ຄວາມຜິດພາດທາງອັດຕາພື້ນຖານ (Base Rate Fallacy)

ພາບລວມ

1. ສະຫຼຸບຫຍໍ້

ເມື່ອຕ້ອງຕັດສິນໃຈກ່ຽວກັບຄວາມໜ້າຈະເປັນ, ມະນຸດມັກຈະເນັ້ນໄປທີ່ລາຍລະອຽດທີ່ຊັດເຈນ ແລະ ສະເພາະເຈາະຈົງກ່ຽວກັບກໍລະນີໃດໜຶ່ງ ໂດຍບໍ່ສົນໃຈບໍລິບົດທາງສະຖິຕິໃນວົງກວ້າງທີ່ຄວນຈະເປັນຂໍ້ມູນໃນການຕັດສິນໃຈຂອງພວກເຂົາ. ຖ້າມີຄົນອະທິບາຍເຖິງຄົນທີ່ມິດງຽບ, ມັກອ່ານປຶ້ມ ແລະ ຮັກບົດກະວີ, ທ່ານອາດຈະເດົາວ່າລາວເປັນ "ບັນນະລັກ"—ເຖິງແມ່ນວ່າໃນໂລກນີ້ຈະມີຄູ, ນັກບັນຊີ ຫຼື ພະນັກງານອອບຟິດຫຼາຍກວ່າທີ່ມີລັກສະນະເຫຼົ່ານີ້ກໍຕາມ. ຄວາມຜິດພາດທາງອັດຕາພື້ນຖານເກີດຂຶ້ນຍ້ອນສະໝອງຂອງເຮົາຖືກສ້າງມາເພື່ອຈັບຄູ່ຮູບແບບ ແລະ ເລົ່າເລື່ອງ, ບໍ່ແມ່ນເພື່ອຄຳນວນຄວາມໜ້າຈະເປັນ.

2. ວິທະຍາສາດທີ່ຢູ່ເບື້ອງຫຼັງ

2.1. ການຄົ້ນພົບ ແລະ ປະຫວັດສາດ

ການລະບຸການລະເລີຍອັດຕາພື້ນຖານຢ່າງເປັນທາງການເກີດຂຶ້ນຈາກການປະຕິວັດທາງສະຕິປັນຍາໃນຈິດຕະວິທະຍາຊ່ວງຊຸມປີ 1970. ໃນຂະນະທີ່ຄວາມຂັດແຍ່ງລະຫວ່າງການໃຫ້ເຫດຜົນທາງສະຖິຕິ ແລະ ສັນຊາດຕະຍານທາງຄລີນິກໄດ້ຖືກສັງເກດເຫັນກ່ອນໜ້ານັ້ນໂດຍ Paul Meehl ແລະ Albert Rosen ໃນປີ 1955 (ຜູ້ທີ່ເຕືອນແພດກ່ຽວກັບການຕີຄວາມໝາຍຂອງການທົດສອບການວິນິດໄສ), ແຕ່ເປັນ Amos Tversky ແລະ Daniel Kahneman ທີ່ໄດ້ລະບຸ ແລະ ຕັ້ງຊື່ອະຄະຕິນີ້ຢ່າງເປັນທາງການ.

ບົດຄວາມຂອງພວກເຂົາໃນປີ 1973 "On the Psychology of Prediction" ໄດ້ທ້າທາຍສົມມຸດຕິຖານທາງເສດຖະກິດທີ່ວ່າມະນຸດເປັນຜູ້ກະທຳທີ່ມີເຫດຜົນ. ພວກເຂົາສະແດງໃຫ້ເຫັນວ່າເມື່ອຜູ້ຄົນຖືກຂໍໃຫ້ຄາດຄະເນຜົນໄດ້ຮັບ, ພວກເຂົາບໍ່ໄດ້ເຮັດວຽກຄືກັບນັກສະຖິຕິໂດຍສັນຊາດຕະຍານທີ່ອັບເດດຄວາມໜ້າຈະເປັນກ່ອນໜ້າດ້ວຍຫຼັກຖານໃໝ່ (ຕາມທີ່ທິດສະດີຂອງ Bayes ໄດ້ກຳນົດໄວ້). ໃນທາງກົງກັນຂ້າມ, ພວກເຂົາເພິ່ງພາທາງລັດທາງຄວາມຄິດທີ່ບໍ່ສົນໃຈຂໍ້ມູນອັດຕາພື້ນຖານຢ່າງເປັນລະບົບ.

ການຄົ້ນພົບນີ້ໄດ້ຈຸດປະກາຍສິ່ງທີ່ເອີ້ນວ່າ "The Rationality Wars" (ສົງຄາມແຫ່ງຄວາມເປັນເຫດເປັນຜົນ)—ເຊິ່ງເປັນການໂຕ້ຖຽງທາງທິດສະດີຢ່າງດຸເດືອດກ່ຽວກັບວ່າການລະເລີຍອັດຕາພື້ນຖານເປັນຂໍ້ບົກຜ່ອງພື້ນຖານໃນການໃຫ້ເຫດຜົນຂອງມະນຸດ ຫຼື ເປັນການຕອບສະໜອງທີ່ປັບຕົວເຂົ້າກັບໂຄງສ້າງຂອງສະພາບແວດລ້ອມ. ການໂຕ້ຖຽງນີ້ໄດ້ສ້າງຮູບຮ່າງຂອງວິທະຍາສາດສະຕິປັນຍາມາເປັນເວລາຫ້າທົດສະວັດ.

ຈຸດສຳຄັນໃນການຄົ້ນຄວ້າ:

• 1955: Meehl ແລະ Rosen ລະບຸບັນຫາທາງຄລີນິກທຽບກັບການຄາດຄະເນທາງຄະນິດສາດປະກັນໄພ
• 1973: Tversky ແລະ Kahneman ຕີພິມ "On the Psychology of Prediction"
• 1980: Maya Bar-Hillel ນຳສະເໜີບົດວິຈານທິດສະດີຄວາມກ່ຽວຂ້ອງ (Relevance Theory)
• 1995: Gerd Gigerenzer ສະແດງໃຫ້ເຫັນວ່າຮູບແບບຄວາມຖີ່ທາງທຳມະຊາດຊ່ວຍຫຼຸດຜ່ອນຄວາມຜິດພາດນີ້
• 2002: Kahneman ແລະ Frederick ໄດ້ສ້າງທິດສະດີ "ການທົດແທນຄຸນລັກສະນະ" (attribute substitution) ຢ່າງເປັນທາງການ
• ຊຸມປີ 2010s: ການຄົ້ນຄວ້າຂະຫຍາຍໄປສູ່ລະບົບ AI ແລະ ອະຄະຕິຂອງອັນກໍຣິທຶມ

2.2. ນັກຄົ້ນຄວ້າຄົນສຳຄັນ

2.3. ການສຶກສາທີ່ໂດດເດັ່ນ

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

ການສຶກສາພື້ນຖານນີ້ສະແດງໃຫ້ເຫັນວ່າຄວາມເປັນຕົວແທນ (representativeness) ມີອິດທິພົນເໜືອອັດຕາພື້ນຖານແນວໃດ ເຖິງແມ່ນວ່າຜູ້ເຂົ້າຮ່ວມຈະມີຄວາມຮູ້ກ່ຽວກັບອັດຕາພື້ນຖານທີ່ຖືກຕ້ອງກໍຕາມ.

ການອອກແບບ: ຜູ້ເຂົ້າຮ່ວມຖືກແບ່ງອອກເປັນສາມເງື່ອນໄຂ:

• ກຸ່ມອັດຕາພື້ນຖານ (Base-Rate Group): ປະເມີນເປີເຊັນຂອງນັກສຶກສາປະລິນຍາໂທໃນເກົ້າສາຂາວິຊາ. ພວກເຂົາລະບຸໄດ້ຢ່າງຖືກຕ້ອງວ່າ ມະນຸດສາດ ແລະ ການສຶກສາ ເປັນສາຂາໃຫຍ່ (ອັດຕາພື້ນຖານສູງ) ແລະ ວິທະຍາສາດຄອມພິວເຕີ ເປັນສາຂານ້ອຍ (ອັດຕາພື້ນຖານຕໍ່າ).
• ກຸ່ມຄວາມຄ້າຍຄືກັນ (Similarity Group): ໄດ້ຮັບການອະທິບາຍບຸກຄະລິກລັກສະນະຂອງ "Tom W." (ຖືກອະທິບາຍວ່າສະຫຼາດແຕ່ຂາດຄວາມຄິດສ້າງສັນ, ເປັນລະບຽບ, ມີການຂຽນແບບກົນຈັກ ແລະ ບໍ່ຄ່ອຍເຫັນອົກເຫັນໃຈຜູ້ອື່ນ), ພວກເຂົາຈັດອັນດັບສາຂາວິຊາຕາມຄວາມຄ້າຍຄືກັນຂອງ Tom ກັບນັກສຶກສາທົ່ວໄປ.
• ກຸ່ມການຄາດຄະເນ (Prediction Group): ໄດ້ຮັບຄຳອະທິບາຍດຽວກັນ ແລະ ຖືກຂໍໃຫ້ຈັດອັນດັບສາຂາວິຊາຕາມຄວາມໜ້າຈະເປັນທີ່ Tom W. ກຳລັງສຶກສາຢູ່ໃນສາຂານັ້ນ—ສິ່ງສຳຄັນແມ່ນພວກເຂົາຖືກບອກວ່າຄຳອະທິບາຍນີ້ອີງໃສ່ການທົດສອບທີ່ມີ "ຄວາມຖືກຕ້ອງຈຳກັດ."

ຜົນການສຶກສາ: ການຈັດອັນດັບຂອງກຸ່ມການຄາດຄະເນມີຄວາມສຳພັນເກືອບສົມບູນແບບ (r > 0.9) ກັບກຸ່ມຄວາມຄ້າຍຄືກັນ ແລະ ກົງກັນຂ້າມ ກັບກຸ່ມອັດຕາພື້ນຖານ. ເຖິງວ່າຈະຮູ້ວ່າວິທະຍາສາດຄອມພິວເຕີເປັນສາຂາທີ່ນ້ອຍຫຼາຍເມື່ອທຽບກັບມະນຸດສາດ, ຜູ້ເຂົ້າຮ່ວມກໍຄາດຄະເນວ່າ Tom ເປັນນັກວິທະຍາສາດຄອມພິວເຕີເພາະລາວ ມີລັກສະນະຄ້າຍຄື ນັກວິທະຍາສາດຄອມພິວເຕີ. ຂໍ້ມູນສະເພາະບຸກຄົນໄດ້ກົບຂໍ້ມູນອັດຕາພື້ນຖານໄປຈົນໝົດ, ເຖິງແມ່ນວ່າຜູ້ເຂົ້າຮ່ວມຈະຖືກເຕືອນວ່າຂໍ້ມູນນັ້ນບໍ່ໜ້າເຊື່ອຖື.

ບັນຫາລົດແທັກຊີ (The Taxicab Problem) (Kahneman & Tversky, 1972)

ການສາທິດດ້ວຍຕົວເລກທີ່ມີຊື່ສຽງທີ່ສຸດຂອງຄວາມຜິດພາດນີ້, ແຍກຄວາມຂັດແຍ່ງລະຫວ່າງອັດຕາພື້ນຖານ ແລະ ຄຳໃຫ້ການຂອງພະຍານ.

ສະຖານະການ: ລົດແທັກຊີຄັນໜຶ່ງຕຳແລ້ວໜີໃນຕອນກາງຄືນ. ມີສອງບໍລິສັດໃຫ້ບໍລິການໃນເມືອງນີ້:

• ອັດຕາພື້ນຖານ: ລົດແທັກຊີສີຂຽວ 85%, ລົດແທັກຊີສີຟ້າ 15%
• ພະຍານລະບຸວ່າລົດແທັກຊີເປັນສີຟ້າ
• ການທົດສອບຂອງສານສະແດງໃຫ້ເຫັນວ່າພະຍານລະບຸສີໄດ້ຖືກຕ້ອງ 80% ຂອງເວລາທັງໝົດ

ຄຳຖາມ: ຄວາມໜ້າຈະເປັນທີ່ລົດແທັກຊີຈະເປັນສີຟ້າແມ່ນເທົ່າໃດ?

ຄຳຕອບໂດຍສັນຊາດຕະຍານ: ຜູ້ເຂົ້າຮ່ວມສ່ວນໃຫຍ່ຕອບວ່າ 80%, ເຊິ່ງກົງກັບຄວາມຖືກຕ້ອງຂອງພະຍານໂດຍກົງ.

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

ຄວາມເຂົ້າໃຈ: ເຖິງແມ່ນວ່າພະຍານຈະອ້າງວ່າເປັນສີຟ້າ, ແຕ່ຕົວຈິງແລ້ວມີຄວາມເປັນໄປໄດ້ຫຼາຍກວ່າ (59%) ທີ່ລົດແທັກຊີຈະເປັນສີຂຽວ. ຈຳນວນລົດສີຂຽວທີ່ຫຼວງຫຼາຍເຮັດໃຫ້ເກີດການລາຍງານຜິດວ່າເປັນສີຟ້າຫຼາຍກວ່າຈຳນວນລົດສີຟ້າທີ່ໜ້ອຍເຊິ່ງເຮັດໃຫ້ເກີດການລາຍງານຖືກວ່າເປັນສີຟ້າ. ຜູ້ເຂົ້າຮ່ວມບໍ່ສາມາດຮັບຮູ້ໂດຍສັນຊາດຕະຍານວ່າ "ນໍ້າໜັກ" ຂອງອັດຕາພື້ນຖານຂອງສີຂຽວໄດ້ດຶງຄວາມໜ້າຈະເປັນລົງມາຈາກຄວາມຖືກຕ້ອງ 80% ຂອງພະຍານ.

ບັນຫາວິສະວະກອນ-ທະນາຍຄວາມ (The Engineer-Lawyer Problem) (Tversky & Kahneman, 1973)

ການອອກແບບ: ຜູ້ເຂົ້າຮ່ວມໄດ້ຮັບຄຳອະທິບາຍທີ່ດຶງມາຈາກກຸ່ມຕົວຢ່າງຜູ້ປະກອບການ 100 ຄົນ:

• ເງື່ອນໄຂ A: ວິສະວະກອນ 70 ຄົນ, ທະນາຍຄວາມ 30 ຄົນ
• ເງື່ອນໄຂ B: ວິສະວະກອນ 30 ຄົນ, ທະນາຍຄວາມ 70 ຄົນ

"Jack" ຖືກອະທິບາຍດ້ວຍລັກສະນະທີ່ເປັນແບບແຜນຂອງວິສະວະກອນ (ອະນຸລັກນິຍົມ, ລະມັດລະວັງ, ສົນໃຈໃນງານຊ່າງໄມ້).

ຜົນການສຶກສາ: ຜູ້ເຂົ້າຮ່ວມປະເມີນຄວາມໜ້າຈະເປັນທີ່ Jack ຈະເປັນວິສະວະກອນເກືອບຄືກັນໃນທັງສອງເງື່ອນໄຂ (~90%), ໂດຍບໍ່ສົນໃຈເລີຍວ່າອັດຕາພື້ນຖານໄດ້ຖືກປີ້ນກັບກັນ. ສິ່ງທີ່ສຳຄັນຄື, ເມື່ອໃຫ້ຄຳອະທິບາຍທີ່ ເປັນກາງ ເຊິ່ງບໍ່ກົງກັບແບບແຜນໃດໆ, ຜູ້ເຂົ້າຮ່ວມໄດ້ໃຊ້ອັດຕາພື້ນຖານຢ່າງຖືກຕ້ອງ (70% ຫຼື 30%), ພິສູດວ່າພວກເຂົາ ສາມາດ ໃຊ້ອັດຕາພື້ນຖານໄດ້ ແຕ່ປະຖິ້ມພວກມັນທັນທີເມື່ອໄດ້ຮັບຂໍ້ມູນສະເພາະບຸກຄົນ.

2.4. ພື້ນຖານທາງລະບົບປະສາດ

ການຄົ້ນຄວ້າກ່ຽວກັບພື້ນຖານທາງລະບົບປະສາດຂອງການລະເລີຍອັດຕາພື້ນຖານຊີ້ໃຫ້ເຫັນເຖິງຄວາມຂັດແຍ່ງລະຫວ່າງສອງລະບົບທາງສະຕິປັນຍາ:

ລະບົບ 1 (ການປະມວນຜົນໂດຍສັນຊາດຕະຍານ): prefrontal cortex ແລະ limbic system ຂັບເຄື່ອນການຈັບຄູ່ຮູບແບບທີ່ວ່ອງໄວ ແລະ ອັດຕະໂນມັດ. ເມື່ອໄດ້ຮັບຂໍ້ມູນສະເພາະເຈາະຈົງ, ບໍລິເວນເຫຼົ່ານີ້ຈະເຮັດວຽກຢ່າງແຂງແຮງ, ສ້າງການຕັດສິນໃຈໂດຍອີງໃສ່ "ຄວາມຄ້າຍຄືກັນ" ໂດຍສັນຊາດຕະຍານ. Amygdala ອາດຈະເພີ່ມຄວາມໂດດເດັ່ນຂອງຂໍ້ມູນທີ່ຊັດເຈນ ແລະ ສະເພາະເຈາະຈົງ.

ລະບົບ 2 (ການປະມວນຜົນແບບໄຕ່ຕອງ): dorsolateral prefrontal cortex ແລະ anterior cingulate cortex ສະໜັບສະໜູນການໃຫ້ເຫດຜົນທາງສະຖິຕິທີ່ຕ້ອງໃຊ້ຄວາມພະຍາຍາມ. ການສຶກສາໂດຍໃຊ້ fMRI ສະແດງໃຫ້ເຫັນວ່າການລວມເອົາອັດຕາພື້ນຖານຢ່າງຖືກຕ້ອງຮຽກຮ້ອງໃຫ້ມີການເຮັດວຽກຂອງບໍລິເວນເຫຼົ່ານີ້, ເຊິ່ງຮຽກຮ້ອງໃຫ້ມີຄວາມພະຍາຍາມທາງສະຕິປັນຍາ ແລະ ຖືກລົບກວນໄດ້ງ່າຍໂດຍຄວາມກົດດັນທາງເວລາ ຫຼື ພາລະທາງສະຕິປັນຍາ.

ການແຂ່ງຂັນທາງລະບົບປະສາດ: ການລະເລີຍອັດຕາພື້ນຖານເບິ່ງຄືວ່າເປັນຜົນມາຈາກລະບົບ 1 "ຊະນະ" ການແຂ່ງຂັນທາງລະບົບປະສາດຍ້ອນວ່າ:

• ການຈັບຄູ່ຮູບແບບແມ່ນໄວກວ່າ ແລະ ໃຊ້ຊັບພະຍາກອນໜ້ອຍກວ່າ
• ເລື່ອງລາວສະເພາະກະຕຸ້ນການປະມວນຜົນທາງອາລົມຫຼາຍກວ່າສະຖິຕິທີ່ເປັນນາມມະທຳ
• ໂໝດເລີ່ມຕົ້ນຂອງສະໝອງແມ່ນການສ້າງເລື່ອງລາວ, ບໍ່ແມ່ນການຄຳນວນຄວາມໜ້າຈະເປັນ
• ຂໍ້ຈຳກັດຂອງຄວາມຈຳໃຊ້ງານ (working memory) ຈຳກັດການປະມວນຜົນພ້ອມກັນຂອງອັດຕາພື້ນຖານ ແລະ ຂໍ້ມູນກໍລະນີ

ການຄົ້ນຄວ້າກ່ຽວກັບສານສື່ປະສາດຊີ້ໃຫ້ເຫັນວ່າເສັ້ນທາງຂອງໂດປາມີນ (dopamine) ທີ່ກ່ຽວຂ້ອງກັບການຄາດຄະເນລາງວັນອາດຈະປະກອບສ່ວນເຂົ້າໃນຄວາມດຶງດູດຂອງ "ຄວາມສຳເລັດ" ສະເພາະຫຼາຍກວ່າການຄິດທາງສະຖິຕິ, ໃນຂະນະທີ່ຮໍໂມນຄວາມຄຽດສາມາດສະກັດກັ້ນການປະມວນຜົນແບບໄຕ່ຕອງໄດ້ຫຼາຍຂຶ້ນ.

3. ຕົ້ນກຳເນີດທາງວິວັດທະນາການ

ຄວາມຜິດພາດທາງອັດຕາພື້ນຖານມີຢູ່ຍ້ອນວ່າສະຕິປັນຍາຂອງມະນຸດວິວັດທະນາການມາເປັນກົນຈັກໃນການຈົດຈຳຮູບແບບທີ່ຖືກປັບໃຫ້ເໝາະສົມສຳລັບການນຳທາງຜ່ານໄພຂົ່ມຂູ່ໃນສະພາບແວດລ້ອມທີ່ຢູ່ຕໍ່ໜ້າ, ບໍ່ແມ່ນສຳລັບການຄຳນວນຄວາມໜ້າຈະເປັນທີ່ເປັນນາມມະທຳ.

ຂໍ້ໄດ້ປຽບໃນການຢູ່ລອດຂອງການໃຫ້ເຫດຜົນໃນກໍລະນີສະເພາະ:

• ໃນສະພາບແວດລ້ອມຂອງບັນພະບຸລຸດ, ສຽງສັ່ນໄຫວໃນພຸ່ມຫຍ້າ ອາດຈະເປັນ ນັກລ່າ. ຜູ້ທີ່ບໍ່ສົນໃຈ "ອັດຕາພື້ນຖານ" ຂອງລົມ ແລະ ສົມມຸດວ່າເປັນໄພຂົ່ມຂູ່ຈະຢູ່ລອດໄດ້ຫຼາຍກວ່ານັກສະຖິຕິທີ່ລະມັດລະວັງ
• ການຢູ່ລອດທາງສັງຄົມຂຶ້ນຢູ່ກັບການອ່ານຄວາມຕັ້ງໃຈຂອງແຕ່ລະບຸກຄົນສະເພາະ, ບໍ່ແມ່ນຄ່າສະເລ່ຍຂອງປະຊາກອນ
• ຊັບພະຍາກອນ ແລະ ຄູ່ຄອງໄດ້ມາຈາກການປະເມີນໂອກາດສະເພາະ, ບໍ່ແມ່ນຄວາມຖີ່ທີ່ເປັນນາມມະທຳ
• ການຕັດສິນໃຈໄວໂດຍອີງໃສ່ການຈັບຄູ່ຮູບແບບຊ່ວຍປະຢັດພະລັງງານທາງສະຕິປັນຍາທີ່ລໍ້າຄ່າ

ແຮງຂັບເຄື່ອນທາງການເລົ່າເລື່ອງ: ບັນພະບຸລຸດຂອງເຮົາຜູ້ທີ່ສ້າງເລື່ອງລາວເຫດ ແລະ ຜົນທີ່ຕິດພັນກັນຈາກເຫດການຕ່າງໆສາມາດຮຽນຮູ້, ສອນ ແລະ ຄາດຄະເນໄດ້ດີກວ່າຜູ້ທີ່ປະມວນຜົນຄວາມເປັນຈິງເປັນສະຖິຕິທີ່ບໍ່ເຊື່ອມໂຍງກັນ. ຄວາມສາມາດໃນການສ້າງເລື່ອງລາວນີ້ກາຍເປັນຈຸດໃຈກາງຂອງສະຕິປັນຍາຂອງມະນຸດ ແຕ່ກໍສ້າງຈຸດບອດຢ່າງເປັນລະບົບເມື່ອຈຳເປັນຕ້ອງໃຊ້ຄວາມໜ້າຈະເປັນທີ່ເປັນຮູບປະທຳ.

ມັນເປັນຄຸນສົມບັດ, ບໍ່ແມ່ນຂໍ້ບົກພ່ອງ—ໃນບໍລິບົດຂອງມັນ: ໃນສະຖານະການສ່ວນໃຫຍ່ກ່ອນຍຸກໃໝ່, ການລະເລີຍອັດຕາພື້ນຖານເປັນການປັບຕົວທີ່ດີ. ເສືອສະເພາະໂຕທີ່ຢູ່ຕໍ່ໜ້າທ່ານມີຄວາມສຳຄັນກວ່າການກະຈາຍຕົວໂດຍສະເລ່ຍຂອງເສືອທັງໝົດ. ບັນຫາຈະເກີດຂຶ້ນເມື່ອໂຄງສ້າງທາງສະຕິປັນຍານີ້ຕ້ອງປະເຊີນໜ້າກັບການຕັດສິນໃຈໃນຍຸກໃໝ່ທີ່ກ່ຽວຂ້ອງກັບພະຍາດທີ່ຫາຍາກ, ຫຼັກຖານທາງນິຕິວິທະຍາ ຫຼື ອະນຸພັນທາງການເງິນ—ເຊິ່ງເປັນຂອບເຂດທີ່ການຄິດທາງສະຖິຕິເປັນສິ່ງຈຳເປັນ ແຕ່ບໍ່ເຄີຍມີມາກ່ອນໃນທາງວິວັດທະນາການ.

ການອະນຸລັກພະລັງງານ: ການຄຳນວນຄວາມໜ້າຈະເປັນແບບ Bayesian ໃຊ້ພະລັງງານທາງການເຜົາຜານຫຼາຍ. ສະໝອງ, ເຊິ່ງໃຊ້ພະລັງງານ 20% ຂອງຮ່າງກາຍ, ໄດ້ພັດທະນາທາງລັດທີ່ເຮັດວຽກ "ດີພຽງພໍ" ໃນສ່ວນໃຫຍ່ຂອງເວລາ. ໃນສະພາບແວດລ້ອມທີ່ຂາດແຄນ, ຕົ້ນທຶນທາງສະຕິປັນຍາຂອງການໃຫ້ເຫດຜົນທີ່ເປັນຮູບປະທຳມີນໍ້າໜັກຫຼາຍກວ່າຜົນປະໂຫຍດສ່ວນເພີ່ມຂອງມັນ.

4. ອະຄະຕິນີ້ສະແດງອອກແນວໃດ

4.1. ໃນຊີວິດປະຈຳວັນ

• ການເໝົາລວມຄົນແປກໜ້າ: ເມື່ອພົບຄົນໃສ່ແວ່ນຕາທີ່ເວົ້າສຽງເບົາ, ທ່ານອາດຈະສົມມຸດວ່າເປັນ "ອາຈານມະຫາວິທະຍາໄລ" ເຖິງແມ່ນວ່າອັດຕາພື້ນຖານຂອງອາຈານມະຫາວິທະຍາໄລຈະນ້ອຍຫຼາຍເມື່ອທຽບກັບອາຊີບອື່ນໆ
• ການປະເມີນຄວາມສ່ຽງ: ຫຼັງຈາກເຫັນຂ່າວເຄື່ອງບິນຕົກ, ປະເມີນອັນຕະລາຍຂອງການບິນສູງເກີນໄປໃນຂະນະທີ່ບໍ່ສົນໃຈຄວາມປອດໄພທາງສະຖິຕິຂອງການເດີນທາງທາງອາກາດ
• ການຕັດສິນຄວາມສຳພັນ: ສະຫຼຸບວ່າບາງຄົນບໍ່ຊື່ສັດໂດຍອີງໃສ່ພຶດຕິກຳທີ່ໜ້າສົງໄສພຽງຄັ້ງດຽວ, ໂດຍບໍ່ສົນໃຈປະຫວັດການພົວພັນທີ່ຊື່ສັດຢ່າງຍາວນານຂອງທ່ານ (ອັດຕາພື້ນຖານຂອງຄວາມໜ້າເຊື່ອຖືຂອງພວກເຂົາ)
• ຫວຍ ແລະ ການພະນັນ: ປະຕິບັດຕໍ່ປີ້ "ນຳໂຊກ" ຫຼື ຄາສິໂນວ່າເປັນສິ່ງພິເສດໂດຍອີງໃສ່ການຊະນະທີ່ຜ່ານມາໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານທາງຄະນິດສາດຂອງການສູນເສຍ
• ຄວາມຢ້ານກົວຂອງພໍ່ແມ່: ປະເມີນອັນຕະລາຍເຊັ່ນການລັກພາຕົວສູງເກີນໄປຢ່າງຫຼວງຫຼາຍໂດຍອີງໃສ່ເລື່ອງລາວໃນສື່ທີ່ຊັດເຈນໃນຂະນະທີ່ປະເມີນຄວາມສ່ຽງທົ່ວໄປເຊັ່ນອຸບັດຕິເຫດທາງລົດຕໍ່າເກີນໄປ

4.2. ໃນບ່ອນເຮັດວຽກ

• ການປະເມີນຜົນງານ: ໃຫ້ຄະແນນພະນັກງານວ່າ "ມີທ່າແຮງສູງ" ໂດຍອີງໃສ່ການນຳສະເໜີທີ່ໜ້າປະທັບໃຈພຽງຄັ້ງດຽວໃນຂະນະທີ່ບໍ່ສົນໃຈຂໍ້ມູນສະມັດຖະພາບພື້ນຖານຂອງພວກເຂົາ
• ການຕັດສິນໃຈຈ້າງງານ: ເລືອກຜູ້ສະໝັກທີ່ຜົນການສຳພາດກົງກັບແບບແຜນຂອງຄວາມສຳເລັດຫຼາຍກວ່າທີ່ຈະພິຈາລະນາອັດຕາພື້ນຖານຂອງຄວາມສຳເລັດໃນໝູ່ພະນັກງານທີ່ຖືກຈ້າງຄ້າຍຄືກັນ
• ການປະເມີນໂຄງການ: ເຊື່ອວ່າ "ໂຄງການນີ້ແຕກຕ່າງ" ໂດຍອີງໃສ່ລັກສະນະສະເພາະໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານຂອງງົບປະມານທີ່ບານປາຍ ແລະ ຄວາມຊັກຊ້າໃນໂຄງການທີ່ຄ້າຍຄືກັນ
• ການປະເມີນຄວາມເປັນຜູ້ນຳ: ການໃຫ້ເຫດຜົນຄວາມສຳເລັດຂອງທີມວ່າເປັນຍ້ອນຜູ້ນຳທີ່ມີສະເໜ່ໃນຂະນະທີ່ບໍ່ສົນໃຈສະພາບຕະຫຼາດ (ອັດຕາພື້ນຖານຂອງຄວາມສຳເລັດໃນສະພາບແວດລ້ອມທີ່ເອື້ອອຳນວຍ)
• ການວິເຄາະຄູ່ແຂ່ງ: ໃຫ້ນໍ້າໜັກກັບການເຄື່ອນໄຫວສະເພາະຂອງຄູ່ແຂ່ງຫຼາຍເກີນໄປໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາຄວາມສຳເລັດທົ່ວອຸດສາຫະກຳສຳລັບຍຸດທະສາດທີ່ຄ້າຍຄືກັນ

4.3. ໃນທຸລະກິດ ແລະ ການຕະຫຼາດ

• ຄຳຮັບຮອງ ແລະ ກໍລະນີສຶກສາ: ບໍລິສັດນຳໃຊ້ເລື່ອງລາວຄວາມສຳເລັດສະເພາະເນື່ອງຈາກຜູ້ບໍລິໂພກມັກຈະຫຼຸດຄ່າຂອງອັດຕາພື້ນຖານຂອງຜົນໄດ້ຮັບປົກກະຕິ
• "ຕາມທີ່ເຫັນໃນໂທລະພາບ": ການສາທິດທີ່ຊັດເຈນລົບລ້າງຂໍ້ມູນທາງສະຖິຕິກ່ຽວກັບປະສິດທິຜົນຂອງຜະລິດຕະພັນ
• ການຂາຍປະກັນໄພ: ສະຖານະການໄພພິບັດທີ່ຕື່ນເຕັ້ນເຮັດໃຫ້ເຫດການທີ່ຫາຍາກຮູ້ສຶກຄືກັບວ່າມີຄວາມໜ້າຈະເປັນສູງ
• ການໂຄສະນາແບບກຳນົດເປົ້າໝາຍ: ການສະແດງຜະລິດຕະພັນໃນບໍລິບົດສະເພາະທີ່ຕ້ອງການແທນທີ່ຈະນຳສະເໜີຜົນປະໂຫຍດທາງສະຖິຕິ
• ເລື່ອງລາວການເປີດຕົວ: ຄວາມເຊື່ອທີ່ວ່າ "ທຸລະກິດເລີ່ມຕົ້ນນີ້ແຕກຕ່າງ" ຍັງຄົງມີຢູ່ເຖິງແມ່ນວ່າຈະມີອັດຕາພື້ນຖານຂອງຄວາມລົ້ມເຫຼວເຖິງ ~90%
• ການແບ່ງກຸ່ມລູກຄ້າ: ການໃຫ້ຄວາມສຳຄັນຫຼາຍເກີນໄປກັບການພົວພັນກັບລູກຄ້າທີ່ໜ້າຈົດຈຳແທນທີ່ຈະເປັນການວິເຄາະຂໍ້ມູນຢ່າງເປັນລະບົບ

4.4. ໃນການເມືອງ ແລະ ສື່

• ການລາຍງານອາດຊະຍາກຳ: ການລາຍງານທີ່ຊັດເຈນກ່ຽວກັບອາດຊະຍາກຳຮຸນແຮງທີ່ຫາຍາກຂັບເຄື່ອນນະໂຍບາຍເຖິງແມ່ນວ່າອັດຕາພື້ນຖານຂອງຄວາມຮຸນແຮງຈະຫຼຸດລົງກໍຕາມ
• ການຄາດຄະເນການເລືອກຕັ້ງ: ຜູ້ຊ່ຽວຊານເນັ້ນໄປທີ່ຊ່ວງເວລາສະເພາະຂອງການໂຄສະນາຫາສຽງ ("ຂໍ້ຜິດພາດ") ໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານທາງປະຫວັດສາດຂອງຂໍ້ໄດ້ປຽບຂອງຜູ້ດຳລົງຕຳແໜ່ງ
• ການໂຕ້ວາທີເລື່ອງຄົນເຂົ້າເມືອງ: ເລື່ອງລາວສະເພາະຂອງອາດຊະຍາກຳຂອງຄົນເຂົ້າເມືອງລົບລ້າງຫຼັກຖານທາງສະຖິຕິທີ່ວ່າຄົນເຂົ້າເມືອງກໍ່ອາດຊະຍາກຳໃນອັດຕາທີ່ຕໍ່າກວ່າຄົນພື້ນເມືອງ
• ເລື່ອງລາວນັກການເມືອງ: ຂໍ້ໂຕ້ແຍ້ງທີ່ວ່າ "ຄັ້ງນີ້ແຕກຕ່າງ" ສຳລັບນະໂຍບາຍໃໝ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານຂອງຄວາມລົ້ມເຫຼວຂອງນະໂຍບາຍ
• ຄວາມສ່ຽງຂອງການກໍ່ການຮ້າຍ: ການລົງທຶນດ້ານຄວາມປອດໄພຢ່າງຫຼວງຫຼາຍໂດຍອີງໃສ່ການໂຈມຕີທີ່ຊັດເຈນໃນຂະນະທີ່ອັດຕາພື້ນຖານຊີ້ໃຫ້ເຫັນວ່າໄພຂົ່ມຂື່ອື່ນໆ (ອຸບັດຕິເຫດທາງລົດ, ພະຍາດຫົວໃຈ) ສົມຄວນໄດ້ຮັບຊັບພະຍາກອນຫຼາຍກວ່າ

4.5. ໃນການເບິ່ງແຍງສຸຂະພາບ

ຄວາມຜິດພາດທາງຜົນບວກປອມ (The False Positive Paradox): ເມື່ອພະຍາດໃດໜຶ່ງຫາຍາກ (ອັດຕາພື້ນຖານຕໍ່າ), ເຖິງແມ່ນວ່າການທົດສອບທີ່ມີຄວາມຖືກຕ້ອງສູງຫຼາຍກໍຍັງສ້າງຜົນບວກປອມເປັນສ່ວນໃຫຍ່.

ຕົວຢ່າງການກວດຫາເຊື້ອ HIV:

• ປະຊາກອນ: 100,000 ຄົນ ທີ່ມີອັດຕາການຕິດເຊື້ອ HIV 0.01%

• ການທົດສອບ: ຄວາມອ່ອນໄຫວ 99.9%, ຄວາມຈຳເພາະ 99.9%

• ຜົນບວກຈິງ: ~10 ຄົນ (ຜູ້ຕິດເຊື້ອທີ່ລະບຸໄດ້ຖືກຕ້ອງ)

• ຜົນບວກປອມ: ~100 ຄົນ (ຄົນທີ່ມີສຸຂະພາບດີທີ່ຖືກລະບຸຜິດ)

• ຜົນໄດ້ຮັບ: ການທົດສອບທີ່ເປັນບວກໝາຍຄວາມວ່າມີໂອກາດພຽງແຕ່ ~9% ເທົ່ານັ້ນທີ່ຈະຕິດເຊື້ອແທ້ໆ

• ຂໍ້ຜິດພາດໃນການວິນິດໄສ: ແພດຍຶດຕິດກັບອາການສະແດງທີ່ກົງກັບການວິນິດໄສທີ່ໜ້າຕື່ນເຕັ້ນໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານຂອງສະພາບປົກກະຕິ

• ປະສິດທິຜົນຂອງຢາ: ຄົນເຈັບເນັ້ນໄປທີ່ເລື່ອງລາວການຟື້ນຕົວສະເພາະຫຼາຍກວ່າອັດຕາຄວາມສຳເລັດຂອງການປິ່ນປົວທາງສະຖິຕິ

• ການຕັດສິນໃຈໃນການກວດຄັດກອງ: ຄົນເຈັບຕີຄວາມໝາຍຜົນການທົດສອບທີ່ເປັນບວກຜິດໂດຍບໍ່ເຂົ້າໃຈອັດຕາພື້ນຖານຂອງຜົນບວກປອມ

• ການປະຕິບັດຕາມການປິ່ນປົວ: ເລື່ອງລາວຜົນຂ້າງຄຽງທີ່ຊັດເຈນລົບລ້າງຂໍ້ມູນຄວາມປອດໄພທາງສະຖິຕິ

• ຄວາມເຂົ້າໃຈຜິດກ່ຽວກັບວັກຊີນ COVID-19: ປະໂຫຍກ "70% ຂອງຄົນເຈັບທີ່ນອນໂຮງໝໍໄດ້ຮັບວັກຊີນແລ້ວ" ຖືກຕີຄວາມໝາຍຜິດວ່າເປັນຄວາມລົ້ມເຫຼວຂອງວັກຊີນ, ໂດຍບໍ່ສົນໃຈວ່າ 95%+ ຂອງປະຊາກອນທີ່ມີຄວາມສ່ຽງໄດ້ຮັບວັກຊີນແລ້ວ (ບັນຫາຕົວຫານ)

4.6. ໃນດ້ານການເງິນ ແລະ ການລົງທຶນ

• "ຄັ້ງນີ້ແຕກຕ່າງ": ນັກລົງທຶນໃຫ້ເຫດຜົນການປະເມີນມູນຄ່າທີ່ຮຸນແຮງໂດຍການເນັ້ນໄປທີ່ເລື່ອງລາວສະເພາະ (ເສດຖະກິດໃໝ່, ການປະຕິວັດ AI) ໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານທາງປະຫວັດສາດຂອງການປັບຕົວຂອງຕະຫຼາດ
• ຟອງສະບູ Dot-Com: ອັດຕາສ່ວນ P/E ທີ່ 100x+ ຖືກໃຫ້ເຫດຜົນໂດຍສັກກະຍະພາບຂອງອິນເຕີເນັດ, ໂດຍບໍ່ສົນໃຈອັດຕາພື້ນຖານທາງປະຫວັດສາດຂອງການປະເມີນມູນຄ່າສະເລ່ຍ ~15x
• ການເລືອກຮຸ້ນລາຍຕົວ: ປະຕິບັດຕໍ່ຂໍ້ມູນສະເພາະຂອງບໍລິສັດວ່າເປັນສິ່ງຊີ້ຂາດໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານຂອງການປະຕິບັດງານຂອງຮຸ້ນທີ່ຕໍ່າກວ່າດັດຊະນີ
• ການເບິ່ງໂລກໃນແງ່ດີຂອງທຶນຮ່ວມລົງທຶນ (Venture capital): ການຕັດສິນໃຈໃຫ້ທຶນໂດຍອີງໃສ່ສະເໜ່ຂອງຜູ້ກໍ່ຕັ້ງແທນທີ່ຈະເປັນອັດຕາພື້ນຖານຄວາມລົ້ມເຫຼວຂອງທຸລະກິດເລີ່ມຕົ້ນ
• ການລົ້ມລະລາຍຂອງ LTCM: ແບບຈຳລອງຂອງຜູ້ຊະນະລາງວັນໂນເບນໄດ້ປະຕິບັດຕໍ່ຄວາມຜັນຜວນທີ່ຕໍ່າໃນຊ່ວງມໍ່ໆມານີ້ວ່າເປັນອັດຕາພື້ນຖານ, ໂດຍບໍ່ສົນໃຈຄວາມຖີ່ທາງປະຫວັດສາດຂອງຄວາມຕື່ນຕົກໃຈຂອງຕະຫຼາດ ("fat tails")
• ການເກງກຳໄລອະສັງຫາລິມະຊັບ: ຄວາມເຊື່ອທີ່ວ່າ "ຕະຫຼາດນີ້ແຕກຕ່າງ" ບໍ່ສົນໃຈອັດຕາພື້ນຖານທາງປະຫວັດສາດຂອງວົງຈອນທີ່ຢູ່ອາໄສ

5. ກໍລະນີສຶກສາໃນໂລກຕົວຈິງ

ກໍລະນີສຶກສາທີ 1: Sally Clark—ແມ່ທີ່ຖືກຈຳຄຸກຜິດ

• ບໍລິບົດ: ໃນປີ 1999, Sally Clark ທະນາຍຄວາມຊາວອັງກິດໄດ້ສູນເສຍລູກຊາຍອ່ອນສອງຄົນ—ຄົນທຳອິດເມື່ອອາຍຸ 11 ອາທິດ, ຄົນທີສອງເມື່ອອາຍຸ 8 ອາທິດ. ນາງຖືກກ່າວຫາວ່າຄາດຕະກຳເດັກນ້ອຍສອງຄັ້ງ.

• ສິ່ງທີ່ເກີດຂຶ້ນ: ພະຍານຊ່ຽວຊານ Sir Roy Meadow ໃຫ້ການວ່າຄວາມໜ້າຈະເປັນທີ່ເດັກນ້ອຍຈະເສຍຊີວິດຈາກ SIDS ສອງຄົນໃນຄອບຄົວທີ່ມີຖານະດີແມ່ນປະມານ 1 ໃນ 73 ລ້ານ (ຄຳນວນເປັນ (1/8543)²). ລາວປຽບທຽບສິ່ງນີ້ກັບໂອກາດການເດີມພັນໃນ "ມ້າມືດ."

• ອະຄະຕິທີ່ເຮັດວຽກ: ມີຂໍ້ຜິດພາດທີ່ສຳຄັນສອງຢ່າງປະກອບກັນ:

  1. ການລະເມີດຄວາມເປັນເອກະລາດ: Meadow ສົມມຸດວ່າການເສຍຊີວິດຈາກ SIDS ເປັນເຫດການທີ່ເປັນເອກະລາດຕໍ່ກັນ. ປັດໄຈທາງກຳມະພັນ ແລະ ສິ່ງແວດລ້ອມຕົວຈິງແລ້ວເຮັດໃຫ້ການເສຍຊີວິດຄັ້ງທີສອງມີແນວໂນ້ມທີ່ຈະເກີດຂຶ້ນຫຼາຍກວ່າຖ້າມີຄັ້ງທຳອິດເກີດຂຶ້ນ—ເຫດການເຫຼົ່ານີ້ມີຄວາມເພິ່ງພາອາໄສກັນຕາມເງື່ອນໄຂ.
  2. ການລະເລີຍອັດຕາພື້ນຖານ: ເຖິງແມ່ນວ່າຈະຍອມຮັບຕົວເລກ 1 ໃນ 73 ລ້ານ, ຄະນະຂຸນສານຈຳເປັນຕ້ອງປຽບທຽບມັນກັບອັດຕາພື້ນຖານຂອງການຄາດຕະກຳເດັກນ້ອຍສອງຄັ້ງ. ການຄາດຕະກຳສອງຄັ້ງໂດຍຜູ້ເປັນແມ່ກໍເປັນສິ່ງທີ່ຫາຍາກທີ່ສຸດເຊັ່ນກັນ (ອາດຈະເປັນ 1 ໃນ 100 ລ້ານ). ເມື່ອປຽບທຽບເຫດການທີ່ຫາຍາກທີ່ສຸດສອງເຫດການ, ອັດຕາສ່ວນແມ່ນສຳຄັນ. ຖ້າ SIDS ສອງຄັ້ງແມ່ນ 1 ໃນ 73 ລ້ານ ແລະ ການຄາດຕະກຳສອງຄັ້ງແມ່ນ 1 ໃນ 100 ລ້ານ, ຕົວຈິງແລ້ວ SIDS ມີຄວາມໜ້າຈະເປັນຫຼາຍກວ່າ. ໂດຍການນຳສະເໜີ "1 ໃນ 73 ລ້ານ" ຢ່າງໂດດດ່ຽວ, ໄອຍະການໄດ້ບົ່ງບອກວ່າການຄາດຕະກຳເປັນຄ່າເລີ່ມຕົ້ນ.

• ຜົນຕາມມາ: Sally Clark ຖືກຕັດສິນວ່າມີຄວາມຜິດ ແລະ ຖືກຕັດສິນຈຳຄຸກຕະຫຼອດຊີວິດ. ສະມາຄົມສະຖິຕິແຫ່ງຊາດໄດ້ດຳເນີນຂັ້ນຕອນພິເສດໃນການອອກຄຳຕຳນິຕໍ່ສາທາລະນະກ່ຽວກັບການໃຫ້ເຫດຜົນທາງສະຖິຕິທີ່ຖືກນຳໃຊ້. Clark ຖືກປ່ອຍຕົວໃນປີ 2003 ຫຼັງຈາກການອຸທອນຄັ້ງທີສອງຂອງນາງ. ຍ້ອນບໍ່ສາມາດຟື້ນຕົວຈາກຄວາມເຈັບປວດທາງຈິດໃຈຂອງການຖືກຈຳຄຸກຜິດ ແລະ ການສູນເສຍລູກຂອງນາງ, ນາງໄດ້ເສຍຊີວິດຈາກການເປັນພິດຂອງເຫຼົ້າແບບສຽບພັນໃນປີ 2007.

• ບົດຮຽນທີ່ໄດ້ຮັບ: ຫຼັກຖານທາງສະຖິຕິຮຽກຮ້ອງໃຫ້ມີກອບແນວຄິດແບບ Bayesian ທີ່ເໝາະສົມ. ສານຕ້ອງປຽບທຽບຄວາມໜ້າຈະເປັນຂອງຫຼັກຖານພາຍໃຕ້ສົມມຸດຕິຖານທີ່ແຂ່ງຂັນກັນ, ບໍ່ແມ່ນປະເມີນສົມມຸດຕິຖານໜຶ່ງຢ່າງໂດດດ່ຽວ. ພະຍານຊ່ຽວຊານຈຳເປັນຕ້ອງໄດ້ຮັບການຝຶກອົບຮົມຄວາມຮູ້ທາງສະຖິຕິ.

ກໍລະນີສຶກສາທີ 2: Lucia de Berk—ພະຍາບານຊາວດັດ

• ບໍລິບົດ: ພະຍາບານຊາວດັດ Lucia de Berk ຖືກຕັດສິນວ່າມີຄວາມຜິດໃນປີ 2003 ໃນຂໍ້ຫາຄາດຕະກຳ 7 ຄັ້ງ ແລະ ພະຍາຍາມຄາດຕະກຳ 3 ຄັ້ງໂດຍອີງໃສ່ການວິເຄາະທາງສະຖິຕິຂອງການເສຍຊີວິດຂອງຄົນເຈັບໃນລະຫວ່າງການເຂົ້າເວນຂອງນາງ.

• ສິ່ງທີ່ເກີດຂຶ້ນ: ນັກສະຖິຕິຂອງໂຮງໝໍໃຫ້ການວ່າຄວາມໜ້າຈະເປັນທີ່ການເສຍຊີວິດຈຳນວນຫຼາຍຈະເກີດຂຶ້ນໃນລະຫວ່າງການເຂົ້າເວນຂອງນາງໂດຍບັງເອີນແມ່ນ 1 ໃນ 342 ລ້ານ.

• ອະຄະຕິທີ່ເຮັດວຽກ:

  1. ການເລືອກຫຼັງເຫດການ (Post-hoc selection): ການເສຍຊີວິດຖືກຈັດປະເພດວ່າ "ໜ້າສົງໄສ" ກໍຕໍ່ເມື່ອຮູ້ວ່າ Lucia ຢູ່ໃນເວນ ຫຼັງຈາກນັ້ນ—ເປັນອະຄະຕິການຢືນຢັນແບບຄລາສສິກປະສົມປະສານກັບການລະເລີຍອັດຕາພື້ນຖານ
  2. ອັດຕາພື້ນຖານຂອງກຸ່ມຖືກລະເລີຍ: ໃນລະບົບໂຮງໝໍຂະໜາດໃຫຍ່ໃດໆ, ກົດຂອງຈຳນວນຫຼາຍຮັບປະກັນວ່າພະຍາບານບາງຄົນຈະມີຮູບແບບການເຂົ້າເວນທີ່ເບິ່ງຄືວ່າມີຄວາມໜ້າຈະເປັນໜ້ອຍຫຼາຍທີ່ຈະເກີດຂຶ້ນໂດຍບັງເອີນຢ່າງດຽວ (The Texas Sharpshooter Fallacy)
  3. ສົມມຸດຕິຖານທາງເລືອກທີ່ຖືກລະເລີຍ: ອັດຕາພື້ນຖານຂອງຄົນເຈັບທີ່ເສຍຊີວິດໃນລະຫວ່າງເວນກາງຄືນ (ເມື່ອຄົນເຈັບທີ່ປ່ວຍໜັກໄດ້ຮັບການຕິດຕາມຢ່າງໃກ້ຊິດຫຼາຍຂຶ້ນ) ບໍ່ໄດ້ຖືກພິຈາລະນາຢ່າງເໝາະສົມ

• ຜົນຕາມມາ: Lucia ຮັບໃຊ້ໂທດຈຳຄຸກຫຼາຍກວ່າຫົກປີ. ນາງໄດ້ປະສົບກັບເສັ້ນເລືອດໃນສະໝອງຕີບໃນລະຫວ່າງການຖືກຄຸມຂັງ. ການວິເຄາະທາງຄະນິດສາດໂດຍນັກສະຖິຕິອິດສະຫຼະໃນເວລາຕໍ່ມາສະແດງໃຫ້ເຫັນວ່າຄວາມໜ້າຈະເປັນຂອງຄວາມບໍລິສຸດນັ້ນຕົວຈິງແລ້ວສູງ. ນາງໄດ້ຮັບການປ່ອຍຕົວໃນປີ 2010 ໃນສິ່ງທີ່ເຈົ້າໜ້າທີ່ຊາວດັດຍອມຮັບວ່າເປັນໜຶ່ງໃນການຕັດສິນຄະດີທີ່ຜິດພາດທີ່ຮ້າຍແຮງທີ່ສຸດໃນປະຫວັດສາດຂອງປະເທດ.

• ບົດຮຽນທີ່ໄດ້ຮັບ: ຄວາມບັງເອີນທາງສະຖິຕິໃນຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່ບໍ່ແມ່ນຫຼັກຖານຂອງຄວາມເປັນເຫດເປັນຜົນ. ການວິເຄາະຫຼັງເຫດການຮຽກຮ້ອງໃຫ້ມີຄວາມລະມັດລະວັງຢ່າງຍິ່ງ. ສານຈຳເປັນຕ້ອງມີການທົບທວນທາງສະຖິຕິອິດສະຫຼະກ່ຽວກັບຫຼັກຖານຄວາມໜ້າຈະເປັນ.

ກໍລະນີສຶກສາທີ 3: Robert Williams—ຄວາມລົ້ມເຫຼວຂອງການຈົດຈຳໃບໜ້າ

• ບໍລິບົດ: ໃນເດືອນມັງກອນ 2020, Robert Williams, ຊາຍຜິວດຳຈາກ Detroit, ຖືກຈັບກຸມຢູ່ເຮືອນຂອງລາວຕໍ່ໜ້າຄອບຄົວຂອງລາວຫຼັງຈາກອັນກໍຣິທຶມການຈົດຈຳໃບໜ້າຈັບຄູ່ຮູບໃບຂັບຂີ່ຂອງລາວກັບຮູບພາບຈາກກ້ອງວົງຈອນປິດຈາກເຫດການລັກເຄື່ອງໃນຮ້ານ.

• ສິ່ງທີ່ເກີດຂຶ້ນ: ນັກສືບໄດ້ສະແດງຮູບພາບຈາກກ້ອງວົງຈອນປິດໃຫ້ Williams ເບິ່ງ ແລະ ກ່າວວ່າ "ຄອມພິວເຕີບອກວ່າເປັນເຈົ້າ." ລາວຖືກກັກຂັງໄວ້ເປັນເວລາ 30 ຊົ່ວໂມງກ່ອນທີ່ຈະຖືກປ່ອຍຕົວ.

• ອະຄະຕິທີ່ເຮັດວຽກ:

  1. ຄວາມຜິດພາດທາງຜົນບວກປອມ: ເຖິງແມ່ນວ່າລະບົບການຈົດຈຳໃບໜ້າຈະມີຄວາມຖືກຕ້ອງ 99%, ເມື່ອຄົ້ນຫາໃນຖານຂໍ້ມູນຂອງໃບໜ້າຫຼາຍລ້ານໃບ, ມັນຈະສ້າງການຈັບຄູ່ທີ່ຜິດພາດຫຼາຍພັນຄັ້ງ
  2. ອະຄະຕິທາງອັດຕະໂນມັດ (Automation bias): ນັກສືບປະຕິບັດຕໍ່ "ການຈັບຄູ່" ຂອງອັນກໍຣິທຶມວ່າເປັນຫຼັກຖານທີ່ຊີ້ຂາດແທນທີ່ຈະເປັນຄຳແນະນຳທີ່ເປັນໄປໄດ້ເຊິ່ງຮຽກຮ້ອງໃຫ້ມີການຢັ້ງຢືນ
  3. ອັດຕາພື້ນຖານຂອງການຈັບຄູ່ແບບສຸ່ມ: ຄືກັນກັບບັນຫາລົດແທັກຊີ, "ພະຍານ" (ອັນກໍຣິທຶມ) ມີອັດຕາຄວາມຜິດພາດ, ແລະ "ປະຊາກອນຜູ້ບໍລິສຸດ" ແມ່ນມີຈຳນວນຫຼວງຫຼາຍ—ເຊິ່ງເຮັດໃຫ້ເກີດຜົນບວກປອມຫຼາຍຢ່າງ

• ຜົນຕາມມາ: Williams ຖືກຈັບກຸມ, ຖືກກັກຂັງຜິດ, ແລະ ມີ DNA, ລາຍນິ້ວມື, ແລະ ຮູບຖ່າຍຜູ້ຕ້ອງຫາຂອງລາວຖືກປ້ອນເຂົ້າໃນຖານຂໍ້ມູນອາດຊະຍາກຳ. ລາວໄດ້ຍື່ນຟ້ອງກົມຕຳຫຼວດ Detroit. ຄະດີນີ້ກາຍເປັນຕົວຢ່າງທີ່ສຳຄັນຂອງອະຄະຕິຂອງອັນກໍຣິທຶມໃນການບັງຄັບໃຊ້ກົດໝາຍ.

• ບົດຮຽນທີ່ໄດ້ຮັບ: ຫຼັກຖານທາງອັນກໍຣິທຶມຕ້ອງໄດ້ຮັບການປະເມີນຕາມຄວາມໜ້າຈະເປັນ, ບໍ່ແມ່ນປະຕິບັດຕໍ່ມັນວ່າເປັນສິ່ງທີ່ຜິດພາດບໍ່ໄດ້. ອັດຕາພື້ນຖານຂອງການຈັບຄູ່ທີ່ຜິດພາດຕ້ອງຖືກສື່ສານໃຫ້ຜູ້ຕັດສິນໃຈຮັບຮູ້. ຄວນຮຽກຮ້ອງໃຫ້ມີຫຼັກຖານຢັ້ງຢືນກ່ອນການຈັບກຸມໂດຍອີງໃສ່ການຈັບຄູ່ຂອງອັນກໍຣິທຶມ.

ຕົວຢ່າງທາງປະຫວັດສາດ: ການລົ້ມລະລາຍຂອງ Long-Term Capital Management

ໃນປີ 1998, Long-Term Capital Management (LTCM), ກອງທຶນປ້ອງກັນຄວາມສ່ຽງທີ່ດຳເນີນການໂດຍຜູ້ຊະນະລາງວັນໂນເບນ Myron Scholes ແລະ Robert Merton, ໄດ້ລົ້ມລະລາຍຢ່າງໜ້າປະທັບໃຈ, ເຊິ່ງເກືອບຈະເຮັດໃຫ້ລະບົບການເງິນທົ່ວໂລກຂາດສະຖຽນລະພາບ.

ແບບຈຳລອງ Value-at-Risk (VaR) ທີ່ຊັບຊ້ອນຂອງ LTCM ອີງໃສ່ຂໍ້ມູນປະຫວັດສາດທີ່ຜ່ານມາເຊິ່ງສະແດງໃຫ້ເຫັນເຖິງຄວາມຜັນຜວນຂອງຕະຫຼາດຕໍ່າ. ພວກເຂົາຄຳນວນວ່າການສູນເສຍຄັ້ງໃຫຍ່ແມ່ນ "ເຫດການ 10-sigma"—ເຊິ່ງເປັນໄປບໍ່ໄດ້ໃນທາງສະຖິຕິ. ແບບຈຳລອງເຫຼົ່ານີ້ລະເລີຍອັດຕາພື້ນຖານທາງປະຫວັດສາດຂອງຄວາມຕື່ນຕົກໃຈທາງການເງິນ—ເຊິ່ງກໍຄື "fat tails" ຂອງການແຈກຢາຍຂອງຕະຫຼາດ. ພວກເຂົາຍັງບໍ່ສົນໃຈອັດຕາພື້ນຖານຂອງຄວາມສຳພັນທາງລະບົບ: ໃນພາວະວິກິດ, ຄວາມສຳພັນທັງໝົດຈະກາຍເປັນ 1 ເມື່ອຄວາມຕື່ນຕົກໃຈແຜ່ລາມ.

ເມື່ອຣັດເຊຍຜິດນັດຊຳລະໜີ້ໃນເດືອນສິງຫາ 1998, ສິ່ງທີ່ "ເປັນໄປບໍ່ໄດ້" ກໍໄດ້ເກີດຂຶ້ນ. LTCM ສູນເສຍເງິນ 4.6 ຕື້ໂດລາພາຍໃນເວລາບໍ່ຮອດສີ່ເດືອນ, ຮຽກຮ້ອງໃຫ້ມີການຊ່ວຍເຫຼືອລ້າທີ່ປະສານງານໂດຍທະນາຄານກາງສະຫະລັດເພື່ອປ້ອງກັນບໍ່ໃຫ້ການແຜ່ລະບາດທາງການເງິນລຸກລາມໄປກວ່ານັ້ນ.

ບົດຮຽນ: ແບບຈຳລອງທີ່ຊັບຊ້ອນທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານທາງປະຫວັດສາດຂອງເຫດການທີ່ຫາຍາກສ້າງຈຸດບອດທີ່ຮ້າຍແຮງ. ສະພາບການສະເພາະຂອງອະດີດທີ່ຜ່ານມາບໍ່ແມ່ນຄູ່ມືທີ່ໜ້າເຊື່ອຖືສຳລັບຄວາມສ່ຽງໃນສ່ວນຫາງ.

6. ຕົ້ນທຶນຂອງອະຄະຕິນີ້

6.1. ຕົ້ນທຶນສ່ວນບຸກຄົນ

• ຄວາມຢ້ານກົວ ແລະ ຄວາມກັງວົນ: ການປະເມີນໄພຂົ່ມຂູ່ທີ່ຫາຍາກສູງເກີນໄປ (ເຄື່ອງບິນຕົກ, ອາດຊະຍາກຳຮຸນແຮງ, ພະຍາດ) ສ້າງຄວາມຄຽດຊຳເຮື້ອໃນຂະນະທີ່ບໍ່ສົນໃຈຄວາມສ່ຽງທີ່ມີຄວາມໜ້າຈະເປັນຫຼາຍກວ່າ
• ຄວາມເສຍຫາຍຕໍ່ຄວາມສຳພັນ: ການຕັດສິນຄົນຈາກເຫດການທີ່ຊັດເຈນພຽງຄັ້ງດຽວແທນທີ່ຈະເປັນອັດຕາພື້ນຖານຂອງພຶດຕິກຳທີ່ສະໝໍ່າສະເໝີຂອງພວກເຂົານຳໄປສູ່ການຕັດສິນທີ່ບໍ່ຍຸດຕິທຳ ແລະ ການທຳລາຍຄວາມໄວ້ວາງໃຈ
• ໂອກາດທີ່ພາດໄປ: ຫຼີກລ່ຽງກິດຈະກຳທີ່ມີປະໂຫຍດ (ການບິນ, ການຜ່າຕັດ, ການປ່ຽນອາຊີບ) ເນື່ອງຈາກເລື່ອງລາວຄວາມລົ້ມເຫຼວທີ່ຊັດເຈນໃນຂະນະທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານຂອງຄວາມສຳເລັດ
• ການສູນເສຍທາງການເງິນ: ຕັດສິນໃຈລົງທຶນໂດຍອີງໃສ່ເລື່ອງລາວທີ່ໜ້າສົນໃຈແທນທີ່ຈະເປັນຫຼັກຖານທາງສະຖິຕິ
• ຄວາມກັງວົນທາງການແພດ: ຕີຄວາມໝາຍຜົນການກວດຄັດກອງຜິດໂດຍບໍ່ເຂົ້າໃຈອັດຕາພື້ນຖານຂອງຜົນບວກປອມ

6.2. ຕົ້ນທຶນທາງວິຊາຊີບ

• ການຕັດສິນໃຈດ້ານອາຊີບທີ່ຜິດພາດ: ອີງການຕັດສິນໃຈກ່ຽວກັບວຽກໃສ່ຜົນໄດ້ຮັບທີ່ໜ້າຕື່ນເຕັ້ນສະເພາະແທນທີ່ຈະເປັນເສັ້ນທາງອາຊີບທາງສະຖິຕິ
• ຄວາມລົ້ມເຫຼວຂອງໂຄງການ: ຄວາມຄິດທີ່ວ່າ "ໂຄງການນີ້ແຕກຕ່າງ" ນຳໄປສູ່ການປະເມີນຕົ້ນທຶນ ແລະ ໄລຍະເວລາຕໍ່າເກີນໄປຊໍ້າແລ້ວຊໍ້າອີກ
• ຂໍ້ຜິດພາດໃນການຈ້າງງານ: ເລືອກຜູ້ສະໝັກໂດຍອີງໃສ່ແບບແຜນການສຳພາດແທນທີ່ຈະເປັນອັດຕາພື້ນຖານການຄາດຄະເນຄວາມສຳເລັດ
• ຄວາມຜິດພາດທາງຍຸດທະສາດ: ການຕັດສິນໃຈທາງທຸລະກິດທີ່ຂັບເຄື່ອນໂດຍເລື່ອງລາວຂອງຄູ່ແຂ່ງແທນທີ່ຈະເປັນສະຖິຕິອຸດສາຫະກຳ
• ຄວາມລົ້ມເຫຼວໃນການຄາດຄະເນ: ການຄາດຄະເນທີ່ອີງໃສ່ເລື່ອງລາວໃນປະຈຸບັນເຊິ່ງບໍ່ສົນໃຈອັດຕາພື້ນຖານທາງປະຫວັດສາດຂອງສະຖານະການທີ່ຄ້າຍຄືກັນ

6.3. ຕົ້ນທຶນທາງສັງຄົມ

• ການຕັດສິນໂທດຜິດ: ດັ່ງທີ່ເຫັນໃນຄະດີຂອງ Sally Clark ແລະ Lucia de Berk, ການລະເລີຍອັດຕາພື້ນຖານໃນຂະບວນການທາງກົດໝາຍທຳລາຍຊີວິດຂອງຜູ້ບໍລິສຸດ
• ການຈັດສັນນະໂຍບາຍຜິດພາດ: ຊັບພະຍາກອນຖືກນຳໄປໃຊ້ກັບໄພຂົ່ມຂູ່ທີ່ຊັດເຈນແຕ່ຫາຍາກ (ການກໍ່ການຮ້າຍ) ໃນຂະນະທີ່ອັນຕະລາຍທີ່ມີຄວາມໜ້າຈະເປັນຫຼາຍກວ່າ (ການເສຍຊີວິດຈາກການຈະລາຈອນ, ພະຍາດ) ຖືກລະເລີຍ
• ຄວາມບໍ່ຍຸດຕິທຳທາງອັນກໍຣິທຶມ: ລະບົບ AI ທີ່ຖືກຝຶກອົບຮົມດ້ວຍຂໍ້ມູນທີ່ມີອະຄະຕິຈະຮັກສາ ແລະ ຂະຫຍາຍຂໍ້ຜິດພາດທາງອັດຕາພື້ນຖານ, ນຳໄປສູ່ການເລືອກປະຕິບັດໃນການບັງຄັບໃຊ້ກົດໝາຍ, ການໃຫ້ກູ້ຢືມ, ແລະ ການຈ້າງງານ
• ຄວາມລົ້ມເຫຼວດ້ານສາທາລະນະສຸກ: ຄວາມເຂົ້າໃຈຜິດກ່ຽວກັບສະຖິຕິການກວດຄັດກອງນຳໄປສູ່ການຕັດສິນໃຈໃນການທົດສອບ ແລະ ປິ່ນປົວທີ່ບໍ່ເໝາະສົມໃນລະດັບໃຫຍ່
• ວິກິດການທາງການເງິນ: ຕະຫຼາດທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານຂອງການປະເມີນມູນຄ່າສ້າງຟອງສະບູທີ່ສ້າງຄວາມເສຍຫາຍໃຫ້ກັບຄົນຫຼາຍລ້ານຄົນເມື່ອພວກມັນແຕກ

6.4. ຜົນກະທົບທາງສະຖິຕິ

ຜົນການຄົ້ນຄວ້າກ່ຽວກັບຜົນກະທົບທີ່ສາມາດວັດແທກໄດ້ຂອງການລະເລີຍອັດຕາພື້ນຖານ:

• ການຕັດສິນໃຈທາງການແພດ: ການສຶກສາສະແດງໃຫ້ເຫັນວ່າມີແພດພຽງ ~15% ເທົ່ານັ້ນທີ່ຕີຄວາມໝາຍຜົນການທົດສອບທີ່ເປັນບວກໄດ້ຢ່າງຖືກຕ້ອງເມື່ອອັດຕາພື້ນຖານຂອງພະຍາດຕໍ່າ, ນຳໄປສູ່ການວິນິດໄສຫຼາຍເກີນໄປຢ່າງຫຼວງຫຼາຍ
• ການຕັດສິນຂອງຄະນະຂຸນສານ: ການສຶກສາຄະນະຂຸນສານຈຳລອງພົບວ່າຂໍ້ມູນອັດຕາພື້ນຖານສ່ວນຫຼາຍຈະຖືກລະເລີຍເມື່ອມີການນຳສະເໜີຄຳໃຫ້ການທີ່ຊັດເຈນ
• ຄວາມຖືກຕ້ອງໃນການຄາດຄະເນ: ການຄົ້ນຄວ້າຂອງ Philip Tetlock ພົບວ່າ "ນັກຄາດຄະເນຊັ້ນຍອດ" ທີ່ເອົາຊະນະການລະເລີຍອັດຕາພື້ນຖານໄດ້ຈະເຮັດໄດ້ດີກວ່າຜູ້ຊ່ຽວຊານເຖິງ 30%+
• ປະສິດທິພາບຂອງອັນກໍຣິທຶມ: ການວິເຄາະອັນກໍຣິທຶມການກະທຳຜິດຊໍ້າ COMPAS ຂອງ ProPublica ພົບວ່າອະຄະຕິທາງອັດຕາພື້ນຖານຂອງມັນສ້າງອັດຕາຜົນບວກປອມສູງກວ່າສອງເທົ່າສຳລັບຈຳເລີຍຜິວດຳເມື່ອທຽບກັບຈຳເລີຍຜິວຂາວ

7. ຜົນປະໂຫຍດທີ່ເຊື່ອງໄວ້

ຄວາມຜິດພາດທາງອັດຕາພື້ນຖານບໍ່ແມ່ນຂໍ້ບົກພ່ອງທາງສະຕິປັນຍາພຽງຢ່າງດຽວ—ກົນໄກທີ່ຢູ່ເບື້ອງຫຼັງກໍເຮັດໜ້າທີ່ການປັບຕົວທີ່ສຳຄັນເຊັ່ນກັນ.

ການກວດຈັບໄພຂົ່ມຂູ່ຢ່າງວ່ອງໄວ: ໃນສະພາບແວດລ້ອມທີ່ການພາດນັກລ່າໝາຍເຖິງຄວາມຕາຍ, ການຕອບສະໜອງຫຼາຍເກີນໄປຕໍ່ສັນຍານອັນຕະລາຍສະເພາະນັ້ນດີກວ່າການຄຳນວນສະຖິຕິປະຊາກອນຢ່າງລະມັດລະວັງ. ຕົ້ນທຶນຂອງຜົນບວກປອມ (ການເຝົ້າລະວັງທີ່ບໍ່ຈຳເປັນ) ແມ່ນຕໍ່າເມື່ອທຽບກັບຜົນລົບປອມ (ການຖືກກິນ).

ຄວາມສະຫຼາດທາງສັງຄົມ: ການອ່ານຄວາມຕັ້ງໃຈຂອງບຸກຄົນສະເພາະມີຄວາມສຳຄັນຫຼາຍກວ່າສຳລັບຄວາມສຳເລັດທາງສັງຄົມເມື່ອທຽບກັບການຮູ້ສະຖິຕິລະດັບປະຊາກອນກ່ຽວກັບພຶດຕິກຳຂອງມະນຸດ. ຄົນທີ່ຢູ່ຕໍ່ໜ້າທ່ານບໍ່ແມ່ນມະນຸດສະເລ່ຍ—ພວກເຂົາເປັນບຸກຄົນສະເພາະທີ່ມີຄວາມຕັ້ງໃຈສະເພາະທີ່ທ່ານຈຳເປັນຕ້ອງເຂົ້າໃຈ.

ການຮຽນຮູ້ຜ່ານການເລົ່າເລື່ອງ: ເລື່ອງລາວແມ່ນວິທີທີ່ມະນຸດຖ່າຍທອດຄວາມຮູ້ຂ້າມລຸ້ນ. "ອະຄະຕິ" ທີ່ມັກກໍລະນີທີ່ຊັດເຈນຫຼາຍກວ່າສະຖິຕິແມ່ນສິ່ງທີ່ເຮັດໃຫ້ການຮຽນຮູ້ຈາກປະສົບການ ແລະ ຈາກປະສົບການຂອງຜູ້ອື່ນເປັນໄປໄດ້.

ປະສິດທິພາບພະລັງງານ: ການໃຫ້ເຫດຜົນແບບ Bayesian ຢ່າງລະມັດລະວັງໃຊ້ພະລັງງານການເຜົາຜານຫຼາຍ. ສຳລັບການຕັດສິນໃຈປະຈຳວັນສ່ວນໃຫຍ່, ການຈັບຄູ່ຮູບແບບຢ່າງວ່ອງໄວສ້າງຜົນໄດ້ຮັບທີ່ດີພຽງພໍດ້ວຍຕົ້ນທຶນທາງສະຕິປັນຍາພຽງເລັກນ້ອຍ.

ຂໍ້ແລກປ່ຽນ: ການກຳຈັດການລະເລີຍອັດຕາພື້ນຖານຢ່າງສິ້ນເຊີງຈະຮຽກຮ້ອງໃຫ້ມີການຄຳນວນທີ່ຕ້ອງໃຊ້ຄວາມພະຍາຍາມຢ່າງຕໍ່ເນື່ອງເຊິ່ງຈະເຮັດໃຫ້ການຕັດສິນໃຈເປັນອຳມະພາດ. ເປົ້າໝາຍບໍ່ແມ່ນການກຳຈັດວິທີລັດທາງຄວາມຄິດ ແຕ່ແມ່ນການຮັບຮູ້ເມື່ອໃດທີ່ການຄິດທາງສະຖິຕິເປັນສິ່ງຈຳເປັນ—ໂດຍສະເພາະໃນຂົງເຂດກົດໝາຍ, ການແພດ, ການເງິນ, ແລະ ນະໂຍບາຍເຊິ່ງອັດຕາພື້ນຖານມີຄວາມສຳຄັນທີ່ສຸດ.

8. ການປະເມີນຕົນເອງ: ທ່ານມີອະຄະຕິນີ້ຫຼືບໍ່?

8.1. ລາຍການກວດສອບສັນຍານເຕືອນ

• ທ່ານມັກຈະຄິດວ່າ "ສະຖານະການນີ້ແຕກຕ່າງ" ໂດຍບໍ່ໄດ້ກວດເບິ່ງຄວາມຄ້າຍຄືກັນທາງສະຖິຕິກັບສະຖານະການທີ່ຜ່ານມາ
• ທ່ານພົບວ່າຕົວຢ່າງສະເພາະໜ້າເຊື່ອຖືຫຼາຍກວ່າບົດສະຫຼຸບທາງສະຖິຕິ
• ທ່ານເຄີຍຕັດສິນໃຈໂດຍອີງໃສ່ເລື່ອງລາວທີ່ໜ້າຈົດຈຳແທນທີ່ຈະປຶກສາຂໍ້ມູນ
• ທ່ານປະສົບຄວາມຫຍຸ້ງຍາກໃນການເຊື່ອວ່າຜົນການກວດທາງການແພດອາດຈະເປັນຜົນບວກປອມ
• ທ່ານປະເມີນຄວາມໜ້າຈະເປັນໂດຍອີງໃສ່ວ່າທ່ານສາມາດຈິນຕະນາການຜົນໄດ້ຮັບໄດ້ງ່າຍປານໃດ
• ທ່ານຕັດສິນຄົນຢ່າງວ່ອງໄວໂດຍອີງໃສ່ຄວາມປະທັບໃຈຄັ້ງທຳອິດ ຫຼື ພຶດຕິກຳດຽວ
• ທ່ານເຄີຍບໍ່ສົນໃຈ "ຂໍ້ມູນເບື້ອງຫຼັງ" ເພາະມັນເບິ່ງຄືວ່າກ່ຽວຂ້ອງໜ້ອຍກວ່າລາຍລະອຽດສະເພາະ
• ທ່ານພົບວ່າສະຖິຕິອັດຕາພື້ນຖານ "ເຢັນຊາ" ຫຼື "ບໍ່ຕົງຈຸດ" ໃນການສົນທະນາ
• ທ່ານເຄີຍແປກໃຈເມື່ອການຄາດຄະເນທາງສະຖິຕິແຕກຕ່າງຈາກສັນຊາດຕະຍານຂອງທ່ານ
• ທ່ານຕໍ່ຕ້ານການຄິດເປັນເປີເຊັນ ແລະ ມັກການຕັດສິນແບບແມ່ນ/ບໍ່ແມ່ນ

ການໃຫ້ຄະແນນ:

• ໝາຍ 0-2 ຂໍ້: ຄວາມສ່ຽງຕໍ່າ
• ໝາຍ 3-5 ຂໍ້: ຄວາມສ່ຽງປານກາງ
• ໝາຍ 6-8 ຂໍ້: ຄວາມສ່ຽງສູງ
• ໝາຍ 9-10 ຂໍ້: ຄວາມສ່ຽງສູງຫຼາຍ

8.2. ຄຳຖາມສະທ້ອນຕົນເອງ

1. ຄັ້ງສຸດທ້າຍທີ່ທ່ານປ່ຽນໃຈຍ້ອນຫຼັກຖານທາງສະຖິຕິແທນທີ່ຈະເປັນເລື່ອງລາວ ຫຼື ຕົວຢ່າງທີ່ໜ້າສົນໃຈແມ່ນເມື່ອໃດ?
2. ລອງຄິດເຖິງການຕັດສິນໃຈຄັ້ງໃຫຍ່ທີ່ທ່ານເຮັດເມື່ອບໍ່ດົນມານີ້—ທ່ານໄດ້ຄົ້ນຄວ້າອັດຕາພື້ນຖານຂອງຄວາມສຳເລັດ/ຄວາມລົ້ມເຫຼວສຳລັບການຕັດສິນໃຈທີ່ຄ້າຍຄືກັນຫຼືບໍ່?
3. ທ່ານເຄີຍປະຕິເສດສະຖິຕິທີ່ກ່ຽວຂ້ອງຍ້ອນວ່າພວກມັນບໍ່ຮູ້ສຶກວ່າກ່ຽວຂ້ອງກັບສະຖານະການສະເພາະຂອງທ່ານຫຼືບໍ່?
4. ເມື່ອມີຄົນເລົ່າເລື່ອງໃຫ້ທ່ານຟັງ, ທ່ານເຄີຍສົງໄສໂດຍສັນຊາດຕະຍານຫຼືບໍ່ວ່າປະສົບການນັ້ນເປັນເລື່ອງປົກກະຕິ ຫຼື ບໍ່ປົກກະຕິສໍ່າໃດ?
5. ຄົນອື່ນເຄີຍບອກທ່ານຫຼືບໍ່ວ່າທ່ານໃຫ້ນໍ້າໜັກກັບຕົວຢ່າງບຸກຄົນຫຼາຍເກີນໄປ ຫຼື ໃຫ້ນໍ້າໜັກກັບຂໍ້ມູນບໍ່ພຽງພໍ?

8.3. ສະຖານະການວິນິດໄສດ່ວນ

ສະຖານະການ: ມີການພັດທະນາການທົດສອບທາງການແພດໃໝ່ສຳລັບພະຍາດຮ້າຍແຮງ. ການທົດສອບນີ້ມີຄວາມຖືກຕ້ອງ 99% (ທັງໃນການກວດພົບພະຍາດເມື່ອມີພະຍາດ ແລະ ໃນການອະນາໄມຄົນທີ່ມີສຸຂະພາບດີຢ່າງຖືກຕ້ອງ). ໃນປະຊາກອນທົ່ວໄປ, ມີ 1 ໃນ 1,000 ຄົນທີ່ເປັນພະຍາດນີ້. ຜົນການທົດສອບຂອງທ່ານອອກມາເປັນບວກ. ຄວາມໜ້າຈະເປັນທີ່ທ່ານຈະເປັນພະຍາດນີ້ແທ້ໆແມ່ນເທົ່າໃດ?

ທ່ານຈະຕອບແນວໃດ?

• A) ປະມານ 99% → ຄວາມສ່ຽງສູງ (ທ່ານກຳລັງຈັບຄູ່ຄຳຕອບກັບຄວາມຖືກຕ້ອງຂອງການທົດສອບ, ໂດຍບໍ່ສົນໃຈອັດຕາພື້ນຖານ)
• B) ປະມານ 50% → ຄວາມສ່ຽງປານກາງ (ທ່ານຮູ້ສຶກວ່າມີບາງຢ່າງຜິດປົກກະຕິ ແຕ່ບໍ່ສາມາດຄຳນວນຄວາມໜ້າຈະເປັນທີ່ແທ້ຈິງໄດ້)
• C) ປະມານ 9% → ຄວາມສ່ຽງຕໍ່າ (ທ່ານລວມເອົາອັດຕາພື້ນຖານຢ່າງຖືກຕ້ອງ; ~10 ຜົນບວກຈິງ ແລະ ~100 ຜົນບວກປອມ ຈາກຄົນທີ່ຖືກທົດສອບ 1,000 ຄົນ)

9. ການລະບຸອະຄະຕິນີ້ໃນຜູ້ອື່ນ

9.1. ຕົວຊີ້ບອກທາງພຶດຕິກຳ

• ປະຕິເສດຂໍ້ໂຕ້ແຍ້ງທາງສະຖິຕິວ່າ "ເຢັນຊາ" ຫຼື "ບໍ່ຕົງຈຸດ" ເພື່ອສະໜັບສະໜູນເລື່ອງລາວສ່ວນຕົວ
• ມັກໃຊ້ປະໂຫຍກເຊັ່ນ "ໃນປະສົບການຂອງຂ້ອຍ" ຫຼື "ຂ້ອຍຮູ້ຈັກຄົນໜຶ່ງທີ່..." ເມື່ອອ້າງອີງເຖິງເລື່ອງທົ່ວໄປ
• ປະຕິບັດຕໍ່ກໍລະນີບຸກຄົນວ່າເປັນຫຼັກຖານທີ່ຊີ້ຂາດສຳລັບຮູບແບບທົ່ວໄປ
• ຍາກທີ່ຈະຍອມຮັບວ່າການສະຫຼຸບທາງສະຖິຕິນຳໃຊ້ໄດ້ກັບສະຖານະການສະເພາະຂອງພວກເຂົາ
• ໃຫ້ນໍ້າໜັກກັບເຫດການທີ່ຜ່ານມາ ຫຼື ເຫດການທີ່ໜ້າຈົດຈຳຫຼາຍເກີນໄປເມື່ອປະເມີນຄວາມໜ້າຈະເປັນ
• ຕໍ່ຕ້ານການປ່ຽນແປງຄວາມຄິດເຫັນເມື່ອຖືກນຳສະເໜີດ້ວຍຂໍ້ມູນອັດຕາພື້ນຖານ

9.2. ສັນຍານເຕືອນໃນການສົນທະນາ

ປະໂຫຍກທີ່ຄົນມັກເວົ້າເມື່ອຢູ່ພາຍໃຕ້ອະຄະຕິນີ້:

• "ແຕ່ກໍລະນີນີ້ແຕກຕ່າງ..."
• "ສະຖິຕິບໍ່ໄດ້ບອກເລື່ອງທັງໝົດ"
• "ຂ້ອຍຮູ້ວ່າຕົວເລກບອກຫຍັງ, ແຕ່ວ່າ..."
• "ໃຫ້ຂ້ອຍເລົ່າເລື່ອງຂອງຄົນທີ່ຂ້ອຍຮູ້ຈັກໃຫ້ຟັງ..."
• "ເຈົ້າສາມາດພິສູດທຸກຢ່າງດ້ວຍສະຖິຕິ"

ປະເພດຂອງຂໍ້ໂຕ້ແຍ້ງທີ່ພວກເຂົາສ້າງ:

• ອ້າງອີງເລື່ອງຄວາມສຳເລັດ/ຄວາມລົ້ມເຫຼວຂອງບຸກຄົນວ່າເປັນຫຼັກຖານສຳລັບຍຸດທະສາດທົ່ວໄປ
• ປະຕິບັດຕໍ່ກໍລະນີພິເສດວ່າເປັນຕົວແທນຂອງຜົນໄດ້ຮັບປົກກະຕິ

ຄຳຖາມທີ່ພວກເຂົາຫຼີກລ່ຽງການຖາມ:

• "ເລື່ອງນີ້ເກີດຂຶ້ນເລື້ອຍປານໃດຕາມປົກກະຕິ?"
• "ອັດຕາຄວາມສຳເລັດສຳລັບສະຖານະການທີ່ຄ້າຍຄືກັນແມ່ນເທົ່າໃດ?"

9.3. ປັດໄຈກະຕຸ້ນຕາມສະຖານະການ

• ເດີມພັນທາງອາລົມ: ເມື່ອຜົນໄດ້ຮັບມີຄວາມສຳຄັນຢ່າງເລິກເຊິ່ງ, ຂໍ້ມູນກໍລະນີສະເພາະຈະໜ້າສົນໃຈຫຼາຍຂຶ້ນ
• ຕົວຢ່າງທີ່ຊັດເຈນ: ເຫດການທີ່ເກີດຂຶ້ນໃໝ່ໆ, ໜ້າຕື່ນເຕັ້ນ, ຫຼື ປະສົບມາດ້ວຍຕົນເອງຈະກົບຂໍ້ມູນພື້ນຖານທາງສະຖິຕິ
• ຄວາມຊັບຊ້ອນ: ເມື່ອການວິເຄາະທາງສະຖິຕິເປັນເລື່ອງຍາກ, ຜູ້ຄົນຈະຫັນໄປໃຊ້ຕົວຢ່າງທີ່ເປັນຕົວແທນ
• ຄວາມກົດດັນທາງເວລາ: ການຕັດສິນໃຈຢ່າງວ່ອງໄວເອື້ອອຳນວຍຕໍ່ການຈັບຄູ່ຮູບແບບຫຼາຍກວ່າການຄຳນວນຄວາມໜ້າຈະເປັນ
• ບໍລິບົດການເລົ່າເລື່ອງ: ເມື່ອຂໍ້ມູນມາໃນຮູບແບບເລື່ອງລາວແທນທີ່ຈະເປັນສະຖິຕິ
• ກອບແນວຄິດຂອງຜູ້ຊ່ຽວຊານ: ເມື່ອຜູ້ມີອຳນາດນຳສະເໜີຂໍ້ມູນກໍລະນີໂດຍບໍ່ມີບໍລິບົດອັດຕາພື້ນຖານ

10. ຍຸດທະສາດການລົດອະຄະຕິທາງສະຕິປັນຍາ

10.1. ເຕັກນິກທັນທີ

• ຖາມວ່າ "ເລື້ອຍປານໃດ?": ກ່ອນທີ່ຈະຍອມຮັບຂໍ້ມູນສະເພາະບຸກຄົນ, ໃຫ້ຖາມກ່ຽວກັບອັດຕາພື້ນຖານຢ່າງຊັດເຈນ. "ຜົນໄດ້ຮັບນີ້ເກີດຂຶ້ນເລື້ອຍປານໃດໂດຍທົ່ວໄປ?"
• ການປັບມຸມມອງ "ຄົນ 100 ຄົນ": ເມື່ອໄດ້ຮັບຄວາມໜ້າຈະເປັນ, ໃຫ້ຈິນຕະນາການເຖິງຄົນ 100 ຄົນໃນສະຖານະການນັ້ນ. ມີຈັກຄົນທີ່ຈະມີຜົນໄດ້ຮັບແຕ່ລະຢ່າງ?
• ພິຈາລະນາທາງເລືອກອື່ນ: ອັດຕາພື້ນຖານຂອງສົມມຸດຕິຖານ ທີ່ແຂ່ງຂັນກັນ ແມ່ນຫຍັງ? (ເຊັ່ນການປຽບທຽບອັດຕາ SIDS ສອງຄັ້ງກັບອັດຕາການຄາດຕະກຳສອງຄັ້ງ)
• ການຄາດຄະເນຈາກກຸ່ມອ້າງອີງ (Reference class forecasting): ລະບຸກຸ່ມອ້າງອີງທີ່ກ່ຽວຂ້ອງສຳລັບສະຖານະການຂອງທ່ານແລະກວດເບິ່ງຜົນໄດ້ຮັບທາງປະຫວັດສາດ
• ການທົດສອບໜັງສືພິມ: ກໍລະນີສະເພາະນີ້ຈະເປັນຂ່າວ ຍ້ອນວ່າ ມັນຜິດປົກກະຕິຫຼືບໍ່? ຖ້າເປັນແນວນັ້ນ, ມັນອາດຈະບໍ່ແມ່ນຕົວແທນທີ່ດີ

10.2. ຍຸດທະສາດໄລຍະຍາວ

• ຝຶກຝົນການຄິດແບບ Bayesian: ແກ້ໄຂບັນຫາຄວາມໜ້າຈະເປັນທີ່ຮຽກຮ້ອງໃຫ້ມີການລວມເອົາອັດຕາພື້ນຖານຢ່າງສະໝໍ່າສະເໝີ
• ບັນທຶກການຄາດຄະເນ: ບັນທຶກການຄາດຄະເນພ້ອມກັບຄວາມໜ້າຈະເປັນທີ່ລະບຸໄວ້, ຈາກນັ້ນກວດເບິ່ງຜົນໄດ້ຮັບເພື່ອປັບທຽບສັນຊາດຕະຍານຂອງທ່ານ
• ສະແຫວງຫາການຝຶກອົບຮົມທາງສະຖິຕິ: ການສຶກສາຢ່າງເປັນທາງການກ່ຽວກັບຄວາມໜ້າຈະເປັນ ແລະ ສະຖິຕິຊ່ວຍປັບປຸງຄວາມຕ້ານທານຕໍ່ຄວາມຜິດພາດນີ້
• ສ້າງຫ້ອງສະໝຸດອັດຕາພື້ນຖານ: ສຳລັບຂົງເຂດທີ່ສຳຄັນ (ສຸຂະພາບ, ອາຊີບ, ການເງິນ), ໃຫ້ຄົ້ນຄວ້າ ແລະ ຈົດຈຳອັດຕາພື້ນຖານທີ່ກ່ຽວຂ້ອງ
• ປູກຝັງມິດຕະພາບກັບນັກສະຖິຕິ: ສ້າງຄວາມສຳພັນກັບຄົນທີ່ຄິດແບບຄວາມໜ້າຈະເປັນ ແລະ ຈະທ້າທາຍການໃຫ້ເຫດຜົນຂອງທ່ານ

10.3. ການອອກແບບສະພາບແວດລ້ອມ

• ໃຊ້ຮູບແບບຄວາມຖີ່ທາງທຳມະຊາດ: ປ່ຽນຄວາມໜ້າຈະເປັນໃຫ້ເປັນຮູບແບບ "X ຈາກ Y" ເຊິ່ງສະໝອງປະມວນຜົນໄດ້ຕາມສັນຊາດຕະຍານຫຼາຍກວ່າ
• ສ້າງລາຍການກວດສອບການຕັດສິນໃຈ: ລວມເອົາຄຳຖາມອັດຕາພື້ນຖານເປັນຂັ້ນຕອນບັງຄັບໃນການຕັດສິນໃຈທີ່ສຳຄັນ
• ໃຊ້ອາເຣໄອຄອນ (Icon arrays): ການນຳສະເໜີຄວາມໜ້າຈະເປັນດ້ວຍຮູບພາບຊ່ວຍຫຼຸດຜ່ອນການລະເລີຍຕົວຫານ
• ໃຫ້ຄຳໝັ້ນສັນຍາລ່ວງໜ້າຕໍ່ເງື່ອນໄຂທາງສະຖິຕິ: ກ່ອນທີ່ຈະພົບຂໍ້ມູນສະເພາະ, ໃຫ້ກຳນົດວ່າສະຖິຕິໃດທີ່ຈະປ່ຽນຄວາມຄິດຂອງທ່ານ
• ອອກແບບການສະແດງຂໍ້ມູນ: ນຳສະເໜີອັດຕາພື້ນຖານຢ່າງໂດດເດັ່ນ ແລະ ກ່ອນຂໍ້ມູນສະເພາະບຸກຄົນ

10.4. ເມື່ອໃດຄວນສະແຫວງຫາຄວາມຄິດເຫັນຈາກພາຍນອກ

• ການຕັດສິນໃຈທີ່ມີເດີມພັນສູງ: ການວິນິດໄສທາງການແພດ, ການຕັດສິນທາງກົດໝາຍ, ການລົງທຶນຄັ້ງໃຫຍ່, ການຕັດສິນໃຈຈ້າງງານ
• ເມື່ອທ່ານມີສັນຊາດຕະຍານທີ່ແຮງກ້າ: ຄວາມຮູ້ສຶກທີ່ແຮງກ້າອາດຊີ້ບອກເຖິງການຄວບຄຸມຂອງລະບົບ 1—ໃຫ້ກວດສອບທາງສະຖິຕິ
• ສະຖານະການຄວາມໜ້າຈະເປັນທີ່ຊັບຊ້ອນ: ເມື່ອຄວາມໜ້າຈະເປັນແບບມີເງື່ອນໄຂຫຼາຍຢ່າງມີປະຕິສຳພັນກັນ
• ການມີສ່ວນຮ່ວມທາງອາລົມ: ເມື່ອຜົນປະໂຫຍດສ່ວນຕົວເຮັດໃຫ້ການໃຫ້ເຫດຜົນຢ່າງພາວະວິໄສເປັນເລື່ອງຍາກ
• ຄວາມຊ່ຽວຊານບໍ່ກົງກັນ: ເມື່ອການຕັດສິນໃຈຮຽກຮ້ອງໃຫ້ມີຄວາມຊ່ຽວຊານທາງສະຖິຕິທີ່ທ່ານຂາດ

11. ບົດຝຶກຫັດພາກປະຕິບັດ

ບົດຝຶກຫັດທີ 1: ເຄື່ອງຄິດໄລ່ການທົດສອບຄັດກອງ

• ຈຸດປະສົງ: ພັດທະນາສັນຊາດຕະຍານສຳລັບການໃຫ້ເຫດຜົນແບບ Bayesian ໂດຍການເຮັດວຽກຜ່ານສະຖານະການການກວດຄັດກອງທາງການແພດ
• ເວລາທີ່ຕ້ອງການ: 20 ນາທີ
• ອຸປະກອນທີ່ຕ້ອງການ: ເຄື່ອງຄິດໄລ່, ເຈ້ຍ
• ລະດັບຄວາມຍາກ: ປານກາງ
• ຄຳແນະນຳ:
  1. ເລືອກສະພາບທາງການແພດໜຶ່ງ ແລະ ຄົ້ນຫາຄວາມຊຸກຊຸມ (ອັດຕາພື້ນຖານ) ຂອງມັນໃນກຸ່ມປະຊາກອນຂອງທ່ານ
  2. ຄົ້ນຫາຄວາມອ່ອນໄຫວ ແລະ ຄວາມຈຳເພາະຂອງການທົດສອບຄັດກອງທົ່ວໄປສຳລັບສະພາບນັ້ນ
  3. ຄຳນວນຄ່າການຄາດຄະເນຜົນບວກ: ຈັກເປີເຊັນຂອງການທົດສອບທີ່ເປັນບວກແມ່ນຜົນບວກຈິງ?
  4. ຄຳນວນຄ່າການຄາດຄະເນຜົນລົບ: ຈັກເປີເຊັນຂອງການທົດສອບທີ່ເປັນລົບແມ່ນຜົນລົບຈິງ?
  5. ສະແດງພາບນີ້ດ້ວຍຕາຕະລາງ 2x2 ສຳລັບປະຊາກອນ 10,000 ຄົນ
• ຄຳຖາມສະທ້ອນ:
  • ທ່ານແປກໃຈກັບຄ່າການຄາດຄະເນຜົນບວກຫຼືບໍ່?
  • ສິ່ງນີ້ປ່ຽນວິທີທີ່ທ່ານຄິດກ່ຽວກັບການກວດຄັດກອງທາງການແພດແນວໃດ?
  • ທ່ານຄວນຖາມຄຳຖາມຫຍັງກັບແພດຂອງທ່ານຫຼັງຈາກໄດ້ຮັບຜົນການທົດສອບ?
• ຄວາມຖີ່: ທຸກໆເດືອນ, ໂດຍໃຊ້ສະພາບທາງການແພດທີ່ແຕກຕ່າງກັນ

ບົດຝຶກຫັດທີ 2: ການຄາດຄະເນຈາກກຸ່ມອ້າງອີງ

• ຈຸດປະສົງ: ສ້າງນິໄສໃນການຊອກຫາອັດຕາພື້ນຖານທີ່ກ່ຽວຂ້ອງກ່ອນການຄາດຄະເນ
• ເວລາທີ່ຕ້ອງການ: 30 ນາທີ
• ອຸປະກອນທີ່ຕ້ອງການ: ການເຂົ້າເຖິງອິນເຕີເນັດ, ສະເປຣດຊີດ
• ລະດັບຄວາມຍາກ: ປານກາງ
• ຄຳແນະນຳ:
  1. ລະບຸການຕັດສິນໃຈ ຫຼື ການຄາດຄະເນທີ່ກຳລັງຈະມາເຖິງທີ່ທ່ານຕ້ອງເຮັດ
  2. ກຳນົດກຸ່ມອ້າງອີງ: ມີສະຖານະການທີ່ຄ້າຍຄືກັນຫຍັງແດ່ທີ່ມີຢູ່?
  3. ຄົ້ນຄວ້າອັດຕາພື້ນຖານຂອງຜົນໄດ້ຮັບໃນກຸ່ມອ້າງອີງນັ້ນ
  4. ປັບອັດຕາພື້ນຖານໂດຍອີງໃສ່ປັດໄຈສະເພາະທີ່ເຮັດໃຫ້ສະຖານະການຂອງທ່ານແຕກຕ່າງ
  5. ບັນທຶກເຫດຜົນ ແລະ ການປະເມີນຄວາມໜ້າຈະເປັນຂັ້ນສຸດທ້າຍຂອງທ່ານ
• ຄຳຖາມສະທ້ອນ:
  • ການຊອກຫາອັດຕາພື້ນຖານປ່ຽນແປງການປະເມີນເບື້ອງຕົ້ນຂອງທ່ານແນວໃດ?
  • ປັດໄຈສະເພາະໃດແດ່ທີ່ສົມເຫດສົມຜົນສຳລັບການປັບຈາກອັດຕາພື້ນຖານ?
  • ທ່ານຖືກລໍ້ລວງໃຫ້ປະຕິບັດຕໍ່ສະຖານະການຂອງທ່ານວ່າ "ແຕກຕ່າງ" ໂດຍບໍ່ມີຫຼັກຖານຫຼືບໍ່?
• ຄວາມຖີ່: ກ່ອນການຕັດສິນໃຈຄັ້ງໃຫຍ່ໃດໆ

ບົດຝຶກຫັດທີ 3: ການປ່ຽນກອບຄວາມຖີ່

• ຈຸດປະສົງ: ຝຶກປ່ຽນປະໂຫຍກຄວາມໜ້າຈະເປັນໃຫ້ເປັນຮູບແບບຄວາມຖີ່ທາງທຳມະຊາດ
• ເວລາທີ່ຕ້ອງການ: 15 ນາທີ
• ອຸປະກອນທີ່ຕ້ອງການ: ລາຍຊື່ປະໂຫຍກຄວາມໜ້າຈະເປັນ (ຈາກບົດຄວາມຂ່າວ, ເອກະສານການຄົ້ນຄວ້າ)
• ລະດັບຄວາມຍາກ: ຜູ້ເລີ່ມຕົ້ນ
• ຄຳແນະນຳ:
  1. ລວບລວມປະໂຫຍກຄວາມໜ້າຈະເປັນ 5 ປະໂຫຍກຈາກຂ່າວຫຼ້າສຸດ (ຕົວຢ່າງ: "ຄວາມສ່ຽງຂອງອາການແຊກຊ້ອນ 5%")
  2. ປ່ຽນກອບແຕ່ລະປະໂຫຍກເປັນຄວາມຖີ່ທາງທຳມະຊາດ (ຕົວຢ່າງ: "5 ໃນທຸກໆ 100 ຄົນເຈັບ")
  3. ສຳລັບແຕ່ລະປະໂຫຍກ, ໃຫ້ຂຽນວ່າຈະເກີດຫຍັງຂຶ້ນກັບອີກ 95 ຄົນ (ຫຼື ຕົວເລກທີ່ກ່ຽວຂ້ອງ)
  4. ສັງເກດເບິ່ງວ່າສິ່ງນີ້ປ່ຽນແປງຄວາມຮູ້ສຶກໂດຍສັນຊາດຕະຍານຂອງທ່ານຕໍ່ຄວາມໜ້າຈະເປັນແນວໃດ
  5. ຝຶກອະທິບາຍສະບັບຄວາມຖີ່ໃຫ້ຜູ້ອື່ນຟັງ
• ຄຳຖາມສະທ້ອນ:
  • ຮູບແບບໃດທີ່ເຮັດໃຫ້ຄວາມໜ້າຈະເປັນເຂົ້າໃຈງ່າຍກວ່າ?
  • ມີຄວາມໜ້າຈະເປັນໃດທີ່ຮູ້ສຶກໜ້າເປັນຫ່ວງຫຼາຍຂຶ້ນ ຫຼື ໜ້ອຍລົງໃນຮູບແບບຄວາມຖີ່ຫຼືບໍ່?
  • ທ່ານຈະສາມາດນຳໃຊ້ການປ່ຽນກອບນີ້ໃນຊີວິດປະຈຳວັນແນວໃດ?
• ຄວາມຖີ່: ທຸກໆອາທິດ

ການປະຕິບັດປະຈຳວັນ

ຄຳຖາມອັດຕາພື້ນຖານ: ໃນແຕ່ລະມື້, ເມື່ອທ່ານສ້າງຄວາມຄິດເຫັນ ຫຼື ເຮັດການຄາດຄະເນ, ໃຫ້ຢຸດແລ້ວຖາມວ່າ: "ອັດຕາພື້ນຖານແມ່ນເທົ່າໃດ?" ຖ້າທ່ານບໍ່ຮູ້, ໃຫ້ໃຊ້ເວລາ 60 ວິນາທີເພື່ອຄົ້ນຄວ້າມັນ.

• ໄລຍະເວລາທີ່ແນະນຳ: 1-2 ນາທີຕໍ່ຄັ້ງ
• ເວລາທີ່ດີທີ່ສຸດຂອງມື້: ເມື່ອຕັດສິນໃຈ ຫຼື ຕັດສິນຕະຫຼອດມື້
• ວິທີຕິດຕາມຄວາມຄືບໜ້າ: ບັນທຶກໃນປຶ້ມບັນທຶກເມື່ອທ່ານຈື່ທີ່ຈະຖາມ, ແລະ ສິ່ງທີ່ທ່ານໄດ້ຮຽນຮູ້

ສິ່ງທ້າທາຍປະຈຳອາທິດ

ການກວດສອບການຄາດຄະເນ: ໃນແຕ່ລະອາທິດ, ໃຫ້ທົບທວນ 3 ການຄາດຄະເນ ຫຼື ການຕັດສິນທີ່ທ່ານໄດ້ເຮັດ. ສຳລັບແຕ່ລະຢ່າງ:

1. ລະບຸວ່າທ່ານໄດ້ພິຈາລະນາອັດຕາພື້ນຖານຫຼືບໍ່
2. ຄົ້ນຄວ້າວ່າອັດຕາພື້ນຖານຕົວຈິງແມ່ນເທົ່າໃດ
3. ປະເມີນວ່າຂໍ້ມູນອັດຕາພື້ນຖານຈະປ່ຽນແປງການຕັດສິນຂອງທ່ານຫຼືບໍ່

• ຜົນໄດ້ຮັບທີ່ຄາດຫວັງຫຼັງຈາກ 4 ອາທິດ: ເພີ່ມຄວາມຮັບຮູ້ກ່ຽວກັບການລະເລີຍອັດຕາພື້ນຖານໃນຄວາມຄິດຂອງທ່ານເອງ; ການພິຈາລະນາອັດຕາພື້ນຖານເປັນອັດຕະໂນມັດຫຼາຍຂຶ້ນ
• ຫົວຂໍ້ການບັນທຶກສຳລັບການສະທ້ອນ:
  • ການຕັດສິນໃຈປະເພດໃດທີ່ມັກຈະກະຕຸ້ນການລະເລີຍອັດຕາພື້ນຖານສຳລັບຂ້ອຍຫຼາຍທີ່ສຸດ?
  • ຍຸດທະສາດໃດຊ່ວຍໃຫ້ຂ້ອຍຈື່ທີ່ຈະກວດສອບອັດຕາພື້ນຖານ?
  • ຄຸນນະພາບການຕັດສິນໃຈຂອງຂ້ອຍປ່ຽນແປງແນວໃດເມື່ອຂ້ອຍໄດ້ຝຶກຝົນ?

12. ສຳລັບຜູ້ຊົມສະເພາະກຸ່ມ

ສຳລັບຜູ້ນຳ ແລະ ຜູ້ຈັດການ

ຄວາມຜິດພາດທາງອັດຕາພື້ນຖານແມ່ນເປັນອັນຕະລາຍຢ່າງຍິ່ງໃນສະພາບແວດລ້ອມຂອງອົງການຈັດຕັ້ງ ເຊິ່ງຄວາມສຳເລັດ ແລະ ຄວາມລົ້ມເຫຼວທີ່ຊັດເຈນຈະຂັບເຄື່ອນຍຸດທະສາດຫຼາຍກວ່າການວິເຄາະຢ່າງເປັນລະບົບ.

ຈຸດອ່ອນທີ່ສຳຄັນ:

• ການຕັດສິນໃຈຈ້າງງານໂດຍອີງໃສ່ຄວາມປະທັບໃຈໃນການສຳພາດແທນທີ່ຈະເປັນອັດຕາພື້ນຖານຂອງຜູ້ສະໝັກ
• ການປະເມີນຜົນງານທີ່ຍຶດຕິດກັບເຫດການທີ່ໜ້າຈົດຈຳແທນທີ່ຈະເປັນຕົວຊີ້ວັດທີ່ສະໝໍ່າສະເໝີ
• ການວາງແຜນຍຸດທະສາດທີ່ຂັບເຄື່ອນໂດຍເລື່ອງລາວຂອງຄູ່ແຂ່ງແທນທີ່ຈະເປັນສະຖິຕິອຸດສາຫະກຳ
• ການຈັດສັນຊັບພະຍາກອນໂດຍອີງໃສ່ຜົນໄດ້ຮັບຂອງໂຄງການຫຼ້າສຸດແທນທີ່ຈະເປັນອັດຕາຄວາມສຳເລັດທາງປະຫວັດສາດ

ຍຸດທະສາດ:

• ປະຕິບັດການສຳພາດທີ່ມີໂຄງສ້າງພ້ອມກັບການໃຫ້ຄະແນນທີ່ເປັນມາດຕະຖານເພື່ອຫຼຸດຜ່ອນຜົນກະທົບຂອງຄວາມປະທັບໃຈສ່ວນບຸກຄົນ
• ສ້າງບົດຝຶກຫັດ "premortem" ທີ່ພິຈາລະນາອັດຕາພື້ນຖານຂອງຄວາມລົ້ມເຫຼວຂອງໂຄງການຢ່າງຊັດເຈນ
• ຮຽກຮ້ອງໃຫ້ມີການຄາດຄະເນຈາກກຸ່ມອ້າງອີງສຳລັບການລິເລີ່ມທີ່ສຳຄັນ
• ສ້າງແຜງໜ້າປັດ (dashboards) ທີ່ນຳສະເໜີອັດຕາພື້ນຖານໃຫ້ເຫັນເດັ່ນຊັດຄຽງຄູ່ກັບກໍລະນີບຸກຄົນ
• ປູກຝັງ "ຜູ້ສົງໄສທາງສະຖິຕິ" ທີ່ໄດ້ຮັບອຳນາດໃນການທ້າທາຍການໃຫ້ເຫດຜົນຈາກກໍລະນີທີ່ຊັດເຈນ

ສຳລັບພໍ່ແມ່ ແລະ ນັກການສຶກສາ

ເດັກນ້ອຍມີຄວາມສ່ຽງເປັນພິເສດຕໍ່ການລະເລີຍອັດຕາພື້ນຖານ ເນື່ອງຈາກພວກເຂົາຮຽນຮູ້ກ່ຽວກັບໂລກຕົ້ນຕໍຜ່ານຕົວຢ່າງ ແລະ ເລື່ອງລາວຕ່າງໆ.

ວິທີການສອນ:

• ໃຊ້ເກມທີ່ກ່ຽວຂ້ອງກັບຄວາມໜ້າຈະເປັນ (ລູກເຕົ໋າ, ໄພ້) ເພື່ອສ້າງສັນຊາດຕະຍານສຳລັບອັດຕາພື້ນຖານ
• ເມື່ອສົນທະນາກ່ຽວກັບຄວາມສ່ຽງ (ອັນຕະລາຍຈາກຄົນແປກໜ້າ, ພະຍາດ, ອຸບັດຕິເຫດ), ໃຫ້ບໍລິບົດກ່ຽວກັບວ່າແຕ່ລະຢ່າງເກີດຂຶ້ນເລື້ອຍປານໃດແທ້
• ຊີ້ໃຫ້ເຫັນເມື່ອຂ່າວນຳສະເໜີເຫດການທີ່ເປັນຂ່າວ ຍ້ອນວ່າ ມັນຫາຍາກ
• ເປັນແບບຢ່າງໃນການຄິດທາງສະຖິຕິ: "ນັ້ນເປັນຕົວຢ່າງທີ່ໜ້າສົນໃຈ. ຂ້ອຍສົງໄສວ່າມັນເປັນເລື່ອງປົກກະຕິປານໃດ?"
• ສອນຄວາມແຕກຕ່າງລະຫວ່າງ "ສິ່ງນີ້ເກີດຂຶ້ນ" ກັບ "ສິ່ງນີ້ມັກຈະເກີດຂຶ້ນ"

ຄຳອະທິບາຍທີ່ເໝາະສົມກັບອາຍຸ:

• ອາຍຸ 6-10 ປີ: "ບາງສິ່ງບາງຢ່າງເກີດຂຶ້ນຫຼາຍ ແລະ ບາງສິ່ງກໍຫາຍາກ. ເລື່ອງລາວມັກຈະກ່ຽວກັບສິ່ງທີ່ຫາຍາກເພາະວ່າມັນເປັນຕາປະຫຼາດໃຈ."
• ອາຍຸ 11-14 ປີ: "ຕົວເລກສາມາດບອກເຮົາໄດ້ວ່າສິ່ງຕ່າງໆເກີດຂຶ້ນເລື້ອຍປານໃດແທ້, ເຊິ່ງແຕກຕ່າງຈາກວ່າເຮົາໄດ້ຍິນກ່ຽວກັບມັນເລື້ອຍປານໃດ."
• ອາຍຸ 15+ ປີ: ແນະນຳແນວຄວາມຄິດກ່ຽວກັບຄວາມໜ້າຈະເປັນ, ທິດສະດີຂອງ Bayes, ແລະ ການໃຫ້ເຫດຜົນທີ່ເປັນທາງການ

ສຳລັບຜູ້ຊ່ຽວຊານດ້ານການເບິ່ງແຍງສຸຂະພາບ

ການລະເລີຍອັດຕາພື້ນຖານມີຜົນກະທົບຢ່າງເລິກເຊິ່ງຕໍ່ການວິນິດໄສ, ການກວດຄັດກອງ, ແລະ ການສື່ສານກັບຄົນເຈັບ.

ຜົນກະທົບທາງຄລີນິກ:

• ພະຍາດທີ່ຫາຍາກຖືກວິນິດໄສຫຼາຍເກີນໄປເມື່ອການຈັບຄູ່ອາການມີອິດທິພົນເໜືອຂໍ້ມູນຄວາມຊຸກຊຸມ
• ປະສິດທິຜົນຂອງໂຄງການກວດຄັດກອງຂຶ້ນຢູ່ກັບອັດຕາພື້ນຖານຂອງປະຊາກອນ, ບໍ່ແມ່ນພຽງແຕ່ຄວາມຖືກຕ້ອງຂອງການທົດສອບເທົ່ານັ້ນ
• ຄວາມກັງວົນຂອງຄົນເຈັບຈາກຜົນການກວດຄັດກອງທີ່ເປັນບວກມັກຈະເກີນຄວາມກັງວົນທີ່ເໝາະສົມ
• ການຕັດສິນໃຈໃນການປິ່ນປົວອາດຈະໃຫ້ນໍ້າໜັກກັບກໍລະນີສຶກສາທີ່ໜ້າຕື່ນເຕັ້ນຫຼາຍກວ່າສະຖິຕິການທົດລອງທາງຄລີນິກ

ຍຸດທະສາດ:

• ໃຊ້ຮູບແບບຄວາມຖີ່ທາງທຳມະຊາດເມື່ອສື່ສານຜົນການທົດສອບໃຫ້ຄົນເຈັບຮັບຮູ້
• ປະຕິບັດການຊ່ວຍເຫຼືອການຕັດສິນໃຈທາງຄລີນິກທີ່ສະແດງອັດຕາພື້ນຖານທີ່ກ່ຽວຂ້ອງ
• ຮຽກຮ້ອງໃຫ້ມີການພິຈາລະນາອັດຕາພື້ນຖານຢ່າງຊັດເຈນໃນລາຍການກວດສອບການວິນິດໄສ
• ໃຊ້ອາເຣໄອຄອນ ແລະ ສື່ການສອນທາງສາຍຕາເພື່ອອະທິບາຍຄ່າການຄາດຄະເນຜົນບວກ
• ຝຶກອົບຮົມການໃຫ້ເຫດຜົນແບບ Bayesian ເປັນສ່ວນໜຶ່ງຂອງການສຶກສາທາງການແພດ

ສຳລັບຜູ້ຊ່ຽວຊານດ້ານການເງິນ

ຕະຫຼາດຖືກຂັບເຄື່ອນໂດຍເລື່ອງລາວ, ເຮັດໃຫ້ລະບຽບວິໄນທາງອັດຕາພື້ນຖານເປັນສິ່ງຈຳເປັນສຳລັບຄວາມສຳເລັດໃນການລົງທຶນ.

ຈຸດອ່ອນທີ່ສຳຄັນ:

• ຄວາມຄິດທີ່ວ່າ "ຄັ້ງນີ້ແຕກຕ່າງ" ໃນການປະເມີນມູນຄ່າຟອງສະບູ
• ອະຄະຕິຄວາມໃໝ່ໃນແບບຈຳລອງຄວາມສ່ຽງ (ການປະຕິບັດຕໍ່ຄວາມຜັນຜວນທີ່ຜ່ານມາວ່າເປັນອັດຕາພື້ນຖານ)
• ການໃຫ້ນໍ້າໜັກກັບຄຳແນະນຳສະເພາະຂອງນັກວິເຄາະຫຼາຍກວ່າອັດຕາພື້ນຖານຂອງຂະແໜງການ
• ການປະຕິບັດຕໍ່ປະຫວັດຄວາມສຳເລັດຂອງຜູ້ຈັດການກອງທຶນວ່າເປັນທັກສະແທນທີ່ຈະເປັນໂອກາດ

ຍຸດທະສາດ:

• ຮັກສາຕາຕະລາງອ້າງອີງອັດຕາພື້ນຖານການປະເມີນມູນຄ່າໃນໄລຍະຍາວ (ອັດຕາສ່ວນ P/E, ອັດຕາການຜິດນັດຊຳລະໜີ້ ແລະ ອື່ນໆ)
• ປະຕິບັດການປັບສົມດຸນຢ່າງເປັນລະບົບທີ່ບັງຄັບໃຊ້ສົມມຸດຕິຖານການກັບຄືນສູ່ຄ່າສະເລ່ຍ
• ໃຊ້ການຈຳລອງ Monte Carlo ທີ່ມີການແຈກຢາຍທີ່ປັບທຽບຕາມປະຫວັດສາດ
• ຮຽກຮ້ອງໃຫ້ມີເອກະສານອັດຕາພື້ນຖານຢ່າງຊັດເຈນສຳລັບສົມມຸດຕິຖານການລົງທຶນ
• ສຶກສາຟອງສະບູ ແລະ ການພັງທະລາຍທາງປະຫວັດສາດເພື່ອປັບທຽບຄວາມຄາດຫວັງ

13. ປະຕິສຳພັນກັບອະຄະຕິອື່ນໆ

ອະຄະຕິທີ່ຂະຫຍາຍອະຄະຕິນີ້

ອະຄະຕິທີ່ຕ້ານອະຄະຕິນີ້

ຕ່ອງໂສ້ອະຄະຕິທົ່ວໄປ

ຕ່ອງໂສ້ທີ 1: ຕົວຢ່າງທີ່ຊັດເຈນ (Availability) → ການຈັບຄູ່ຮູບແບບ (Representativeness) → ການລະເລີຍອັດຕາພື້ນຖານ → ການຕັດສິນຜິດຢ່າງໝັ້ນໃຈ (Overconfidence) → ການຢືນຢັນຂໍ້ຜິດພາດ (Confirmation Bias)

ຕ່ອງໂສ້ທີ 2: ຍຶດຕິດກັບກໍລະນີສະເພາະ → ບໍ່ສົນໃຈຂໍ້ມູນປະຊາກອນ → ສ້າງເລື່ອງລາວສະໜັບສະໜູນ (Narrative Fallacy) → ຕໍ່ຕ້ານຫຼັກຖານທີ່ຖືກຕ້ອງ

ການຂັດຈັງຫວະນໍ້າຕົກ: ຈຸດແຊກແຊງທີ່ມີປະສິດທິພາບທີ່ສຸດແມ່ນໃນຕອນຕົ້ນ—ກ່ອນທີ່ຕົວຢ່າງທີ່ຊັດເຈນຈະດຶງດູດຄວາມສົນໃຈ. ການໂຫຼດຂໍ້ມູນອັດຕາພື້ນຖານໄວ້ລ່ວງໜ້າ, ການໃຊ້ຮູບແບບຄວາມຖີ່, ແລະ ການສ້າງນິໄສການກວດສອບອັດຕາພື້ນຖານຢ່າງຊັດເຈນສາມາດປ້ອງກັນບໍ່ໃຫ້ນໍ້າຕົກເລີ່ມຕົ້ນໄດ້.

14. ມຸມມອງທາງວັດທະນະທຳ

ການຄົ້ນຄວ້າກ່ຽວກັບຄວາມແຕກຕ່າງທາງວັດທະນະທຳໃນການນຳໃຊ້ອັດຕາພື້ນຖານເປີດເຜີຍໃຫ້ເຫັນຮູບແບບທີ່ໜ້າສົນໃຈ, ເຖິງແມ່ນວ່າແນວໂນ້ມຫຼັກໃນການລະເລີຍຈະເບິ່ງຄືວ່າເປັນສາກົນ.

ການຄົ້ນພົບຂ້າມວັດທະນະທຳ:

• ການສຶກສາພົບຢ່າງສະໝໍ່າສະເໝີວ່າມີການລະເລີຍອັດຕາພື້ນຖານທັງໃນບໍລິບົດວັດທະນະທຳຕາເວັນຕົກ, ອາຊີ, ແລະ ອື່ນໆ
• ຫຼັກຖານບາງຢ່າງຊີ້ໃຫ້ເຫັນວ່າຜູ້ເຂົ້າຮ່ວມຊາວອາຊີຕາເວັນອອກສະແດງໃຫ້ເຫັນເຖິງການນຳໃຊ້ອັດຕາພື້ນຖານທີ່ດີກວ່າເລັກນ້ອຍໃນບາງບໍລິບົດ, ອາດຈະກ່ຽວຂ້ອງກັບຮູບແບບການຄິດແບບອົງລວມ
• ລະບົບການສຶກສາທີ່ເນັ້ນຄວາມໜ້າຈະເປັນ ແລະ ສະຖິຕິສ້າງການລວມເອົາອັດຕາພື້ນຖານທີ່ດີກວ່າບໍ່ວ່າຈະມາຈາກພື້ນຖານທາງວັດທະນະທຳໃດກໍຕາມ
• ການປະຕິບັດຕໍ່ຫຼັກຖານທາງສະຖິຕິຂອງລະບົບກົດໝາຍແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໃນແຕ່ລະວັດທະນະທຳ

ລັກສະນະສາກົນ: ປະກົດການຫຼັກ—ການມັກຂໍ້ມູນສະເພາະທີ່ຊັດເຈນຫຼາຍກວ່າຂໍ້ມູນພື້ນຖານທາງສະຖິຕິທີ່ເປັນນາມມະທຳ—ເບິ່ງຄືວ່າເປັນລັກສະນະສາກົນຂອງມະນຸດ, ເຊິ່ງຝັງຮາກຢູ່ໃນໂຄງສ້າງທາງສະຕິປັນຍາທີ່ມີມາກ່ອນການແຍກແຍະທາງວັດທະນະທຳ.

ຜົນກະທົບຂ້າມວັດທະນະທຳ: ຫຼັກຖານທາງສະຖິຕິຈຳເປັນຕ້ອງມີການວາງກອບຢ່າງລະມັດລະວັງໃນບໍລິບົດວັດທະນະທຳຕ່າງໆ. ສິ່ງທີ່ໄດ້ຜົນໃນລະບົບກົດໝາຍ ຫຼື ການແພດໜຶ່ງອາດຈະບໍ່ສາມາດໂອນໄປຍັງອີກລະບົບໜຶ່ງໄດ້ໂດຍກົງ.

15. ຄວາມເຊື່ອຜິດໆ ແລະ ຄວາມເຂົ້າໃຈຜິດ

16. ຄວາມເຂົ້າໃຈຈາກຜູ້ຊ່ຽວຊານ

"ຄວາມບໍ່ເຕັມໃຈຂອງຜູ້ຖືກທົດລອງທີ່ຈະສະຫຼຸບເລື່ອງສະເພາະຈາກເລື່ອງທົ່ວໄປແມ່ນທຽບເທົ່າກັບຄວາມເຕັມໃຈຂອງພວກເຂົາທີ່ຈະສະຫຼຸບເລື່ອງທົ່ວໄປຈາກເລື່ອງສະເພາະເທົ່ານັ້ນ." — Amos Tversky & Daniel Kahneman, 1973

"ຄວາມຄ້າຍຄືກັນບໍ່ໄດ້ຮັບອິດທິພົນຈາກອັດຕາພື້ນຖານ, ແຕ່ການຕັດສິນຄວາມໜ້າຈະເປັນໂດຍສັນຊາດຕະຍານຖືກຄວບຄຸມໂດຍຄວາມຄ້າຍຄືກັນ." — Daniel Kahneman, Thinking, Fast and Slow, 2011

"ບັນຫາບໍ່ແມ່ນວ່າຄົນເຮົາບໍ່ສາມາດໃຫ້ເຫດຜົນທາງສະຖິຕິໄດ້, ແຕ່ແມ່ນບັນຫາສ່ວນໃຫຍ່ຖືກນຳສະເໜີໃນຮູບແບບທີ່ບໍ່ກົງກັບຮູບແບບທີ່ຈິດໃຈຂອງມະນຸດວິວັດທະນາການມາເພື່ອໃຫ້ເຫດຜົນ." — Gerd Gigerenzer, 2002

"ນັກຈິດຕະວິທະຍາກຳລັງປະເມີນຄວາມເປັນເຫດເປັນຜົນຂອງຜູ້ຖືກທົດລອງດ້ວຍມາດຕະຖານທີ່ບໍ່ເໝາະສົມກັບໜ້າທີ່ການງານ." — L.J. Cohen, 1981

17. ປະເດັນສຳຄັນ (Key Takeaways)

1. ການລະເລີຍອັດຕາພື້ນຖານເປັນສິ່ງສາກົນ: ມະນຸດທຸກຄົນມີແນວໂນ້ມທີ່ຈະໃຫ້ນໍ້າໜັກອັດຕາພື້ນຖານທາງສະຖິຕິໜ້ອຍເກີນໄປເມື່ອມີຂໍ້ມູນສະເພາະ—ນີ້ເປັນລັກສະນະຂອງໂຄງສ້າງທາງສະຕິປັນຍາຂອງມະນຸດ, ບໍ່ແມ່ນຄວາມລົ້ມເຫຼວສ່ວນບຸກຄົນ.

2. Representativeness heuristic ແມ່ນກົນໄກຫຼັກ: ເຮົາຕັດສິນຄວາມໜ້າຈະເປັນໂດຍຄວາມຄ້າຍຄືກັນກັບຕົວແບບ (prototypes) ແທນທີ່ຈະເປັນຄວາມຖີ່ໃນປະຊາກອນ.

3. ຮູບແບບມີຄວາມສຳຄັນຢ່າງມະຫາສານ: ການນຳສະເໜີຂໍ້ມູນເປັນຄວາມຖີ່ທາງທຳມະຊາດ (X ຈາກ Y) ແທນທີ່ຈະເປັນຄວາມໜ້າຈະເປັນຊ່ວຍຫຼຸດຜ່ອນຄວາມຜິດພາດໄດ້ຢ່າງຫຼວງຫຼາຍ.

4. ບໍລິບົດເປັນຕົວຂັບເຄື່ອນການນຳໃຊ້ອັດຕາພື້ນຖານ: ຜູ້ຄົນໃຊ້ອັດຕາພື້ນຖານເມື່ອພວກມັນເບິ່ງຄືວ່າມີຄວາມກ່ຽວຂ້ອງກັບສາເຫດ; ພວກເຂົາບໍ່ສົນໃຈພວກມັນເມື່ອພວກມັນເບິ່ງຄືວ່າເປັນພຽງ "ສະຖິຕິລ້າໆ."

5. ຜົນຕາມມາອາດຮ້າຍແຮງ: ຕັ້ງແຕ່ການຕັດສິນໂທດຜິດ (Sally Clark, Lucia de Berk) ໄປຈົນເຖິງວິກິດການທາງການເງິນ (LTCM, Dot-Com) ແລະ ການເລືອກປະຕິບັດທາງອັນກໍຣິທຶມ, ການລະເລີຍອັດຕາພື້ນຖານເປັນຕົວສ້າງຄວາມລົ້ມເຫຼວທາງສັງຄົມຄັ້ງໃຫຍ່.

6. ການລົດອະຄະຕິຮຽກຮ້ອງໃຫ້ມີການອອກແບບ: ເຮົາບໍ່ສາມາດພຽງແຕ່ "ຕັດສິນໃຈ" ທີ່ຈະເຄົາລົບອັດຕາພື້ນຖານໄດ້—ເຮົາຈຳເປັນຕ້ອງມີສະຖາປັດຕະຍະກຳຂໍ້ມູນ, ລາຍການກວດສອບ, ແລະ ຂະບວນການຕັດສິນໃຈທີ່ເຮັດໃຫ້ອັດຕາພື້ນຖານເບິ່ງເຫັນໄດ້ ແລະ ກ່ຽວຂ້ອງ.

7. ອະຄະຕິມີຜົນປະໂຫຍດ: ໃນຫຼາຍໆບໍລິບົດປະຈຳວັນ, ການຈັບຄູ່ຮູບແບບຢ່າງວ່ອງໄວທີ່ບໍ່ສົນໃຈອັດຕາພື້ນຖານແມ່ນເປັນການປັບຕົວທີ່ດີ ແລະ ມີປະສິດທິພາບ—ເປົ້າໝາຍຄືການຮັບຮູ້ເມື່ອໃດທີ່ການຄິດທາງສະຖິຕິເປັນສິ່ງທີ່ຈຳເປັນແທ້ໆ.

18. ຊັບພະຍາກອນເພີ່ມເຕີມ

ເອກະສານທາງວິຊາການ

• 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.

ປຶ້ມ

• 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.

ບົດໃນປຶ້ມ

• 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. ບັດສະຫຼຸບ

20. ຄຳສັບສະເພາະທີ່ໃຊ້

21. ຄຳຖາມສຳລັບການສົນທະນາ

ສຳລັບຊົມລົມໜັງສື, ຫ້ອງຮຽນ, ຫຼື ການສະທ້ອນຕົນເອງ:

1. ທ່ານສາມາດຄິດເຖິງການຕັດສິນໃຈຄັ້ງໃຫຍ່ໃນຊີວິດຂອງທ່ານທີ່ຕໍ່ມາທ່ານຮູ້ວ່າທ່ານໄດ້ລະເລີຍອັດຕາພື້ນຖານໄດ້ຫຼືບໍ່? ທ່ານຈະເຮັດຫຍັງແຕກຕ່າງໄປຈາກເດີມ?

2. "The Rationality Wars" ຕັ້ງຄຳຖາມວ່າການລະເລີຍອັດຕາພື້ນຖານເປັນ "ຂໍ້ບົກພ່ອງ" ຫຼື "ຄຸນສົມບັດ" ຂອງສະຕິປັນຍາຂອງມະນຸດ. ມຸມມອງຂອງທ່ານແມ່ນຫຍັງ, ແລະ ມັນມີຜົນກະທົບແນວໃດ?

3. ສານຄວນຈັດການກັບຫຼັກຖານທາງສະຖິຕິແນວໃດເມື່ອຮູ້ກ່ຽວກັບການລະເລີຍອັດຕາພື້ນຖານໃນຄະນະຂຸນສານ? ຄວນມີການຝຶກອົບຮົມພິເສດ ຫຼື ຂໍ້ກຳນົດຂອງຜູ້ຊ່ຽວຊານຫຼືບໍ່?

4. Gigerenzer ໂຕ້ແຍ້ງວ່າການນຳສະເໜີຂໍ້ມູນເປັນຄວາມຖີ່ທາງທຳມະຊາດ "ແກ້ໄຂ" ການລະເລີຍອັດຕາພື້ນຖານໄດ້ເປັນສ່ວນໃຫຍ່. ຖ້າເປັນຄວາມຈິງ, ໃຜຄວນຮັບຜິດຊອບໃນການນຳສະເໜີຂໍ້ມູນໃນຮູບແບບທີ່ຖືກຕ້ອງ—ບຸກຄົນ, ສະຖາບັນ, ຫຼື ນັກການສຶກສາ?

5. ເນື່ອງຈາກລະບົບ AI ມີການຕັດສິນໃຈທີ່ສົ່ງຜົນກະທົບຕໍ່ຊີວິດຂອງມະນຸດຫຼາຍຂຶ້ນ, ມີພັນທະໃດແດ່ທີ່ຈະແກ້ໄຂອະຄະຕິທາງອັດຕາພື້ນຖານໃນອັນກໍຣິທຶມ? ຄວາມຍຸດຕິທຳທາງອັນກໍຣິທຶມຄວນຖືກກຳນົດແນວໃດ?