အလိုအလျောက်စနစ်အပေါ် ဘက်လိုက်ခြင်း (Automation Bias)

တစ်ချက်ကြည့်

၁။ အကျဉ်းချုပ်

Automation bias (အလိုအလျောက်စနစ်အပေါ် ဘက်လိုက်ခြင်း) ဆိုသည်မှာ ကွန်ပျူတာက ရှင်းလင်းစွာ မှားယွင်းနေချိန်တွင်ပင် မိမိ၏ကိုယ်ပိုင်ဆုံးဖြတ်ချက် သို့မဟုတ် အခြားသတင်းအချက်အလက်အရင်းအမြစ်များထက် ကွန်ပျူတာက ထုတ်ပေးသော အကြံပြုချက်များကို ပိုမိုယုံကြည်တတ်သည့် ကျွန်ုပ်တို့၏ သဘောထားဖြစ်သည်။ စက်က ကျွန်ုပ်တို့ကို တစ်ခုခုပြောသောအခါ၊ ကျွန်ုပ်တို့သည် မကြာခဏဆိုသလို ၎င်းကို အမှန်တရားအဖြစ် မှတ်ယူပြီး အတည်ပြုချက်မလုပ်ဘဲ၊ ကျွန်ုပ်တို့၏ ဝေဖန်ပိုင်းခြားတွေးခေါ်မှုကို အယ်လဂိုရီသမ်ထံသို့ အပ်နှင်းလိုက်ကြသည်။ ဤစိတ်ပိုင်းဆိုင်ရာ ဖြတ်လမ်းနည်းသည် စိတ်ပိုင်းဆိုင်ရာစွမ်းအင်ကို ချွေတာရန် ဆင့်ကဲပြောင်းလဲလာခြင်းဖြစ်သော်လည်း၊ မပြည့်စုံသော အလိုအလျောက်စနစ်များတွင် အသုံးပြုသောအခါ အန္တရာယ်ရှိလာပြီး လေကြောင်း၊ ကျန်းမာရေးစောင့်ရှောက်မှု၊ တရားရေးလုပ်ငန်းစဉ်များနှင့် နေ့စဉ်ဆုံးဖြတ်ချက်များတွင် အမှားအယွင်းများ ဖြစ်ပေါ်စေသည်။

၂။ ၎င်းနောက်ကွယ်မှ သိပ္ပံပညာ

၂.၁. တွေ့ရှိမှုနှင့် သမိုင်းကြောင်း

လေကြောင်းနယ်ပယ်တွင် "အလိုအလျောက်စနစ်အပေါ် ကျေနပ်လွန်ကဲခြင်း" ၏ အတွေ့အကြုံဆိုင်ရာ အထောက်အထားများ ဆယ်စုနှစ်များစွာ ရှိခဲ့သော်လည်း၊ automation bias ၏ တရားဝင် သိပ္ပံနည်းကျလေ့လာမှုကို ၁၉၉၀ ပြည့်လွန်နှစ်များနှောင်းပိုင်းတွင် စတင်ခဲ့သည်။ "Does automation bias decision-making?" ဟု အမည်ပေးထားသော Linda Skitka, Kathleen Mosier နှင့် Mark Burdick တို့၏ ၁၉၉၉ ခုနှစ် အထင်ကရလေ့လာမှုက ဤဖြစ်စဉ်ကို ပင်ပန်းနွမ်းနယ်မှု သို့မဟုတ် အရည်အချင်းမရှိမှုသက်သက်နှင့်မသက်ဆိုင်သော သီးခြားသိမြင်မှုဆိုင်ရာ ဘက်လိုက်မှုတစ်ခုအဖြစ် သီးခြားခွဲထုတ်ခဲ့သည်။ International Journal of Human-Computer Studies တွင် ပုံနှိပ်ထုတ်ဝေခဲ့သော ဤစာတမ်းသည် လူ-ကွန်ပျူတာ အပြန်အလှန်ဆက်သွယ်မှု သုတေသနလမ်းကြောင်းကို အခြေခံကျကျ ပြောင်းလဲစေခဲ့သည်။

ယုံကြည်စိတ်ချရသော်လည်း အလိုအလျောက်စနစ်များသည် လူသားအမှားအမျိုးအစားသစ်များကို မိတ်ဆက်ပေးခဲ့သည်ဟူသော ကြီးထွားလာသည့်အသိအမြင်မှ ဤအယူအဆ ပေါ်ထွက်လာသည်။ အစောပိုင်း လေကြောင်းမတော်တဆမှုများက လေယာဉ်မှူးများသည် အလိုအလျောက်ပျံသန်းမှုစနစ်များအပေါ် အန္တရာယ်ရှိလောက်အောင် မှီခိုလာနေကြောင်း အကြံပြုခဲ့သော်လည်း၊ တိကျသော စမ်းသပ်သုတေသနများ မလုပ်မချင်း သိပ္ပံပညာရှင်များသည် ဤမှီခိုမှုကို အရေအတွက်နှင့် သဘောသဘာဝအရ မသတ်မှတ်နိုင်ခဲ့ပေ။

၁၉၉၉ ခုနှစ်မှစ၍ ကျွန်ုပ်တို့၏ နားလည်မှုသည် သိသိသာသာ တိုးတက်လာခဲ့သည်။ သုတေသီများသည် automation bias ကို ဆက်စပ်နေသော်လည်း ကွဲပြားသော automation complacency ဟူသည့် အယူအဆမှ ခွဲခြားသိမြင်လာခဲ့ကြသည်။ ဤနယ်ပယ်သည် လေကြောင်းမှ ကျန်းမာရေးစောင့်ရှောက်မှု၊ ကိုယ်ပိုင်မောင်းသူမဲ့ယာဉ်များ၊ တရားရေးစနစ်များနှင့် မကြာသေးမီက ဉာဏ်ရည်တု (AI) နှင့် Large Language Models (LLMs) အထိ ကျယ်ပြန့်လာသည်။ မျိုးဆက်သစ် AI (Generative AI) ၏ ထွန်းကားလာမှုသည် "ယောင်ချာချာလက်ခံမှု (hallucination acceptance)" — ယုတ္တိရှိပုံရသော်လည်း လုပ်ကြံဖန်တီးထားသော AI ရလဒ်များကို ယုံကြည်တတ်သည့် သဘောထားအပါအဝင် ဤဘက်လိုက်မှု၏ ပုံစံသစ်များကို မိတ်ဆက်ပေးခဲ့သည်။

သုတေသန၏ အဓိကမှတ်တိုင်များမှာ-

• ၁၉၉၉- Skitka, Mosier နှင့် Burdick တို့၏ automation bias ကို သီးခြားဖြစ်စဉ်တစ်ခုအဖြစ် သတ်မှတ်ပေးသော အခြေခံစမ်းသပ်လေ့လာမှု
• ၂၀၀၄- Lee နှင့် See တို့၏ ယုံကြည်မှု ချိန်ညှိခြင်း မူဘောင်
• ၂၀၁၀- complacency နှင့် bias ကို ခွဲခြားပြသော Parasuraman နှင့် Manzey တို့၏ "Attentional Integration" သုံးသပ်ချက်
• ၂၀၁၇- Lyell နှင့် Coiera တို့၏ "Verification Complexity" မော်ဒယ်
• ၂၀၂၃-၂၀၂၅- LLM ကြောင့်ဖြစ်သော automation bias နှင့် hallucination acceptance ဆိုင်ရာ သုတေသနများ အရှိန်အဟုန်ဖြင့် တိုးတက်လာမှု

၂.၂. အဓိက သုတေသီများ

၂.၃. အထင်ကရ လေ့လာမှုများ

"Does Automation Bias Decision-Making?" (Skitka, Mosier & Burdick, 1999)

သုတေသီများသည် လူသားအော်ပရေတာများက အလိုအလျောက် ဆုံးဖြတ်ချက်အထောက်အကူပြုစနစ်၏ အကူအညီဖြင့် စနစ်အခြေအနေများကို စောင့်ကြည့်ပုံကို လက်တွေ့စမ်းသပ်ရန် အရည်အသွေးနိမ့် လေယာဉ်ပျံသန်းမှု သရုပ်ဖော်လေ့ကျင့်ခန်း (low-fidelity flight simulation task) တစ်ခုကို ဖန်တီးခဲ့သည်။ ပါဝင်သူများကို ဒိုင်ခွက်များ စောင့်ကြည့်ရန်နှင့် သရုပ်ဖော်ပျံသန်းမှုကို "ပျံသန်း" ရန် တာဝန်ပေးထားသည်။ စမ်းသပ်မှုဒီဇိုင်းတွင် ယုံကြည်စိတ်ချရသော်လည်း မပြည့်စုံသော အလိုအလျောက် စောင့်ကြည့်ရေးအကူအညီတစ်ခုကို ထည့်သွင်းထားပြီး၊ သုတေသီများအား ယုံကြည်မှုနှင့် အမှားအယွင်းတို့ တွေ့ဆုံရာတွင် လူသားအမူအကျင့်များကို လေ့လာခွင့်ရစေခဲ့သည်။

အဓိက တွေ့ရှိချက်များ-

• အလိုအလျောက်အကူအညီရှိသော ပါဝင်သူများသည် လက်ဖြင့်ထိန်းချုပ်သူများနှင့် နှိုင်းယှဉ်ပါက နိုးကြားစွာ သတင်းအချက်အလက်ရှာဖွေခြင်းတွင် သိသိသာသာ နည်းပါးခဲ့သည်။
• အလိုအလျောက်စနစ်သည် လူသား၏အာရုံစူးစိုက်မှုကို ဖြည့်စွက်ရုံသာမက—၎င်းကို ထိရောက်စွာ အစားထိုးလိုက်သည်။
• အလိုအလျောက်အကူအညီက မှားယွင်းသောလုပ်ရပ်ကို အကြံပြုသောအခါ၊ ကုန်ကြမ်းဒေတာက ၎င်းသည် မှားယွင်းနေကြောင်း ရှင်းလင်းစွာပြသနေသော်လည်း သိသာထင်ရှားသောရာခိုင်နှုန်းရှိသည့် အော်ပရေတာများသည် ထိုအကြံပြုချက်ကို လိုက်နာခဲ့ကြသည်။
• ဤလေ့လာမှုသည် အမှားအမျိုးအစားနှစ်ခုကို ဖော်ထုတ်ခဲ့သည်- ပျက်ကွက်မှုအမှားများ (errors of omission) (အလိုအလျောက်စနစ်က သတိမပေးသောကြောင့် ဖြစ်ရပ်များကို လွတ်သွားခြင်း) နှင့် ကျူးလွန်မှုအမှားများ (errors of commission) (မှားယွင်းသော အလိုအလျောက်အကြံပြုချက်များကို လိုက်နာခြင်း)

Automation bias သည် "နိုးကြားစွာ သတင်းအချက်အလက်ရှာဖွေခြင်းနှင့် စီမံဆောင်ရွက်ခြင်းအတွက် အနီးစပ်ဆုံး အစားထိုးမှုတစ်ခု" အဖြစ် လုပ်ဆောင်ပြီး၊ ၎င်းသည် "အခြေအနေအကဲဖြတ်မှုကို စောစီးစွာ ပိတ်ပစ်လိုက်သော" သိမြင်မှုဆိုင်ရာ ဖြတ်လမ်းတစ်ခုဖြစ်သည်ဟု စာရေးသူများက ကောက်ချက်ချခဲ့သည်။

မှတ်ဉာဏ်ပုံပျက်ခြင်း လေ့လာမှု (Memory Distortion Study) (Mosier, နောက်ဆက်တွဲ သုတေသန)

လေယာဉ်မှူးများပါဝင်သည့် နောက်ဆက်တွဲ သုတေသနများတွင်၊ automation bias ကို ခံရသူ ၆၇% သည် နောက်ပိုင်းတွင် ထိုဖြစ်ရပ်၏ "မှားယွင်းသော မှတ်ဉာဏ်" ကို ပြသခဲ့သည်။ အလိုအလျောက်စနစ်၏ မှားယွင်းသော ဆုံးဖြတ်ချက်ကို ထောက်ခံသည့် အချက်ပြမှုများကို ကုန်ကြမ်းဒေတာတွင် တွေ့မြင်ခဲ့ရကြောင်း ၎င်းတို့က ပြန်လည်မှတ်မိနေကြသည်—ထိုအချက်ပြမှုများသည် အမှန်တကယ် လုံးဝမရှိခဲ့ပေ။ ၎င်းက automation bias သည် ခံယူချက်ကို နောက်ကြောင်းပြန်၍ ပြောင်းလဲနိုင်ကြောင်း အကြံပြုသည်၊ အလိုအလျောက်စနစ်၏ ကောက်ချက်ကို လက်ခံလိုက်ပြီးနောက်၊ ဦးနှောက်သည် ၎င်းကို ထောက်ခံရန် အထောက်အထားများကို ဖန်တီးယူသည်။

ယုံကြည်မှု ချိန်ညှိခြင်း လေ့လာမှု (Trust Calibration Study) (Lee & See, 2004)

အလိုအလျောက်စနစ်အပေါ် ယုံကြည်မှုကို "မသေချာမရေရာမှုနှင့် ထိခိုက်လွယ်မှုတို့ဖြင့် လက္ခဏာရပ်ရှိသော အခြေအနေတစ်ခုတွင် တစ်ဦးတစ်ယောက်၏ ရည်မှန်းချက်များ အောင်မြင်ရန် အေးဂျင့်တစ်ခုက ကူညီလိမ့်မည်ဟူသော သဘောထား" ဟု သတ်မှတ်ခဲ့သည်။ ယုံကြည်မှု၏ အခြေခံ ၃ ချက်ကို ဖော်ထုတ်ခဲ့သည်- စွမ်းဆောင်ရည် (Performance) (သမိုင်းကြောင်းအရ ယုံကြည်စိတ်ချရမှု)၊ လုပ်ငန်းစဉ် (Process) (အယ်လဂိုရီသမ်များကို နားလည်ခြင်း) နှင့် ရည်ရွယ်ချက် (Purpose) (ဒီဇိုင်းဆွဲသူ၏ ရည်ရွယ်ချက်)။ လုပ်ငန်းစဉ်ကို နားလည်မှုမရှိဘဲ စွမ်းဆောင်ရည်အပေါ်သက်သက် မှီခိုခြင်းသည် ပုံမှန်မဟုတ်သော အခြေအနေများ (edge cases) တွင် ဆိုးရွားသော ဘက်လိုက်မှုကို ဖြစ်ပေါ်စေကြောင်း ပြသခဲ့သည်။

အတည်ပြုခြင်း ရှုပ်ထွေးမှု စနစ်တကျသုံးသပ်ချက် (Verification Complexity Systematic Review) (Lyell & Coiera, 2017)

လုပ်ငန်းတာဝန်သည် ရှုပ်ထွေးမှုရှိနေသရွေ့ တစ်ခုတည်းသောအလုပ်ပတ်ဝန်းကျင်များတွင်ပင် automation bias အများအပြားရှိနေကြောင်း သက်သေပြခဲ့သည်။ အတည်ပြုခြင်း ရှုပ်ထွေးမှု (Verification Complexity) အယူအဆကို မိတ်ဆက်ခဲ့သည်- automation bias ဖြစ်နိုင်ခြေသည် အလိုအလျောက်စနစ်၏ ရလဒ်ကို အတည်ပြုရန် လိုအပ်သော သိမြင်မှုဆိုင်ရာ အားထုတ်မှုနှင့် တိုက်ရိုက်အချိုးကျသည်။ ဤမော်ဒယ်သည် ခေတ်သစ် "black box" AI စနစ်များကို နားလည်ရန် အရေးကြီးသည်။

၂.၄. အာရုံကြောဆိုင်ရာ အခြေခံ

Automation bias ၏ အာရုံကြောဆိုင်ရာ အခြေခံများသည် ဦးနှောက်၏ အခြေခံစွမ်းအင်-ထိန်းသိမ်းမှု ယန္တရားများနှင့် သက်ဆိုင်သည်-

သိမြင်မှုဝန်နှင့် ရှေ့ပိုင်းဦးနှောက်အလွှာ (Cognitive Load and the Prefrontal Cortex): ဦးနှောက်သည် စွမ်းအင်ချွေတာသော အင်္ဂါတစ်ခုဖြစ်သည်။ ဆုံးဖြတ်ချက်ချခြင်းနှင့် အတည်ပြုခြင်းကဲ့သို့သော အုပ်ချုပ်မှုလုပ်ငန်းဆောင်တာများအတွက် တာဝန်ရှိသည့် prefrontal cortex သည် ဇီဝကမ္မဖြစ်စဉ်ဆိုင်ရာ အရင်းအမြစ်များစွာ လိုအပ်သည်။ အလိုအလျောက်စနစ်က ယုတ္တိရှိသော အဖြေတစ်ခုပေးသောအခါ၊ ဦးနှောက်၏ ပုံမှန်အခြေအနေသည် စွမ်းအင်များစွာလိုသော အတည်ပြုခြင်းလုပ်ငန်းစဉ်များကို မလုပ်ဆောင်ဘဲ ၎င်းကို လက်ခံရန်ဖြစ်သည်။

"Cognitive Miser" ယန္တရား: Fiske နှင့် Taylor (၁၉၈၄) တို့က မူလက အဆိုပြုခဲ့သော ဤသဘောတရားအရ လူသားများသည် သိမြင်မှုဆိုင်ရာ အားထုတ်မှုကို နည်းနိုင်သမျှနည်းစေရန် ဆင့်ကဲပြောင်းလဲမှုအရ တွန်းအားပေးခံရသည်ဟု ဆိုသည်။ ပတ်ဝန်းကျင်က ခွင့်ပြုသည့်အခါတိုင်း ဦးနှောက်သည် အနီးစပ်ဆုံးနည်းလမ်း (heuristic processing) (စိတ်ပိုင်းဆိုင်ရာ ဖြတ်လမ်းများ) ကို ပုံသေအဖြစ် ပြောင်းလဲသွားသည်။ အလိုအလျောက်စနစ်သည် "စူပါ-အနီးစပ်ဆုံးနည်း (super-heuristic)" အဖြစ် လုပ်ဆောင်ခြင်းဖြင့် ၎င်းကို အခွင့်ကောင်းယူသည်။

အာရုံစူးစိုက်မှုကွန်ရက်များနှင့် နိုးကြားမှုကျဆင်းခြင်း (Attention Networks and Vigilance Decrement): Parasuraman ၏ ဦးနှောက်ပုံရိပ်ဖော်ခြင်းကို အသုံးပြုသည့် neuroergonomics သုတေသနက စောင့်ကြည့်ရေးလုပ်ငန်းတာဝန်များမှ ဦးနှောက်မည်သည့်အချိန်တွင် အဆက်အသွယ်ပြတ်သွားကြောင်း ဖော်ထုတ်ခဲ့သည်။ ယုံကြည်စိတ်ချရသော အလိုအလျောက်စနစ်များကို လှုပ်ရှားမှုမရှိဘဲ စောင့်ကြည့်နေစဉ်အတွင်း၊ အာရုံစူးစိုက်မှုကွန်ရက်များ (အထူးသဖြင့် dorsal attention network) သည် အချိန်ကြာလာသည်နှင့်အမျှ တက်ကြွမှုလျော့ကျလာသည်ကို ပြသသည်—၎င်းကို "နိုးကြားမှုကျဆင်းခြင်း (vigilance decrement)" ဟုခေါ်သည်။

မှတ်ဉာဏ်ဖန်တီးမှု (Memory Confabulation): အလိုအလျောက်စနစ်ကြောင့်ဖြစ်သော အမှားများအပြီးတွင် လေယာဉ်မှူး ၆၇% သည် မှားယွင်းသောမှတ်ဉာဏ်များကို ပြသခဲ့သည်ဟူသော တွေ့ရှိချက်က မှတ်ဉာဏ်ခိုင်မာစေသည့် လုပ်ငန်းစဉ်များ (memory consolidation processes) ပါဝင်ပတ်သက်နေကြောင်း အကြံပြုသည်။ ဦးနှောက်က အလိုအလျောက်စနစ်၏ ကောက်ချက်ကို လက်ခံလိုက်သောအခါ၊ hippocampus မှတ်ဉာဏ်စနစ်များသည် မှတ်ဉာဏ်ခိုင်မာစေစဉ်အတွင်း ထောက်ခံသည့် "အထောက်အထား" များကို ဖန်တီးကာ၊ မှားယွင်းသော ဆုံးဖြတ်ချက်ကို ယုတ္တိရှိသော ဇာတ်လမ်းတစ်ခုအဖြစ် ပေါင်းစပ်လိုက်နိုင်သည်။

ဒိုပါမင်းရီဝပ်လမ်းကြောင်းများ (Dopaminergic Reward Pathways): အလိုအလျောက်စနစ်ကို ယုံကြည်ခြင်းနှင့် မှန်ကန်ခြင်းသည် ဆုပေးသည့်လမ်းကြောင်းများကို အစပျိုးစေသည်။ ဤအပြုသဘောဆောင်သော အားဖြည့်မှုသည် အချိန်ကြာလာသည်နှင့်အမျှ အလိုအလျောက်လက်ခံခြင်း ဖြတ်လမ်းကို ခိုင်မာစေပြီး၊ ၎င်းကို လျစ်လျူရှုရန် ပိုမိုခက်ခဲလာစေသည်။

၃။ ဆင့်ကဲပြောင်းလဲမှုဆိုင်ရာ မူလအစများ

Automation bias သည် နည်းပညာမပေါ်မီ ပတ်ဝန်းကျင်များတွင် ရှင်သန်နိုင်စွမ်းကို မြှင့်တင်ရန် ဆင့်ကဲပြောင်းလဲလာသော သိမြင်မှုယန္တရားများ၏ လွဲမှားစွာအသုံးချမှုတစ်ခုကို ကိုယ်စားပြုသည်။

ရှားပါးသောကမ္ဘာတွင် စွမ်းအင်ချွေတာခြင်း: ကျွန်ုပ်တို့၏ဘိုးဘေးများသည် ကယ်လိုရီများ အဖိုးတန်သော ပတ်ဝန်းကျင်တွင် နေထိုင်ခဲ့ကြသည်။ ဦးနှောက်သည် ခန္ဓာကိုယ်စွမ်းအင်၏ ၂၀% ခန့်ကို သုံးစွဲသည်။ ဆင့်ကဲပြောင်းလဲမှုသည် ရုပ်ပိုင်းဆိုင်ရာ ရှင်သန်မှုလှုပ်ရှားမှုများအတွက် စွမ်းအင်ကို ချွေတာရင်း "လုံလောက်စွာ ကောင်းမွန်သော" ဆုံးဖြတ်ချက်များကို ထုတ်ပေးသည့် သိမြင်မှုဆိုင်ရာ ဖြတ်လမ်းများကို မျက်နှာသာပေးခဲ့သည်။ သိမြင်မှုဆိုင်ရာအလုပ်များကို ယုံကြည်စိတ်ချရသော အရင်းအမြစ်များထံ လွှဲပြောင်းပေးခြင်းသည် လိုက်လျောညီထွေဖြစ်စေသည်။

လူမှုရေးအရ အလေးထားခြင်းနှင့် ကျွမ်းကျင်မှု: လူသားများသည် ကျွမ်းကျင်သူများ (သက်ကြီးရွယ်အိုများ၊ ကျွမ်းကျင်သောမုဆိုးများ၊ ကုသသူများ) ကို အလေးထားခြင်းက ရှင်သန်မှု အကျိုးကျေးဇူးများပေးသည့် လူမှုအုပ်စုများတွင် ဆင့်ကဲပြောင်းလဲလာသည်။ သတင်းအချက်အလက်၏ ယုံကြည်စိတ်ချရသော အရင်းအမြစ်များကို ခွဲခြားသတ်မှတ်ရန်နှင့် ၎င်းတို့ကို အလေးထားရန် ဖြတ်လမ်းနည်းများကို ကျွန်ုပ်တို့ တီထွင်ခဲ့သည်။ အလိုအလျောက်စနစ်များ၊ အထူးသဖြင့် ၉၉% အချိန်များတွင် ယုံကြည်စိတ်ချရသောစနစ်များသည် ဤအလေးထားမှု ယန္တရားများကိုပင် အစပျိုးစေသည်။

ကိရိယာအပေါ် ယုံကြည်မှုသည် ရှင်သန်မှုအဖြစ်: မိမိ၏ ကိရိယာများကို ယုံကြည်ခြင်းသည် ဆင့်ကဲပြောင်းလဲမှုအရ မရှိမဖြစ်လိုအပ်သည်။ သူတို့၏ လှံသည် ဖြောင့်တန်းစွာ သွားမည်လားဟု အမြဲတမ်း သံသယဝင်နေသော မုဆိုးတစ်ဦးသည် လှုပ်ရှားနိုင်မည် မဟုတ်ပေ။ ဆင့်ကဲပြောင်းလဲမှုသည် ယုံကြည်စိတ်ချရသော ကိရိယာများအပေါ် ယုံကြည်မှုရှိရန် ရွေးချယ်ခဲ့သည်။ ခေတ်သစ် အလိုအလျောက်စနစ်သည် ဤနက်ရှိုင်းစွာ အမြစ်တွယ်နေသော ကိရိယာ-ယုံကြည်မှု ယန္တရားကို ကြားဖြတ်ယူလိုက်သည်။

ချို့ယွင်းချက်လော (Bug) အင်္ဂါရပ်လော (Feature)? Automation bias သည် အခြေခံအားဖြင့် လွဲမှားစွာအသုံးချထားသော အင်္ဂါရပ်တစ်ခုဖြစ်သည်။ သိမြင်မှုစွမ်းဆောင်ရည် ဗျူဟာသည် တုံ့ပြန်မှုချက်ချင်းရရှိပြီး အကျိုးဆက်များ အချိုးကျသည့် သဘာဝပတ်ဝန်းကျင်များတွင် ကောင်းစွာအလုပ်လုပ်သည်။ အမှားအယွင်းများ ရှားပါးသော်လည်း ဆိုးရွားစွာ ဖျက်ဆီးနိုင်ပြီး၊ တုံ့ပြန်မှု နောက်ကျကာ၊ အကျိုးဆက်များ မညီမျှသော အန္တရာယ်များသည့် နည်းပညာပတ်ဝန်းကျင်များတွင် ၎င်းသည် ဆိုးရွားစွာ ကျရှုံးသည်။

ပတ်ဝန်းကျင်နှင့် မကိုက်ညီမှု: ဤဘက်လိုက်မှုက လိုက်လျောညီထွေဖြစ်ခဲ့သည့် ပတ်ဝန်းကျင်များသည် ခေတ်သစ် နည်းပညာဆိုင်ရာ အခြေအနေများနှင့် အလွန်ကွာခြားသည်။ ကျောက်ကိရိယာများကို ကိုင်တွယ်ရာတွင် အကျိုးရှိခဲ့သော ဖြတ်လမ်းနည်းတစ်ခုသည် နျူကလီးယားဓာတ်ပေါင်းဖိုများ၊ လေယာဉ်များ သို့မဟုတ် ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေမှုများကို ထိန်းချုပ်သည့် စနစ်များတွင် အသုံးပြုသောအခါ အန္တရာယ်ရှိလာသည်။ စက်က ပို၍ယုံကြည်စိတ်ချရလေ၊ လူသား၏အမှားက ပို၍အန္တရာယ်ရှိလေဖြစ်သည့် ယုံကြည်စိတ်ချရမှု-အန္တရာယ် (reliability-danger) ပဟေဠိကို ကိုင်တွယ်ဖြေရှင်းရန် ကျွန်ုပ်တို့၏ သိမြင်မှုတည်ဆောက်ပုံက ဆင့်ကဲပြောင်းလဲမလာသေးပေ။

၄။ ဤဘက်လိုက်မှု မည်သို့ပေါ်ပေါက်လာပုံ

၄.၁. နေ့စဉ်ဘဝတွင်

• GPS လမ်းညွှန်ချက်- ယာဉ်မောင်းများသည် လမ်းကြောင်းများနှင့်ဆန့်ကျင်ဘက်ဖြစ်နေသည့် အမြင်အာရုံဆိုင်ရာ အထောက်အထားများရှိနေသော်လည်း ရေကန်များထဲသို့၊ ပိတ်ထားသောလမ်းများပေါ်သို့၊ သို့မဟုတ် မသင့်လျော်သောလမ်းကြောင်းများပေါ်သို့ GPS ညွှန်ကြားချက်များအတိုင်း လိုက်သွားတတ်ကြသည်။ လမ်းညွှန်စနစ်၏ အခွင့်အာဏာသည် တိုက်ရိုက်အာရုံခံလေ့လာမှုကို ကျော်လွန်သွားသည်။

• စာလုံးပေါင်းစစ်ဆေးခြင်းနှင့် သဒ္ဒါသုံးကိရိယာများ- စာရေးသူများသည် မှားယွင်းနေသော အလိုအလျောက်ပြင်ဆင်မှုများ သို့မဟုတ် သဒ္ဒါအကြံပြုချက်များကို အတည်မပြုဘဲ လက်ခံကြပြီး နောက်ဆုံးစာရွက်စာတမ်းများတွင် အမှားများကို ထည့်သွင်းမိကြသည်။ အစိမ်းရောင်အမှန်ခြစ်သည် အတည်ပြုချက်တံဆိပ်တစ်ခု ဖြစ်လာသည်။

• စမတ်အိမ်သုံးပစ္စည်းများ- ကိုယ်ပိုင်သက်သောင့်သက်သာရှိမှု သို့မဟုတ် တိကျသော အိမ်ထောင်စုအခြေအနေများကို ထည့်သွင်းမစဉ်းစားဘဲ စမတ်အပူချိန်ထိန်းကိရိယာ (smart thermostat) ၏ စွမ်းအင်အကြံပြုချက်များကို လက်ခံခြင်း။

• အွန်လိုင်း အကြံပြုချက်များ- အဘယ်ကြောင့် သီးခြားရွေးချယ်စရာများကို ပြသနေသည်ကို မမေးခွန်းထုတ်ဘဲ ဝယ်ယူမှုများ၊ ဖျော်ဖြေရေး သို့မဟုတ် လူမှုအဆက်အသွယ်များအတွက် အယ်လဂိုရီသမ်ဖြင့်မောင်းနှင်သော အကြံပြုချက်များကို ဝေဖန်မှုမပါဘဲ လက်ခံခြင်း။

• ဂဏန်းတွက်စက်အပေါ် မှီခိုခြင်း- ခန့်မှန်းတွက်ချက်ရုံဖြင့် သိသာထင်ရှားသောအမှားများကို သိနိုင်သည့် ရိုးရှင်းသောတွက်ချက်မှုများအတွက်ပင် ရလဒ်သည် ယုတ္တိရှိမရှိ စစ်ဆေးခြင်းမပြုဘဲ ဂဏန်းတွက်စက်ရလဒ်များကို လက်ခံခြင်း။

၄.၂. လုပ်ငန်းခွင်တွင်

• Spreadsheet ကို အလွန်အမင်းယုံကြည်ခြင်း- အခြေခံတွက်ချက်မှုများကို အတည်မပြုဘဲ Excel ရှိ ဖော်မြူလာရလဒ်များကို လက်ခံခြင်းကြောင့် ဘဏ္ဍာရေးမော်ဒယ်များနှင့် အစီရင်ခံစာများတွင် အမှားများ ပြန့်ပွားသွားခြင်း။

• အလိုအလျောက် အချိန်ဇယားဆွဲခြင်း- အဖွဲ့လိုက်လှုပ်ရှားမှု၊ ခရီးသွားချိန် သို့မဟုတ် တစ်ဦးချင်းအလုပ်ပုံစံများကဲ့သို့သော လူသားဆိုင်ရာအချက်အလက်များကို ထည့်သွင်းမစဉ်းစားသည့် AI ထုတ်လုပ်ထားသော အချိန်ဇယားများကို လိုက်နာခြင်း။

• HR စိစစ်ရေးဆော့ဖ်ဝဲ- အလုပ်ခန့်ထားရေးမန်နေဂျာများသည် အလိုအလျောက် ကိုယ်ရေးရာဇဝင်စစ်ဆေးခြင်းအပေါ် လုံးဝမှီခိုပြီး၊ မကိုက်ညီဟု မှတ်သားခံရသော အရည်အချင်းပြည့်မီသည့် ကိုယ်စားလှယ်လောင်းများကို လက်လွတ်ခံခြင်း သို့မဟုတ် အယ်လဂိုရီသမ်က မျက်နှာသာပေးသော အရည်အချင်းမပြည့်မီသူများကို လက်ခံခြင်း။

• စွမ်းဆောင်ရည် ခွဲခြမ်းစိတ်ဖြာမှု- ဝန်ထမ်းပံ့ပိုးမှု၏ အရည်အသွေးပိုင်းဆိုင်ရာများကို ဖမ်းယူရန်ပျက်ကွက်သည့် အလိုအလျောက် စွမ်းဆောင်ရည်တိုင်းတာမှုများအပေါ် အလွန်အမင်းမှီခိုခြင်း။

• အီးမေးလ် စစ်ထုတ်ခြင်း- Spam စစ်ထုတ်မှုများက အရေးကြီးသောဆက်သွယ်ရေးများကို မှားယွင်းစွာ အမျိုးအစားခွဲခြားထားသောကြောင့်၊ စစ်ထုတ်ထားသော မက်ဆေ့ဂျ်များကို အခါအားလျော်စွာ အတည်ပြုခြင်းမရှိဘဲ ၎င်းတို့ကို လွတ်သွားခြင်း။

• အလိုအလျောက် အစီရင်ခံစာများ- "စနစ်က ထိုသို့ပြောထားသောကြောင့်" တိကျသည်ဟု ယူဆကာ ပုံမှန်မဟုတ်မှုများ သို့မဟုတ် အမှားများကို ပြန်လည်မသုံးသပ်ဘဲ စနစ်မှထုတ်ပေးသော အစီရင်ခံစာများကို ဖြန့်ဝေခြင်း။

၄.၃. စီးပွားရေးနှင့် စျေးကွက်ရှာဖွေရေးတွင်

• အယ်လဂိုရီသမ် ကုန်သွယ်မှု- ဘဏ္ဍာရေးကုမ္ပဏီများသည် လူသား၏ကြီးကြပ်မှုမပါဘဲ ကုန်သွယ်မှု အယ်လဂိုရီသမ်များကို မှီခိုခြင်းကြောင့် ရုတ်တရက်ပြိုကျမှုများ (flash crashes) နှင့် ဆက်တိုက်ပျက်ကွက်မှုများ ဖြစ်ပေါ်ခြင်း။

• ပြောင်းလဲနေသော ဈေးနှုန်းသတ်မှတ်ခြင်း (Dynamic Pricing): အရေးပေါ်အခြေအနေများ သို့မဟုတ် ထောက်ပံ့ရေးပြတ်တောက်မှုများအတွင်း ဖောက်သည်များကို စိတ်ပျက်စေသည့် အလိုအလျောက် ဈေးနှုန်းသတ်မှတ်ခြင်းကို အကောင်အထည်ဖော်သည့် ကုမ္ပဏီများသည် အမှတ်တံဆိပ်ဂုဏ်သတင်းကို ထိခိုက်စေခြင်း။

• စျေးကွက်ရှာဖွေရေး အလိုအလျောက်စနစ်- လူဦးရေစာရင်း သို့မဟုတ် အပြုအမူဆိုင်ရာ အစပျိုးမှုများ မှားယွင်းစွာလုပ်ဆောင်သောကြောင့် မသင့်လျော်သော အလိုအလျောက် မက်ဆေ့ဂျ်များကို ပေးပို့ခြင်း။

• ဖောက်သည်ဝန်ဆောင်မှု Chatbot များ- စီးပွားရေးလုပ်ငန်းများသည် အကူအညီမရသော လည်ပတ်မှုများတွင် ပိတ်မိနေသည့် စိတ်ပျက်နေသော ဖောက်သည်များကို စောင့်ကြည့်ခြင်းမရှိဘဲ chatbot အပြန်အလှန်တုံ့ပြန်မှုများသည် ကျေနပ်စရာကောင်းသည်ဟု ယူဆခြင်း။

• ကုန်ပစ္စည်းစာရင်း စီမံခန့်ခွဲမှု- လက်လီရောင်းချသူများသည် ဒေသဆိုင်ရာကွဲပြားမှုများ၊ ရာသီအလိုက် အပြောင်းအလဲများ သို့မဟုတ် လာမည့်ဖြစ်ရပ်များကို ထည့်သွင်းစဉ်းစားရန် ပျက်ကွက်သည့် အလိုအလျောက် ပြန်လည်မှာယူသည့်စနစ်များကို ယုံကြည်ခြင်း။

• လိမ်လည်မှု ထောက်လှမ်းခြင်း- ဘဏ်များသည် လိမ်လည်မှုကို လွတ်သွားခြင်း (ပျက်ကွက်မှုအမှားများ) နှင့် တရားဝင်ငွေလွှဲပြောင်းမှုများကို အလံပြခြင်း (သုံးသပ်မှုမရှိဘဲ လက်ခံလိုက်သော false positives များ) နှစ်မျိုးလုံးကို လုပ်ဆောင်ခြင်း။

၄.၄. နိုင်ငံရေးနှင့် မီဒီယာတွင်

• ဆိုရှယ်မီဒီယာ အယ်လဂိုရီသမ်များ- နိုင်ငံသားများ၏ ကမ္ဘာ့အမြင်များသည် ၎င်းတို့ မမေးခွန်းထုတ် သို့မဟုတ် နားမလည်သော အကြောင်းအရာအကြံပြုချက် အယ်လဂိုရီသမ်များဖြင့် ပုံဖော်ခံရခြင်း။

• အချက်အလက်စစ်ဆေးသည့် ကိရိယာများ- သတင်းထောက်များသည် အလိုအလျောက် အချက်အလက်စစ်ဆေးခြင်းအပေါ် အတည်ပြုချက်မပါဘဲ မှီခိုခြင်းကြောင့် အမှားများကို ပြန့်ပွားစေနိုင်ခြင်း သို့မဟုတ် သိမ်မွေ့သော တောင်းဆိုမှုများကို လွတ်သွားနိုင်ခြင်း။

• စစ်တမ်း စုစည်းမှု- နိုင်ငံရေးသုံးသပ်သူများသည် မော်ဒယ်၏ ကန့်သတ်ချက်များနှင့် ယူဆချက်များ ရှိနေသော်လည်း အယ်လဂိုရီသမ် စစ်တမ်းစုစည်းမှုများကို အခွင့်အာဏာရှိသကဲ့သို့ သဘောထားခြင်း။

• အကြောင်းအရာ စိစစ်ခြင်း (Content Moderation): အလိုအလျောက် အကြောင်းအရာ စိစစ်ရေး ဆုံးဖြတ်ချက်များကို မှန်ကန်သည်ဟု လက်ခံခြင်း၊ တရားဝင် လွတ်လပ်စွာပြောဆိုခွင့်ကို ဖိနှိပ်ခြင်း သို့မဟုတ် အန္တရာယ်ရှိသော အကြောင်းအရာများကို ဆက်ရှိနေစေခြင်း။

• ရွေးကောက်ပွဲ နည်းပညာ- မဲဆန္ဒရှင်များနှင့် တာဝန်ရှိသူများသည် လုံလောက်သော အတည်ပြုယန္တရားများမရှိဘဲ အီလက်ထရောနစ် မဲပေးခြင်းနှင့် ရေတွက်ခြင်းစနစ်များကို ယုံကြည်ခြင်း။

• ကြိုတင်ခန့်မှန်း ရဲလုပ်ငန်း (Predictive Policing): တရားဥပဒေစိုးမိုးရေးသည် တကယ့်အန္တရာယ်ထက် သမိုင်းဝင် ဘက်လိုက်မှုများကို ထင်ဟပ်နိုင်သည့် အယ်လဂိုရီသမ် ခန့်မှန်းချက်များအပေါ် အခြေခံ၍ အရင်းအမြစ်များကို ဖြန့်ကျက်ခြင်း။

၄.၅. ကျန်းမာရေးစောင့်ရှောက်မှုတွင်

• လက်တွေ့ ဆုံးဖြတ်ချက် အထောက်အကူပြုစနစ်များ (CDSS): ၂၀၂၅ ခုနှစ် ကျပန်းလက်တွေ့စမ်းသပ်မှုတစ်ခုတွင် "မှားယွင်းသော LLM အကြံပြုချက်များသည် automation bias ကို ဖြစ်စေခြင်းဖြင့် ဆရာဝန်များ၏ ရောဂါရှာဖွေရေး စွမ်းဆောင်ရည်ကို သိသိသာသာ ကျဆင်းစေသည်" ဟု တွေ့ရှိခဲ့သည်။ ကျွမ်းကျင်ဆရာဝန်များပင်လျှင် ရောဂါရှာဖွေမှုများကို လုပ်ကြံဖန်တီးသော (hallucinated) စက်များထံ အလေးထားခဲ့ကြသည်။

• အီလက်ထရောနစ် ကျန်းမာရေးမှတ်တမ်းများ (EHR): အလွန်အကျွံ စနစ်သတိပေးချက်များမှ သတိပေးချက် ပင်ပန်းနွမ်းနယ်မှု (Alert fatigue) သည် ဆေးဘက်ဆိုင်ရာပညာရှင်များအား အရေးကြီးသော သတိပေးချက်များအပါအဝင် သတိပေးချက်အားလုံးကို ပယ်ချရန် ဖြစ်စေသည်။ အခြားတစ်ဖက်တွင်၊ EHR စနစ်များမှ အကြံပြုချက်များကို လက်တွေ့ဆေးဘက်ဆိုင်ရာ အတည်ပြုချက်မပါဘဲ လက်ခံခြင်း။

• ဆေးဘက်ဆိုင်ရာ ပုံရိပ်ဖော် AI: ဓာတ်မှန်ပညာရှင်များသည် AI က အလံပြထားသော တွေ့ရှိချက်များကို လွတ်လပ်စွာ အတည်ပြုခြင်းမရှိဘဲ လက်ခံခြင်း သို့မဟုတ် ပယ်ချခြင်း၊ ကင်ဆာများကို လွတ်သွားနိုင်ခြင်း သို့မဟုတ် အန္တရာယ်မရှိသော တွေ့ရှိချက်များကို အလွန်အကျွံ ရောဂါရှာဖွေခြင်း။

• ဆေးဝါး အပြန်အလှန်သက်ရောက်မှု စစ်ဆေးသူများ- ဆေးဝါးကျွမ်းကျင်သူများသည် လူနာတစ်ဦးချင်းစီ၏ အခြေအနေများနှင့်ပတ်သက်၍ လက်တွေ့ဆေးဘက်ဆိုင်ရာဆုံးဖြတ်ချက်မပါဘဲ အလိုအလျောက် ဆေးဝါးအပြန်အလှန်သက်ရောက်မှု သတိပေးချက်များကို ပယ်ချခြင်း သို့မဟုတ် လက်ခံခြင်း။

• အသက်ရှူနှုန်း စောင့်ကြည့်ရေးကိရိယာများ- သူနာပြုများနှင့် ဆရာဝန်များသည် "ပုံမှန်" အလိုအလျောက် အသက်ရှူနှုန်း ဖတ်ရှုမှုများနှင့် ဆန့်ကျင်ဘက်ဖြစ်နေသည့် လက်တွေ့လေ့လာတွေ့ရှိချက်များကို လျစ်လျူရှုခြင်း။

• ရောဂါရှာဖွေရေး အယ်လဂိုရီသမ်များ- လူနာ၏ပြသမှုသည် လူသား၏အလိုလိုသိမြင်မှု (intuition) လိုအပ်သော ပုံမှန်မဟုတ်သော အခြေအနေတစ်ခုကို အကြံပြုနေသော်လည်း အယ်လဂိုရီသမ် ရောဂါရှာဖွေရေး လမ်းကြောင်းများကို လိုက်နာခြင်း။

၄.၆. ဘဏ္ဍာရေးနှင့် ရင်းနှီးမြှုပ်နှံမှုတွင်

• Robo-Advisors: ရင်းနှီးမြှုပ်နှံသူများသည် ကိုယ်ရေးကိုယ်တာအခြေအနေများ၊ စွန့်စားနိုင်မှုအပြောင်းအလဲများ သို့မဟုတ် အယ်လဂိုရီသမ်များက ဖမ်းယူမထားသော ဘဝဖြစ်ရပ်များကို ထည့်သွင်းမစဉ်းစားဘဲ အလိုအလျောက် အစုရှယ်ယာအကြံပြုချက်များကို လိုက်နာခြင်း။

• ခရက်ဒစ် အမှတ်ပေးခြင်း- ငွေချေးသူများသည် တစ်ဦးချင်းအခြေအနေများ သို့မဟုတ် ခရက်ဒစ်အစီရင်ခံစာများရှိ အမှားများကို မစစ်ဆေးဘဲ အလိုအလျောက် ခရက်ဒစ်ရမှတ်များအပေါ် အခြေခံ၍ လျှောက်လွှာများကို လက်ခံခြင်း သို့မဟုတ် ပယ်ချခြင်း။

• အန္တရာယ် အကဲဖြတ်မှု မော်ဒယ်များ- ဘဏ္ဍာရေးအဖွဲ့အစည်းများသည် ၂၀၀၈ ခုနှစ် ဘဏ္ဍာရေးအကျပ်အတည်းအတွင်း ဆိုးရွားစွာပျက်ကွက်ခဲ့သော Value-at-Risk နှင့် အခြားသော အလိုအလျောက် အန္တရာယ်မော်ဒယ်များကို ယုံကြည်ခြင်း။

• အယ်လဂိုရီသမ် ကုန်သွယ်မှု ဆုံးဖြတ်ချက်များ- တစ်ဦးချင်း ရင်းနှီးမြှုပ်နှံသူများသည် အခြေခံဗျူဟာ သို့မဟုတ် စျေးကွက်အခြေအနေများကို နားမလည်ဘဲ အယ်လဂိုရီသမ် ကုန်သွယ်မှုအချက်ပြမှုများကို ကူးယူခြင်း။

• အလိုအလျောက် ဘဏ္ဍာရေး အစီအစဉ်ဆွဲခြင်း- ငွေကြေးဖောင်းပွမှု၊ ပြန်လည်ရရှိမှုများ သို့မဟုတ် သက်တမ်းနှင့်ပတ်သက်သော ယူဆချက်များကို မမေးခွန်းထုတ်ဘဲ ဆော့ဖ်ဝဲမှ အငြိမ်းစားယူမည့် ခန့်မှန်းချက်များနှင့် စုဆောင်းငွေအကြံပြုချက်များကို လက်ခံခြင်း။

• လိမ်လည်မှု သတိပေးချက်များ- မကြာခဏဆိုသလို false positives များကြောင့် စစ်မှန်သော လိမ်လည်မှုသတိပေးချက်များကို လျစ်လျူရှုခြင်း သို့မဟုတ် အလံပြထားသော ငွေလွှဲပြောင်းမှုအားလုံးကို စုံစမ်းစစ်ဆေးခြင်းမရှိဘဲ လိမ်လည်မှုအဖြစ် လက်ခံခြင်း။

၅။ လက်တွေ့ကမ္ဘာမှ ဖြစ်ရပ်မှန် လေ့လာမှုများ

ဖြစ်ရပ်မှန် လေ့လာမှု ၁- ပါထရီယော့ ဒုံးကျည် မှားယွင်းပစ်ခတ်မှုများ (၂၀၀၃)

• အကြောင်းအရာ- အီရတ်လွတ်မြောက်ရေးစစ်ဆင်ရေး (Operation Iraqi Freedom) အတွင်း၊ အမေရိကန်စစ်တပ်၏ ပါထရီယော့ ဒုံးကျည်စနစ်သည် လက်ဖြင့်ထိန်းချုပ်မှုမှ အပြည့်အဝ အလိုအလျောက်စနစ်အထိ ပုံစံအမျိုးမျိုးဖြင့် လည်ပတ်ခဲ့သည်။ အီရတ် ပဲ့ထိန်းဒုံးကျည်များကို ကြောက်ရွံ့မှုကြောင့် လက္ခဏာရပ်ရှိသော အန္တရာယ်များသည့် ပတ်ဝန်းကျင်သည် တိုက်ခိုက်ရန် ဘက်လိုက်နေသော စနစ်ဖွဲ့စည်းပုံများကို ဖြစ်ပေါ်စေခဲ့သည်။

• ဘာဖြစ်ခဲ့သလဲ- နာမည်ဆိုးဖြင့်ကျော်ကြားသော မဟာမိတ်အချင်းချင်း မှားယွင်းပစ်ခတ်မှုနှစ်ခု ဖြစ်ပွားခဲ့သည်- ဗြိတိန်တော်ဝင်လေတပ် Tornado GR4 နှင့် အမေရိကန်ရေတပ် F/A-18 Hornet တို့ကို ပစ်ချခဲ့ခြင်းဖြစ်သည်။ လေယာဉ်အမှုထမ်းနှစ်ဖွဲ့လုံး သေဆုံးခဲ့သည်။ ဖြစ်ရပ်နှစ်ခုစလုံးတွင်၊ ပါထရီယော့၏ ရေဒါ အယ်လဂိုရီသမ်သည် မဟာမိတ်လေယာဉ်ကို လာနေသော Anti-Radiation Missile (ARM) အဖြစ် မှားယွင်းစွာ အမျိုးအစားခွဲခြားခဲ့သည်။

• လုပ်ဆောင်နေသော ဘက်လိုက်မှု- စနစ်က ၎င်း၏ မှားယွင်းသောအမျိုးအစားခွဲခြားမှုကို လူသားအော်ပရေတာများထံ အမှန်တရားအဖြစ် တင်ပြခဲ့သည်။ အော်ပရေတာများတွင် အခြားတိုင်းတာမှုများ (လေကြောင်းအမြန်နှုန်း၊ အမြင့်၊ မိတ်ဆွေ သို့မဟုတ် ရန်သူ ခွဲခြားသတ်မှတ်ခြင်း) ကို အသုံးပြု၍ ပစ်မှတ်ကို အတည်ပြုရန် စက္ကန့်ပိုင်းမျှ အချိန်ရသော်လည်း၊ ၎င်းတို့သည် ထိရောက်စွာ လုပ်ဆောင်ရန် ပျက်ကွက်ခဲ့သည်။ ကာကွယ်ရေးသိပ္ပံဘုတ်အဖွဲ့ အစီရင်ခံစာတစ်ခုက အသုံးပြုသူများသည် "ဆန့်ကျင်ဘက်အထောက်အထားများ အခိုင်အမာရှိနေသော်လည်း စနစ်၏အမှားများကို ဆန္ဒအလျောက် လက်ခံခဲ့ကြသည်" ဟု တွေ့ရှိခဲ့ပြီး၊ စစ်မြေပြင်အစစ်အမှန်ထက် စက်၏ဆုံးဖြတ်ချက်ကို မျက်နှာသာပေးခဲ့သည်။

• အကျိုးဆက်များ- စစ်ဘက်ဆိုင်ရာဝန်ထမ်း လေးဦး သေဆုံးခဲ့သည်။ အစီရင်ခံစာက ဘက်လိုက်မှုသည် တစ်သီးပုဂ္ဂလမျှသာမက အဖွဲ့အစည်းဆိုင်ရာပါ ဖြစ်သည်ဟု ဖော်ထုတ်ခဲ့သည်—အော်ပရေတာများသည် စနစ်ကို ယုံကြည်ရန် လေ့ကျင့်ထားသည်၊ နည်းပညာကို ဝန်းရံနေသည့် "အမှားကင်းစင်မှု ယဉ်ကျေးမှု (culture of infallibility)" က "လူသား ဗီတိုအာဏာ" သည် သီအိုရီအရသာဖြစ်ကြောင်း ဆိုလိုသည်။

• သင်ခန်းစာများ- Automation bias သည် လေ့ကျင့်ရေး၊ ယဉ်ကျေးမှုနှင့် စနစ်ဒီဇိုင်းတို့မှတစ်ဆင့် အဖွဲ့အစည်းအတွင်း အမြစ်တွယ်နေနိုင်သည်။ "Swiss Cheese" မော်ဒယ်သည် လူသားဝင်ရောက်စွက်ဖက်နိုင်ခြေရှိသော အလွှာပေါင်းများစွာက အလိုအလျောက်စနစ်မှန်ကန်သည်ဟု ယူဆသောကြောင့် တစ်ချိန်တည်းမှာပင် မည်သို့ပျက်ကွက်ခဲ့ကြောင်း ပြသခဲ့သည်။

ဖြစ်ရပ်မှန် လေ့လာမှု ၂- UK စာတိုက် Horizon အရှုပ်တော်ပုံ (၁၉၉၉-၂၀၁၅)

• အကြောင်းအရာ- Fujitsu မှ ဖန်တီးထားသော Horizon IT စနစ်ကို UK စာတိုက်အတွက် စာရင်းကိုင်စီမံခန့်ခွဲရန် စတင်အသုံးပြုခဲ့သည်။ ချက်ချင်းဆိုသလိုပင်၊ လက်ထောက်စာတိုက်မှူးများသည် ၎င်းတို့၏ စာရင်းများတွင် ရှင်းပြ၍မရသော လိုငွေပြမှုများကို စတင်သတင်းပို့ခဲ့ကြသည်။

• ဘာဖြစ်ခဲ့သလဲ- စာတိုက်စီမံခန့်ခွဲမှုနှင့် ဗြိတိန်တရားရုံးများသည် "ကွန်ပျူတာများသည် ယုံကြည်စိတ်ချရသည်"—codified form of automation bias (ဥပဒေအရသတ်မှတ်ထားသော automation bias ပုံစံတစ်ခု)—ဟူသော ဥပဒေကြောင်းအရ ယူဆချက်အောက်တွင် လည်ပတ်ခဲ့သည်။ လက်ထောက်စာတိုက်မှူးများက စနစ်တွင် အမှားအယွင်းရှိသည်ဟု ဆိုသောအခါ၊ ၎င်းတို့သည် ခိုးယူမှုဖြင့် စွပ်စွဲခံရသည်။ ရိုးသားသော နိုင်ငံသားရာပေါင်းများစွာ၏ သက်သေခံချက်များကို Horizon မှတ်တမ်းများအတွက် စနစ်တကျ လျစ်လျူရှုခဲ့သည်။

• လုပ်ဆောင်နေသော ဘက်လိုက်မှု- ကွန်ပျူတာ၏ ရလဒ်ကို လူသား၏စိန်ခေါ်မှုမှ ကင်းလွတ်သော၊ အလွန်အလေးအမြတ်ထားရမည့် အမှန်တရားအဖြစ် သဘောထားခဲ့သည်။ "အလိုအလျောက်မဟုတ်သော အရင်းအမြစ်များမှ ဆန့်ကျင်ဘက် အချက်အလက်များ"—လူသားသက်သေခံချက်—ကို ကိုယ်ကျိုးရှာသော လိမ်လည်မှုများ သို့မဟုတ် အရည်အချင်းမရှိမှုအဖြစ် ပယ်ချခဲ့သည်။ မန်နေဂျာများနှင့် တရားသူကြီးများသည် ဆက်တိုက်၊ နှစ်ပေါင်းများစွာကြာသော ကျူးလွန်မှုဆိုင်ရာ automation bias ကို ကျူးလွန်ခဲ့ကြသည်။

• အကျိုးဆက်များ- လူ ၇၀၀ ကျော်သည် မှားယွင်းစွာ ပြစ်မှုထင်ရှားစီရင်ခံရခြင်း၊ ဒေဝါလီခံရခြင်းနှင့် ထောင်ချခံရခြင်းတို့ ဖြစ်ခဲ့သည်။ အိမ်ထောင်ရေးများ ပြိုကွဲခဲ့သည်၊ အသက်မွေးဝမ်းကျောင်းများ ဖျက်ဆီးခံရပြီး လက်ထောက်စာတိုက်မှူးအများအပြား ကိုယ့်ကိုယ်ကိုယ် အဆုံးစီရင်ခဲ့ကြသည်။ နောက်ပိုင်းတွင် စနစ်တွင် ချို့ယွင်းချက် (bugs) များ ပြည့်နှက်နေကြောင်း သက်သေပြခဲ့သည်။ ၎င်းသည် UK သမိုင်းတွင် အကျယ်ပြန့်ဆုံးသော တရားမျှတမှုလွဲချော်မှု (miscarriage of justice) ကို ကိုယ်စားပြုသည်။

• သင်ခန်းစာများ- Automation bias သည် စက္ကန့်ပိုင်းအတွင်း တုံ့ပြန်မှုတစ်ခုသာမက—၎င်းသည် ရေရှည်တည်တံ့သော အဖွဲ့အစည်းဆိုင်ရာ ထင်ယောင်ထင်မှားဖြစ်မှု (delusion) ဖြစ်နိုင်သည်။ ကွန်ပျူတာ ယုံကြည်စိတ်ချရမှုကို ယူဆထားသော တရားရေးနှင့် အဖွဲ့အစည်းဆိုင်ရာ မူဘောင်များသည် တစ်ဦးချင်းစီအတွက် စိန်ခေါ်ရန် အလွန်ခက်ခဲသော စနစ်ကျသော ဘက်လိုက်မှုကို ဖန်တီးသည်။

ဖြစ်ရပ်မှန် လေ့လာမှု ၃- Air France လေကြောင်းလိုင်း ခရီးစဉ်အမှတ် ၄၄၇ (၂၀၀၉)

• အကြောင်းအရာ- အတ္တလန္တိတ်သမုဒ္ဒရာအထက်တွင် ပျံသန်းနေစဉ်၊ Airbus A330 ၏ pitot ပြွန်များ (လေကြောင်းအမြန်နှုန်း အာရုံခံကိရိယာများ) သည် ရေခဲပွင့်များဖြင့် ပိတ်ဆို့သွားပြီး လေယာဉ်ကွန်ပျူတာကို မှန်ကန်သော လေကြောင်းအမြန်နှုန်းဒေတာ မရရှိစေခဲ့ပေ။ Autopilot ပြုတ်သွားပြီး၊ နှစ်ပေါင်းများစွာ အလွန်အမင်း အလိုအလျောက်ပျံသန်းမှုဖြင့် အသားကျနေသော လေယာဉ်မှူးများထံ ထိန်းချုပ်မှုကို လွှဲပြောင်းပေးခဲ့သည်။

• ဘာဖြစ်ခဲ့သလဲ- လေယာဉ်စက်ရပ်ခြင်း (stalls) ကို ကာကွယ်ပေးသည့် "flight envelope protection" ဖြင့် အသားကျနေသော လေယာဉ်မှူးများသည် ထိုအကာအကွယ်များမရှိတော့သည့် "Alternate Law" မုဒ်သို့ ရုတ်တရက် ရောက်ရှိသွားသည်။ ဆန့်ကျင်ဘက်ဖြစ်နေသော သတိပေးချက်များ (စက်ရပ်ခြင်း သတိပေးချက် ၇၅ ကြိမ် မြည်ခဲ့သည်) ကြောင့် ရှုပ်ထွေးသွားပြီး၊ ပျံသန်းနေသော လေယာဉ်မှူးသည် ထိန်းချုပ်တံကို နောက်သို့ဆွဲလိုက်သည်—၎င်းသည် အကာအကွယ်မရှိသော ပျံသန်းမှုမုဒ်များတွင် စက်ရပ်ခြင်းကို ဖြစ်စေသော လှုပ်ရှားမှုတစ်ခုဖြစ်သည်။

• လုပ်ဆောင်နေသော ဘက်လိုက်မှု- လေယာဉ်အမှုထမ်းများသည် အလိုအလျောက်စနစ်၏ အခြေအနေ အခြေခံကျကျ ပြောင်းလဲသွားကြောင်း မယုံကြည်နိုင်ခြင်းကို ခံစားခဲ့ရသည်။ သူတို့၏ စိတ်ပိုင်းဆိုင်ရာ မော်ဒယ်သည် ပုံမှန် အလိုအလျောက် လည်ပတ်မှုနှင့် ချိတ်ဆက်နေသောကြောင့် ကုန်ကြမ်း လေခွင်းအား (aerodynamic) အမှန်တရား (လေယာဉ်ပြုတ်ကျနေသည်) ကို လျစ်လျူရှုခဲ့ကြသည်။ FAA ၏ ခွဲခြမ်းစိတ်ဖြာချက်အရ လေယာဉ်အမှုထမ်းများသည် "ကွင်းဆက်ပြင်ပ (out of the loop)" သို့ရောက်နေပြီး "အလိုအလျောက်စနစ်က ဘာတွေလုပ်နေသလဲ" ဆိုတာကို နားမလည်နိုင်ဖြစ်ခဲ့ကြောင်း မှတ်ချက်ပြုခဲ့သည်။ ၎င်းတို့သည် အလိုအလျောက်စနစ်က ၎င်းတို့ကို ကယ်တင်ရန် ထိရောက်စွာ စောင့်ဆိုင်းခဲ့ကြသည်—လေယာဉ်ပျက်ကျသည်အထိ ဆက်ရှိနေခဲ့သော အနီးစပ်ဆုံး မှီခိုမှု (heuristic reliance) တစ်ခုဖြစ်သည်။

• အကျိုးဆက်များ- လိုက်ပါလာသူ ၂၂၈ ဦးစလုံး သေဆုံးခဲ့သည်။ လေယာဉ်ပျက်ကျမှုသည် အလိုအလျောက်စနစ်အပေါ် ဘက်လိုက်မှု၏ "အလိုအလျောက် အံ့သြမှု (automation surprise)" နှင့် လူကိုယ်တိုင် သိမြင်မှုသို့ ပြန်မသွားနိုင်ခြင်းတို့ကို ဖြစ်ပေါ်စေသည့် ပြတ်သားသော ဖြစ်ရပ်မှန်လေ့လာမှုတစ်ခုအဖြစ် ကျန်ရှိနေဆဲဖြစ်သည်။

• သင်ခန်းစာများ- အလိုအလျောက်စနစ်အပေါ် အလွန်အမင်းမှီခိုခြင်းသည် အလိုအလျောက်စနစ် ပျက်ကွက်သောအခါ လေယာဉ်မှူးများ ပြန်လည်မထိန်းချုပ်နိုင်သည့်အထိ လူကိုယ်တိုင်လုပ်ဆောင်ရသည့် ကျွမ်းကျင်မှုများကို ကျဆင်းစေနိုင်သည်။ သိမြင်မှုကွင်းဆက်မှ လူသားများကို စနစ်တကျ ဖယ်ထုတ်ထားသောအခါ "လူသား အရန်အကူ (human backup)" ယူဆချက်သည် အပြစ်အနာအဆာရှိသည်။

သမိုင်းဝင် ဥပမာ- Stanislav Petrov (၁၉၈၃)

Automation bias ကို အပြည့်အဝနားလည်ရန်၊ ၎င်းကို အောင်မြင်စွာ ချိုးဖျက်နိုင်ခဲ့သည့် ရှားပါးသောဖြစ်ရပ်များကို ဆန်းစစ်ရမည်ဖြစ်သည်။ ၁၉၈၃ ခုနှစ်၊ စက်တင်ဘာလ ၂၆ ရက်နေ့တွင် ဆိုဗီယက် နျူကလီးယား စောစီးစွာသတိပေးစနစ် (Oko) က အမေရိကန်မှ တိုက်ချင်းပစ် ပဲ့ထိန်းဒုံးကျည် ၅ စင်း ပစ်လွှတ်လိုက်ကြောင်း သတင်းပို့ခဲ့သည်။

တာဝန်ကျအရာရှိ ဒုတိယဗိုလ်မှူးကြီး Stanislav Petrov က သတိပေးချက်သည် မှားယွင်းသည်ဟု ဆုံးဖြတ်ခဲ့သည်။ သူ၏ ဆင်ခြင်တုံတရားမှာ အကြောင်းအရာနှင့် လူသားဆန်မှုအပေါ် အခြေခံသည်- "လူတွေ စစ်စတင်တဲ့အခါ၊ ဒုံးကျည် ၅ စင်းတည်းနဲ့ မစဘူး။" ဂြိုဟ်တုနည်းပညာသစ်ကိုလည်း သူ မယုံကြည်ခဲ့ပေ။ Petrov သည် သတိပေးချက်ကို အထက်အရာရှိများထံ ပေးပို့ရန် ငြင်းဆန်ခဲ့ပြီး၊ လက်တုံ့ပြန်သည့် နျူကလီးယားတိုက်ခိုက်မှု ဖြစ်နိုင်ခြေကို တားဆီးခဲ့သည်။

Petrov ၏ အောင်မြင်မှုသည် သူ၏ သံသယရှိမှုနှင့် နယ်ပယ်ကျွမ်းကျင်မှုတို့ကြောင့် ဖြစ်သည်—နိုင်ငံရေးနှင့် မဟာဗျူဟာမြောက် အခြေအနေ (လူသားအသိဉာဏ်) သည် အာရုံခံဒေတာ (အလိုအလျောက်အသိဉာဏ်) နှင့် ဆန့်ကျင်နေကြောင်း သူသိသည်။ သူသည် ပါထရီယော့ အော်ပရေတာများ အသုံးမပြုခဲ့သော "လူသား ဗီတိုအာဏာ" ကို အသုံးပြုခဲ့သည်။ အလိုအလျောက်စနစ်အပေါ် ဘက်လိုက်မှုကို ချိုးဖျက်ရန် သဘောထားကွဲလွဲရဲသည့် သတ္တိနှင့် အလိုအလျောက်ရလဒ်များ ယုတ္တိမတန်သည့်အခါ အသိအမှတ်ပြုရန် နယ်ပယ်အသိပညာ နှစ်ခုစလုံး လိုအပ်ကြောင်း ဤဖြစ်ရပ်က ပြသသည်။

၆။ ဤဘက်လိုက်မှု၏ ကုန်ကျစရိတ်

၆.၁. ပုဂ္ဂိုလ်ရေးဆိုင်ရာ ကုန်ကျစရိတ်များ

• ဝေဖန်ပိုင်းခြားတွေးခေါ်မှု ကျဆင်းခြင်း- အလိုအလျောက်စနစ်များကို ပုံမှန်အလေးထားခြင်းသည် အတည်ပြုခြင်းနှင့် လွတ်လပ်စွာခွဲခြမ်းစိတ်ဖြာခြင်းဆိုင်ရာ သိမြင်မှုစွမ်းရည်များကို အားနည်းစေသည်။ အချိန်ကြာလာသည်နှင့်အမျှ၊ လူတစ်ဦးချင်းစီသည် အလိုအလျောက်လမ်းညွှန်မှုမပါဘဲ လုပ်ဆောင်နိုင်စွမ်း နည်းပါးလာသည်။

• ကျွမ်းကျင်မှု ဆုံးရှုံးခြင်း- အလိုအလျောက်ကိရိယာများအပေါ် အလွန်အမင်းမှီခိုသော ကျွမ်းကျင်သူများသည် အရည်အချင်းကျဆင်းမှုကို ကြုံတွေ့ရနိုင်သည်။ လက်ဖြင့်ပျံသန်းခဲသော လေယာဉ်မှူးများ၊ AI အကူအညီကို အမြဲအသုံးပြုသော ဓာတ်မှန်ပညာရှင်များနှင့် ကိုယ်တိုင်တွက်ချက်မှု မလုပ်တော့သော စာရင်းကိုင်များသည် ၎င်းတို့အား ကျွမ်းကျင်သူဖြစ်စေသော စွမ်းရည်များကို ဆုံးရှုံးစေသည်။

• ဆုံးဖြတ်ချက်ချရန် တုံ့ဆိုင်းခြင်း- အလိုအလျောက်စနစ်များ ပျက်ကွက်သောအခါ သို့မဟုတ် မရရှိနိုင်သောအခါ၊ လူတစ်ဦးချင်းစီသည် ဆုံးဖြတ်ချက်ချနိုင်စွမ်းမရှိဟု ခံစားရနိုင်ပြီး အရေးကြီးသောအချိန်များတွင် တုံ့ဆိုင်းမှုများ ဖြစ်ပေါ်စေသည်။

• မှားယွင်းသော ယုံကြည်မှု- အလိုအလျောက်ရလဒ်များကို ယုံကြည်ခြင်းသည် အာမခံချက်မရှိသော သေချာမှုခံစားချက်ကို ဖန်တီးပေးပြီး၊ အလိုအလျောက်စနစ် မှားယွင်းသည့်အခြေအနေများအတွက် ကြိုတင်ပြင်ဆင်မှုအားနည်းစေသည်။

• ဆက်ဆံရေး ထိခိုက်မှု- ပုဂ္ဂိုလ်ရေးဆိုင်ရာ အခြေအနေများတွင်၊ အလိုအလျောက်အကြံပြုချက်များ (ချိန်းတွေ့သည့်အက်ပ်များ၊ ဆိုရှယ်မီဒီယာအကြံပြုချက်များ) အပေါ် အလွန်အမင်းမှီခိုခြင်းသည် စစ်မှန်သော လူသား၏ဆုံးဖြတ်ချက်နှင့် ဆက်သွယ်မှုကို အစားထိုးသွားနိုင်သည်။

၆.၂. ပရော်ဖက်ရှင်နယ် ကုန်ကျစရိတ်များ

• အသက်မွေးဝမ်းကျောင်းဆိုင်ရာ တာဝန်ခံမှု- AI-hallucinated ဥပဒေရေးရာ ထုံးစီစဉ်လာများကို ကိုးကားခြင်းကြောင့် ဒဏ်ခတ်အရေးယူခံခဲ့ရသည့် Mata v. Avianca အမှုမှ ရှေ့နေများကဲ့သို့၊ အလိုအလျောက်အကြံပြုချက်များကို လိုက်နာ၍ အမှားလုပ်မိသော ကျွမ်းကျင်ပညာရှင်များသည် စည်းကမ်းပိုင်းဆိုင်ရာ အရေးယူမှုများ၊ ဆေးဘက်ဆိုင်ရာ ပေါ့ဆမှုတရားစွဲဆိုမှုများ သို့မဟုတ် ရာဇဝတ်မှုဆိုင်ရာ စွဲချက်များနှင့် ရင်ဆိုင်ရနိုင်သည်။

• ဂုဏ်သတင်း ကျဆင်းခြင်း- (UK စာတိုက်ကဲ့သို့) အလိုအလျောက်စနစ်ကြောင့်ဖြစ်သော ပျက်ကွက်မှုများအတွက် လူသိများသော အဖွဲ့အစည်းများသည် ဝန်ထမ်းခေါ်ယူခြင်း၊ မိတ်ဖက်ဖွဲ့ခြင်းနှင့် အများပြည်သူယုံကြည်မှုကို ထိခိုက်စေသည့် ရေရှည်ဂုဏ်သတင်းကျဆင်းမှုကို ခံစားရသည်။

• အရည်အချင်း ဆုတ်ယုတ်မှု- အလိုအလျောက်စနစ်က ပုံမှန်အခြေအနေများကို ကိုင်တွယ်ဖြေရှင်းပေးသောကြောင့် ပရော်ဖက်ရှင်နယ်အသိုင်းအဝိုင်းတစ်ခုလုံးသည် စုပေါင်းကျွမ်းကျင်မှု ကျဆင်းခြင်းကို ကြုံတွေ့ရနိုင်ပြီး၊ ရှုပ်ထွေးသော သို့မဟုတ် ပုံမှန်မဟုတ်သော အခြေအနေများအတွက် လက်တွေ့လုပ်ဆောင်သူများအား ကြိုတင်ပြင်ဆင်မှု မရှိစေပါ။

• ဆန်းသစ်တီထွင်မှု ရပ်တန့်ခြင်း- "စနစ်အလုပ်လုပ်ပုံ" အပေါ် အလွန်အမင်းယုံကြည်မှုသည် ကျွမ်းကျင်ပညာရှင်များအား လုပ်ငန်းစဉ်များကို မေးခွန်းထုတ်ခြင်း သို့မဟုတ် တိုးတက်မှုများ ဖန်တီးခြင်းမှ တားဆီးနိုင်သည်။

• ဆိုးရွားသော ရလဒ်များ- ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေမှု မှားယွင်းခြင်း၊ မှားယွင်းစွာ ပြစ်မှုထင်ရှားစီရင်ခံရခြင်း၊ ဘဏ္ဍာရေးဆုံးရှုံးမှုများနှင့် လုပ်ငန်းလည်ပတ်မှု ပျက်ကွက်မှုများကို automation bias ကြောင့်ဖြစ်ကြောင်း တိုက်ရိုက်ခြေရာခံနိုင်သည်။

၆.၃. လူမှုရေး ကုန်ကျစရိတ်များ

• စနစ်ကျသော အန္တရာယ် စုဆောင်းမိခြင်း- စက်မှုလုပ်ငန်းတစ်ခုလုံးသည် အလိုအလျောက်စနစ်များကို အလေးထားသောအခါ၊ အမှားအယွင်းများသည် တစ်သီးပုဂ္ဂလဖြစ်မနေဘဲ ဆက်စပ်နေလာသည်။ အယ်လဂိုရီသမ်ဆိုင်ရာ ချို့ယွင်းချက်တစ်ခုသည် ကဏ္ဍတစ်ခုလုံးကို တစ်ပြိုင်နက်တည်း ကူးစက်သွားနိုင်သည်။

• ဒီမိုကရေစီ ယိုယွင်းမှု- မေးခွန်းထုတ်စရာမလိုဘဲ လက်ခံထားသော နိုင်ငံရေးဆွေးနွေးမှု၊ အကြောင်းအရာမြင်တွေ့ရမှုနှင့် သတင်းအချက်အလက်ရယူခွင့်ကို ပုံဖော်ပေးသည့် အယ်လဂိုရီသမ်စနစ်များသည် အသိဥာဏ်ရှိရှိ ဒီမိုကရေစီပါဝင်မှုကို ထိခိုက်စေနိုင်သည်။

• တရားရေးစနစ် ယိုယွင်းမှု- (Horizon အရှုပ်တော်ပုံကဲ့သို့) ကွန်ပျူတာ ယုံကြည်စိတ်ချရမှုကို ယူဆထားသော တရားရေးစနစ်များသည် တစ်ဦးချင်းစီ စိန်ခေါ်ရန် မဖြစ်နိုင်သလောက်ရှိသော ဖွဲ့စည်းပုံဆိုင်ရာ မတရားမှုများကို ဖန်တီးသည်။

• ဘေးကင်းရေး ကျဆင်းမှု- ကိုယ်ပိုင်မောင်းသူမဲ့ယာဉ်များ၊ အလိုအလျောက် လေကြောင်းထိန်းချုပ်မှုနှင့် အခြားအရေးကြီးစနစ်များ၏ အခြေခံဖြစ်သော "လူသားအရန်အကူ (human backup)" ဘေးကင်းရေးယူဆချက်သည် အခြေခံအားဖြင့် အပြစ်အနာအဆာရှိသည်။ လူသားများသည် အချိန်ကြာမြင့်စွာ လှုပ်ရှားမှုမရှိဘဲ စောင့်ကြည့်နေစဉ်အတွင်း နိုးကြားမှုကို ထိန်းသိမ်းမထားနိုင်ပေ။

• စီးပွားရေး အနှောင့်အယှက်များ- ရုတ်တရက်ပြိုကျမှုများ (Flash crashes)၊ အယ်လဂိုရီသမ် အဆင့်ဆင့်ပျက်ကွက်မှုများနှင့် ဆက်စပ်အမှားများကို လုပ်ဆောင်သည့် အလိုအလျောက်စနစ်များသည် စီးပွားရေးမတည်ငြိမ်မှုကို ဖြစ်ပေါ်စေနိုင်သည်။

၆.၄. စာရင်းအင်းဆိုင်ရာ သက်ရောက်မှု

• လေကြောင်း- အလိုအလျောက်အကူအညီပါသော လေယာဉ်မှူးများသည် လက်ဖြင့်စောင့်ကြည့်သူများထက် စနစ်၏ ပုံမှန်မဟုတ်မှုများကို သိသိသာသာ ပိုမိုလွတ်သွားကြောင်း လေ့လာမှုများက ပြသသည်။ Air France ၄၄၇ လေယာဉ်အမှုထမ်းများသည် စက်ရပ်ခြင်းသတိပေးချက် ၇၅ ကြိမ်ကို လျစ်လျူရှုခဲ့သည်။

• ကျန်းမာရေးစောင့်ရှောက်မှု- မှားယွင်းသော AI အကြံပြုချက်များသည် ဆရာဝန်များ၏ ရောဂါရှာဖွေရေး တိကျမှုကို သိသိသာသာ ကျဆင်းစေကြောင်း သုတေသနများက သက်သေပြသည်။ သတိပေးချက် ပင်ပန်းနွမ်းနယ်မှု (Alert fatigue) ကြောင့် ဆေးဘက်ဆိုင်ရာပညာရှင်များသည် အလိုအလျောက်သတိပေးချက်များ၏ ၄၉-၉၆% ကို လျစ်လျူရှုကြသည်။

• မှတ်ဉာဏ် ပုံပျက်ခြင်း- Automation bias ကို ခံရသော လေယာဉ်မှူး ၆၇% သည် နောက်ပိုင်းတွင် ဖြစ်ရပ်များ၏ မှားယွင်းသောမှတ်ဉာဏ်များကို ပြသခဲ့ပြီး၊ မတော်တဆမှုစုံစမ်းစစ်ဆေးခြင်းနှင့် သင်ယူမှုကို ရှုပ်ထွေးစေသည်။

• တရားရေး- Horizon အရှုပ်တော်ပုံကြောင့် လူ ၇၀၀ ကျော် မှားယွင်းစွာ ပြစ်မှုထင်ရှားစီရင်ခံခဲ့ရသည်—၎င်းသည် UK သမိုင်းတွင် အကြီးမားဆုံး တရားမျှတမှုလွဲချော်မှုဖြစ်သည်။

• စစ်ဘက်- အီရတ်ရှိ မဟာမိတ်အချင်းချင်း မှားယွင်းပစ်ခတ်မှုဖြစ်ရပ်များသည် ဆန့်ကျင်ဘက်အထောက်အထားများ အခိုင်အမာရှိနေသော်လည်း စနစ်အမှားများကို လက်ခံလိုစိတ်ရှိကြောင်း ပြသခဲ့သည်။

၇။ လျှို့ဝှက် အကျိုးကျေးဇူးများ

Automation bias သည် အပျက်သဘောသက်သက် မဟုတ်ပါ—အခြေခံ သိမြင်မှုယန္တရားသည် အရေးကြီးသော ရည်ရွယ်ချက်များကို ဆောင်ရွက်ပေးခဲ့သည်-

• သိမြင်မှု စွမ်းဆောင်ရည်- သိမြင်မှုဆိုင်ရာ လုပ်ငန်းတာဝန်များကို ယုံကြည်စိတ်ချရသော ပြင်ပအရင်းအမြစ်များထံ လွှဲပြောင်းပေးနိုင်စွမ်းသည် အခြားစိန်ခေါ်မှုများအတွက် စိတ်ပိုင်းဆိုင်ရာ အရင်းအမြစ်များကို လွတ်လပ်စေသည်။ အလိုအလျောက်စနစ် မှန်ကန်သောအခါ (အချိန်အများစုတွင် မှန်ကန်သည်)၊ ၎င်း၏ရလဒ်ကို လက်ခံခြင်းသည် တကယ်ပင် ထိရောက်သည်။

• တစ်သမတ်တည်းဖြစ်မှု- အလိုအလျောက်စနစ်များသည် တူညီသောစံနှုန်းများကို တပြေးညီကျင့်သုံးသည်။ ၎င်းတို့ကို အလေးထားခြင်းသည် ဆုံးဖြတ်ချက်ချရာတွင် လူသား၏ ကွဲပြားမှုများနှင့် အချို့သော ဘက်လိုက်မှုအမျိုးအစားများကို လျှော့ချနိုင်သည်။

• အမြန်နှုန်း- အချိန်ကန့်သတ်ချက်ရှိသော အခြေအနေများတွင်၊ အလိုအလျောက်အကြံပြုချက်များကို အချိန်ကြာမြင့်စွာ အတည်မပြုဘဲ အမြန်လက်ခံနိုင်စွမ်းသည်—အလိုအလျောက်စနစ် မှန်ကန်ပါက—အသက်ကို ကယ်တင်နိုင်သည်။

• ကျွမ်းကျင်မှု တိုးချဲ့ခြင်း- အလိုအလျောက်စနစ်သည် ကျွမ်းကျင်သူမဟုတ်သူများအား စုဆောင်းထားသော ကျွမ်းကျင်မှုများမှ အကျိုးခံစားခွင့်ရစေသည်။ လက်တွေ့ဆုံးဖြတ်ချက်အထောက်အကူကို အသုံးပြုသော အငယ်တန်းဆရာဝန်တစ်ဦးသည် ကျွမ်းကျင်ပညာရှင်များ ဆယ်စုနှစ်ပေါင်းများစွာ ကြိုးစားရယူထားသော ဗဟုသုတများကို ရယူနိုင်သည်။

• စိုးရိမ်ပူပန်မှု လျှော့ချခြင်း- မသေချာမရေရာသော အခြေအနေများတွင်၊ အလိုအလျောက်အကြံပြုချက်တစ်ခု ရရှိခြင်းသည် ဆုံးဖြတ်ချက်ဆိုင်ရာ စိုးရိမ်ပူပန်မှုနှင့် သိမြင်မှုဝန်ကို လျှော့ချပေးနိုင်ပြီး၊ ဆုံးဖြတ်ချက်အရည်အသွေး မပြောင်းလဲသော်လည်း သုခချမ်းသာကို တိုးတက်စေသည်။

• ပမာဏ- ခေတ်သစ်စနစ်များစွာသည် လူသားများက အလိုအလျောက်ရလဒ်များကို လက်မခံဘဲ အလုပ်မလုပ်နိုင်ပါ။ လူသားတစ်ဦးက spam အတွက် အီးမေးလ်တိုင်း၊ လိမ်လည်မှုအတွက် ငွေကြေးလွှဲပြောင်းမှုတိုင်း၊ သို့မဟုတ် ချိုးဖောက်မှုများအတွက် ဆိုရှယ်မီဒီယာပို့စ်တိုင်းကို ပြန်လည်သုံးသပ်ခြင်းသည် မဖြစ်နိုင်ပေ။

အပေးအယူက ရှင်းလင်းပါသည်- automation bias သည် (၁) အလိုအလျောက်စနစ် မှားယွင်းနေသောအခါ၊ (၂) အန္တရာယ်ကြီးမားသောအခါ၊ နှင့် (၃) လူသားက အမှားကို ဖမ်းမိနိုင်သောအခါတွင်သာ ပြဿနာဖြစ်လာသည်။ Automation bias ကို လုံးဝဖယ်ရှားခြင်းသည် မဖြစ်နိုင်သလို မလိုလားအပ်ပေ—၎င်းသည် အလိုအလျောက်စနစ်၏ အကျိုးကျေးဇူးများကို ပျောက်ကွယ်သွားစေမည့် မဖြစ်နိုင်သော နိုးကြားမှုကို လိုအပ်လိမ့်မည်။ ရည်မှန်းချက်မှာ ယုံကြည်မှုလုံးဝမရှိခြင်း (zero trust) မဟုတ်ဘဲ ချိန်ညှိထားသော ယုံကြည်မှု (calibrated trust) ဖြစ်သည်။

၈။ ကိုယ့်ကိုယ်ကိုယ် အကဲဖြတ်ခြင်း- သင့်တွင် ဤဘက်လိုက်မှု ရှိပါသလား။

၈.၁. သတိပေးလက္ခဏာများ စစ်ဆေးရန်စာရင်း

• GPS လမ်းညွှန်ချက်များသည် ကျွန်ုပ်၏ခရီးစဉ်အတွက် အဓိပ္ပာယ်ရှိမရှိ မစစ်ဆေးဘဲ မကြာခဏ လက်ခံတတ်သည်။
• စာလုံးပေါင်းစစ်ဆေးခြင်းနှင့် သဒ္ဒါသုံးကိရိယာများ၏ အကြံပြုချက်များကို ပြန်လည်မသုံးသပ်ဘဲ ယုံကြည်တတ်သည်။
• ဂဏန်းတွက်စက်က အဖြေပေးသောအခါ၊ ၎င်းသည် ယုတ္တိရှိမရှိ ခန့်မှန်းတွက်ချက်လေ့မရှိပါ။
• ရှာဖွေရေးအင်ဂျင်ရလဒ်များကို အဘယ်ကြောင့် ထိုသို့အဆင့်သတ်မှတ်ထားသည်ကို မစဉ်းစားဘဲ ပထမစာမျက်နှာကိုသာ လက်ခံတတ်သည်။
• ကျွန်ုပ် အတည်မပြုခဲ့သောကြောင့် မှားယွင်းနေကြောင်း နောက်ပိုင်းမှ သိရသော အလိုအလျောက် အကြံပြုချက်များကို လိုက်နာခဲ့ဖူးသည်။
• ဆော့ဖ်ဝဲက အမှားအယွင်းမက်ဆေ့ဂျ် ပြသောအခါ၊ ဘာမှားယွင်းနေသည်ဆိုသည်နှင့်ပတ်သက်၍ ဆော့ဖ်ဝဲမှန်ကန်သည်ဟု ကျွန်ုပ် ယူဆသည်။
• ကျွန်ုပ်၏ ပုံမှန် အလိုအလျောက်ကိရိယာများကို မရရှိနိုင်သောအခါ လုပ်ငန်းတာဝန်များ ပြီးမြောက်ရန် အခက်အခဲရှိသည်။
• ကျွန်ုပ်၏ ကိုယ်ပိုင်ဆုံးဖြတ်ချက်နှင့် ကွဲလွဲနေလျှင်ပင် အလိုအလျောက်အကြံပြုချက်များကို ပယ်ချရန် အဆင်မပြေဖြစ်တတ်သည်။
• ညံ့ဖျင်းသော ရလဒ်တစ်ခုအတွက် "ဒါပေမယ့် စနစ်က လုပ်ခိုင်းလို့ပါ" ဟု ပြောပြီး ဆင်ခြေပေးခဲ့ဖူးသည်။
• AI chatbot များမှ ရလဒ်များ၏ မှန်ကန်မှုကို အချက်အလက်မစစ်ဆေးဘဲ ယုံကြည်တတ်သည်။

အမှတ်ပေးခြင်း-

• ၀-၂ ခု အမှန်ခြစ်- ထိခိုက်လွယ်မှု နည်းပါးသည်
• ၃-၅ ခု အမှန်ခြစ်- ထိခိုက်လွယ်မှု အလယ်အလတ်ရှိသည်
• ၆-၈ ခု အမှန်ခြစ်- ထိခိုက်လွယ်မှု မြင့်မားသည်
• ၉-၁၀ ခု အမှန်ခြစ်- ထိခိုက်လွယ်မှု အလွန်မြင့်မားသည်

၈.၂. ကိုယ့်ကိုယ်ကိုယ် ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ

၁။ အလိုအလျောက်အကြံပြုချက်တစ်ခုအပေါ် အခြေခံ၍ သင်မကြာသေးမီက ချမှတ်ခဲ့သော ဆုံးဖြတ်ချက်တစ်ခုကို စဉ်းစားပါ။ အရေးယူဆောင်ရွက်မှုမပြုမီ ထိုအကြံပြုချက်၏ မည်သည့်အစိတ်အပိုင်းကိုမဆို သင်အတည်ပြုခဲ့ပါသလား။ အဘယ်ကြောင့် အတည်ပြုခဲ့သနည်း၊ သို့မဟုတ် အဘယ်ကြောင့် အတည်မပြုခဲ့သနည်း။

၂။ အလိုအလျောက်စနစ် မှားယွင်းနေသော်လည်း သင်လိုက်နာခဲ့သည့် အချိန်ကို မှတ်မိနိုင်ပါသလား။ သင့်ကိုယ်ပိုင်ဆုံးဖြတ်ချက်ကို ယုံကြည်ခြင်းမှ သင့်ကို အဘယ်အရာက တားဆီးခဲ့သနည်း။

၃။ ChatGPT ကဲ့သို့သော AI ကိရိယာများကို အသုံးပြုသောအခါ၊ ပေးထားသော သတင်းအချက်အလက်များ၏ တိကျမှုကို သင်မည်ကဲ့သို့ အတည်ပြုသနည်း။ အမှားတစ်ခုကို သင်ဖမ်းမိဖူးပါသလား။

၄။ သင့်အဓိက အလိုအလျောက်ကိရိယာများ (GPS၊ စာလုံးပေါင်းစစ်ဆေးခြင်း၊ ရှာဖွေရေးအင်ဂျင်များ၊ ဂဏန်းတွက်စက်များ) ကို တစ်ပတ်ကြာ မရရှိနိုင်ပါက သင့်လုပ်ငန်းခွင်လုပ်ငန်းစဉ် မည်သို့ပြောင်းလဲသွားမည်နည်း။

၅။ သင့်ကိုယ်တိုင် ဆုံးဖြတ်နိုင်သော ဆုံးဖြတ်ချက်များအတွက် နည်းပညာအပေါ် သင်အလွန်အမင်း မှီခိုနေကြောင်း လုပ်ဖော်ကိုင်ဖက်များ၊ သူငယ်ချင်းများ သို့မဟုတ် မိသားစုများက ထောက်ပြဖူးပါသလား။

၈.၃. အမြန် ရောဂါရှာဖွေရေး အခြေအနေ

အခြေအနေ- သင်သည် အရေးကြီးသော အစီရင်ခံစာတစ်ခု ရေးဆွဲရန် ကူညီပေးမည့် AI လက်ထောက်တစ်ခုကို အသုံးပြုနေသည်။ AI သည် သင့်အငြင်းပွားမှုကို ပြီးပြည့်စုံစွာ ထောက်ခံသည့် စာရင်းအင်းတစ်ခုကို ပေးသည်- "ဤချဉ်းကပ်မှုကို အကောင်အထည်ဖော်သော အဖွဲ့အစည်း ၇၈% သည် ရလဒ်များတွင် ၄၀% တိုးတက်မှုတွေ့ရှိခဲ့ကြောင်း လေ့လာမှုများက ပြသသည်။" ထိုစာရင်းအင်းသည် ယုတ္တိရှိပုံရပြီး သင့်ဇာတ်ကြောင်းနှင့် ကောင်းစွာကိုက်ညီသည်။ သင်သည် အချိန်ဖိအားအောက်တွင် ရှိနေသည်။

သင်မည်သို့ တုံ့ပြန်မည်နည်း။

• A) စာရင်းအင်းကို တိုက်ရိုက်ထည့်သွင်းမည်—၎င်းသည် အခွင့်အာဏာရှိပုံရပြီး AI သည် ယခင်က ယုံကြည်စိတ်ချရသည် → ထိခိုက်လွယ်မှု မြင့်မားသည်
• B) စာရင်းအင်းကို ထည့်သွင်းမည်ဖြစ်သော်လည်း အတည်ပြုခြင်းမရှိဘဲ "သုတေသနများက အကြံပြုသည်" ကဲ့သို့သော ကာကွယ်ရေးစကားလုံးများကို ထည့်သွင်းမည် → ထိခိုက်လွယ်မှု အလယ်အလတ်ရှိသည်
• C) ၎င်းကိုမထည့်သွင်းမီ စာရင်းအင်းကို အတည်ပြုရန် မူရင်းအရင်းအမြစ်ကို ရှာဖွေမည်ဖြစ်ပြီး၊ သင့်နောက်ဆုံးရက်ကို ပြင်ဆင်ရန် လိုအပ်နိုင်သည်ကို လက်ခံမည် → ထိခိုက်လွယ်မှု နည်းပါးသည်

၉။ ဤဘက်လိုက်မှုကို အခြားသူများတွင် ဖော်ထုတ်ခြင်း

၉.၁. အမူအကျင့်ဆိုင်ရာ အညွှန်းကိန်းများ

စကားပြောဆိုမှုတွင် တွေ့မြင်နိုင်သော လက္ခဏာများ-

• "စနစ်က ပြောတယ်" သို့မဟုတ် "အယ်လဂိုရီသမ်က အကြံပြုတယ်" ဟူသော စကားလုံးများကို ခိုင်လုံသောအကြောင်းပြချက်အဖြစ် မကြာခဏ ကိုးကားခြင်း
• အလိုအလျောက်အကြံပြုချက်များကို ပယ်ချရန် တောင်းဆိုခံရသောအခါ အဆင်မပြေဖြစ်မှုကို ဖော်ပြခြင်း
• ၎င်းတို့၏ ကျွမ်းကျင်မှုနယ်ပယ်အတွင်းရှိ ဆုံးဖြတ်ချက်များအတွက် "ကွန်ပျူတာက ဘာပြောလဲဆိုတာ ငါစစ်ကြည့်လိုက်ဦးမယ်" ဟု ပုံသေပြောဆိုခြင်း

ဆုံးဖြတ်ချက်ချခြင်း ပုံစံများ-

• အလိုအလျောက်အကြံပြုချက်များကို မေးခွန်းမထုတ်ဘဲ အမြဲတစေ လိုက်နာခြင်း
• အလိုအလျောက်ကိရိယာများ မရရှိနိုင်သောအခါ ဆုံးဖြတ်ချက်များချရန် အခက်အခဲရှိခြင်း
• ၎င်းတို့၏ကိုယ်ပိုင် အတည်ပြုခြင်းလုပ်ငန်းစဉ်ကို ဆန်းစစ်မည့်အစား စနစ်အမှားများကို အပြစ်တင်ခြင်း

ကိုယ်အမူအရာ အရိပ်အမြွက်များ-

• လူကိုယ်တိုင် ဆွေးနွေးနေစဉ်အတွင်းမှာပင် အတည်ပြုချက်ရရန် မျက်နှာပြင်များဆီသို့ လှည့်ကြည့်ခြင်း
• အလိုအလျောက်အကြံပြုချက်နှင့် ဆန့်ကျင်ဘက်ပြုလုပ်ရန် တောင်းဆိုခံရသောအခါ ရုပ်ပိုင်းဆိုင်ရာ တင်းမာလာခြင်း
• အလိုအလျောက်စနစ်များက ၎င်းတို့၏ ဆုံးဖြတ်ချက်များကို အတည်ပြုပေးသောအခါ စိတ်အေးလက်အေးဖြစ်သွားခြင်း

စကားပြောဆိုမှုများတွင် ထပ်ခါတလဲလဲ ပါဝင်နေသည့် အကြောင်းအရာများ-

• နည်းပညာ၏ တိကျမှုအပေါ် ယုံကြည်မှုမြင့်မားကြောင်း ဖော်ပြခြင်း
• အလိုအလျောက်စနစ် အမှားအယွင်းများနှင့်ပတ်သက်သော စိုးရိမ်ပူပန်မှုများကို ရှားပါးသောဖြစ်ရပ်များအဖြစ် လျှော့ချပြောဆိုခြင်း
• လူသား၏ဆုံးဖြတ်ချက်ကို "ဓမ္မဓိဋ္ဌာန်ကျသော" အယ်လဂိုရီသမ်များနှင့် နှိုင်းယှဉ်ပါက "ဘက်လိုက်သည်" ဟု ပယ်ချခြင်း

၉.၂. စကားပြောဆိုမှုဆိုင်ရာ သတိပေးချက်များ

ဤဘက်လိုက်မှုအောက်တွင် ရှိနေစဉ် လူများပြောလေ့ရှိသော စကားစုများ-

• "ကွန်ပျူတာက အမှားမလုပ်ပါဘူး"
• "စနစ်က အကြံပြုထားတဲ့အတိုင်း ကျွန်တော်လိုက်လုပ်နေတာပါ"
• "ဒေတာတွေက ပြနေတယ်..." (ဒေတာများကို အတည်မပြုဘဲ)
• "AI ကို ကျွန်တော်က ဘာလို့ သံသယဝင်ရမှာလဲ။ ဥပမာ သန်းပေါင်းများစွာနဲ့ လေ့ကျင့်ပေးထားတာလေ"
• "ဒါမှန်ရမယ်—ရလဒ်က ဘယ်လောက်တောင် ယုံကြည်မှုရှိလဲ ကြည့်ပါဦး"

သူတို့ပြုလုပ်သော ငြင်းခုံမှုအမျိုးအစားများ-

• လက်ရှိတိကျမှု၏ သက်သေအဖြစ် စနစ်၏ ယခင်ယုံကြည်စိတ်ချရမှုအပေါ် အားကိုးခြင်း
• ဆန့်ကျင်ဘက်အချက်အလက်များကို "ပုံမှန်မဟုတ်မှုများ" သို့မဟုတ် "အသုံးပြုသူအမှား" အဖြစ် ပယ်ချခြင်း
• အလိုအလျောက်ရလဒ်များကို ဖြစ်နိုင်ခြေရှိသော ခန့်မှန်းချက်များထက် ဓမ္မဓိဋ္ဌာန်ကျသော အချက်အလက်များအဖြစ် သဘောထားခြင်း

သူတို့ရှောင်ရှားသော မေးခွန်းများ-

• "ဒီစနစ်ရဲ့ ကန့်သတ်ချက်တွေက ဘာတွေလဲ"
• "ဘယ်လိုအခြေအနေမျိုးမှာ ဒီအကြံပြုချက်က မှားယွင်းနိုင်မလဲ"
• "ဒီအလိုအလျောက်ကိရိယာမရှိရင် ငါဘာဆုံးဖြတ်မလဲ"

၉.၃. အခြေအနေဆိုင်ရာ အစပျိုးမှုများ

ဤဘက်လိုက်မှုကို အစပျိုးစေသည့် အခြေအနေများ-

• အတည်ပြုခြင်းကို အားမပေးသည့် အချိန်ဖိအား
• လုပ်ငန်းတာဝန်များစွာမှ သိမြင်မှုဝန် (cognitive load) မြင့်မားခြင်း
• ပင်ပန်းနွမ်းနယ်မှု သို့မဟုတ် ဆုံးဖြတ်ချက်ဆိုင်ရာ ပင်ပန်းနွမ်းနယ်မှု (decision fatigue)
• အတည်ပြုရန်အတွက် အထူးပြုအသိပညာ လိုအပ်သောအခါ
• အလိုအလျောက်စနစ်သည် ယခင်က ယုံကြည်စိတ်ချရခဲ့သောအခါ

ပတ်ဝန်းကျင်ဆိုင်ရာ အချက်များ-

• အလိုအလျောက်စနစ်နှင့် စွမ်းဆောင်ရည်ကို ဂုဏ်ပြုသော လုပ်ငန်းခွင်ယဉ်ကျေးမှုများ
• ကိုယ်ပိုင်ဆုံးဖြတ်ချက်ထက် လုပ်ငန်းစဉ်များကို လိုက်နာရန် အလေးပေးသော လေ့ကျင့်ရေးအစီအစဉ်များ
• အလိုအလျောက်စနစ် မှားယွင်းခဲ့ချိန်များကို ပြသသည့် တုံ့ပြန်မှုကွင်းဆက် (feedback loops) များ မရှိခြင်း
• ယုံကြည်မှုအဆင့်များနှင့်ပတ်သက်၍ ပွင့်လင်းမြင်သာမှုမရှိဘဲ ဒီဇိုင်းထုတ်ထားသော စနစ်များ

ထိခိုက်လွယ်မှုကို တိုးစေသည့် စိတ်ပိုင်းဆိုင်ရာ အခြေအနေများ-

• စိတ်ဖိစီးမှုနှင့် စိုးရိမ်ပူပန်မှု (သေချာမှုကို ရှာဖွေခြင်း)
• ဝန်ပိခြင်း (သိမြင်မှုဆိုင်ရာ သက်သာရာရမှုကို ရှာဖွေခြင်း)
• Imposter syndrome (ကိုယ့်ကိုယ်ကိုယ်ထက် "ကျွမ်းကျင်သူ" စနစ်များကို ယုံကြည်ခြင်း)
• သက်သောင့်သက်သာရှိမှုနှင့် ကျေနပ်မှု (အရာရာအဆင်ပြေနေခြင်း)

ဘက်လိုက်မှုကို ကြီးထွားစေသော လူမှုရေးအခြေအနေများ-

• အလိုအလျောက်စနစ်ကို မေးခွန်းထုတ်ခြင်းသည် လုပ်ငန်းများကို နှေးကွေးစေသည်ဟု ထင်ရသော အုပ်စုလိုက်အခြေအနေများ
• အလိုအလျောက်စနစ်သည် စီမံခန့်ခွဲမှုပိုင်း၏ ဆုံးဖြတ်ချက်များကို ကိုယ်စားပြုသော အထက်အောက်အဆင့်ဆင့်များ
• အလိုအလျောက်စနစ်ကို "အကောင်းဆုံးအလေ့အကျင့်" အဖြစ် ရှုမြင်သော ပရော်ဖက်ရှင်နယ်အခြေအနေများ

ပိုမိုဆိုးရွားစေသည့် အချိန်ဖိအားများ-

• အတည်ပြုရန် အချိန်မပေးသော နောက်ဆုံးသတ်မှတ်ရက်များ
• အချိန်နှင့်တစ်ပြေးညီ ဆုံးဖြတ်ချက်များ (ကုန်သွယ်မှု၊ ဆေးဘက်ဆိုင်ရာ အရေးပေါ်အခြေအနေများ၊ လေကြောင်း)
• တစ်ဦးချင်းပြန်လည်သုံးသပ်ရန် လက်တွေ့မကျသော ပမာဏများပြားသည့် လုပ်ငန်းစဉ်များ

၁၀။ သိမြင်မှုဆိုင်ရာ ဘက်လိုက်မှုလျှော့ချရေး နည်းဗျူဟာများ

၁၀.၁. ချက်ချင်းလုပ်ဆောင်နိုင်သော နည်းလမ်းများ

အလိုအလျောက်အကြံပြုချက်များကို လက်မခံမီ အမြန် စိတ်ပိုင်းဆိုင်ရာ စစ်ဆေးမှုများ-

• "ဒီရလဒ်က ယုတ္တိရှိရဲ့လား (smell test ကို အောင်မြင်ရဲ့လား)။" အကြံပြုချက်သည် အလိုလိုသိမြင်မှုအရ အဓိပ္ပာယ်ရှိမရှိ စဉ်းစားရန် ခေတ္တရပ်ပါ။
• "မှားသွားရင် ဘာတွေပေးဆပ်ရမလဲ။" အန္တရာယ်ပိုများပါက ပိုမိုအတည်ပြုရန် လိုအပ်သည်။
• "ဒါက စနစ်ကျွမ်းကျင်တဲ့ အရာမျိုးလား။" အလိုအလျောက်စနစ်များတွင် ၎င်းတို့၏ ကိုယ်ပိုင်ကန့်သတ်ချက်များ ရှိသည်။

ယခုအချိန်တွင် သင့်ကိုယ်သင် မေးရမည့် မေးခွန်းများ-

• "ဒီအလိုအလျောက်စနစ်မရှိရင် ငါဘာဆုံးဖြတ်မလဲ။"
• "ဒီအကြံပြုချက်နဲ့ ဆန့်ကျင်ဘက်ဖြစ်နေတဲ့ အထောက်အထားတွေက ဘာတွေလဲ။"
• "စနစ်ရဲ့ ယုံကြည်မှုအဆင့်က ဘယ်လောက်လဲ၊ ပြီးတော့ မသေချာမရေရာမှုကိုရော သူပြသသလား။"
• "အလိုအလျောက်အကြံပြုချက်တစ်ခုကို နောက်ဆုံးအတည်ပြုခဲ့တာ ဘယ်တုန်းကလဲ။"

ဘက်လိုက်မှုကို ချိုးဖျက်ရန် ပုံစံပြတ်တောက်မှုများ (Pattern interrupts):

• လက်မခံမီ၊ အလိုအလျောက်စနစ် မှားယွင်းနိုင်သည့် အကြောင်းပြချက်တစ်ခုကို အသံထွက်ပြောပါ
• မဆက်လုပ်မီ အခြားအရင်းအမြစ်တစ်ခုကို စစ်ဆေးပါ
• အကြံပြုချက်ရရှိခြင်းနှင့် အရေးယူဆောင်ရွက်ခြင်းကြားတွင် အချိန်တို "အအေးခံ (cooling off)" ကာလတစ်ခုထားရှိပါ
• ဆုံးဖြတ်ချက်ကို စဉ်းစားရန် မျက်နှာပြင်မှ ရုပ်ပိုင်းဆိုင်ရာအရ လှည့်ထွက်ပါ

ရိုးရှင်းသော လက်တွေ့အသုံးပြုနည်းများ-

• ၅-စက္ကန့် စည်းမျဉ်း- လက်မခံမီ အနည်းဆုံး ၅ စက္ကန့်ခန့် အခြားရွေးချယ်စရာများကို စဉ်းစားပါ
• "အဆ ၁၀၀ အကျိုးဆက်" စည်းမျဉ်း- မှားယွင်းပါက အတည်ပြုရန်အားထုတ်မှုထက် အဆ ၁၀၀ ပိုကုန်ကျမည်ဆိုလျှင် အတည်ပြုပါ
• "သံသယရှိသူအား ရှင်းပြခြင်း" စည်းမျဉ်း- အလိုအလျောက်စနစ်ကို မယုံကြည်သူတစ်ဦးအား ဤဆုံးဖြတ်ချက်ကို သင်ကာကွယ်ပြောဆိုနိုင်ပါသလား။

၁၀.၂. ရေရှည် နည်းဗျူဟာများ

အချိန်နှင့်အမျှ မွေးမြူရမည့် အလေ့အကျင့်များ-

• ကျွမ်းကျင်မှုများကို ထိန်းသိမ်းထားရန် အလိုအလျောက်အကူအညီမပါဘဲ လုပ်ငန်းတာဝန်များကို ပုံမှန်လေ့ကျင့်ပါ
• သင်ဖမ်းမိသော အလိုအလျောက်စနစ် အမှားများကို မှတ်တမ်းထားရှိပါ (၎င်းက မှားယွင်းနိုင်ခြေကို ထင်ရှားစေသည်)
• ကျပန်းနမူနာတစ်ခုကို စစ်ဆေးခြင်းဖြင့် အလိုအလျောက်အကြံပြုချက်များကို အခါအားလျော်စွာ စာရင်းစစ်ပါ
• အတည်ပြုခြင်းကို ရွေးချယ်စရာအဖြစ် သဘောထားမည့်အစား ပုံမှန်လုပ်ငန်းစဉ်များတွင် ထည့်သွင်းတည်ဆောက်ပါ

လိုအပ်သော စိတ်သဘောထား အပြောင်းအလဲများ-

• အလိုအလျောက်စနစ်ကို "အမှန်တရားစက်" အဖြစ် မဟုတ်ဘဲ "ဖြစ်နိုင်ခြေခန့်မှန်းသူ" အဖြစ် ရှုမြင်ပါ
• သင့်လျော်သော သံသယရှိမှုကို မယုံကြည်မှုအဖြစ် မဟုတ်ဘဲ ပရော်ဖက်ရှင်နယ်ဆန်မှုအဖြစ် လက်ခံပါ
• လူသား၏အခန်းကဏ္ဍသည် အလိုအလျောက်စနစ် ပျက်ကွက်သည့်ဖြစ်ရပ်များကို ကိုင်တွယ်ရန်ဖြစ်ကြောင်း အသိအမှတ်ပြုပါ
• အတည်ပြုခြင်းသည် တန်ဖိုးရှိပြီး၊ အချည်းနှီးအားထုတ်မှုမဟုတ်ကြောင်း လက်ခံပါ

အကောင်အထည်ဖော်ရမည့် စနစ်များနှင့် လုပ်ငန်းစဉ်များ-

• အလိုအလျောက်လုပ်ဆောင်မှုများမတိုင်မီ လွတ်လပ်စွာအတည်ပြုရန် လိုအပ်သည့် စစ်ဆေးရန်စာရင်း (checklists) များကို ဖန်တီးပါ
• အလိုအလျောက်စနစ် အမှားများကို ရှာဖွေရန် တာဝန်ရှိသည့် "red team" လုပ်ငန်းစဉ်များကို တည်ထောင်ပါ
• ကနဦး လူသား၏အကဲဖြတ်မှုအပြီးမှသာ အလိုအလျောက်အကြံပြုချက်များကို လက်ခံရရှိသည့် လုပ်ငန်းစဉ်များကို ဒီဇိုင်းထုတ်ပါ
• အလိုအလျောက်စနစ် မှားယွင်းခဲ့ချိန်တွင် အသုံးပြုသူများအား အသိပေးသည့် တုံ့ပြန်မှုကွင်းဆက်များ တည်ဆောက်ပါ

လေ့ကျင့်ရန်နှင့် ခိုင်မာစေရန် ကျွမ်းကျင်မှုများ-

• နယ်ပယ်ကျွမ်းကျင်မှု (သို့မှသာ ယုတ္တိမတန်သော ရလဒ်များကို သင်အသိအမှတ်ပြုနိုင်မည်)
• စိတ်ပိုင်းဆိုင်ရာ ခန့်မှန်းတွက်ချက်ခြင်းနှင့် ယုတ္တိရှိမရှိ စစ်ဆေးခြင်း (sanity-checking)
• အရင်းအမြစ် အတည်ပြုခြင်းနှင့် သုတေသနစွမ်းရည်များ
• မိမိ၏ကိုယ်ပိုင် သိမြင်မှုလုပ်ငန်းစဉ်များကို သိရှိနားလည်ခြင်း (Metacognition)

၁၀.၃. ပတ်ဝန်းကျင် ဒီဇိုင်း

ဤဘက်လိုက်မှုကို လျှော့ချရန် သင့်ပတ်ဝန်းကျင်ကို မည်သို့တည်ဆောက်မည်နည်း-

• မသေချာမရေရာမှုများကို ဖော်ပြရန် (ဖြစ်နိုင်ခြေ အကွာအဝေးများ၊ ယုံကြည်မှုကြားကာលများ) အလိုအလျောက်စနစ်ကို ပုံဖော်ပါ
• အသုံးမပြုမီ ကန့်သတ်ချက်များကို အသိအမှတ်ပြုရန် လိုအပ်သည့် အင်တာဖေ့စ်များကို ဒီဇိုင်းထုတ်ပါ
• အလိုအလျောက်အကြံပြုချက်နှင့် အရေးယူဆောင်ရွက်မှုကြားတွင် ရုပ်ပိုင်းဆိုင်ရာ သို့မဟုတ် အချိန်ပိုင်းဆိုင်ရာ ခြားနားမှုကို ဖန်တီးပါ
• အလိုအလျောက်စနစ် အမှားများကို ဖမ်းမိခြင်းအား ဂုဏ်ပြုသည့် အဖွဲ့အစည်းဆိုင်ရာ စံနှုန်းများကို တည်ထောင်ပါ

အထောက်အကူပြုသော ရုပ်ပိုင်းဆိုင်ရာ အပြောင်းအလဲများ-

• အလိုအလျောက်မဟုတ်သော အခြားရွေးချယ်စရာများကို (ရုပ်ပိုင်းဆိုင်ရာ မြေပုံများ၊ ဂဏန်းတွက်စက်များ) ရရှိနိုင်အောင် ထားရှိပါ
• အလုပ်ဧရိယာများတွင် အလိုအလျောက်စနစ် ကန့်သတ်ချက်များအကြောင်း သတိပေးချက်များကို ပြသထားပါ
• အတည်ပြုရေး အရင်းအမြစ်များကို အလွယ်တကူ ရယူအသုံးပြုနိုင်အောင် ထားရှိပါ

ဘက်လိုက်မှုကို ဆန့်ကျင်သည့် လူမှုရေးတည်ဆောက်ပုံများ-

• သိသာထင်ရှားသော အလိုအလျောက်ဆုံးဖြတ်ချက်များအတွက် လုပ်ဖော်ကိုင်ဖက် ပြန်လည်သုံးသပ်မှုကို တည်ထောင်ပါ
• အလိုအလျောက်စနစ်ကို မေးခွန်းထုတ်ခြင်းအတွက် စိတ်ပိုင်းဆိုင်ရာ ဘေးကင်းလုံခြုံမှုကို ဖန်တီးပါ
• အလိုအလျောက်စနစ် အမှားများကို လူသားများက ဖမ်းမိသည့် ဖြစ်ရပ်များကို အသိအမှတ်ပြုပြီး ဆုချီးမြှင့်ပါ
• သင်ယူမှုအခွင့်အလမ်းများအဖြစ် အလိုအလျောက်စနစ် ပျက်ကွက်မှုဇာတ်လမ်းများကို မျှဝေပါ

ယင်းကို ကာကွယ်ပေးသော သတင်းအချက်အလက် စနစ်များ-

• binary သတိပေးချက်များထက် ဖြစ်နိုင်ခြေကို ပြသသော Likelihood Alarm Displays (LADs) များ
• နောင်ခွဲခြမ်းစိတ်ဖြာမှုအတွက် လူသားက အလိုအလျောက်စနစ်ကို ကျော်လွန်လုပ်ဆောင်မှုများကို မှတ်တမ်းတင်သောစနစ်များ
• အလိုအလျောက်စနစ်ကို လက်ခံသည့်အခါ အသုံးပြုသူများ၏ မှန်ကန်/မှားယွင်းမှုနှုန်းကို အသိပေးသည့် တုံ့ပြန်မှုစနစ်များ
• အလိုအလျောက်စနစ် တိကျမှုနှုန်းများကို ပြသသည့် ဒက်ရှ်ဘုတ်များ

၁၀.၄. ပြင်ပအမြင်ကို မည်သည့်အချိန်တွင် ရယူရမည်နည်း

အခြားသူများနှင့် တိုင်ပင်သင့်သည့် ဆုံးဖြတ်ချက် အမျိုးအစားများ-

• အန္တရာယ်ကြီးမားသော ဆုံးဖြတ်ချက်များ (ဘဏ္ဍာရေး၊ ဆေးဘက်ဆိုင်ရာ၊ တရားရေး၊ ဘေးကင်းရေးနှင့် သက်ဆိုင်သော)
• သင့်ကျွမ်းကျင်မှုနယ်ပယ်ပြင်ပရှိ ဆုံးဖြတ်ချက်များ
• အလိုအလျောက်စနစ်သည် သင့်အလိုလိုသိမြင်မှုနှင့် ဆန့်ကျင်နေသော်လည်း သင်မသေချာသောအခါ
• အလိုအလျောက်စနစ်ကို သင်တစ်ခါမှ အတည်မပြုဖူးသော ထပ်တလဲလဲ ဆုံးဖြတ်ချက်များ

အကူအညီတောင်းခံရမည့်သူများ-

• အလိုအလျောက်စနစ်၏ ကန့်သတ်ချက်များကို နားလည်သော နယ်ပယ်ကျွမ်းကျင်သူများ
• အလိုအလျောက်စနစ် ပျက်ကွက်မှုများကို ကြုံတွေ့ဖူးသော လုပ်ဖော်ကိုင်ဖက်များ
• အကြံပြုချက်ကို စိန်ခေါ်မည့် သံသယရှိသူများ
• အလိုအလျောက်ဆုံးဖြတ်ချက်တွင် အကျိုးစီးပွားမပါဝင်သည့် လွတ်လပ်သော အဖွဲ့အစည်းများ

တုံ့ပြန်ချက်တောင်းခံမှုများကို မည်သို့ပုံဖော်မည်နည်း-

• "စနစ်က X ကို အကြံပြုတယ်။ ဒါကို ဖိအားပေးစမ်းသပ် (stress-test) ဖို့ ငါ့ကို ကူညီနိုင်မလား။"
• "ဒီအလိုအလျောက်ရလဒ်ကို ငါလက်မခံခင်၊ ဘာကို အတည်ပြုသင့်သလဲ။"
• "အလိုအလျောက်စနစ်က ဒီလိုပြောတယ်—ဒါက မင်းရဲ့ လွတ်လပ်တဲ့ အကဲဖြတ်ချက်နဲ့ ကိုက်ညီရဲ့လား။"

ပြင်ပအမြင် လိုအပ်နေကြောင်း ပြသသည့် လက္ခဏာများ-

• သင်သည် အလိုအလျောက်အကြံပြုချက်များကို အချိန်ကြာမြင့်စွာ အတည်မပြုဘဲ လက်ခံခဲ့သည်
• လက်ရှိဆုံးဖြတ်ချက်၏ အန္တရာယ်မှာ ပုံမှန်ထက် ပိုမိုကြီးမားနေသည်
• အကြံပြုချက်တစ်ခုနှင့်ပတ်သက်၍ သင်စိတ်မသက်မသာဖြစ်နေသော်လည်း အဘယ်ကြောင့်ဆိုသည်ကို ရှင်းပြ၍မရပါ
• အလိုအလျောက်စနစ်ကို အခြေအနေသစ်တစ်ခုတွင် အသုံးပြုနေရသည်

၁၁။ လက်တွေ့လေ့ကျင့်ခန်းများ

လေ့ကျင့်ခန်း ၁- အတည်ပြုခြင်း စိန်ခေါ်မှု

• ရည်ရွယ်ချက်- အလိုအလျောက်ရလဒ်များကို အတည်ပြုသည့် အလေ့အကျင့် တည်ဆောက်ရန်
• လိုအပ်သော အချိန်- ၂ ပတ်ကြာ နေ့စဉ် ၁၀ မိနစ်
• လိုအပ်သော ပစ္စည်းများ- သင့်ပုံမှန် အလိုအလျောက်ကိရိယာများ (GPS၊ ရှာဖွေရေးအင်ဂျင်၊ စာလုံးပေါင်းစစ်ဆေးခြင်း၊ ဂဏန်းတွက်စက်)
• အခက်အခဲ အဆင့်- အခြေခံ
• ညွှန်ကြားချက်များ- ၁။ နေ့စဉ် သင်လက်ခံရရှိသည့် အလိုအလျောက်အကြံပြုချက် ၃ ခုကို ခွဲခြားသတ်မှတ်ပါ။ ၂။ တစ်ခုစီအတွက် လွတ်လပ်သော အရင်းအမြစ်တစ်ခုကို အသုံးပြု၍ ရလဒ်ကို အတည်ပြုရန် ၂ မိနစ် အချိန်ယူပါ။ ၃။ အလိုအလျောက်စနစ်သည် မှန်ကန်မှုရှိမရှိ၊ တစ်စိတ်တစ်ပိုင်း မှန်ကန်မှုရှိမရှိ သို့မဟုတ် မှားယွင်းမှုရှိမရှိ မှတ်တမ်းတင်ပါ။ ၄။ အတည်ပြုရန် အချိန်မည်မျှကြာသည်နှင့် အမှားတစ်ခုကို ပြင်ဆင်ရန် အချိန်မည်မျှပေးရမည်ကို မှတ်သားပါ။ ၅။ အပတ်ကုန်တွင် သင့်အလိုအလျောက်စနစ်၏ အမှန်တကယ် တိကျမှုနှုန်းကို တွက်ချက်ပါ။
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • အလိုအလျောက်စနစ်သည် မည်မျှမကြာခဏ မှားယွင်းခဲ့သနည်း သို့မဟုတ် တစ်စိတ်တစ်ပိုင်း မှားယွင်းခဲ့သနည်း။
  • မည်သည့်အကြံပြုချက် အမျိုးအစားများသည် ယုံကြည်စိတ်ချရမှု အရှိဆုံးဖြစ်သနည်း။ ယုံကြည်စိတ်ချရမှု အနည်းဆုံးဖြစ်သနည်း။
  • သင့်အတည်ပြုရန် အားထုတ်မှုသည် အမှားများ၏ ဖြစ်နိုင်ခြေရှိသော ကုန်ကျစရိတ်နှင့် မည်သို့နှိုင်းယှဉ်သနည်း။
• ကြိမ်နှုန်း- ၂ ပတ်ကြာ နေ့စဉ်၊ ထို့နောက် အပတ်စဉ် ကျပန်းစစ်ဆေးခြင်း

လေ့ကျင့်ခန်း ၂- လူကိုယ်တိုင်လုပ်ဆောင်သည့် ရက်သတ္တပတ်

• ရည်ရွယ်ချက်- သင့်လွတ်လပ်သော ဆုံးဖြတ်ချက်ချနိုင်စွမ်းနှင့် ပြန်လည်ချိတ်ဆက်ရန်
• လိုအပ်သော အချိန်- တစ်ပတ်
• လိုအပ်သော ပစ္စည်းများ- သင့်ပုံမှန် အလိုအလျောက်ကိရိယာများ၏ အခြားရွေးချယ်စရာများ (ရုပ်ပိုင်းဆိုင်ရာ မြေပုံများ၊ ကိုယ်တိုင်တွက်ချက်ခြင်း၊ စာမူကြမ်းစစ်ဆေးခြင်း ကျွမ်းကျင်မှု)
• အခက်အခဲ အဆင့်- အလယ်အလတ်
• ညွှန်ကြားချက်များ- ၁။ သင်အလွန်အမင်းမှီခိုနေသော အလိုအလျောက်ကိရိယာတစ်ခုကို ရွေးချယ်ပါ။ ၂။ ၎င်းကို တစ်ပတ်တိတိ အသုံးမပြုရန် (သို့မဟုတ် အရန်အနေဖြင့်သာ အသုံးပြုရန်) ကတိပြုပါ။ ၃။ သင့်ကိုယ်ပိုင်ဆုံးဖြတ်ချက်နှင့် ကျွမ်းကျင်မှုများကို အသုံးပြု၍ လုပ်ငန်းတာဝန်များကို ကိုယ်တိုင်လုပ်ဆောင်ပါ။ ၄။ အတွေ့အကြုံအကြောင်း နေ့စဉ်ဂျာနယ်ရေးပါ—ဘာက ပိုခက်ခဲသလဲ၊ ဘာက ပိုလွယ်ကူသလဲ။ ၅။ အပတ်ကုန်တွင် မည်သည့်စွမ်းရည်များကို သင်ထိန်းသိမ်းထားနိုင်သည်နှင့် မည်သည့်အရာများ ဆုံးရှုံးသွားသည်ကို ပြန်လည်သုံးသပ်ပါ။
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • အလိုအလျောက်စနစ်မပါဘဲ မည်သည့်အလုပ်များကို သင်ကောင်းစွာ လုပ်ဆောင်နိုင်စွမ်းရှိသနည်း။
  • အလိုအလျောက်စနစ်၏ အကူအညီကို မည်သည့်နေရာတွင် သင်တကယ် လွမ်းဆွတ်ခဲ့သနည်း။
  • သင့်ကိုယ်ပိုင်ဆုံးဖြတ်ချက်အပေါ် ယုံကြည်မှု မည်သို့ပြောင်းလဲသွားသနည်း။
• ကြိမ်နှုန်း- သုံးလတစ်ကြိမ်၊ ကိရိယာအမျိုးမျိုးကို ပြောင်းလဲအသုံးပြု၍

လေ့ကျင့်ခန်း ၃- ကြိုတင်ကတိပြုခြင်း နည်းလမ်း

• ရည်ရွယ်ချက်- လွတ်လပ်သော ဆုံးဖြတ်ချက်များကို ဦးစွာဖွဲ့စည်းခြင်းဖြင့် ကျူးလွန်မှုအမှားများ (commission errors) ကို လျှော့ချရန်
• လိုအပ်သော အချိန်- ဆုံးဖြတ်ချက်တစ်ခုလျှင် ၅ မိနစ်
• လိုအပ်သော ပစ္စည်းများ- စာရွက် သို့မဟုတ် မှတ်စုအက်ပ်
• အခက်အခဲ အဆင့်- အဆင့်မြင့်
• ညွှန်ကြားချက်များ- ၁။ အလိုအလျောက်ကိရိယာတစ်ခုနှင့် မတိုင်ပင်မီ၊ သင့်ကနဦး ဆုံးဖြတ်ချက်ကို ချရေးပါ။ ၂။ သင့်ယုံကြည်မှုအဆင့်ကို မှတ်သားပါ (နိမ့်/အလယ်အလတ်/မြင့်)။ ၃။ သင့်ဆုံးဖြတ်ချက်ကို မည်သည့်သတင်းအချက်အလက်အပေါ် အခြေခံထားကြောင်း မှတ်တမ်းတင်ပါ။ ၄။ ထို့နောက်မှသာ အလိုအလျောက်စနစ်ကို တိုင်ပင်ပါ။ ၅။ သင့်ဆုံးဖြတ်ချက်ကို အလိုအလျောက်ရလဒ်နှင့် နှိုင်းယှဉ်ပါ—သဘောတူညီမှုများနှင့် သဘောထားကွဲလွဲမှုများကို မှတ်တမ်းတင်ပါ။
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • သင့်လွတ်လပ်သော ဆုံးဖြတ်ချက်သည် အလိုအလျောက်စနစ်နှင့် မည်မျှမကြာခဏ ကိုက်ညီသနည်း။
  • သင်သဘောထားကွဲလွဲသောအခါ မည်သူက ပိုမိုမှန်ကန်သနည်း။
  • ဦးစွာကတိပြုခြင်းက အလိုအလျောက်ရလဒ်နှင့် သင့်ဆက်ဆံရေးကို မည်သို့ပြောင်းလဲစေသနည်း။
• ကြိမ်နှုန်း- အရေးကြီးသော ဆုံးဖြတ်ချက်အားလုံးအတွက်

နေ့စဉ် လေ့ကျင့်ခန်း

"၅-စက္ကန့် ခေတ္တရပ်ခြင်း"

မည်သည့် အလိုအလျောက်အကြံပြုချက်ကိုမဆို လက်မခံမီ၊ ၅ စက္ကန့်ခန့် ခေတ္တရပ်ပြီး "ဒါက မှားယွင်းနိုင်တဲ့ အကြောင်းပြချက် တစ်ခုခုရှိလား" ဟု မေးပါ။ တိုတောင်းသော နှောင့်နှေးမှုသည် အလိုအလျောက်လက်ခံမှု တုံ့ပြန်ချက်ကို အဟန့်အတားဖြစ်စေပြီး ဝေဖန်ပိုင်းခြားအကဲဖြတ်ရန် နေရာတစ်ခု ဖန်တီးပေးသည်။

• အကြံပြုထားသော ကြာချိန်- အလိုအလျောက်ရလဒ်တစ်ခုစီအတွက် ၅ စက္ကန့်
• တစ်နေ့တာ၏ အကောင်းဆုံးအချိန်- တစ်နေ့တာလုံး ဆက်တိုက်
• တိုးတက်မှုကို မည်သို့ခြေရာခံမည်နည်း- ခေတ္တရပ်သည့်အကြိမ်အရေအတွက်ကို မှတ်သားပါ၊ ခေတ္တရပ်ခြင်းက သင့်အား မေးခွန်းထုတ်ရန် သို့မဟုတ် အတည်ပြုရန် ဖြစ်စေခဲ့သော အကြိမ်များကို မှတ်သားပါ။

အပတ်စဉ် စိန်ခေါ်မှု

သံသယရှိသူ၏ စာရင်းစစ်ခြင်း

ရက်သတ္တပတ်တိုင်း၊ သင်သည် အလိုအလျောက်စနစ်အပေါ် အလွန်အမင်းမှီခိုနေသော (GPS၊ အီးမေးလ် စစ်ထုတ်မှုများ၊ ရှာဖွေရေးအဆင့်သတ်မှတ်ချက်များ၊ AI အကူအညီ) သင့်ဘဝ၏ နယ်ပယ်တစ်ခုကို ရွေးချယ်ပါ။ ထိုအပတ်မှ အလိုအလျောက်ဆုံးဖြတ်ချက် ၅-၁၀ ခုကို စနစ်တကျ စာရင်းစစ်မှု ပြုလုပ်ပါ။

• ၄ ပတ်အကြာ မျှော်မှန်းထားသော ရလဒ်များ- သင့်အလိုအလျောက်စနစ်သည် မည်သည့်နေရာတွင် ယုံကြည်စိတ်ချရပြီး မည်သည့်နေရာတွင် မှားယွင်းနိုင်ကြောင်း ချိန်ညှိထားသော နားလည်မှု၊ ပိုမိုကောင်းမွန်သော အတည်ပြုခြင်း အလေ့အကျင့်များ၊ မျက်ကန်းယုံကြည်မှု လျော့နည်းခြင်း
• ပြန်လည်သုံးသပ်ရန်အတွက် ဂျာနယ်ရေးသားခြင်း အချက်များ-
  • "ဒီစာရင်းစစ်မှုက အလိုအလျောက်စနစ်ရဲ့ တိကျမှုနဲ့ပတ်သက်တဲ့ ဘယ်ယူဆချက်ကို စိန်ခေါ်ခဲ့သလဲ။"
  • "ဒီအကြံပြုချက် မှန်ကန်တယ်ဆိုတာကို ငါငွေကြေးနဲ့ လောင်းရမယ်ဆိုရင် ဘယ်လောက်လောင်းမလဲ။"
  • "ငါတွေ့ခဲ့တဲ့ အမှားတွေကို ဖမ်းမိစေနိုင်တဲ့ ဘယ်အတည်ပြုချက်အဆင့်ကို ငါ့ပုံမှန်အလေ့အကျင့်ထဲကို ထည့်သင့်သလဲ။"

၁၂။ သီးခြား ပရိသတ်များအတွက်

ခေါင်းဆောင်များနှင့် မန်နေဂျာများအတွက်

ဤဘက်လိုက်မှုက ခေါင်းဆောင်မှု ထိရောက်မှုကို မည်သို့သက်ရောက်မှုရှိသနည်း-

• အလိုအလျောက် ခွဲခြမ်းစိတ်ဖြာမှုများကို ဝေဖန်မှုမပါဘဲ လက်ခံသော ခေါင်းဆောင်များသည် မြေပြင်အစစ်အမှန်များကို လွတ်သွားနိုင်သည်။
• အလိုအလျောက် စွမ်းဆောင်ရည်တိုင်းတာမှုများသည် အဖွဲ့၏ကျန်းမာရေးနှင့်ပတ်သက်၍ မှားယွင်းသော ယုံကြည်မှုကို ဖန်တီးနိုင်သည်။
• အယ်လဂိုရီသမ် ခန့်မှန်းချက်များအပေါ် အခြေခံသော မဟာဗျူဟာမြောက် ဆုံးဖြတ်ချက်များသည် ယခင်က မကြုံဖူးသော အခြေအနေများကို ထည့်သွင်းစဉ်းစားရန် ပျက်ကွက်နိုင်သည်။

အဖွဲ့အစည်းဆိုင်ရာ အခြေအနေများအတွက် သီးခြားနည်းဗျူဟာများ-

• အလိုအလျောက်အကြံပြုချက်များကို လူသိရှင်ကြား မေးခွန်းထုတ်ခြင်းဖြင့် သင့်လျော်သော သံသယရှိမှုကို စံပြအဖြစ် ပြသပါ
• ဝန်ထမ်းများ အလိုအလျောက်စနစ်ကို စိန်ခေါ်ရန် စိတ်ပိုင်းဆိုင်ရာ ဘေးကင်းလုံခြုံမှုကို ဖန်တီးပါ
• "စနစ်က အကြံပြုထားလို့ပါ" ဟူသော အကြောင်းပြချက်ဖြင့် ပျောက်ကွယ်မသွားသော ရှင်းလင်းသည့် တာဝန်ခံမှုကို တည်ထောင်ပါ
• ကိရိယာကျွမ်းကျင်မှုသာမက ဆုံးဖြတ်ချက်ကို အလေးပေးသော လေ့ကျင့်ရေးတွင် ရင်းနှီးမြှုပ်နှံပါ

အဖွဲ့လိုက် ကြားဝင်ဆောင်ရွက်မှုများ-

• အလိုအလျောက်စနစ်ကို မေးခွန်းထုတ်ရန်အတွက် သီးသန့် "devil's advocate" (ဆန့်ကျင်ဘက်မှ ငြင်းခုံသူ) အခန်းကဏ္ဍများကို အကောင်အထည်ဖော်ပါ
• အန္တရာယ်ကြီးမားသော အလိုအလျောက်အကြံပြုချက်များကို လက်မခံမီ လွတ်လပ်သော အကဲဖြတ်ချက်များစွာ လိုအပ်ပါစေ
• သင်ယူမှုအခွင့်အလမ်းများအဖြစ် အဖွဲ့အစည်းအဝေးများတွင် အလိုအလျောက်စနစ် ပျက်ကွက်မှုဇာတ်လမ်းများကို မျှဝေပါ
• အဖွဲ့ဝင်များက အလိုအလျောက်စနစ် အမှားများကို ဖမ်းမိသည့်ဖြစ်ရပ်များကို ဂုဏ်ပြုပါ

အကောင်အထည်ဖော်ရမည့် ဆုံးဖြတ်ချက်ချခြင်း လုပ်ငန်းစဉ်များ-

• ကြိုတင်စစ်ဆေးမှုများ (Pre-mortems)- "ဒီအလိုအလျောက်အကြံပြုချက်က ဘေးအန္တရာယ်ဖြစ်စေမယ်ဆိုရင် ဘာတွေများ မှားယွင်းသွားနိုင်သလဲ။"
• Red teaming- အလိုအလျောက်အကြံပြုချက်ကို ဆန့်ကျင်ငြင်းခုံရန် လူတစ်ဦးအား တာဝန်ပေးပါ
• ချိန်ညှိခြင်း အစည်းအဝေးများ- ယခင် အလိုအလျောက်ခန့်မှန်းချက်များကို အမှန်တကယ်ရလဒ်များနှင့် နှိုင်းယှဉ်ပါ

မိဘများနှင့် ပညာတတ်များအတွက်

ဤဘက်လိုက်မှုအကြောင်း ကလေးများကို မည်သို့သင်ကြားမည်နည်း-

• ကွန်ပျူတာများသည် အထောက်အကူပြုသော ကိရိယာများဖြစ်သော်လည်း အမြဲတမ်းမမှန်ကန်ကြောင်း ရှင်းပြပါ
• အသက်အရွယ်နှင့် လိုက်ဖက်သော ဥပမာများကို အသုံးပြုပါ (စာလုံးပေါင်းစစ်ဆေးခြင်း အမှားများ၊ GPS အမှားများ)
• ကျန်းမာသော သံသယရှိမှုကို မယုံကြည်မှုအဖြစ် မဟုတ်ဘဲ အသိဉာဏ်အဖြစ် ပုံဖော်ပါ

အသက်အရွယ်နှင့် လိုက်ဖက်သော ရှင်းလင်းချက်များ-

• ကလေးငယ်များ (၅-၈ နှစ်)- "ကွန်ပျူတာတွေက တချို့အရာတွေမှာ ဉာဏ်ကောင်းပေမယ့် ရယ်စရာအမှားတွေ လုပ်တတ်တယ်။ အမြဲစစ်ဆေးပါ။"
• အလယ်အလတ်ကလေးများ (၉-၁၂ နှစ်)- "အက်ပ်တွေနဲ့ ဝဘ်ဆိုက်တွေက ငါတို့ကိုကူညီဖို့ ပရိုဂရမ်တွေကို သုံးတယ်၊ ဒါပေမယ့် အဲဒီပရိုဂရမ်တွေက အကုန်မသိဘူး။ ငါတို့ကိုယ်တိုင်လည်း တွေးကြည့်ရအောင်။"
• ဆယ်ကျော်သက်များ- "AI နဲ့ အယ်လဂိုရီသမ်တွေက စွမ်းအားကြီးပေမယ့် ကန့်သတ်ချက်တွေရှိတယ်။ ဉာဏ်ကောင်းတယ်ဆိုတာ သူတို့ကို ဘယ်အချိန်မှာ ယုံကြည်ရမလဲနဲ့ ဘယ်အချိန်မှာ အတည်ပြုရမလဲဆိုတာကို သိတာဖြစ်တယ်။"

ငယ်ရွယ်သော စိတ်များအတွက် ကြိုတင်ကာကွယ်ရေး နည်းဗျူဟာများ-

• ဂဏန်းတွက်စက်အသုံးပြုခြင်းနှင့်အတူ ကိုယ်တိုင်တွက်ချက်လေ့ကျင့်ခြင်းကို အားပေးပါ
• အလိုအလျောက်အကူအညီများကို အသုံးမပြုမီ ကလေးများအား လုပ်ငန်းတာဝန်များကို အရင်ကြိုးစားလုပ်ဆောင်ခိုင်းပါ
• သတင်းနှင့် နေ့စဉ်ဘဝတွင် နည်းပညာမှားယွင်းသည့် ဥပမာများကို ဆွေးနွေးပါ
• မိဘတစ်ဦးအနေဖြင့် အတည်ပြုခြင်းအမူအကျင့်ကို စံပြအဖြစ် ပြသပါ

စာသင်ခန်း သို့မဟုတ် အိမ်အတွက် လှုပ်ရှားမှုများ-

• ဂဏန်းတွက်စက်ရလဒ်များ၊ GPS လမ်းကြောင်းများ၊ သို့မဟုတ် AI ထုတ်လုပ်ထားသော အကြောင်းအရာများဖြင့် "အမှားကိုရှာပါ" ဂိမ်းများ
• အလိုအလျောက်ရှာဖွေမှုရလဒ်များကို အတည်ပြုရန် လိုအပ်သည့် သုတေသနပရောဂျက်များ
• AI အနုပညာ၊ စာရေးသားမှု သို့မဟုတ် အကြံပြုချက်များကို ဝေဖန်ပိုင်းခြားအကဲဖြတ်ခြင်း

ကျန်းမာရေးစောင့်ရှောက်မှု ပညာရှင်များအတွက်

ဤဘက်လိုက်မှု၏ ဆေးဘက်ဆိုင်ရာ သက်ရောက်မှုများ-

• လက်တွေ့ဆုံးဖြတ်ချက် အထောက်အကူပြုစနစ်ကို အလွန်အမင်းမှီခိုခြင်းသည် မှားယွင်းသော ရောဂါရှာဖွေမှုကို ဖြစ်စေနိုင်သည်
• သတိပေးချက် ပင်ပန်းနွမ်းနယ်မှုသည် အန္တရာယ်ရှိသော အလေးမထားမှုကို ဖန်တီးသည်
• AI ရောဂါရှာဖွေရေးကိရိယာများသည် ပုံမှန်မဟုတ်သော ရောဂါလက္ခဏာပြမှုများတွင် စွမ်းဆောင်ရည်ညံ့ဖျင်းနိုင်သည်

လူနာဆက်သွယ်ရေး နည်းဗျူဟာများ-

• အလိုအလျောက်ကိရိယာများက ရောဂါရှာဖွေခြင်းကို မည်သည့်အချိန်တွင် အသိပေးကြောင်း ရှင်းပြပါ (ပွင့်လင်းမြင်သာမှုသည် သင့်လျော်သော ယုံကြည်မှုကို တည်ဆောက်သည်)
• အလိုအလျောက်ရလဒ်များကို အဓိပ္ပာယ်ကောက်ယူရာတွင် လက်တွေ့ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်၏ အခန်းကဏ္ဍကို အလေးပေးပါ
• လူနာများ အသုံးပြုနိုင်သော ကျန်းမာရေးအက်ပ်များနှင့် AI ရောဂါလက္ခဏာစစ်ဆေးသူများ၏ ကန့်သတ်ချက်များကို ဆွေးနွေးပါ

ရောဂါရှာဖွေရေးဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများ-

• ဆုံးဖြတ်ချက် အထောက်အကူကို မတိုင်ပင်မီ ကွဲပြားသော ရောဂါရှာဖွေမှုများကို (differential diagnosis) ဖွဲ့စည်းပါ
• အလိုအလျောက်စနစ်ကို အပြတ်သားဆုံးအဖြေအဖြစ် မဟုတ်ဘဲ ဒေတာအချက်များစွာထဲမှ တစ်ခုအဖြစ် အသုံးပြုပါ
• အလိုအလျောက်ရလဒ်သည် လက်တွေ့လူနာအခြေအနေနှင့် မကိုက်ညီသောအခါ အထူးသတိထားပါ

ကုသမှုအစီအစဉ်ဆွဲခြင်း သက်ရောက်မှုများ-

• အလိုအလျောက် ဆေးပမာဏတွက်ချက်စက်များသည် ကိုယ်အလေးချိန်နှင့် ကျောက်ကပ်လုပ်ဆောင်မှု အတည်ပြုချက် လိုအပ်သည်
• ကုသမှုလုပ်ငန်းစဉ် အကြံပြုချက်များသည် တစ်ဦးချင်းစီ ကွဲပြားမှုကို ထည့်သွင်းစဉ်းစားနိုင်မည်မဟုတ်ပါ
• လူနာနှင့်သက်ဆိုင်သော အချက်အလက်များသည် အယ်လဂိုရီသမ်အကြံပြုချက်များကို ကျော်လွန်သွားနိုင်သည်

ကျင့်ဝတ်ဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများ-

• တာဝန်ယူမှုကို အလိုအလျောက်စနစ်ထံ လွှဲပြောင်း၍မရပါ
• အသိပေးခွင့်ပြုချက် (Informed consent) သည် ရောဂါရှာဖွေရာတွင် AI အသုံးပြုမှုကို ထုတ်ဖော်ပြောဆိုရန် လိုအပ်နိုင်သည်
• ပရော်ဖက်ရှင်နယ် ဆုံးဖြတ်ချက်သည် အလိုအလျောက်စနစ် ရှိသည်ဖြစ်စေ မရှိသည်ဖြစ်စေ အရေးအကြီးဆုံးအဖြစ် ကျန်ရှိနေသည်

ဘဏ္ဍာရေး ပညာရှင်များအတွက်

ရင်းနှီးမြှုပ်နှံမှုဆိုင်ရာ အသုံးချမှုများ-

• အယ်လဂိုရီသမ် ကုန်သွယ်မှု အကြံပြုချက်များသည် လူသား၏ ယုတ္တိရှိမရှိ စစ်ဆေးခြင်းကို လိုအပ်ဆဲဖြစ်သည်
• နောက်ကြောင်းပြန်စမ်းသပ်ထားသော (backtested) စွမ်းဆောင်ရည်သည် အနာဂတ်ရလဒ်များကို အာမမခံပါ
• ယခင်က မကြုံဖူးသော စျေးကွက်အခြေအနေများတွင် မော်ဒယ်များ ဆိုးရွားစွာ ပျက်ကွက်နိုင်သည်

ဖောက်သည်ဆက်သွယ်ရေး နည်းဗျူဟာများ-

• အစုရှယ်ယာ စီမံခန့်ခွဲမှုတွင် အလိုအလျောက်စနစ်၏ အခန်းကဏ္ဍကို ရှင်းပြပါ
• အယ်လဂိုရီသမ်များ ဘာလုပ်နိုင်သည်နှင့် ဘာမလုပ်နိုင်သည်နှင့်ပတ်သက်၍ သင့်လျော်သော မျှော်မှန်းချက်များထားရှိပါ
• အန္တရာယ်ပုံစံထုတ်ခြင်းနှင့် ခန့်မှန်းခြင်းဆိုင်ရာ ကန့်သတ်ချက်များကို ဆွေးနွေးပါ

အန္တရာယ် စီမံခန့်ခွဲမှု သက်ရောက်မှုများ-

• အလိုအလျောက် အန္တရာယ်တိုင်းတာမှုများ (VaR စသည်) တွင် လူသိများသော ပျက်ကွက်နိုင်သည့်ပုံစံများ ရှိသည်
• အကျပ်အတည်းများအတွင်း ဆက်စပ်မှုများ ပြောင်းလဲသွားနိုင်ပြီး မော်ဒယ်၏ယူဆချက်များကို ချိုးဖျက်နိုင်သည်
• ထူးခြားသော အန္တရာယ်အခြေအနေများ (tail-risk scenarios) အတွက် လူသား၏ဆုံးဖြတ်ချက်သည် မရှိမဖြစ်လိုအပ်သည်

စည်းမျဉ်းစည်းကမ်းဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများ-

• ယုံကြည်အပ်နှံမှုဆိုင်ရာ တာဝန် (Fiduciary duty) သည် အယ်လဂိုရီသမ်အကြံပြုချက်ကို လိုက်နာရုံဖြင့် ပြည့်စုံမည်မဟုတ်ပါ
• မှတ်တမ်းများသည် အလိုအလျောက်အကြံပြုချက်များကို လူသားက ပြန်လည်သုံးသပ်ကြောင်း ပြသသင့်သည်
• လိုက်နာမှုစနစ်များသည် အပြည့်အဝ အလိုအလျောက်စနစ်မဟုတ်ဘဲ လူသား၏ကြီးကြပ်မှုကို လိုအပ်သည်

၁၃။ အခြားဘက်လိုက်မှုများနှင့် အပြန်အလှန်သက်ရောက်မှုများ

ဤဘက်လိုက်မှုကို ကြီးထွားစေသော ဘက်လိုက်မှုများ

ဤဘက်လိုက်မှုကို ဆန့်ကျင်သည့် ဘက်လိုက်မှုများ

အဖြစ်များသော ဘက်လိုက်မှု ကွင်းဆက်များ

အလိုအလျောက်စနစ်-အတည်ပြုချက်-မှတ်ဉာဏ် ကွင်းဆက် (The Automation-Confirmation-Memory Chain): Automation Bias → Confirmation Bias → Memory Distortion → Reinforced Automation Bias

လူတစ်ဦးသည် အလိုအလျောက်အကြံပြုချက်တစ်ခုကို လက်ခံလိုက်သောအခါ (automation bias)၊ ၎င်းကို အတည်ပြုပေးသော သတင်းအချက်အလက်များကို ရွေးချယ်သတိထားလာကြသည် (confirmation bias)။ အချိန်ကြာလာသည်နှင့်အမျှ၊ မှတ်ဉာဏ်သည် အထောက်အထားများကို ဖန်တီးယူခြင်းအပါအဝင် အလိုအလျောက်ဆုံးဖြတ်ချက်ကို ထောက်ခံရန် ဖြစ်ရပ်များကို ပြန်လည်တည်ဆောက်သည် (memory distortion)။ ဤမှားယွင်းသောအထောက်အထားများသည် အတိတ်က အလိုအလျောက်ဆုံးဖြတ်ချက်များကို ပိုမိုယုံကြည်စိတ်ချရပုံပေါ်စေခြင်းဖြင့် အနာဂတ် automation bias ကို အားဖြည့်ပေးသည်။

ကွင်းဆက်ကို ဖြတ်တောက်ခြင်း: အဓိက ကြားဝင်ဆောင်ရွက်ရမည့်အချက်မှာ ပထမဆုံး လက်မခံမီအချိန်ဖြစ်သည်။ အလိုအလျောက်စနစ်ကို မမြင်မီ လွတ်လပ်သော ဆုံးဖြတ်ချက်တစ်ခုကို ကြိုတင်ကတိပြုခြင်းသည် ကနဦး ကျောက်ချမှုကို ချိုးဖျက်ပေးသည်။ ဆန့်ကျင်ဘက်အထောက်အထားများကို ရှင်းလင်းစွာ မှတ်တမ်းတင်ရန် လိုအပ်ခြင်းသည် ရွေးချယ်အာရုံစိုက်မှုကို တားဆီးပေးသည်။ အလိုအလျောက်ခန့်မှန်းချက်များနှင့် ရလဒ်များကို နှိုင်းယှဉ်သည့် ပုံမှန်စာရင်းစစ်မှုများသည် မှတ်ဉာဏ်ပုံပျက်ခြင်းများကို ပြင်ဆင်ပေးသည်။

၁၄။ ယဉ်ကျေးမှုဆိုင်ရာ အမြင်များ

ယဉ်ကျေးမှုအမျိုးမျိုးရှိ automation bias ဆိုင်ရာ သုတေသနများက အများလက်ခံနိုင်သော လက္ခဏာများနှင့် သိသာထင်ရှားသော ကွဲပြားမှုများ နှစ်ခုစလုံးကို ဖော်ပြသည်-

အများလက်ခံနိုင်သော ရှုထောင့်များ-

• အခြေခံ သိမြင်မှုယန္တရားများ (စွမ်းအင်ချွေတာခြင်း၊ အနီးစပ်ဆုံးလုပ်ငန်းစဉ်) သည် လေ့လာထားသော ယဉ်ကျေးမှုအားလုံးတွင် ပေါ်လာသည်
• "Cognitive miser" အကျိုးသက်ရောက်မှုသည် ယဉ်ကျေးမှုနောက်ခံ မည်သို့ပင်ရှိစေကာမူ လုပ်ဆောင်သည်
• ယုံကြည်စိတ်ချရမှု မြင့်မားခြင်းသည် ယုံကြည်မှုကို ဖြစ်ပေါ်စေပြီး နေရာတိုင်းတွင် အတည်ပြုချက်ကို လျှော့ချစေသည်

ယဉ်ကျေးမှုဆိုင်ရာ ကွဲပြားမှုများ-

ဒေသဆိုင်ရာ သုတေသန အလေးပေးမှုများ-

• ဂျပန် (Ishiguro)- စက်ရုပ်များအပေါ် လူမှုရေးယုံကြည်မှုနှင့် လူလိုပြုမူမှု အကျိုးသက်ရောက်မှုများအပေါ် အလေးပေးသည်၊ သဟဇာတဖြစ်သော လူ-စက် အပြန်အလှန်ဆက်သွယ်မှုကို ယဉ်ကျေးမှုအရ အာရုံစိုက်ခြင်းဖြင့် နည်းပညာအသုံးပြုမှု မြင့်မားသည်
• တောင်ကိုရီးယား (KAIST)- ရှင်းပြနိုင်သော AI ကို ယဉ်ကျေးမှုတန်ဖိုးတစ်ခုအဖြစ် အာရုံစိုက်သည်၊ ပွင့်လင်းမြင်သာမှု မျှော်မှန်းချက်များသည် အလိုအလျောက်စနစ်အပေါ် မျက်ကန်းယုံကြည်မှုကို လျှော့ချနိုင်သည်
• တရုတ် (Tsinghua)- စကားပြော AI ဘေးကင်းရေးနှင့် အသုံးပြုသူများ၏ ဘက်လိုက်မှုများကို အားဖြည့်ပေးသည့် မျက်နှာချိုသွေးသော AI တုံ့ပြန်မှုများကို တားဆီးရေး သုတေသန အလေးပေးမှု
• ဂျာမနီ (TU Berlin, TU Darmstadt)- သတိပေးချက်ဒီဇိုင်းနှင့် ဝန်ဆောင်မှုစက်ရုပ် အပြန်အလှန်ဆက်သွယ်မှုအပေါ် အင်ဂျင်နီယာပိုင်းဆိုင်ရာ အာရုံစိုက်မှု၊ ယဉ်ကျေးမှုဆိုင်ရာ တိကျမှုသည် အတည်ပြုခြင်းစံနှုန်းများကို လွှမ်းမိုးနိုင်သည်
• အမေရိကန်- တစ်ဦးချင်းအဆင့် သိမြင်မှုဆိုင်ရာ စိတ်ပညာနှင့် လေကြောင်း/ကာကွယ်ရေး အသုံးချမှုများအပေါ် အာရုံစိုက်သည်

ယဉ်ကျေးမှုဖြတ်ကျော် သက်ရောက်မှုများ-

• မျှဝေထားသော အလိုအလျောက်စနစ်များကို အသုံးပြုသည့် နိုင်ငံတကာအဖွဲ့များတွင် မတူညီသော ပုံသေယုံကြည်မှုအဆင့်များ ရှိနိုင်သည်
• နိုင်ငံစုံ အဖွဲ့အစည်းများသည် အလိုအလျောက်စနစ် အင်တာဖေ့စ်များကို ဒီဇိုင်းထုတ်ရာတွင် ယဉ်ကျေးမှုကွဲပြားမှုကို ထည့်သွင်းစဉ်းစားသင့်သည်
• ကမ္ဘာလုံးဆိုင်ရာ AI စနစ်များသည် မတူညီသောစျေးကွက်များအတွက် မတူညီသော ယုံကြည်မှုချိန်ညှိရေး ချဉ်းကပ်မှုများ လိုအပ်နိုင်သည်

၁၅။ ဒဏ္ဍာရီများနှင့် အထင်အမြင်လွဲမှားမှုများ

၁၆။ ကျွမ်းကျင်သူများ၏ အမြင်များ

"Automation bias သည် 'နိုးကြားစွာ သတင်းအချက်အလက်ရှာဖွေခြင်းနှင့် စီမံဆောင်ရွက်ခြင်းအတွက် အနီးစပ်ဆုံး အစားထိုးမှုတစ်ခု' အဖြစ် လုပ်ဆောင်ပြီး—၎င်းသည် 'အခြေအနေအကဲဖြတ်မှုကို စောစီးစွာ ပိတ်ပစ်လိုက်သော' သိမြင်မှုဆိုင်ရာ ဖြတ်လမ်းတစ်ခုဖြစ်သည်။" — Linda Skitka, Kathleen Mosier နှင့် Mark Burdick, ၁၉၉၉

"ယုံကြည်မှုဆိုသည်မှာ မသေချာမရေရာမှုနှင့် ထိခိုက်လွယ်မှုတို့ဖြင့် လက္ခဏာရပ်ရှိသော အခြေအနေတစ်ခုတွင် တစ်ဦးတစ်ယောက်၏ ရည်မှန်းချက်များ အောင်မြင်ရန် အေးဂျင့်တစ်ခုက ကူညီလိမ့်မည်ဟူသော သဘောထားဖြစ်သည်။" — John D. Lee နှင့် Katrina A. See, ၂၀၀၄

"အသုံးပြုသူများသည် ဆန့်ကျင်ဘက်အထောက်အထားများ အခိုင်အမာရှိနေသော်လည်း စနစ်၏အမှားများကို ဆန္ဒအလျောက် လက်ခံခဲ့ကြပြီး၊ စစ်မြေပြင်အစစ်အမှန်ထက် စက်၏ဆုံးဖြတ်ချက်ကို မျက်နှာသာပေးခဲ့သည်။" — ပါထရီယော့ ဒုံးကျည် မှားယွင်းပစ်ခတ်မှုများအပေါ် ကာကွယ်ရေးသိပ္ပံဘုတ်အဖွဲ့ အစီရင်ခံစာ၊ ၂၀၀၅

"လေယာဉ်အမှုထမ်းများသည် 'ကွင်းဆက်ပြင်ပ' သို့ရောက်နေပြီး အလိုအလျောက်စနစ်က ဘာတွေလုပ်နေသလဲဆိုတာကို နားမလည်နိုင်ဖြစ်ခဲ့သည်။" — အစီရင်ခံစာတွင် ကိုးကားထားသော လေကြောင်းလိုင်း ၄၄၇ ၏ FAA လူသားအချက်ပြမှု ခွဲခြမ်းစိတ်ဖြာချက်

"မှားယွင်းသော LLM အကြံပြုချက်များသည် automation bias ကို ဖြစ်စေခြင်းဖြင့် ဆရာဝန်များ၏ ရောဂါရှာဖွေရေး စွမ်းဆောင်ရည်ကို သိသိသာသာ ကျဆင်းစေသည်။" — AI အထောက်အကူပြု ရောဂါရှာဖွေရေးဆိုင်ရာ ၂၀၂၅ ခုနှစ် ကျပန်းလက်တွေ့စမ်းသပ်မှု

"လူတွေ စစ်စတင်တဲ့အခါ၊ ဒုံးကျည် ၅ စင်းတည်းနဲ့ မစဘူး။" — ဒုတိယဗိုလ်မှူးကြီး Stanislav Petrov၊ ၁၉၈၃ ခုနှစ် ဆိုဗီယက် နျူကလီးယား စောစီးစွာသတိပေးစနစ်ကို ကျော်လွန်လုပ်ဆောင်ရန် သူ၏ဆုံးဖြတ်ချက်ကို ရှင်းပြခြင်း

၁၇။ အဓိက မှတ်သားဖွယ်ရာများ

၁။ Automation bias သည် နေရာတိုင်းတွင်ရှိပြီး နက်နက်ရှိုင်းရှိုင်း အမြစ်တွယ်နေသည်။ ၎င်းသည် နည်းပညာမတိုင်မီက လူသားများကို ကောင်းစွာအကျိုးပြုခဲ့သော—သို့သော် မပြည့်စုံသော အလိုအလျောက်စနစ်များတွင် အသုံးပြုသောအခါ အန္တရာယ်ရှိသော အားနည်းချက်များကို ဖန်တီးပေးသည့် ဆင့်ကဲပြောင်းလဲလာသော သိမြင်မှုစွမ်းဆောင်ရည် ယန္တရားများမှ ပေါက်ဖွားလာခြင်းဖြစ်သည်။

၂။ အမှားအမျိုးအစားနှစ်ခုက ဘက်လိုက်မှုကို သတ်မှတ်သည်။ ပျက်ကွက်မှုအမှားများ (errors of omission) (အလိုအလျောက်စနစ်က သတိမပေးသောကြောင့် ပြဿနာများကို လွတ်သွားခြင်း) နှင့် ကျူးလွန်မှုအမှားများ (errors of commission) (မှားယွင်းသော အလိုအလျောက်အကြံပြုချက်များကို တက်ကြွစွာ လိုက်နာခြင်း)။ ကျူးလွန်မှုအမှားများသည် ဆုံးဖြတ်ချက်ကို တက်ကြွစွာ လက်မြှောက်အရှုံးပေးခြင်းဖြစ်သောကြောင့် ပိုမိုစိုးရိမ်ဖွယ်ရာကောင်းသည်။

၃။ ယုံကြည်စိတ်ချရမှုက အန္တရာယ်ကို ဖန်တီးသည်။ ပဟေဠိ- အလိုအလျောက်စနစ် ပိုမိုယုံကြည်စိတ်ချရလေ၊ အလိုအလျောက်စနစ် ပျက်ကွက်သောအခါ လူသားအမှားများသည် ပိုမိုအန္တရာယ်ရှိလေဖြစ်သည်။ "လူသားအရန်အကူ" ယူဆချက်သည် ယုံကြည်စိတ်ချရမှုမြင့်မားသော စနစ်များအတွက် သင်္ချာနည်းအရ အပြစ်အနာအဆာရှိသည်။

၄။ အကျိုးဆက်များကို သမိုင်းတွင် ရေးသားထားသည်။ လေယာဉ်ပျက်ကျမှုများမှသည် မှားယွင်းစွာထောင်ချခံရမှုများအထိ၊ automation bias သည် အသက်များ၊ လွတ်လပ်ခွင့်နှင့် ဒေါ်လာဘီလီယံပေါင်းများစွာကို ဆုံးရှုံးစေခဲ့သည်။ ၎င်းတို့သည် သီအိုရီအရ အန္တရာယ်များ မဟုတ်ပါ။

၅။ လေ့ကျင့်မှုသက်သက်ဖြင့် မလုံလောက်ပါ။ တစ်ဦးချင်းစီ၏ စိတ်ဆန္ဒထက် စနစ်ဒီဇိုင်းက ပိုအရေးကြီးသည်။ ဖြစ်နိုင်ခြေကို ပြသခြင်းများ၊ အတင်းအကျပ် သတိပေးချက်များနှင့် လူမှုနည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်ဒီဇိုင်းများသည် လူများကို "ပိုကြိုးစားရန်" ပြောခြင်းထက် ပိုမိုထိရောက်သည်။

၆။ ယုံကြည်မှုကို အများဆုံးမလုပ်ဘဲ ချိန်ညှိရမည်။ ရည်မှန်းချက်မှာ အလိုအလျောက်စနစ်ကို မယုံကြည်ရန်မဟုတ်ဘဲ ယုံကြည်မှုကို အမှန်တကယ်စွမ်းရည်နှင့် ကိုက်ညီစေရန်ဖြစ်သည်။ စနစ်က ဘာလုပ်သည်ဆိုတာကိုသာမက ၎င်းဘယ်လိုအလုပ်လုပ်သည်၊ ဘယ်နေရာမှာ ပျက်ကွက်တတ်သည်ကိုပါ နားလည်ရန် မရှိမဖြစ်လိုအပ်သည်။

၇။ AI ခေတ်က အန္တရာယ်ကို ကြီးထွားစေသည်။ Large Language Model များသည် လူသားများ အမှန်တရားကို ဖော်ပြရန် အသုံးပြုသည့် တူညီသော ဘာသာစကားလမ်းကြောင်းများမှတစ်ဆင့် ဆက်သွယ်ကြပြီး၊ နက်ရှိုင်းစွာ အမြစ်တွယ်နေသော လူမှုရေးယုံကြည်မှု ယန္တရားများကို အစပျိုးစေသည်။ "ယောင်ချာချာလက်ခံမှု (Hallucination acceptance)"—ယုတ္တိရှိပုံရသော လုပ်ကြံဖန်တီးမှုများကို ယုံကြည်ခြင်း—သည် လူ့အဖွဲ့အစည်းက ယခုမှ စတင်ရင်ဆိုင်နေရသော automation bias ၏ အသစ်နှင့် အစွမ်းထက်သော ပုံစံတစ်ရပ်ကို ကိုယ်စားပြုသည်။

၁၈။ ထပ်မံလေ့လာရန် အရင်းအမြစ်များ

ပညာရပ်ဆိုင်ရာ စာတမ်းများ

• Skitka, L. J., Mosier, K. L., & Burdick, M. (၁၉၉၉). Does automation bias decision-making? International Journal of Human-Computer Studies, ၅၁(၅), ၉၉၁–၁၀၀၆.
• Parasuraman, R., & Manzey, D. H. (၂၀၁၀). Complacency and bias in human use of automation: An attentional integration. Human Factors, ၅၂(၃), ၃၈၁–၄၁၀.
• Lee, J. D., & See, K. A. (၂၀၀၄). Trust in automation: Designing for appropriate reliance. Human Factors, ၄၆(၁), ၅၀–၈၀.
• Lyell, D., & Coiera, E. (၂၀၁၇). Automation bias and verification complexity: A systematic review. Journal of the American Medical Informatics Association, ၂၄(၂), ၄၂၃–၄၃၁.
• Goddard, K., Roudsari, A., & Wyatt, J. C. (၂၀၁၂). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, ၁၉(၁), ၁၂၁–၁၂၇.

စာအုပ်များ

• Parasuraman, R., & Mouloua, M. (တည်းဖြတ်). (၁၉၉၆). Automation and Human Performance: Theory and Applications. Lawrence Erlbaum Associates.
• Wickens, C. D., & Hollands, J. G. (၂၀၀၀). Engineering Psychology and Human Performance (တတိယအကြိမ်). Prentice Hall.
• Kahneman, D. (၂၀၁၁). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Reason, J. (၁၉၉၀). Human Error. Cambridge University Press.
• Lee, J. D., Wickens, C. D., Liu, Y., & Boyle, L. N. (၂၀၁၇). Designing for People: An Introduction to Human Factors Engineering (တတိယအကြိမ်). CreateSpace.

စာအုပ်အခန်းများ

• Mosier, K. L., & Skitka, L. J. (၁၉၉၆). Human decision makers and automated decision aids: Made for each other? R. Parasuraman & M. Mouloua (တည်းဖြတ်) ၏ Automation and Human Performance တွင် ပါဝင်သည် (စာမျက်နှာ ၂၀၁–၂၂၀)။ Lawrence Erlbaum Associates.

၁၉။ အကျဉ်းချုပ် ကတ်

၂၀။ အသုံးပြုထားသော ဝေါဟာရများ အဘိဓာန်

၂၁။ ဆွေးနွေးရန် မေးခွန်းများ

စာဖတ်ဝိုင်းများ၊ စာသင်ခန်းများ သို့မဟုတ် ကိုယ့်ကိုယ်ကိုယ် ပြန်လည်သုံးသပ်ရန်-

၁။ "စက်က ပို၍ယုံကြည်စိတ်ချရလေ၊ လူသားအော်ပရေတာ၏ အမှားဖြစ်နိုင်ခြေက ပို၍အန္တရာယ်ရှိလေဖြစ်သည်" ဟု အစီရင်ခံစာက ဆိုသည်။ ဤပဟေဠိသည် ဖြေရှင်း၍ရနိုင်သလား၊ သို့မဟုတ် လူ-အလိုအလျောက်စနစ် ပူးပေါင်းလုပ်ဆောင်မှု၏ မွေးရာပါ ကန့်သတ်ချက်တစ်ခုလား။

၂။ Stanislav Petrov သည် automation bias ကို အောင်မြင်စွာ တွန်းလှန်နိုင်ခဲ့ပြီး နျူကလီးယားစစ်ပွဲကို တားဆီးနိုင်ခဲ့သည်။ အခြားသူများ (ပါထရီယော့ အော်ပရေတာများကဲ့သို့) မလုပ်နိုင်ခဲ့ချိန်တွင် မည်သည့်ပုဂ္ဂိုလ်ရေးအရည်အသွေးများ၊ လေ့ကျင့်မှုများ၊ သို့မဟုတ် အခြေအနေများက သူ့ကို ဤသို့လုပ်ဆောင်နိုင်စေခဲ့သနည်း။

၃။ UK စာတိုက် Horizon အရှုပ်တော်ပုံက automation bias သည် အဖွဲ့အစည်းအဆင့်တွင် ၁၅ နှစ်ကျော်ကြာ ဆက်ရှိနေကြောင်း ပြသခဲ့သည်။ အနာဂတ်တွင် အလားတူ အဖွဲ့အစည်းဆိုင်ရာ automation bias ကို ကာကွယ်ရန် မည်သို့သော စနစ်ကျသည့် အပြောင်းအလဲများ လိုအပ်မည်နည်း။

၄။ AI ဘာသာစကားမော်ဒယ်များ ပိုမိုဆန်းပြားလာသည်နှင့်အမျှ၊ ၎င်းတို့သည် လူသားများ အမှန်တရားကို ဖော်ပြရန် အသုံးပြုသည့် တူညီသော အဓိပ္ပာယ်ဆိုင်ရာ လမ်းကြောင်းများမှတစ်ဆင့် ဆက်သွယ်လာကြသည်။ ၎င်းက AI automation bias ကို ယခင်ပုံစံများနှင့် အခြေခံကျကျ ကွဲပြားစေသလား။ လက်ရှိ လျှော့ချရေးနည်းဗျူဟာများသည် လုံလောက်မှုရှိပါသလား။

၅။ လူသားများသည် မှားယွင်းသော အလိုအလျောက်အကြံပြုချက်များကို လိုက်နာသောအခါ တရားရေးအရ တာဝန်ယူမှုရှိသင့်ပါသလား။ လူသားအော်ပရေတာ၊ အဖွဲ့အစည်းနှင့် အလိုအလျောက်စနစ် ရောင်းချသူတို့အကြား တာဝန်ယူမှုကို မည်သို့မျှတအောင် လုပ်ဆောင်မည်နည်း။