಮ್) ದೋಷ ಪ್ರಮಾಣವನ್ನು ಹೊಂದಿದೆ, ಮತ್ತು "ಮುಗ್ಧ ಜನಸಂಖ್ಯೆ" ದೊಡ್ಡದಾಗಿದೆ - ಅನೇಕ ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ

• ಪರಿಣಾಮಗಳು: ವಿಲಿಯಮ್ಸ್ ಅವರನ್ನು ತಪ್ಪಾಗಿ ಬಂಧಿಸಲಾಯಿತು ಮತ್ತು ಅವರ ಡಿಎನ್ಎ, ಫಿಂಗರ್‌ಪ್ರಿಂಟ್‌ಗಳು ಮತ್ತು ಮಗ್‌ಶಾಟ್‌ಗಳನ್ನು ಕ್ರಿಮಿನಲ್ ಡೇಟಾಬೇಸ್‌ಗಳಿಗೆ ನಮೂದಿಸಲಾಗಿದೆ. ಅವರು ಡೆಟ್ರಾಯಿಟ್ ಪೊಲೀಸ್ ಇಲಾಖೆ ವಿರುದ್ಧ ಮೊಕದ್ದಮೆ ಹೂಡಿದರು. ಕಾನೂನು ಜಾರಿಯಲ್ಲಿನ ಅಲ್ಗಾರಿದಮಿಕ್ ಪಕ್ಷಪಾತದ ಒಂದು ಮಹತ್ವದ ಉದಾಹರಣೆಯಾಗಿ ಈ ಪ್ರಕರಣವು ಮಾರ್ಪಟ್ಟಿತು.

• ಕಲಿತ ಪಾಠಗಳು: ಅಲ್ಗಾರಿದಮಿಕ್ ಪುರಾವೆಗಳನ್ನು ಸಂಭವನೀಯವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು, ಅಚೂಕ (infallible) ಎಂದು ಪರಿಗಣಿಸಬಾರದು. ಫಾಲ್ಸ್ ಮ್ಯಾಚ್‌ಗಳ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರಿಗೆ ತಿಳಿಸಬೇಕು. ಅಲ್ಗಾರಿದಮಿಕ್ ಮ್ಯಾಚ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ ಬಂಧನಗಳ ಮೊದಲು ದೃಢೀಕರಿಸುವ ಪುರಾವೆಗಳ ಅಗತ್ಯವಿದೆ.

ಐತಿಹಾಸಿಕ ಉದಾಹರಣೆ: ಲಾಂಗ್-ಟರ್ಮ್ ಕ್ಯಾಪಿಟಲ್ ಮ್ಯಾನೇಜ್ಮೆಂಟ್ ನ ಕುಸಿತ

1998 ರಲ್ಲಿ, ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿ ವಿಜೇತರಾದ ಮೈರಾನ್ ಸ್ಕೋಲ್ಸ್ ಮತ್ತು ರಾಬರ್ಟ್ ಮೆರ್ಟನ್ ಅವರು ನಡೆಸುತ್ತಿದ್ದ ಹೆಡ್ಜ್ ಫಂಡ್ ಆದ ಲಾಂಗ್-ಟರ್ಮ್ ಕ್ಯಾಪಿಟಲ್ ಮ್ಯಾನೇಜ್ಮೆಂಟ್ (LTCM) ಅದ್ಭುತವಾಗಿ ಕುಸಿಯಿತು, ಇದು ಜಾಗತಿಕ ಹಣಕಾಸು ವ್ಯವಸ್ಥೆಯನ್ನು ಬಹುತೇಕ ಅಸ್ಥಿರಗೊಳಿಸಿತು.

LTCM ನ ಅತ್ಯಾಧುನಿಕ ವ್ಯಾಲ್ಯೂ-ಅಟ್-ರಿಸ್ಕ್ (VaR) ಮಾದರಿಗಳು ಕಡಿಮೆ ಮಾರುಕಟ್ಟೆ ಚಂಚಲತೆಯನ್ನು ತೋರಿಸುವ ಇತ್ತೀಚಿನ ಐತಿಹಾಸಿಕ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿವೆ. ಅವರು ದೊಡ್ಡ ನಷ್ಟಗಳು "10-ಸಿಗ್ಮಾ ಘಟನೆಗಳು" (10-sigma events) ಎಂದು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದರು - ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಅಸಾಧ್ಯ. ಮಾದರಿಗಳು ಆರ್ಥಿಕ ಪ್ಯಾನಿಕ್‌ಗಳ ಐತಿಹಾಸಿಕ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸಿವೆ - ಮಾರುಕಟ್ಟೆ ವಿತರಣೆಗಳ "ಫ್ಯಾಟ್ ಟೈಲ್ಸ್" (fat tails). ವ್ಯವಸ್ಥಿತ ಪರಸ್ಪರ ಸಂಬಂಧದ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಸಹ ಅವರು ನಿರ್ಲಕ್ಷಿಸಿದ್ದಾರೆ: ಬಿಕ್ಕಟ್ಟಿನಲ್ಲಿ, ಪ್ಯಾನಿಕ್ ಹರಡುತ್ತಿದ್ದಂತೆ ಎಲ್ಲಾ ಪರಸ್ಪರ ಸಂಬಂಧಗಳು 1 ಕ್ಕೆ ಹೋಗುತ್ತವೆ.

ಆಗಸ್ಟ್ 1998 ರಲ್ಲಿ ರಶಿಯಾ ತನ್ನ ಸಾಲವನ್ನು ಪಾವತಿಸಲು ವಿಫಲವಾದಾಗ, "ಅಸಾಧ್ಯ" ಸಂಭವಿಸಿತು. LTCM ನಾಲ್ಕು ತಿಂಗಳಿಗಿಂತ ಕಡಿಮೆ ಅವಧಿಯಲ್ಲಿ $4.6 ಶತಕೋಟಿಯನ್ನು ಕಳೆದುಕೊಂಡಿತು, ವಿಶಾಲವಾದ ಆರ್ಥಿಕ ಸೋಂಕನ್ನು ತಡೆಗಟ್ಟಲು ಫೆಡರಲ್-ರಿಸರ್ವ್-ಸಂಯೋಜಿತ ಬೇಲೌಟ್ ನ ಅಗತ್ಯವಿತ್ತು.

ಪಾಠ: ಅಪರೂಪದ ಘಟನೆಗಳ ಐತಿಹಾಸಿಕ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವ ಅತ್ಯಾಧುನಿಕ ಮಾದರಿಗಳು ದುರಂತ ದೋಷಗಳನ್ನು (ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್ ಗಳನ್ನು) ಸೃಷ್ಟಿಸುತ್ತವೆ. ಇತ್ತೀಚಿನ ಹಿಂದಿನ ನಿರ್ದಿಷ್ಟ ಪರಿಸ್ಥಿತಿಗಳು ಟೈಲ್ ಅಪಾಯಗಳಿಗೆ ವಿಶ್ವಾಸಾರ್ಹ ಮಾರ್ಗದರ್ಶಿಗಳಲ್ಲ.

6. ಈ ಪಕ್ಷಪಾತದ ವೆಚ್ಚ (The Cost of This Bias)

6.1. ವೈಯಕ್ತಿಕ ವೆಚ್ಚಗಳು

• ಭಯ ಮತ್ತು ಆತಂಕ: ಅಪರೂಪದ ಬೆದರಿಕೆಗಳನ್ನು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುವುದು (ವಿಮಾನ ಅಪಘಾತಗಳು, ಹಿಂಸಾತ್ಮಕ ಅಪರಾಧ, ರೋಗ) ದೀರ್ಘಕಾಲದ ಒತ್ತಡವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ, ಆದರೆ ಹೆಚ್ಚು ಸಂಭವನೀಯ ಅಪಾಯಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತದೆ
• ಸಂಬಂಧದ ಹಾನಿ: ವ್ಯಕ್ತಿಗಳನ್ನು ಅವರ ಸ್ಥಿರವಾದ ನಡವಳಿಕೆಯ ಬೇಸ್ ರೇಟ್ ಬದಲಿಗೆ ಎದ್ದುಕಾಣುವ ಒಂದೇ ಘಟನೆಗಳಿಂದ ನಿರ್ಣಯಿಸುವುದು ಅನ್ಯಾಯದ ತೀರ್ಪುಗಳು ಮತ್ತು ಮುರಿದ ನಂಬಿಕೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ
• ತಪ್ಪಿಸಿಕೊಂಡ ಅವಕಾಶಗಳು: ಎದ್ದುಕಾಣುವ ವೈಫಲ್ಯದ ಕಥೆಗಳಿಂದಾಗಿ ಪ್ರಯೋಜನಕಾರಿ ಚಟುವಟಿಕೆಗಳನ್ನು (ಹಾರಾಟ, ಶಸ್ತ್ರಚಿಕಿತ್ಸೆ, ವೃತ್ತಿ ಬದಲಾವಣೆಗಳು) ತಪ್ಪಿಸುವುದು, ಯಶಸ್ಸಿನ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು
• ಹಣಕಾಸಿನ ನಷ್ಟಗಳು: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳಿಗಿಂತ ಬಲವಾದ ನಿರೂಪಣೆಗಳ ಆಧಾರದ ಮೇಲೆ ಹೂಡಿಕೆ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು
• ವೈದ್ಯಕೀಯ ಆತಂಕ: ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದೆ ಸ್ಕ್ರೀನಿಂಗ್ ಫಲಿತಾಂಶಗಳನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು

6.2. ವೃತ್ತಿಪರ ವೆಚ್ಚಗಳು

• ವೃತ್ತಿಜೀವನದ ತಪ್ಪು ನಿರ್ಧಾರಗಳು: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವೃತ್ತಿ ಪಥಗಳಿಗಿಂತ ನಿರ್ದಿಷ್ಟ ನಾಟಕೀಯ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಉದ್ಯೋಗದ ನಿರ್ಧಾರಗಳನ್ನು ಆಧರಿಸುವುದು
• ಯೋಜನೆಯ ವೈಫಲ್ಯಗಳು: "ಈ ಯೋಜನೆಯು ವಿಭಿನ್ನವಾಗಿದೆ" ಎಂಬ ಆಲೋಚನೆಯು ವೆಚ್ಚಗಳು ಮತ್ತು ಟೈಮ್‌ಲೈನ್‌ಗಳ ಪುನರಾವರ್ತಿತ ಕಡಿಮೆ ಅಂದಾಜುಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ
• ನೇಮಕಾತಿ ದೋಷಗಳು: ಮುನ್ಸೂಚಕ ಬೇಸ್ ರೇಟ್‌ಗಳಿಗಿಂತ ಸಂದರ್ಶನದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸ್ಟೀರಿಯೊಟೈಪ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು
• ತಂತ್ರದ ತಪ್ಪುಗಳು: ಉದ್ಯಮದ ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಪ್ರತಿಸ್ಪರ್ಧಿಗಳ ಕಥೆಗಳಿಂದ ನಡೆಸಲ್ಪಡುವ ವ್ಯಾಪಾರ ನಿರ್ಧಾರಗಳು
• ಮುನ್ಸೂಚನೆಯ ವೈಫಲ್ಯಗಳು: ಇದೇ ರೀತಿಯ ಸನ್ನಿವೇಶಗಳ ಐತಿಹಾಸಿಕ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವ ಪ್ರಸ್ತುತ ನಿರೂಪಣೆಗಳ ಆಧಾರದ ಮೇಲಿನ ಮುನ್ಸೂಚನೆಗಳು

6.3. ಸಾಮಾಜಿಕ ವೆಚ್ಚಗಳು

• ತಪ್ಪಾದ ಶಿಕ್ಷೆಗಳು: ಸ್ಯಾಲಿ ಕ್ಲಾರ್ಕ್ ಮತ್ತು ಲೂಸಿಯಾ ಡಿ ಬರ್ಕ್ ಪ್ರಕರಣಗಳಲ್ಲಿ ಕಂಡುಬರುವಂತೆ, ಕಾನೂನು ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಬೇಸ್ ರೇಟ್ ಕಡೆಗಣಿಸುವಿಕೆಯು ಮುಗ್ಧ ಜೀವಗಳನ್ನು ನಾಶಪಡಿಸುತ್ತದೆ
• ನೀತಿ ತಪ್ಪು ಹಂಚಿಕೆ: ಸಂಪನ್ಮೂಲಗಳನ್ನು ಎದ್ದುಕಾಣುವ ಆದರೆ ಅಪರೂಪದ ಬೆದರಿಕೆಗಳಿಗೆ (ಭಯೋತ್ಪಾದನೆ) ನಿರ್ದೇಶಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ಹೆಚ್ಚು ಸಂಭವನೀಯ ಹಾನಿಗಳನ್ನು (ಟ್ರಾಫಿಕ್ ಸಾವುಗಳು, ರೋಗ) ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ
• ಅಲ್ಗಾರಿದಮಿಕ್ ಅನ್ಯಾಯ: ಪಕ್ಷಪಾತದ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ AI ವ್ಯವಸ್ಥೆಗಳು ಬೇಸ್ ರೇಟ್ ದೋಷಗಳನ್ನು ಶಾಶ್ವತಗೊಳಿಸುತ್ತವೆ ಮತ್ತು ವರ್ಧಿಸುತ್ತವೆ, ಇದು ತಾರತಮ್ಯದ ಪೋಲೀಸಿಂಗ್, ಸಾಲ ನೀಡುವಿಕೆ ಮತ್ತು ನೇಮಕಾತಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ
• ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯದ ವೈಫಲ್ಯಗಳು: ಸ್ಕ್ರೀನಿಂಗ್ ಅಂಕಿಅಂಶಗಳ ತಪ್ಪು ತಿಳುವಳಿಕೆ ಸೂಕ್ತವಲ್ಲದ ಪರೀಕ್ಷೆ ಮತ್ತು ಚಿಕಿತ್ಸಾ ನಿರ್ಧಾರಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ
• ಹಣಕಾಸಿನ ಬಿಕ್ಕಟ್ಟುಗಳು: ಮೌಲ್ಯಮಾಪನ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವ ಮಾರುಕಟ್ಟೆಗಳು ಅನಿವಾರ್ಯವಾಗಿ ಸಿಡಿಯುವಾಗ ಲಕ್ಷಾಂತರ ಜನರಿಗೆ ಹಾನಿ ಮಾಡುವ ಬಬಲ್‌ಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ

6.4. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಭಾವ

ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯದ ಅಳೆಯಬಹುದಾದ ಪ್ರಭಾವದ ಕುರಿತು ಸಂಶೋಧನಾ ಸಂಶೋಧನೆಗಳು:

• ವೈದ್ಯಕೀಯ ನಿರ್ಧಾರ-ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ: ಕಾಯಿಲೆಯ ಬೇಸ್ ರೇಟ್‌ಗಳು ಕಡಿಮೆಯಾದಾಗ ಕೇವಲ ~15% ವೈದ್ಯರು ಪಾಸಿಟಿವ್ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಸರಿಯಾಗಿ ಅರ್ಥೈಸುತ್ತಾರೆ ಎಂದು ಅಧ್ಯಯನಗಳು ತೋರಿಸುತ್ತವೆ, ಇದು ಬೃಹತ್ ಮಿತಿಮೀರಿದ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ
• ತೀರ್ಪುಗಾರರ ನಿರ್ಧಾರಗಳು: ಎದ್ದುಕಾಣುವ ಸಾಕ್ಷ್ಯವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ ಬೇಸ್ ರೇಟ್ ಮಾಹಿತಿಯನ್ನು ಹೆಚ್ಚಾಗಿ ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ ಎಂದು ಅಣಕು (mock) ತೀರ್ಪುಗಾರರ ಅಧ್ಯಯನಗಳು ಕಂಡುಕೊಂಡಿವೆ
• ಮುನ್ಸೂಚಕ ನಿಖರತೆ: ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವನ್ನು ಜಯಿಸುವ "ಸೂಪರ್‌ಫೋರ್‌ಕಾಸ್ಟರ್‌ಗಳು" ಪರಿಣಿತರನ್ನು 30%+ ಗಿಂತ ಹೆಚ್ಚು ಮೀರಿಸುತ್ತಾರೆ ಎಂದು ಫಿಲಿಪ್ ಟೆಟ್‌ಲಾಕ್ ಅವರ ಸಂಶೋಧನೆ ಕಂಡುಹಿಡಿದಿದೆ
• ಅಲ್ಗಾರಿದಮ್ ಕಾರ್ಯಕ್ಷಮತೆ: ಕಾಂಪಾಸ್ (COMPAS) ರಿಸಿಡಿವಿಸಮ್ ಅಲ್ಗಾರಿದಮ್‌ನ ಪ್ರೊಪಬ್ಲಿಕಾದ ವಿಶ್ಲೇಷಣೆಯು ಅದರ ಬೇಸ್ ರೇಟ್ ಪಕ್ಷಪಾತವು ಬಿಳಿ ಪ್ರತಿವಾದಿಗಳಿಗಿಂತ ಕಪ್ಪು ಪ್ರತಿವಾದಿಗಳಿಗೆ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚಿನ ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ದರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ

7. ಗುಪ್ತ ಪ್ರಯೋಜನಗಳು (The Hidden Benefits)

ಬೇಸ್ ರೇಟ್ ಫ್ಯಾಲಸಿ ಕೇವಲ ಅರಿವಿನ ದೋಷವಲ್ಲ-ಆಧಾರವಾಗಿರುವ ಕಾರ್ಯವಿಧಾನಗಳು ಪ್ರಮುಖ ಹೊಂದಾಣಿಕೆಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ.

ಕ್ಷಿಪ್ರ ಬೆದರಿಕೆ ಪತ್ತೆ: ಪರಭಕ್ಷಕವನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದು ಎಂದರೆ ಸಾವು ಎಂದರ್ಥವಿರುವ ಪರಿಸರದಲ್ಲಿ, ಜನಸಂಖ್ಯೆಯ ಅಂಕಿಅಂಶಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಲೆಕ್ಕಹಾಕುವುದಕ್ಕಿಂತ ನಿರ್ದಿಷ್ಟ ಅಪಾಯದ ಸೂಚನೆಗಳಿಗೆ ಅತಿಯಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಉತ್ತಮ. ಫಾಲ್ಸ್ ನೆಗೆಟಿವ್ (ತಿನ್ನಲ್ಪಡುವುದು) ಗೆ ಹೋಲಿಸಿದರೆ ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ (ಅನಗತ್ಯ ಜಾಗರೂಕತೆ) ವೆಚ್ಚವು ಕಡಿಮೆಯಾಗಿದೆ.

ಸಾಮಾಜಿಕ ಬುದ್ಧಿಮತ್ತೆ: ಮಾನವ ನಡವಳಿಕೆಯ ಬಗ್ಗೆ ಜನಸಂಖ್ಯೆಯ-ಮಟ್ಟದ ಅಂಕಿಅಂಶಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದಕ್ಕಿಂತ ಸಾಮಾಜಿಕ ಯಶಸ್ಸಿಗೆ ನಿರ್ದಿಷ್ಟ ವ್ಯಕ್ತಿಗಳ ಉದ್ದೇಶಗಳನ್ನು ಓದುವುದು ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿದೆ. ನಿಮ್ಮ ಮುಂದಿರುವ ವ್ಯಕ್ತಿಯು ಸರಾಸರಿ ಮನುಷ್ಯನಲ್ಲ - ಅವರು ನಿರ್ದಿಷ್ಟ ವ್ಯಕ್ತಿಯಾಗಿದ್ದು, ಅವರ ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶಗಳನ್ನು ನೀವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು.

ನಿರೂಪಣೆಯ ಕಲಿಕೆ (Narrative learning): ತಲೆಮಾರುಗಳಾದ್ಯಂತ ಮನುಷ್ಯರು ಜ್ಞಾನವನ್ನು ಹೇಗೆ ರವಾನಿಸುತ್ತಾರೆ ಎಂಬುದೇ ಕಥೆಗಳು. ಅಂಕಿಅಂಶಗಳ ಮೇಲಿನ ಎದ್ದುಕಾಣುವ ಪ್ರಕರಣಗಳ ಕಡೆಗಿನ "ಪಕ್ಷಪಾತ" ವು ಅನುಭವದಿಂದ ಮತ್ತು ಇತರರ ಅನುಭವಗಳಿಂದ ಕಲಿಯುವಿಕೆಯನ್ನು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ.

ಇಂಧನ ದಕ್ಷತೆ: ಎಚ್ಚರಿಕೆಯ ಬೇಸಿಯನ್ ತಾರ್ಕಿಕತೆಯು ಚಯಾಪಚಯವಾಗಿ ದುಬಾರಿಯಾಗಿದೆ. ಹೆಚ್ಚಿನ ದೈನಂದಿನ ನಿರ್ಧಾರಗಳಿಗಾಗಿ, ತ್ವರಿತ ಪ್ಯಾಟರ್ನ್-ಮ್ಯಾಚಿಂಗ್ ಅರಿವಿನ ವೆಚ್ಚದ ಒಂದು ಭಾಗದಲ್ಲಿ ಸಾಕಷ್ಟು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ.

ಸಮತೋಲನ (The trade-off): ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ತೆಗೆದುಹಾಕಲು ನಿರಂತರ ಪ್ರಯತ್ನದ ಲೆಕ್ಕಾಚಾರದ ಅಗತ್ಯವಿರುತ್ತದೆ ಅದು ನಿರ್ಧಾರ-ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಪಾರ್ಶ್ವವಾಯುವಿಗೆ ತರುತ್ತದೆ. ಹ್ಯೂರಿಸ್ಟಿಕ್ ಅನ್ನು ತೆಗೆದುಹಾಕುವುದು ಗುರಿಯಲ್ಲ ಆದರೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಚಿಂತನೆಯ ಅಗತ್ಯವಿದ್ದಾಗ-ವಿಶೇಷವಾಗಿ ಕಾನೂನು, ವೈದ್ಯಕೀಯ, ಹಣಕಾಸು ಮತ್ತು ಬೇಸ್ ರೇಟ್‌ಗಳು ಹೆಚ್ಚು ಮುಖ್ಯವಾದ ನೀತಿ ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಗುರುತಿಸುವುದು.

8. ಸ್ವಯಂ ಮೌಲ್ಯಮಾಪನ: ನೀವು ಈ ಪಕ್ಷಪಾತವನ್ನು ಹೊಂದಿದ್ದೀರಾ?

8.1. ಎಚ್ಚರಿಕೆ ಚಿಹ್ನೆಗಳ ಪರಿಶೀಲನಾಪಟ್ಟಿ

• ಹಿಂದಿನ ಸನ್ನಿವೇಶಗಳಿಗೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಾಮ್ಯತೆಗಳನ್ನು ಪರಿಶೀಲಿಸದೆ "ಈ ಪರಿಸ್ಥಿತಿ ವಿಭಿನ್ನವಾಗಿದೆ" ಎಂದು ನೀವು ಆಗಾಗ್ಗೆ ಭಾವಿಸುತ್ತೀರಿ
• ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಾರಾಂಶಗಳಿಗಿಂತ ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆಗಳನ್ನು ನೀವು ಹೆಚ್ಚು ಮನವರಿಕೆ ಮಾಡಿಕೊಳ್ಳುತ್ತೀರಿ
• ಡೇಟಾವನ್ನು ಸಂಪರ್ಕಿಸುವ ಬದಲು ಸ್ಮರಣೀಯ ಉಪಾಖ್ಯಾನಗಳ ಆಧಾರದ ಮೇಲೆ ನೀವು ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಿದ್ದೀರಿ
• ವೈದ್ಯಕೀಯ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶವು ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್ ಆಗಿರಬಹುದು ಎಂದು ನಂಬಲು ನೀವು ಹೆಣಗಾಡುತ್ತೀರಿ
• ನೀವು ಫಲಿತಾಂಶವನ್ನು ಎಷ್ಟು ಸುಲಭವಾಗಿ ಕಲ್ಪಿಸಿಕೊಳ್ಳಬಹುದು ಎಂಬುದರ ಮೂಲಕ ಸಂಭವನೀಯತೆಗಳನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತೀರಿ
• ಮೊದಲ ಅನಿಸಿಕೆಗಳು ಅಥವಾ ಏಕ ವರ್ತನೆಗಳ ಆಧಾರದ ಮೇಲೆ ನೀವು ಜನರನ್ನು ತ್ವರಿತವಾಗಿ ನಿರ್ಣಯಿಸುತ್ತೀರಿ
• ನಿರ್ದಿಷ್ಟ ವಿವರಗಳಿಗಿಂತ ಕಡಿಮೆ ಪ್ರಸ್ತುತವೆಂದು ತೋರುವ ಕಾರಣ ನೀವು "ಹಿನ್ನೆಲೆ ಮಾಹಿತಿಯನ್ನು" ನಿರ್ಲಕ್ಷಿಸಿದ್ದೀರಿ
• ಚರ್ಚೆಗಳಲ್ಲಿ ಬೇಸ್ ರೇಟ್ ಅಂಕಿಅಂಶಗಳನ್ನು ನೀವು "ಕೋಲ್ಡ್" ಅಥವಾ "ಮಿಸ್ಸಿಂಗ್ ದಿ ಪಾಯಿಂಟ್" ಎಂದು ಕಾಣುತ್ತೀರಿ
• ನಿಮ್ಮ ಅಂತಃಪ್ರಜ್ಞೆಗಳಿಗಿಂತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮುನ್ಸೂಚನೆಗಳು ಭಿನ್ನವಾಗಿರುವುದನ್ನು ಕಂಡು ನಿಮಗೆ ಆಶ್ಚರ್ಯವಾಗಿದೆ
• ನೀವು ಶೇಕಡಾವಾರುಗಳಲ್ಲಿ ಯೋಚಿಸುವುದನ್ನು ವಿರೋಧಿಸುತ್ತೀರಿ ಮತ್ತು ಹೌದು/ಇಲ್ಲ ತೀರ್ಪುಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತೀರಿ

ಸ್ಕೋರಿಂಗ್:

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

8.2. ಸ್ವಯಂ-ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು

1. ಬಲವಾದ ಕಥೆ ಅಥವಾ ಉದಾಹರಣೆಗಿಂತ ಹೆಚ್ಚಾಗಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳ ಕಾರಣದಿಂದಾಗಿ ನೀವು ಕೊನೆಯದಾಗಿ ನಿಮ್ಮ ಮನಸ್ಸನ್ನು ಬದಲಾಯಿಸಿದ್ದು ಯಾವಾಗ?
2. ನೀವು ಇತ್ತೀಚೆಗೆ ತೆಗೆದುಕೊಂಡ ಪ್ರಮುಖ ನಿರ್ಧಾರದ ಬಗ್ಗೆ ಯೋಚಿಸಿ—ಇದೇ ರೀತಿಯ ನಿರ್ಧಾರಗಳಿಗಾಗಿ ಯಶಸ್ಸಿನ/ವೈಫಲ್ಯದ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನೀವು ಸಂಶೋಧಿಸಿದ್ದೀರಾ?
3. ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶಕ್ಕೆ ಅವು ಸಂಬಂಧಿಸಿಲ್ಲ ಎಂದು ಭಾವಿಸಿದ್ದರಿಂದ ನೀವು ಎಂದಾದರೂ ಸಂಬಂಧಿತ ಅಂಕಿಅಂಶಗಳನ್ನು ತಳ್ಳಿಹಾಕಿದ್ದೀರಾ?
4. ಯಾರಾದರೂ ನಿಮಗೆ ಉಪಾಖ್ಯಾನವನ್ನು ಹೇಳಿದಾಗ, ಆ ಅನುಭವವು ಎಷ್ಟು ವಿಶಿಷ್ಟ ಅಥವಾ ವಿಲಕ್ಷಣವಾಗಿದೆ ಎಂದು ನೀವು ಸಹಜವಾಗಿ ಆಶ್ಚರ್ಯಪಡುತ್ತೀರಾ?
5. ನೀವು ವೈಯಕ್ತಿಕ ಉದಾಹರಣೆಗಳ ಮೇಲೆ ಹೆಚ್ಚು ತೂಕವನ್ನು ಹಾಕುತ್ತೀರಿ ಅಥವಾ ಡೇಟಾದ ಮೇಲೆ ಸಾಕಷ್ಟು ತೂಕವನ್ನು ಹಾಕುವುದಿಲ್ಲ ಎಂದು ಇತರರು ಎಂದಾದರೂ ನಿಮಗೆ ಹೇಳಿದ್ದಾರೆಯೇ?

8.3. ತ್ವರಿತ ರೋಗನಿರ್ಣಯ ಸನ್ನಿವೇಶ

ಸನ್ನಿವೇಶ: ಗಂಭೀರ ಕಾಯಿಲೆಗೆ ಹೊಸ ವೈದ್ಯಕೀಯ ಪರೀಕ್ಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಪರೀಕ್ಷೆಯು 99% ನಿಖರವಾಗಿದೆ (ಅಸ್ತಿತ್ವದಲ್ಲಿದ್ದಾಗ ರೋಗವನ್ನು ಪತ್ತೆಹಚ್ಚುವಲ್ಲಿ ಮತ್ತು ಆರೋಗ್ಯಕರ ಜನರನ್ನು ಸರಿಯಾಗಿ ತೆರವುಗೊಳಿಸುವಲ್ಲಿ). ಸಾಮಾನ್ಯ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ, 1,000 ಜನರಲ್ಲಿ 1 ಈ ರೋಗವನ್ನು ಹೊಂದಿರುತ್ತಾರೆ. ನಿಮ್ಮ ಪರೀಕ್ಷೆಯು ಪಾಸಿಟಿವ್ ಆಗಿ ಬರುತ್ತದೆ. ನೀವು ನಿಜವಾಗಿಯೂ ರೋಗವನ್ನು ಹೊಂದಿರುವ ಸಂಭವನೀಯತೆ ಎಷ್ಟು?

ನೀವು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತೀರಿ?

• A) ಸುಮಾರು 99% → ಹೆಚ್ಚಿನ ಒಳಗಾಗುವಿಕೆ (ಬೇಸ್ ರೇಟ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ, ಪರೀಕ್ಷಾ ನಿಖರತೆಗೆ ನೀವು ಉತ್ತರವನ್ನು ಹೊಂದಿಸುತ್ತಿರುವಿರಿ)
• B) ಸುಮಾರು 50% → ಮಧ್ಯಮ ಒಳಗಾಗುವಿಕೆ (ಏನೋ ಆಫ್ ಆಗಿದೆ ಎಂದು ನಿಮಗೆ ಅನಿಸುತ್ತದೆ ಆದರೆ ನಿಜವಾದ ಸಂಭವನೀಯತೆಯನ್ನು ಲೆಕ್ಕಿಸಲಾಗುವುದಿಲ್ಲ)
• C) ಸುಮಾರು 9% → ಕಡಿಮೆ ಒಳಗಾಗುವಿಕೆ (ನೀವು ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಸರಿಯಾಗಿ ಸಂಯೋಜಿಸಿದ್ದೀರಿ; ಪರೀಕ್ಷಿಸಿದ 1,000 ಜನರಲ್ಲಿ ~10 ಟ್ರೂ ಪಾಸಿಟಿವ್‌ಗಳು ಮತ್ತು ~100 ಫಾಲ್ಸ್ ಪಾಸಿಟಿವ್‌ಗಳು)

9. ಇತರರಲ್ಲಿ ಈ ಪಕ್ಷಪಾತವನ್ನು ಗುರುತಿಸುವುದು

9.1. ವರ್ತನೆಯ ಸೂಚಕಗಳು

• ವೈಯಕ್ತಿಕ ಕಥೆಗಳ ಪರವಾಗಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಾದಗಳನ್ನು "ಕೋಲ್ಡ್" ಅಥವಾ "ಮಿಸ್ಸಿಂಗ್ ದಿ ಪಾಯಿಂಟ್" ಎಂದು ತಳ್ಳಿಹಾಕುವುದು
• ಸಾಮಾನ್ಯ ಹಕ್ಕುಗಳನ್ನು ಮಾಡುವಾಗ ಆಗಾಗ್ಗೆ "ನನ್ನ ಅನುಭವದಲ್ಲಿ" ಅಥವಾ "ನನಗೆ ತಿಳಿದಿರುವ ಯಾರೋ..." ನಂತಹ ನುಡಿಗಟ್ಟುಗಳನ್ನು ಬಳಸುವುದು
• ವಿಶಾಲ ಮಾದರಿಗಳಿಗೆ ವೈಯಕ್ತಿಕ ಪ್ರಕರಣಗಳನ್ನು ನಿರ್ಣಾಯಕ ಪುರಾವೆಯಾಗಿ ಪರಿಗಣಿಸುವುದು
• ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಾಮಾನ್ಯೀಕರಣಗಳು ಅವರ ನಿರ್ದಿಷ್ಟ ಪರಿಸ್ಥಿತಿಗೆ ಅನ್ವಯಿಸುತ್ತವೆ ಎಂದು ಒಪ್ಪಿಕೊಳ್ಳುವಲ್ಲಿ ತೊಂದರೆ
• ಸಂಭವನೀಯತೆಗಳನ್ನು ಅಂದಾಜು ಮಾಡುವಾಗ ಇತ್ತೀಚಿನ ಅಥವಾ ಸ್ಮರಣೀಯ ಘಟನೆಗಳಿಗೆ ಹೆಚ್ಚು ತೂಕವನ್ನು ನೀಡುವುದು
• ಬೇಸ್ ರೇಟ್ ಡೇಟಾವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ ಅಭಿಪ್ರಾಯಗಳನ್ನು ಬದಲಾಯಿಸಲು ಪ್ರತಿರೋಧ

9.2. ಸಂಭಾಷಣೆಯ ರೆಡ್ ಫ್ಲ್ಯಾಗ್‌ಗಳು

ಈ ಪಕ್ಷಪಾತದ ಅಡಿಯಲ್ಲಿದ್ದಾಗ ಜನರು ಹೇಳುವ ನುಡಿಗಟ್ಟುಗಳು:

• "ಆದರೆ ಈ ಪ್ರಕರಣ ವಿಭಿನ್ನವಾಗಿದೆ..."
• "ಅಂಕಿಅಂಶಗಳು ಸಂಪೂರ್ಣ ಕಥೆಯನ್ನು ಹೇಳುವುದಿಲ್ಲ"
• "ಸಂಖ್ಯೆಗಳು ಏನು ಹೇಳುತ್ತವೆಂದು ನನಗೆ ತಿಳಿದಿದೆ, ಆದರೆ..."
• "ನನಗೆ ತಿಳಿದಿರುವವರ ಬಗ್ಗೆ ಹೇಳುತ್ತೇನೆ..."
• "ನೀವು ಅಂಕಿಅಂಶಗಳೊಂದಿಗೆ ಯಾವುದನ್ನಾದರೂ ಸಾಬೀತುಪಡಿಸಬಹುದು"

ಅವರು ಮಾಡುವ ವಾದಗಳ ವಿಧಗಳು:

• ಸಾಮಾನ್ಯ ತಂತ್ರಗಳಿಗೆ ಪುರಾವೆಯಾಗಿ ವೈಯಕ್ತಿಕ ಯಶಸ್ಸು/ವೈಫಲ್ಯದ ಕಥೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸುವುದು
• ಅಸಾಧಾರಣ ಪ್ರಕರಣಗಳನ್ನು ವಿಶಿಷ್ಟ ಫಲಿತಾಂಶಗಳ ಪ್ರತಿನಿಧಿಯಾಗಿ ಪರಿಗಣಿಸುವುದು

ಅವರು ಕೇಳುವುದನ್ನು ತಪ್ಪಿಸುವ ಪ್ರಶ್ನೆಗಳು:

• "ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಎಷ್ಟು ಬಾರಿ ಸಂಭವಿಸುತ್ತದೆ?"
• "ಇದೇ ರೀತಿಯ ಸನ್ನಿವೇಶಗಳಿಗೆ ಯಶಸ್ಸಿನ ಪ್ರಮಾಣ ಎಷ್ಟು?"

9.3. ಸಂದರ್ಭೋಚಿತ ಟ್ರಿಗ್ಗರ್‌ಗಳು

• ಭಾವನಾತ್ಮಕ ಹೂಡಿಕೆಗಳು (Emotional stakes): ಫಲಿತಾಂಶಗಳು ಆಳವಾಗಿ ಮುಖ್ಯವಾದಾಗ, ನಿರ್ದಿಷ್ಟ ಪ್ರಕರಣದ ಮಾಹಿತಿಯು ಹೆಚ್ಚು ಬಲವಂತವಾಗುತ್ತದೆ
• ಎದ್ದುಕಾಣುವ ಉದಾಹರಣೆಗಳು: ಇತ್ತೀಚಿನ, ನಾಟಕೀಯ, ಅಥವಾ ವೈಯಕ್ತಿಕವಾಗಿ ಅನುಭವಿಸಿದ ಘಟನೆಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಬೇಸ್‌ಲೈನ್‌ಗಳನ್ನು ಅತಿಕ್ರಮಿಸುತ್ತವೆ
• ಸಂಕೀರ್ಣತೆ: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಯು ಕಷ್ಟಕರವಾದಾಗ, ಜನರು ಪ್ರತಿನಿಧಿ ಉದಾಹರಣೆಗಳಿಗೆ ಡೀಫಾಲ್ಟ್ ಆಗುತ್ತಾರೆ
• ಸಮಯದ ಒತ್ತಡ: ತ್ವರಿತ ನಿರ್ಧಾರಗಳು ಸಂಭವನೀಯತೆಯ ಲೆಕ್ಕಾಚಾರಕ್ಕಿಂತ ಮಾದರಿ-ಹೊಂದಾಣಿಕೆಗೆ ಒಲವು ತೋರುತ್ತವೆ
• ನಿರೂಪಣೆಯ ಸಂದರ್ಭ: ಮಾಹಿತಿಯು ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಕಥೆಗಳಾಗಿ ಬಂದಾಗ
• ಪರಿಣಿತ ಫ್ರೇಮಿಂಗ್: ಬೇಸ್ ರೇಟ್ ಸಂದರ್ಭವಿಲ್ಲದೆ ಅಧಿಕಾರಿಗಳು ಕೇಸ್ ಮಾಹಿತಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ

10. ಅರಿವಿನ ಡಿಬಯಾಸಿಂಗ್ ತಂತ್ರಗಳು (Cognitive Debiasing Strategies)

10.1. ತಕ್ಷಣದ ತಂತ್ರಗಳು

• "ಎಷ್ಟು ಬಾರಿ?" ಎಂದು ಕೇಳಿ: ವ್ಯಕ್ತಿಗತ ಮಾಹಿತಿಯನ್ನು ಸ್ವೀಕರಿಸುವ ಮೊದಲು, ಬೇಸ್ ರೇಟ್ ಬಗ್ಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಕೇಳಿ. "ಸಾಮಾನ್ಯವಾಗಿ ಈ ಫಲಿತಾಂಶವು ಎಷ್ಟು ಸಾಮಾನ್ಯವಾಗಿದೆ?"
• "100 ಜನರ" ಮರುಹೊಂದಿಸುವಿಕೆ: ಸಂಭವನೀಯತೆಯನ್ನು ನೀಡಿದಾಗ, ಆ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ 100 ಜನರನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಎಷ್ಟು ಮಂದಿ ಪ್ರತಿ ಫಲಿತಾಂಶವನ್ನು ಹೊಂದಿರುತ್ತಾರೆ?
• ಪರ್ಯಾಯವನ್ನು ಪರಿಗಣಿಸಿ: ಸ್ಪರ್ಧಿಸುವ ಊಹೆಯ ಬೇಸ್ ರೇಟ್ ಏನು? (ಡಬಲ್-SIDS ಅನ್ನು ಡಬಲ್-ಮರ್ಡರ್ ದರಗಳಿಗೆ ಹೋಲಿಸುವ ಹಾಗೆ)
• ರೆಫರೆನ್ಸ್ ಕ್ಲಾಸ್ ಫೋರ್‌ಕಾಸ್ಟಿಂಗ್: ನಿಮ್ಮ ಪರಿಸ್ಥಿತಿಗೆ ಸಂಬಂಧಿಸಿದ ಉಲ್ಲೇಖದ ವರ್ಗವನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಐತಿಹಾಸಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
• ವಾರ್ತಾಪತ್ರಿಕೆ ಪರೀಕ್ಷೆ: ಇದು ಅಸಾಮಾನ್ಯ ಕಾರಣದಿಂದ ನಿರ್ದಿಷ್ಟ ಪ್ರಕರಣವು ಸುದ್ದಿ ಮಾಡಲಿದೆಯೇ? ಹಾಗಿದ್ದಲ್ಲಿ, ಇದು ಬಹುಶಃ ಪ್ರತಿನಿಧಿಯಲ್ಲ

10.2. ದೀರ್ಘಕಾಲೀನ ತಂತ್ರಗಳು

• ಬೇಸಿಯನ್ ಚಿಂತನೆಯನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ: ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಅಗತ್ಯವಿರುವ ಸಂಭವನೀಯತೆಯ ಸಮಸ್ಯೆಗಳ ಮೂಲಕ ನಿಯಮಿತವಾಗಿ ಕೆಲಸ ಮಾಡಿ
• ಭವಿಷ್ಯವಾಣಿಯ ಲಾಗ್ ಅನ್ನು ಇರಿಸಿಕೊಳ್ಳಿ: ಹೇಳಲಾದ ಸಂಭವನೀಯತೆಗಳೊಂದಿಗೆ ಮುನ್ಸೂಚನೆಗಳನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿ, ನಂತರ ನಿಮ್ಮ ಒಳನೋಟಗಳನ್ನು ಮಾಪನಾಂಕ ಮಾಡಲು ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
• ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತರಬೇತಿಯನ್ನು ಪಡೆಯಿರಿ: ಸಂಭವನೀಯತೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಔಪಚಾರಿಕ ಶಿಕ್ಷಣವು ಫ್ಯಾಲಸಿಗೆ ಪ್ರತಿರೋಧವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ
• ಬೇಸ್ ರೇಟ್ ಲೈಬ್ರರಿಗಳನ್ನು ನಿರ್ಮಿಸಿ: ಪ್ರಮುಖ ಡೊಮೇನ್‌ಗಳಿಗಾಗಿ (ಆರೋಗ್ಯ, ವೃತ್ತಿ, ಹಣಕಾಸು), ಸಂಬಂಧಿತ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಸಂಶೋಧಿಸಿ ಮತ್ತು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಿ
• ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸ್ನೇಹಿತರನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಿ: ಸಂಭವನೀಯವಾಗಿ ಯೋಚಿಸುವ ಮತ್ತು ನಿಮ್ಮ ತಾರ್ಕಿಕತೆಯನ್ನು ಸವಾಲು ಮಾಡುವ ಜನರೊಂದಿಗೆ ಸಂಬಂಧವನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಿ

10.3. ಪರಿಸರ ವಿನ್ಯಾಸ

• ನೈಸರ್ಗಿಕ ಆವರ್ತನ ಸ್ವರೂಪಗಳನ್ನು ಬಳಸಿ: ಸಂಭವನೀಯತೆಗಳನ್ನು "Y ನಲ್ಲಿ X" ಫಾರ್ಮ್ಯಾಟ್‌ಗಳಿಗೆ ಪರಿವರ್ತಿಸಿ, ಮೆದುಳು ಹೆಚ್ಚು ಅಂತರ್ಬೋಧೆಯಿಂದ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ
• ನಿರ್ಧಾರ ಪರಿಶೀಲನಾಪಟ್ಟಿಗಳನ್ನು ರಚಿಸಿ: ಪ್ರಮುಖ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಕಡ್ಡಾಯ ಹಂತಗಳಾಗಿ ಬೇಸ್ ರೇಟ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಸೇರಿಸಿ
• ಐಕಾನ್ ಅರೇಗಳನ್ನು ಬಳಸಿ: ಸಂಭವನೀಯತೆಗಳ ದೃಶ್ಯ ನಿರೂಪಣೆಗಳು ಡಿನಾಮಿನೇಟರ್ ನೆಗ್ಲೆಕ್ಟ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ
• ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾನದಂಡಗಳಿಗೆ ಪೂರ್ವ ಬದ್ಧರಾಗಿರಿ: ನಿರ್ದಿಷ್ಟ ಮಾಹಿತಿಯನ್ನು ಎದುರಿಸುವ ಮೊದಲು, ಯಾವ ಅಂಕಿಅಂಶಗಳು ನಿಮ್ಮ ಮನಸ್ಸನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ
• ಮಾಹಿತಿ ಪ್ರದರ್ಶನಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ: ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯ ಮೊದಲು ಮತ್ತು ಪ್ರಮುಖವಾಗಿ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ

10.4. ಬಾಹ್ಯ ಇನ್ಪುಟ್ ಅನ್ನು ಯಾವಾಗ ಪಡೆಯಬೇಕು

• ಹೆಚ್ಚಿನ-ಹಣದ ನಿರ್ಧಾರಗಳು (High-stakes decisions): ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯಗಳು, ಕಾನೂನು ತೀರ್ಪುಗಳು, ಪ್ರಮುಖ ಹೂಡಿಕೆಗಳು, ನೇಮಕ ನಿರ್ಧಾರಗಳು
• ನೀವು ಬಲವಾದ ಒಳನೋಟಗಳನ್ನು ಹೊಂದಿರುವಾಗ: ಬಲವಾದ ಭಾವನೆಗಳು ಸಿಸ್ಟಮ್ 1 ಓವರ್ರೈಡ್ ಅನ್ನು ಸೂಚಿಸಬಹುದು - ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ತಪಾಸಣೆಯನ್ನು ಪಡೆಯಿರಿ
• ಸಂಕೀರ್ಣ ಸಂಭವನೀಯತೆಯ ಸನ್ನಿವೇಶಗಳು: ಬಹು ಷರತ್ತುಬದ್ಧ ಸಂಭವನೀಯತೆಗಳು ಸಂವಹನ ನಡೆಸಿದಾಗ
• ಭಾವನಾತ್ಮಕ ಒಳಗೊಳ್ಳುವಿಕೆ: ವೈಯಕ್ತಿಕ ಹಕ್ಕನ್ನು ಹೊಂದಿರುವಾಗ ಉದ್ದೇಶಪೂರ್ವಕ ತಾರ್ಕಿಕತೆಯು ಕಷ್ಟಕರವಾಗುತ್ತದೆ
• ಪರಿಣತಿಯ ಹೊಂದಾಣಿಕೆಯಾಗದಿರುವಿಕೆ: ನಿರ್ಧಾರಕ್ಕೆ ನೀವು ಹೊಂದಿರದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರಿಣತಿಯ ಅಗತ್ಯವಿರುವಾಗ

11. ಪ್ರಾಯೋಗಿಕ ವ್ಯಾಯಾಮಗಳು (Practical Exercises)

ವ್ಯಾಯಾಮ 1: ಸ್ಕ್ರೀನಿಂಗ್ ಟೆಸ್ಟ್ ಕ್ಯಾಲ್ಕುಲೇಟರ್

• ಉದ್ದೇಶ: ವೈದ್ಯಕೀಯ ಸ್ಕ್ರೀನಿಂಗ್ ಸನ್ನಿವೇಶಗಳ ಮೂಲಕ ಕೆಲಸ ಮಾಡುವ ಮೂಲಕ ಬೇಸಿಯನ್ ತಾರ್ಕಿಕತೆಯ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ
• ಅಗತ್ಯವಿರುವ ಸಮಯ: 20 ನಿಮಿಷಗಳು
• ಅಗತ್ಯವಿರುವ ವಸ್ತುಗಳು: ಕ್ಯಾಲ್ಕುಲೇಟರ್, ಪೇಪರ್
• ಕಷ್ಟದ ಮಟ್ಟ: ಮಧ್ಯಮ
• ಸೂಚನೆಗಳು:
  1. ವೈದ್ಯಕೀಯ ಸ್ಥಿತಿಯನ್ನು ಆರಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಅದರ ಹರಡುವಿಕೆ (ಬೇಸ್ ರೇಟ್) ಅನ್ನು ನೋಡಿ
  2. ಆ ಸ್ಥಿತಿಗಾಗಿ ಸಾಮಾನ್ಯ ಸ್ಕ್ರೀನಿಂಗ್ ಪರೀಕ್ಷೆಗಳ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ನೋಡಿ
  3. ಪಾಸಿಟಿವ್ ಪ್ರಿಡಿಕ್ಟಿವ್ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ: ಪಾಸಿಟಿವ್ ಪರೀಕ್ಷೆಗಳ ಎಷ್ಟು ಶೇಕಡಾ ಟ್ರೂ ಪಾಸಿಟಿವ್ ಗಳಾಗಿವೆ?
  4. ನೆಗೆಟಿವ್ ಪ್ರಿಡಿಕ್ಟಿವ್ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ: ನೆಗೆಟಿವ್ ಪರೀಕ್ಷೆಗಳ ಎಷ್ಟು ಶೇಕಡಾ ಟ್ರೂ ನೆಗೆಟಿವ್ ಗಳಾಗಿವೆ?
  5. 10,000 ಜನರ ಜನಸಂಖ್ಯೆಗಾಗಿ 2x2 ಕೋಷ್ಟಕದೊಂದಿಗೆ ಇದನ್ನು ದೃಶ್ಯೀಕರಿಸಿ
• ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು:
  • ಪಾಸಿಟಿವ್ ಪ್ರಿಡಿಕ್ಟಿವ್ ಮೌಲ್ಯದಿಂದ ನಿಮಗೆ ಆಶ್ಚರ್ಯವಾಯಿತೇ?
  • ಇದು ವೈದ್ಯಕೀಯ ಸ್ಕ್ರೀನಿಂಗ್ ಬಗ್ಗೆ ನೀವು ಯೋಚಿಸುವ ರೀತಿಯನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ?
  • ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆದ ನಂತರ ನಿಮ್ಮ ವೈದ್ಯರಿಗೆ ನೀವು ಯಾವ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬೇಕು?
• ಆವರ್ತನ: ಮಾಸಿಕ, ವಿಭಿನ್ನ ವೈದ್ಯಕೀಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಬಳಸಿ

ವ್ಯಾಯಾಮ 2: ರೆಫರೆನ್ಸ್ ಕ್ಲಾಸ್ ಫೋರ್‌ಕಾಸ್ಟಿಂಗ್

• ಉದ್ದೇಶ: ಮುನ್ಸೂಚನೆಗಳನ್ನು ಮಾಡುವ ಮೊದಲು ಸಂಬಂಧಿತ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಹುಡುಕುವ ಅಭ್ಯಾಸವನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಿ
• ಅಗತ್ಯವಿರುವ ಸಮಯ: 30 ನಿಮಿಷಗಳು
• ಅಗತ್ಯವಿರುವ ವಸ್ತುಗಳು: ಇಂಟರ್ನೆಟ್ ಪ್ರವೇಶ, ಸ್ಪ್ರೆಡ್‌ಶೀಟ್
• ಕಷ್ಟದ ಮಟ್ಟ: ಮಧ್ಯಮ
• ಸೂಚನೆಗಳು:
  1. ನೀವು ಮಾಡಬೇಕಾದ ಮುಂಬರುವ ನಿರ್ಧಾರ ಅಥವಾ ಭವಿಷ್ಯವನ್ನು ಗುರುತಿಸಿ
  2. ರೆಫರೆನ್ಸ್ ಕ್ಲಾಸ್ ಅನ್ನು ವಿವರಿಸಿ: ಯಾವ ರೀತಿಯ ಸಂದರ್ಭಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ?
  3. ಆ ರೆಫರೆನ್ಸ್ ವರ್ಗದಲ್ಲಿನ ಫಲಿತಾಂಶಗಳ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಸಂಶೋಧಿಸಿ
  4. ನಿಮ್ಮ ಪರಿಸ್ಥಿತಿಯನ್ನು ವಿಭಿನ್ನವಾಗಿಸುವ ನಿರ್ದಿಷ್ಟ ಅಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಹೊಂದಿಸಿ
  5. ನಿಮ್ಮ ತಾರ್ಕಿಕತೆ ಮತ್ತು ಅಂತಿಮ ಸಂಭವನೀಯತೆಯ ಅಂದಾಜು ದಾಖಲಿಸಿ
• ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು:
  • ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ನಿಮ್ಮ ಆರಂಭಿಕ ಅಂದಾಜು ಹೇಗೆ ಬದಲಾಯಿಸಿತು?
  • ಬೇಸ್ ರೇಟ್‌ನಿಂದ ಹೊಂದಾಣಿಕೆಯನ್ನು ಯಾವ ನಿರ್ದಿಷ್ಟ ಅಂಶಗಳು ಸಮರ್ಥಿಸುತ್ತವೆ?
  • ಪುರಾವೆಗಳಿಲ್ಲದೆ ನಿಮ್ಮ ಪರಿಸ್ಥಿತಿಯನ್ನು "ವಿಭಿನ್ನವಾಗಿ" ಪರಿಗಣಿಸಲು ನೀವು ಪ್ರಲೋಭನೆಗೆ ಒಳಗಾಗಿದ್ದೀರಾ?
• ಆವರ್ತನ: ಯಾವುದೇ ಪ್ರಮುಖ ನಿರ್ಧಾರದ ಮೊದಲು

ವ್ಯಾಯಾಮ 3: ಫ್ರೀಕ್ವೆನ್ಸಿ ರಿಫ್ರೇಮಿಂಗ್

• ಉದ್ದೇಶ: ಸಂಭವನೀಯತೆಯ ಹೇಳಿಕೆಗಳನ್ನು ನೈಸರ್ಗಿಕ ಆವರ್ತನ ಸ್ವರೂಪಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ
• ಅಗತ್ಯವಿರುವ ಸಮಯ: 15 ನಿಮಿಷಗಳು
• ಅಗತ್ಯವಿರುವ ವಸ್ತುಗಳು: ಸಂಭವನೀಯತೆಯ ಹೇಳಿಕೆಗಳ ಪಟ್ಟಿ (ಸುದ್ದಿ ಲೇಖನಗಳು, ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳಿಂದ)
• ಕಷ್ಟದ ಮಟ್ಟ: ಹರಿಕಾರ
• ಸೂಚನೆಗಳು:
  1. ಇತ್ತೀಚಿನ ಸುದ್ದಿಗಳಿಂದ 5 ಸಂಭವನೀಯತೆ ಹೇಳಿಕೆಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ (ಉದಾ., "ತೊಡಕುಗಳ 5% ಅಪಾಯ")
  2. ಪ್ರತಿಯೊಂದನ್ನು ನೈಸರ್ಗಿಕ ಆವರ್ತನವಾಗಿ ಮರುಹೊಂದಿಸಿ (ಉದಾ., "ಪ್ರತಿ 100 ರೋಗಿಗಳಲ್ಲಿ 5")
  3. ಪ್ರತಿಯೊಂದಕ್ಕೂ, ಇತರ 95 ಕ್ಕೆ (ಅಥವಾ ಸಂಬಂಧಿತ ಸಂಖ್ಯೆಗೆ) ಏನಾಗುತ್ತದೆ ಎಂದು ಬರೆಯಿರಿ
  4. ಇದು ಸಂಭವನೀಯತೆಯ ನಿಮ್ಮ ಅರ್ಥಗರ್ಭಿತ ಪ್ರಜ್ಞೆಯನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ
  5. ಆವರ್ತನದ ಆವೃತ್ತಿಯನ್ನು ಬೇರೆಯವರಿಗೆ ವಿವರಿಸುವುದನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ
• ಪ್ರತಿಫಲನ ಪ್ರಶ್ನೆಗಳು:
  • ಯಾವ ಸ್ವರೂಪವು ಸಂಭವನೀಯತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭಗೊಳಿಸಿದೆ?
  • ಆವರ್ತನ ಸ್ವರೂಪದಲ್ಲಿ ಯಾವುದೇ ಸಂಭವನೀಯತೆಗಳು ಹೆಚ್ಚು ಅಥವಾ ಕಡಿಮೆ ಕಾಳಜಿಯನ್ನು ಅನುಭವಿಸುತ್ತವೆಯೇ?
  • ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಈ ರಿಫ್ರೇಮಿಂಗ್ ಅನ್ನು ನೀವು ಹೇಗೆ ಅನ್ವಯಿಸಬಹುದು?
• ಆವರ್ತನ: ಸಾಪ್ತಾಹಿಕ

ದೈನಂದಿನ ಅಭ್ಯಾಸ

ಬೇಸ್ ರೇಟ್ ಪ್ರಶ್ನೆ: ಪ್ರತಿದಿನ, ನೀವು ಅಭಿಪ್ರಾಯವನ್ನು ರೂಪಿಸುವಾಗ ಅಥವಾ ಭವಿಷ್ಯ ನುಡಿಯುವಾಗ, ವಿರಾಮಗೊಳಿಸಿ ಮತ್ತು ಕೇಳಿ: "ಬೇಸ್ ರೇಟ್ ಏನು?" ನಿಮಗೆ ಗೊತ್ತಿಲ್ಲದಿದ್ದರೆ, ಅದನ್ನು ಸಂಶೋಧಿಸಲು 60 ಸೆಕೆಂಡುಗಳನ್ನು ಕಳೆಯಿರಿ.

• ಸೂಚಿಸಲಾದ ಅವಧಿ: ಒಂದು ಉದಾಹರಣೆಗೆ 1-2 ನಿಮಿಷಗಳು
• ದಿನದ ಉತ್ತಮ ಸಮಯ: ದಿನವಿಡೀ ನಿರ್ಧಾರಗಳು ಅಥವಾ ತೀರ್ಪುಗಳನ್ನು ಮಾಡುವಾಗ
• ಪ್ರಗತಿಯನ್ನು ಹೇಗೆ ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು: ಕೇಳಲು ನೀವು ನೆನಪಿಸಿಕೊಂಡಾಗ ಜರ್ನಲ್‌ನಲ್ಲಿ ಗಮನಿಸಿ, ಮತ್ತು ನೀವು ಏನು ಕಲಿತಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ

ಸಾಪ್ತಾಹಿಕ ಸವಾಲು

ಪ್ರಿಡಿಕ್ಷನ್ ಆಡಿಟ್: ಪ್ರತಿ ವಾರ, ನೀವು ಮಾಡಿದ 3 ಮುನ್ಸೂಚನೆಗಳು ಅಥವಾ ತೀರ್ಪುಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ:

1. ನೀವು ಬೇಸ್ ರೇಟ್ ಅನ್ನು ಪರಿಗಣಿಸಿದ್ದೀರಾ ಎಂಬುದನ್ನು ಗುರುತಿಸಿ
2. ಬೇಸ್ ರೇಟ್ ನಿಜವಾಗಿ ಏನೆಂದು ಸಂಶೋಧಿಸಿ
3. ಬೇಸ್ ರೇಟ್ ಮಾಹಿತಿಯು ನಿಮ್ಮ ತೀರ್ಪನ್ನು ಬದಲಾಯಿಸುತ್ತಿತ್ತೇ ಎಂದು ನಿರ್ಣಯಿಸಿ

• 4 ವಾರಗಳ ನಂತರ ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳು: ನಿಮ್ಮ ಸ್ವಂತ ಆಲೋಚನೆಯಲ್ಲಿ ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯದ ಬಗ್ಗೆ ಅರಿವು ಹೆಚ್ಚಾಗುತ್ತದೆ; ಬೇಸ್ ರೇಟ್‌ಗಳ ಹೆಚ್ಚು ಸ್ವಯಂಚಾಲಿತ ಪರಿಗಣನೆ
• ಪ್ರತಿಬಿಂಬಕ್ಕಾಗಿ ಜರ್ನಲಿಂಗ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳು:
  • ಯಾವ ರೀತಿಯ ನಿರ್ಧಾರಗಳು ನನಗೆ ಆಗಾಗ್ಗೆ ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವನ್ನು ಪ್ರಚೋದಿಸುತ್ತವೆ?
  • ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಲು ಯಾವ ತಂತ್ರಗಳು ನನಗೆ ಸಹಾಯ ಮಾಡುತ್ತವೆ?
  • ನಾನು ಅಭ್ಯಾಸ ಮಾಡಿದಂತೆ ನನ್ನ ನಿರ್ಧಾರದ ಗುಣಮಟ್ಟ ಹೇಗೆ ಬದಲಾಗಿದೆ?

12. ನಿರ್ದಿಷ್ಟ ಪ್ರೇಕ್ಷಕರಿಗೆ (For Specific Audiences)

ನಾಯಕರು ಮತ್ತು ವ್ಯವಸ್ಥಾಪಕರಿಗೆ

ವ್ಯವಸ್ಥಿತ ವಿಶ್ಲೇಷಣೆಗಿಂತ ಎದ್ದುಕಾಣುವ ಯಶಸ್ಸುಗಳು ಮತ್ತು ವೈಫಲ್ಯಗಳು ಕಾರ್ಯತಂತ್ರವನ್ನು ಮುನ್ನಡೆಸುವ ಸಾಂಸ್ಥಿಕ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಬೇಸ್ ರೇಟ್ ಫ್ಯಾಲಸಿ ವಿಶೇಷವಾಗಿ ಅಪಾಯಕಾರಿಯಾಗಿದೆ.

ಪ್ರಮುಖ ದುರ್ಬಲತೆಗಳು:

• ಅಭ್ಯರ್ಥಿಗಳ ಬೇಸ್ ರೇಟ್‌ಗಳಿಗಿಂತ ಸಂದರ್ಶನದ ಅನಿಸಿಕೆಗಳ ಆಧಾರದ ಮೇಲೆ ನೇಮಕಾತಿ ನಿರ್ಧಾರಗಳು
• ಸ್ಥಿರವಾದ ಮೆಟ್ರಿಕ್‌ಗಳಿಗಿಂತ ಸ್ಮರಣೀಯ ಘಟನೆಗಳ ಆಧಾರದ ಮೇಲೆ ಪ್ರದರ್ಶನದ ವಿಮರ್ಶೆಗಳು
• ಉದ್ಯಮದ ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಪ್ರತಿಸ್ಪರ್ಧಿಗಳ ಕಥೆಗಳಿಂದ ನಡೆಸಲ್ಪಡುವ ಕಾರ್ಯತಂತ್ರದ ಯೋಜನೆ
• ಐತಿಹಾಸಿಕ ಯಶಸ್ಸಿನ ದರಗಳಿಗಿಂತ ಇತ್ತೀಚಿನ ಯೋಜನೆಯ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಸಂಪನ್ಮೂಲ ಹಂಚಿಕೆ

ತಂತ್ರಗಳು:

• ವೈಯಕ್ತಿಕ ಅನಿಸಿಕೆಗಳ ಪ್ರಭಾವವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಮಾಣಿತ ಸ್ಕೋರಿಂಗ್‌ನೊಂದಿಗೆ ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳನ್ನು ಅಳವಡಿಸಿ
• ಯೋಜನೆಯ ವೈಫಲ್ಯದ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪರಿಗಣಿಸುವ "ಪ್ರೀಮಾರ್ಟೆಮ್" ವ್ಯಾಯಾಮಗಳನ್ನು ರಚಿಸಿ
• ಪ್ರಮುಖ ಉಪಕ್ರಮಗಳಿಗಾಗಿ ರೆಫರೆನ್ಸ್ ಕ್ಲಾಸ್ ಫೋರ್‌ಕಾಸ್ಟಿಂಗ್ ಅಗತ್ಯವಿದೆ
• ಪ್ರತ್ಯೇಕ ಪ್ರಕರಣಗಳ ಜೊತೆಗೆ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಮುನ್ನೆಲೆಗೆ ತರುವ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಿ
• ಎದ್ದುಕಾಣುವ-ಕೇಸ್ ತಾರ್ಕಿಕತೆಗೆ ಸವಾಲು ಹಾಕಲು ಅಧಿಕಾರ ಹೊಂದಿರುವ "ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಂದೇಹವಾದಿಗಳನ್ನು" ಬೆಳೆಸಿಕೊಳ್ಳಿ

ಪೋಷಕರು ಮತ್ತು ಶಿಕ್ಷಕರಿಗೆ

ಮಕ್ಕಳು ವಿಶೇಷವಾಗಿ ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯಕ್ಕೆ ಒಳಗಾಗುತ್ತಾರೆ, ಏಕೆಂದರೆ ಅವರು ಪ್ರಪಂಚದ ಬಗ್ಗೆ ಕಲಿಯುವುದು ಮುಖ್ಯವಾಗಿ ಉದಾಹರಣೆಗಳು ಮತ್ತು ಕಥೆಗಳ ಮೂಲಕ.

ಬೋಧನಾ ವಿಧಾನಗಳು:

• ಬೇಸ್ ರೇಟ್‌ಗಳಿಗಾಗಿ ಒಳನೋಟವನ್ನು ನಿರ್ಮಿಸಲು ಸಂಭವನೀಯತೆಯನ್ನು (ದಾಳ, ಕಾರ್ಡ್‌ಗಳು) ಒಳಗೊಂಡ ಆಟಗಳನ್ನು ಬಳಸಿ
• ಅಪಾಯಗಳ ಬಗ್ಗೆ ಚರ್ಚಿಸುವಾಗ (ಅಪರಿಚಿತರ ಅಪಾಯ, ರೋಗ, ಅಪಘಾತಗಳು), ಪ್ರತಿಯೊಂದೂ ವಾಸ್ತವವಾಗಿ ಎಷ್ಟು ಸಾಮಾನ್ಯವಾಗಿದೆ ಎಂಬುದರ ಕುರಿತು ಸಂದರ್ಭವನ್ನು ಒದಗಿಸಿ
• ಸುದ್ದಿ ಕಥೆಗಳು ಅಪರೂಪದ ಕಾರಣದಿಂದ ಸುದ್ದಿಗೆ ಯೋಗ್ಯವಾದ ಘಟನೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವುದನ್ನು ಸೂಚಿಸಿ
• ಮಾಡೆಲ್ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಚಿಂತನೆ: "ಅದು ಆಸಕ್ತಿದಾಯಕ ಉದಾಹರಣೆಯಾಗಿದೆ. ಅದು ಎಷ್ಟು ವಿಶಿಷ್ಟವಾಗಿದೆ ಎಂದು ನಾನು ಆಶ್ಚರ್ಯ ಪಡುತ್ತೇನೆ?"
• "ಇದು ಸಂಭವಿಸಿದೆ" ಮತ್ತು "ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ" ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಕಲಿಸಿ

ವಯಸ್ಸಿಗೆ ಸೂಕ್ತವಾದ ವಿವರಣೆಗಳು:

• ವಯಸ್ಸು 6-10: "ಕೆಲವು ವಿಷಯಗಳು ಬಹಳಷ್ಟು ಸಂಭವಿಸುತ್ತವೆ ಮತ್ತು ಕೆಲವು ವಿಷಯಗಳು ವಿರಳ. ಕಥೆಗಳು ಆಶ್ಚರ್ಯಕರವಾಗಿರುವುದರಿಂದ ಹೆಚ್ಚಾಗಿ ಅಪರೂಪದ ವಿಷಯಗಳ ಬಗ್ಗೆ ಇರುತ್ತವೆ."
• ವಯಸ್ಸು 11-14: "ವಿಷಯಗಳು ನಿಜವಾಗಿಯೂ ಎಷ್ಟು ಬಾರಿ ಸಂಭವಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಸಂಖ್ಯೆಗಳು ನಮಗೆ ಹೇಳಬಲ್ಲವು, ಇದು ನಾವು ಅವುಗಳ ಬಗ್ಗೆ ಎಷ್ಟು ಬಾರಿ ಕೇಳುತ್ತೇವೆ ಎಂಬುದಕ್ಕಿಂತ ಭಿನ್ನವಾಗಿದೆ."
• ವಯಸ್ಸು 15+: ಸಂಭವನೀಯತೆಯ ಪರಿಕಲ್ಪನೆಗಳು, ಬೇಯ್ಸ್ ಪ್ರಮೇಯ ಮತ್ತು ಔಪಚಾರಿಕ ತಾರ್ಕಿಕತೆಗೆ ಪರಿಚಯ

ಆರೋಗ್ಯ ವೃತ್ತಿಪರರಿಗೆ

ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವು ರೋಗನಿರ್ಣಯ, ಸ್ಕ್ರೀನಿಂಗ್ ಮತ್ತು ರೋಗಿಗಳ ಸಂವಹನಕ್ಕೆ ಆಳವಾದ ಪರಿಣಾಮಗಳನ್ನು ಬೀರುತ್ತದೆ.

ಕ್ಲಿನಿಕಲ್ ಪರಿಣಾಮಗಳು:

• ರೋಗಲಕ್ಷಣ-ಹೊಂದಾಣಿಕೆಯು ಹರಡುವಿಕೆಯ ಡೇಟಾವನ್ನು ಅತಿಕ್ರಮಿಸಿದಾಗ ಅಪರೂಪದ ಕಾಯಿಲೆಗಳು ಅತಿಯಾಗಿ ರೋಗನಿರ್ಣಯಗೊಳ್ಳುತ್ತವೆ
• ಸ್ಕ್ರೀನಿಂಗ್ ಕಾರ್ಯಕ್ರಮದ ಪರಿಣಾಮಕಾರಿತ್ವವು ಕೇವಲ ಪರೀಕ್ಷಾ ನಿಖರತೆಯ ಮೇಲೆ ಮಾತ್ರವಲ್ಲದೆ, ಜನಸಂಖ್ಯೆಯ ಬೇಸ್ ರೇಟ್‌ಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ
• ಪಾಸಿಟಿವ್ ಸ್ಕ್ರೀನಿಂಗ್ ಫಲಿತಾಂಶಗಳಿಂದ ರೋಗಿಯ ಆತಂಕವು ಹೆಚ್ಚಾಗಿ ಸೂಕ್ತವಾದ ಕಾಳಜಿಯನ್ನು ಮೀರುತ್ತದೆ
• ಚಿಕಿತ್ಸಾ ನಿರ್ಧಾರಗಳು ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗದ ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ನಾಟಕೀಯ ಕೇಸ್ ಸ್ಟಡೀಸ್‌ಗೆ ಹೆಚ್ಚು ತೂಕ ನೀಡಬಹುದು

ತಂತ್ರಗಳು:

• ರೋಗಿಗಳಿಗೆ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂವಹನ ಮಾಡುವಾಗ ನೈಸರ್ಗಿಕ ಆವರ್ತನ ಸ್ವರೂಪಗಳನ್ನು ಬಳಸಿ
• ಸಂಬಂಧಿತ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಮೇಲ್ಮೈಗೆ ತರುವ ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ಬೆಂಬಲವನ್ನು ಅಳವಡಿಸಿ
• ರೋಗನಿರ್ಣಯದ ಪರಿಶೀಲನಾಪಟ್ಟಿಗಳಲ್ಲಿ ಸ್ಪಷ್ಟ ಬೇಸ್ ರೇಟ್ ಪರಿಗಣನೆಯ ಅಗತ್ಯವಿದೆ
• ಪಾಸಿಟಿವ್ ಪ್ರಿಡಿಕ್ಟಿವ್ ಮೌಲ್ಯವನ್ನು ವಿವರಿಸಲು ಐಕಾನ್ ಅರೇಗಳು ಮತ್ತು ದೃಶ್ಯ ಸಾಧನಗಳನ್ನು ಬಳಸಿ
• ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣದ ಭಾಗವಾಗಿ ಬೇಸಿಯನ್ ತಾರ್ಕಿಕತೆಯಲ್ಲಿ ತರಬೇತಿ ನೀಡಿ

ಹಣಕಾಸು ವೃತ್ತಿಪರರಿಗೆ

ಮಾರುಕಟ್ಟೆಗಳು ನಿರೂಪಣೆಗಳಿಂದ ಪ್ರೇರೇಪಿಸಲ್ಪಡುತ್ತವೆ, ಹೂಡಿಕೆಯ ಯಶಸ್ಸಿಗೆ ಬೇಸ್ ರೇಟ್ ಶಿಸ್ತು ಅತ್ಯಗತ್ಯ.

ಪ್ರಮುಖ ದುರ್ಬಲತೆಗಳು:

• ಬಬಲ್ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ "ಈ ಸಮಯವು ವಿಭಿನ್ನವಾಗಿದೆ" ಆಲೋಚನೆ
• ಅಪಾಯದ ಮಾದರಿಗಳಲ್ಲಿ ಇತ್ತೀಚಿನತೆಯ ಪಕ್ಷಪಾತ (ಇತ್ತೀಚಿನ ಚಂಚಲತೆಯನ್ನು ಬೇಸ್ ರೇಟ್ ಎಂದು ಪರಿಗಣಿಸುವುದು)
• ವಲಯದ ಬೇಸ್ ರೇಟ್‌ಗಳಿಗಿಂತ ನಿರ್ದಿಷ್ಟ ವಿಶ್ಲೇಷಕರ ಶಿಫಾರಸುಗಳಿಗೆ ಹೆಚ್ಚು ತೂಕ ನೀಡುವುದು
• ಯಶಸ್ವಿ ಫಂಡ್ ಮ್ಯಾನೇಜರ್ ಟ್ರ್ಯಾಕ್ ರೆಕಾರ್ಡ್‌ಗಳನ್ನು ಅವಕಾಶಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಕೌಶಲ್ಯವೆಂದು ಪರಿಗಣಿಸುವುದು

ತಂತ್ರಗಳು:

• ದೀರ್ಘಾವಧಿಯ ಮೌಲ್ಯಮಾಪನ ಬೇಸ್ ರೇಟ್ ಉಲ್ಲೇಖ ಚಾರ್ಟ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಿ (P/E ಅನುಪಾತಗಳು, ಡಿಫಾಲ್ಟ್ ದರಗಳು, ಇತ್ಯಾದಿ)
• ಸರಾಸರಿ ರಿವರ್ಶನ್ ಊಹೆಗಳನ್ನು ಜಾರಿಗೊಳಿಸುವ ವ್ಯವಸ್ಥಿತ ಮರುಸಮತೋಲನವನ್ನು ಅಳವಡಿಸಿ
• ಐತಿಹಾಸಿಕವಾಗಿ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲಾದ ವಿತರಣೆಗಳೊಂದಿಗೆ ಮಾಂಟೆ ಕಾರ್ಲೋ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳನ್ನು ಬಳಸಿ
• ಹೂಡಿಕೆ ಪ್ರಬಂಧಗಳಿಗೆ ಸ್ಪಷ್ಟವಾದ ಬೇಸ್ ರೇಟ್ ದಾಖಲಾತಿಯ ಅಗತ್ಯವಿದೆ
• ನಿರೀಕ್ಷೆಗಳನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲು ಐತಿಹಾಸಿಕ ಬಬಲ್‌ಗಳು ಮತ್ತು ಕ್ರ್ಯಾಶ್‌ಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ

13. ಇತರ ಪಕ್ಷಪಾತಗಳೊಂದಿಗೆ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳು (Interactions with Other Biases)

ಇದನ್ನು ವರ್ಧಿಸುವ ಪಕ್ಷಪಾತಗಳು

ಇದನ್ನು ಎದುರಿಸುವ ಪಕ್ಷಪಾತಗಳು

ಸಾಮಾನ್ಯ ಪಕ್ಷಪಾತ ಸರಪಳಿಗಳು (Common Bias Chains)

ಚೈನ್ 1: ಎದ್ದುಕಾಣುವ ಉದಾಹರಣೆ (Availability) → ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚ್ (Representativeness) → ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯ → ಆತ್ಮವಿಶ್ವಾಸದ ತಪ್ಪುಗ್ರಹಿಕೆ (Overconfidence) → ದೋಷದ ದೃಢೀಕರಣ (Confirmation Bias)

ಚೈನ್ 2: ನಿರ್ದಿಷ್ಟ ಪ್ರಕರಣದಲ್ಲಿ ಆಂಕರ್ → ಜನಸಂಖ್ಯೆಯ ಡೇಟಾವನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ → ಪೋಷಕ ನಿರೂಪಣೆಯನ್ನು ನಿರ್ಮಿಸಿ (Narrative Fallacy) → ಸರಿಪಡಿಸುವ ಸಾಕ್ಷ್ಯವನ್ನು ವಿರೋಧಿಸಿ

ಕ್ಯಾಸ್ಕೇಡ್ ಅನ್ನು ಅಡ್ಡಿಪಡಿಸುವುದು: ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಮಧ್ಯಸ್ಥಿಕೆ ಬಿಂದುವು ಮುಂಚೆಯೇ ಇರುತ್ತದೆ—ಎದ್ದುಕಾಣುವ ಉದಾಹರಣೆಯು ಗಮನ ಸೆಳೆಯುವ ಮೊದಲು. ಬೇಸ್ ರೇಟ್ ಮಾಹಿತಿಯನ್ನು ಪೂರ್ವ-ಲೋಡ್ ಮಾಡುವುದು, ಆವರ್ತನ ಸ್ವರೂಪಗಳನ್ನು ಬಳಸುವುದು ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಬೇಸ್-ರೇಟ್-ಪರಿಶೀಲನೆ ಅಭ್ಯಾಸಗಳನ್ನು ರಚಿಸುವುದು ಕ್ಯಾಸ್ಕೇಡ್ ಪ್ರಾರಂಭವಾಗುವುದನ್ನು ತಡೆಯಬಹುದು.

14. ಸಾಂಸ್ಕೃತಿಕ ದೃಷ್ಟಿಕೋನಗಳು (Cultural Perspectives)

ಬೇಸ್ ರೇಟ್ ಬಳಕೆಯಲ್ಲಿ ಸಾಂಸ್ಕೃತಿಕ ವ್ಯತ್ಯಾಸದ ಕುರಿತಾದ ಸಂಶೋಧನೆಯು ಆಸಕ್ತಿದಾಯಕ ಮಾದರಿಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ, ಆದರೂ ನಿರ್ಲಕ್ಷ್ಯದ ಪ್ರಮುಖ ಪ್ರವೃತ್ತಿಯು ಸಾರ್ವತ್ರಿಕವಾಗಿ ಕಂಡುಬರುತ್ತದೆ.

ಅಡ್ಡ-ಸಾಂಸ್ಕೃತಿಕ ಆವಿಷ್ಕಾರಗಳು:

• ಪಾಶ್ಚಿಮಾತ್ಯ, ಏಷ್ಯನ್ ಮತ್ತು ಇತರ ಸಾಂಸ್ಕೃತಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬೇಸ್ ರೇಟ್ ಕಡೆಗಣಿಸುವಿಕೆಯನ್ನು ಅಧ್ಯಯನಗಳು ಸ್ಥಿರವಾಗಿ ಕಂಡುಕೊಳ್ಳುತ್ತವೆ
• ಪೂರ್ವ ಏಷ್ಯಾದ ಭಾಗವಹಿಸುವವರು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಸ್ವಲ್ಪ ಉತ್ತಮವಾದ ಬೇಸ್ ರೇಟ್ ಬಳಕೆಯನ್ನು ತೋರಿಸುತ್ತಾರೆ ಎಂದು ಕೆಲವು ಪುರಾವೆಗಳು ಸೂಚಿಸುತ್ತವೆ, ಪ್ರಾಯಶಃ ಸಮಗ್ರ ಅರಿವಿನ ಶೈಲಿಗಳಿಗೆ ಸಂಬಂಧಿಸಿದೆ
• ಸಂಭವನೀಯತೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳಿಗೆ ಒತ್ತು ನೀಡುವ ಶೈಕ್ಷಣಿಕ ವ್ಯವಸ್ಥೆಗಳು ಸಾಂಸ್ಕೃತಿಕ ಹಿನ್ನೆಲೆಯನ್ನು ಲೆಕ್ಕಿಸದೆ ಉತ್ತಮ ಬೇಸ್ ರೇಟ್ ಏಕೀಕರಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ
• ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳ ಕಾನೂನು ವ್ಯವಸ್ಥೆಗಳ ಚಿಕಿತ್ಸೆಯು ಸಂಸ್ಕೃತಿಯಿಂದ ಗಮನಾರ್ಹವಾಗಿ ಬದಲಾಗುತ್ತದೆ

ಸಾರ್ವತ್ರಿಕ ಅಂಶಗಳು: ಪ್ರಮುಖ ವಿದ್ಯಮಾನ-ಅಮೂರ್ತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಬೇಸ್‌ಲೈನ್‌ಗಳಿಗಿಂತ ನಿರ್ದಿಷ್ಟ ಎದ್ದುಕಾಣುವ ಮಾಹಿತಿಗೆ ಆದ್ಯತೆ ನೀಡುವುದು-ಮಾನವ ಸಾರ್ವತ್ರಿಕವಾಗಿ ಕಂಡುಬರುತ್ತದೆ, ಇದು ಸಾಂಸ್ಕೃತಿಕ ವ್ಯತ್ಯಾಸದ ಹಿಂದಿನ ಅರಿವಿನ ವಾಸ್ತುಶಿಲ್ಪದಲ್ಲಿ ಬೇರೂರಿದೆ.

ಅಡ್ಡ-ಸಾಂಸ್ಕೃತಿಕ ಪರಿಣಾಮಗಳು: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳಿಗೆ ಸಾಂಸ್ಕೃತಿಕ ಸಂದರ್ಭಗಳಾದ್ಯಂತ ಎಚ್ಚರಿಕೆಯ ಚೌಕಟ್ಟಿನ ಅಗತ್ಯವಿದೆ. ಒಂದು ಕಾನೂನು ಅಥವಾ ವೈದ್ಯಕೀಯ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುವುದು ಇನ್ನೊಂದಕ್ಕೆ ನೇರವಾಗಿ ವರ್ಗಾವಣೆಯಾಗದಿರಬಹುದು.

15. ಪುರಾಣಗಳು ಮತ್ತು ತಪ್ಪುಗ್ರಹಿಕೆಗಳು (Myths and Misconceptions)

16. ತಜ್ಞರ ಒಳನೋಟಗಳು (Expert Insights)

"ಸಾಮಾನ್ಯದಿಂದ ನಿರ್ದಿಷ್ಟವಾದುದನ್ನು ನಿರ್ಣಯಿಸಲು ವಿಷಯಗಳ ಇಷ್ಟವಿಲ್ಲದಿರುವಿಕೆ ನಿರ್ದಿಷ್ಟದಿಂದ ಸಾಮಾನ್ಯವನ್ನು ಊಹಿಸುವ ಅವರ ಇಚ್ಛೆಯಿಂದ ಮಾತ್ರ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ." — ಅಮೋಸ್ ಟ್ವೆರ್ಸ್ಕಿ & ಡೇನಿಯಲ್ ಕಾಹ್ನೆಮನ್, 1973

"ಹೋಲಿಕೆಯು ಬೇಸ್ ರೇಟ್‌ಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗುವುದಿಲ್ಲ, ಆದರೂ ಅರ್ಥಗರ್ಭಿತ ಸಂಭವನೀಯತೆಯ ತೀರ್ಪುಗಳು ಹೋಲಿಕೆಯಿಂದ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿವೆ." — ಡೇನಿಯಲ್ ಕಾಹ್ನೆಮನ್, ಥಿಂಕಿಂಗ್, ಫಾಸ್ಟ್ ಅಂಡ್ ಸ್ಲೋ, 2011

"ಸಮಸ್ಯೆ ಎಂದರೆ ಜನರು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ತಾರ್ಕಿಕತೆಯನ್ನು ಹೊಂದಲು ಅಸಮರ್ಥರಾಗಿದ್ದಾರೆ ಎಂದಲ್ಲ, ಆದರೆ ಹೆಚ್ಚಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಮಾನವನ ಮನಸ್ಸು ತರ್ಕಿಸಲು ವಿಕಸನಗೊಂಡ ಸ್ವರೂಪಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗದ ಸ್ವರೂಪದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ." — ಗರ್ಡ್ ಗಿಜೆರೆನ್ಜರ್, 2002

"ಮನೋವಿಜ್ಞಾನಿಗಳು ತಮ್ಮ ವಿಷಯಗಳ ತರ್ಕಬದ್ಧತೆಯನ್ನು ಕಾರ್ಯಕ್ಕೆ ಸೂಕ್ತವಲ್ಲದ ಗುಣಮಟ್ಟದಿಂದ ನಿರ್ಣಯಿಸುತ್ತಿದ್ದಾರೆ." — ಎಲ್.ಜೆ. ಕೊಹೆನ್, 1981

17. ಪ್ರಮುಖ ಅಂಶಗಳು (Key Takeaways)

1. ಬೇಸ್ ರೇಟ್ ಕಡೆಗಣನೆ ಸಾರ್ವತ್ರಿಕವಾಗಿದೆ: ನಿರ್ದಿಷ್ಟ ಮಾಹಿತಿಯು ಲಭ್ಯವಿದ್ದಾಗ ಎಲ್ಲಾ ಮಾನವರು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಕಡಿಮೆ ತೂಕ ಮಾಡುವ ಒಲವು ತೋರುತ್ತಾರೆ—ಇದು ಮಾನವನ ಅರಿವಿನ ವಾಸ್ತುಶಿಲ್ಪದ ಲಕ್ಷಣವಾಗಿದೆ, ವೈಯಕ್ತಿಕ ವೈಫಲ್ಯವಲ್ಲ.
2. ರೆಪ್ರೆಸೆಂಟೇಟಿವ್ನೆಸ್ ಹ್ಯೂರಿಸ್ಟಿಕ್ ಕಾರ್ಯವಿಧಾನವಾಗಿದೆ: ನಾವು ಜನಸಂಖ್ಯೆಯಲ್ಲಿನ ಆವರ್ತನಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಮೂಲಮಾದರಿಗಳ ಹೋಲಿಕೆಯಿಂದ ಸಂಭವನೀಯತೆಯನ್ನು ನಿರ್ಣಯಿಸುತ್ತೇವೆ.
3. ಸ್ವರೂಪ (Format) ಅಗಾಧವಾಗಿ ಮುಖ್ಯವಾಗಿದೆ: ಸಂಭವನೀಯತೆಗಳಿಗಿಂತ ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಾಗಿ (Y ನಲ್ಲಿ X) ಮಾಹಿತಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವುದು ದೋಷವನ್ನು ನಾಟಕೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
4. ಸಂದರ್ಭವು ಬೇಸ್ ರೇಟ್ ಬಳಕೆಯನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ: ಬೇಸ್ ರೇಟ್‌ಗಳು ಕಾರಣಾತ್ಮಕವಾಗಿ ಪ್ರಸ್ತುತವೆಂದು ತೋರಿದಾಗ ಜನರು ಅವುಗಳನ್ನು ಬಳಸುತ್ತಾರೆ; ಅವು ಕೇವಲ "ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ" ಎಂದು ತೋರಿದಾಗ ಅವರು ಅವುಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತಾರೆ.
5. ಪರಿಣಾಮಗಳು ದುರಂತವಾಗಿವೆ: ನ್ಯಾಯ ವ್ಯವಸ್ಥೆಯ ವೈಫಲ್ಯ (ತಪ್ಪಾದ ಶಿಕ್ಷೆಗಳಾದ ಸ್ಯಾಲಿ ಕ್ಲಾರ್ಕ್, ಲೂಸಿಯಾ ಡಿ ಬರ್ಕ್) ಗಳಿಂದ ಹಿಡಿದು ಆರ್ಥಿಕ ಬಿಕ್ಕಟ್ಟುಗಳವರೆಗೆ (LTCM, ಡಾಟ್-ಕಾಮ್) ಅಲ್ಗಾರಿದಮಿಕ್ ತಾರತಮ್ಯದವರೆಗೆ, ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವು ಪ್ರಮುಖ ಸಾಮಾಜಿಕ ವೈಫಲ್ಯಗಳನ್ನು ರೂಪಿಸುತ್ತದೆ.
6. ಡಿಬಯಾಸಿಂಗ್‌ಗೆ ವಿನ್ಯಾಸದ ಅಗತ್ಯವಿದೆ: ನಾವು ಕೇವಲ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಗೌರವಿಸಲು "ನಿರ್ಧರಿಸಲು" ಸಾಧ್ಯವಿಲ್ಲ-ನಮಗೆ ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ಗೋಚರಿಸುವಂತೆ ಮತ್ತು ಪ್ರಸ್ತುತಪಡಿಸುವ ಮಾಹಿತಿ ಆರ್ಕಿಟೆಕ್ಚರ್ ಗಳು, ಪರಿಶೀಲನಾಪಟ್ಟಿಗಳು ಮತ್ತು ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಗಳು ಬೇಕಾಗುತ್ತವೆ.
7. ಪಕ್ಷಪಾತವು ಪ್ರಯೋಜನಗಳನ್ನು ಹೊಂದಿದೆ: ಅನೇಕ ದೈನಂದಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಬೇಸ್ ರೇಟ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವ ತ್ವರಿತ ಪ್ಯಾಟರ್ನ್-ಮ್ಯಾಚಿಂಗ್ ಹೊಂದಾಣಿಕೆಯ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ—ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಚಿಂತನೆಯು ನಿಜವಾದ ಅಗತ್ಯವಿರುವಾಗ ಗುರುತಿಸುವುದು ಗುರಿಯಾಗಿದೆ.

18. ಹೆಚ್ಚಿನ ಸಂಪನ್ಮೂಲಗಳು (Further Resources)

ಶೈಕ್ಷಣಿಕ ಪತ್ರಿಕೆಗಳು

• 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.

ಪುಸ್ತಕಗಳು

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

ಪುಸ್ತಕದ ಅಧ್ಯಾಯಗಳು

• 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. ಸಾರಾಂಶ ಕಾರ್ಡ್ (Summary Card)

20. ಬಳಸಿದ ನಿಯಮಗಳ ಗ್ಲಾಸರಿ (Glossary of Terms Used)

21. ಚರ್ಚೆಯ ಪ್ರಶ್ನೆಗಳು (Discussion Questions)

ಪುಸ್ತಕ ಕ್ಲಬ್‌ಗಳು, ತರಗತಿ ಕೊಠಡಿಗಳು ಅಥವಾ ಸ್ವಯಂ-ಪ್ರತಿಫಲನಕ್ಕಾಗಿ:

1. ನಿಮ್ಮ ಜೀವನದಲ್ಲಿ ನೀವು ನಂತರ ಬೇಸ್ ರೇಟ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸಿದ್ದೀರಿ ಎಂದು ಅರಿತುಕೊಂಡ ಪ್ರಮುಖ ನಿರ್ಧಾರದ ಬಗ್ಗೆ ನೀವು ಯೋಚಿಸಬಹುದೇ? ನೀವಾದರೆ ವಿಭಿನ್ನವಾಗಿ ಏನು ಮಾಡುತ್ತೀರಿ?
2. ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವು ಮಾನವ ಅರಿವಿನ "ದೋಷ (bug)" ಅಥವಾ "ವೈಶಿಷ್ಟ್ಯ (feature)" ಎಂಬುದನ್ನು ರಿಯಾಲಿಟಿ ವಾರ್ಸ್ ಕೇಳುತ್ತದೆ. ನಿಮ್ಮ ದೃಷ್ಟಿಕೋನ ಏನು, ಮತ್ತು ಇದರ ಪರಿಣಾಮಗಳೇನು?
3. ತೀರ್ಪುಗಾರರಲ್ಲಿ ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯದ ಬಗ್ಗೆ ನಮಗೆ ತಿಳಿದಿರುವುದನ್ನು ಪರಿಗಣಿಸಿ ನ್ಯಾಯಾಲಯಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪುರಾವೆಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಬೇಕು? ವಿಶೇಷ ತರಬೇತಿ ಅಥವಾ ಪರಿಣಿತ ಅವಶ್ಯಕತೆಗಳು ಇರಬೇಕೇ?
4. ಮಾಹಿತಿಯನ್ನು ನೈಸರ್ಗಿಕ ಆವರ್ತನಗಳಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸುವುದು ಬೇಸ್ ರೇಟ್ ನಿರ್ಲಕ್ಷ್ಯವನ್ನು ಹೆಚ್ಚಾಗಿ "ಪರಿಹರಿಸುತ್ತದೆ" ಎಂದು ಗಿಜೆರೆನ್ಜರ್ ವಾದಿಸುತ್ತಾರೆ. ಇದು ನಿಜವಾಗಿದ್ದರೆ, ಸರಿಯಾದ ರೂಪದಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಯಾರು ಹೊಂದಿದ್ದಾರೆ-ವ್ಯಕ್ತಿಗಳು, ಸಂಸ್ಥೆಗಳು ಅಥವಾ ಶಿಕ್ಷಕರು?
5. AI ವ್ಯವಸ್ಥೆಗಳು ಮಾನವನ ಜೀವನದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ನಿರ್ಧಾರಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವುದರಿಂದ, ಅಲ್ಗಾರಿದಮ್‌ಗಳಲ್ಲಿ ಬೇಸ್ ರೇಟ್ ಪಕ್ಷಪಾತವನ್ನು ಪರಿಹರಿಸಲು ಯಾವ ಜವಾಬ್ದಾರಿಗಳಿವೆ? ಅಲ್ಗಾರಿದಮಿಕ್ ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ಹೇಗೆ ವ್ಯಾಖ್ಯಾನಿಸಬೇಕು?