Base Rate Fallacy (အခြေခံနှုန်း မှားယွင်းမှု)

At a Glance (တစ်ချက်ကြည့်)

1. Quick Summary (အမြန် အကျဉ်းချုပ်)

ဖြစ်နိုင်ခြေနှင့် ပတ်သက်၍ ဆုံးဖြတ်ချက်ချရာတွင် လူသားတို့သည် ဆုံးဖြတ်ချက်ချရာတွင် အထောက်အကူဖြစ်စေမည့် ပိုမိုကျယ်ပြန့်သော စာရင်းအင်းဆိုင်ရာ နောက်ခံအကြောင်းအရာများကို လျစ်လျူရှုကာ၊ သီးခြားဖြစ်ရပ်တစ်ခုနှင့်ပတ်သက်သည့် ထင်ရှားပြီး တိကျသော အသေးစိတ်အချက်အလက်များကိုသာ အာရုံစိုက်လေ့ရှိသည်။ အကယ်၍ တစ်စုံတစ်ယောက်က ကဗျာဖတ်ရသည်ကို နှစ်သက်ပြီး စာအုပ်စာပေ ဝါသနာပါသော တိတ်ဆိတ်ငြိမ်သက်သူတစ်ဦးအကြောင်းကို ပြောပြလျှင်၊ ကမ္ဘာပေါ်တွင် ထိုကဲ့သို့သော စရိုက်လက္ခဏာများ ရှိသည့် ဆရာများ၊ စာရင်းကိုင်များ သို့မဟုတ် ရုံးဝန်ထမ်းများ အများအပြား ရှိနေသော်လည်း၊ သင်က သူ့ကို "စာကြည့်တိုက်မှူး" ဖြစ်မည်ဟု ခန့်မှန်းမိပေမည်။ အခြေခံနှုန်း မှားယွင်းမှု ဖြစ်ပေါ်လာရခြင်းမှာ ကျွန်ုပ်တို့၏ ဦးနှောက်များသည် ဖြစ်နိုင်ခြေများကို တွက်ချက်ရန်ထက် ပုံစံများကို ကိုက်ညီအောင် လုပ်ဆောင်ခြင်းနှင့် ဇာတ်လမ်းများ ဖန်တီးခြင်းအတွက် ပိုမို လိုက်လျောညီထွေဖြစ်အောင် ဖွဲ့စည်းထားသောကြောင့် ဖြစ်သည်။

2. The Science Behind It (နောက်ကွယ်မှ သိပ္ပံပညာ)

2.1. Discovery and History (ရှာဖွေတွေ့ရှိမှုနှင့် သမိုင်းကြောင်း)

အခြေခံနှုန်းကို လျစ်လျူရှုခြင်းအား တရားဝင် ဖော်ထုတ်သတ်မှတ်နိုင်မှုသည် ၁၉၇၀ ပြည့်လွန်နှစ်များအတွင်း စိတ်ပညာတွင် သိမြင်မှုဆိုင်ရာ တော်လှန်ရေးမှ ပေါ်ထွက်လာခြင်းဖြစ်သည်။ ၁၉၅၅ ခုနှစ်တွင် Paul Meehl နှင့် Albert Rosen တို့က စာရင်းအင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုနှင့် လက်တွေ့ဆေးဘက်ဆိုင်ရာ အလိုအလျောက်သိမြင်မှုတို့အကြား ပဋိပက္ခကို စောစီးစွာ သတိပြုမိခဲ့သော်လည်း (၎င်းတို့က ဆေးဘက်ဆိုင်ရာ ကျွမ်းကျင်သူများအား ရောဂါရှာဖွေရေး စစ်ဆေးမှု ရလဒ်များ အဓိပ္ပါယ်ကောက်ယူခြင်းနှင့် ပတ်သက်၍ သတိပေးခဲ့သည်)၊ ဤဘက်လိုက်မှုကို တရားဝင် ဖော်ထုတ်ပြီး အမည်ပေးခဲ့သူများမှာ Amos Tversky နှင့် Daniel Kahneman တို့ ဖြစ်သည်။

၎င်းတို့၏ ၁၉၇၃ ခုနှစ် စာတမ်း "On the Psychology of Prediction (ခန့်မှန်းခြင်းဆိုင်ရာ စိတ်ပညာအပေါ်)" သည် ကျိုးကြောင်းဆီလျော်စွာ ပြုမူတတ်သောသူ (rational actor) ဟူသည့် စီးပွားရေးဆိုင်ရာ အခြေခံယူဆချက်ကို စိန်ခေါ်ခဲ့သည်။ လူများအား ရလဒ်များကို ခန့်မှန်းရန် တောင်းဆိုသောအခါ၊ ၎င်းတို့သည် (ဘေးစ်၏ သီအိုရီ (Bayes' theorem) တွင် ပြဋ္ဌာန်းထားသကဲ့သို့) အထောက်အထားအသစ်များဖြင့် ယခင်ဖြစ်နိုင်ခြေများကို ပြင်ဆင်မွမ်းမံသည့် အလိုအလျောက် စာရင်းအင်းပညာရှင်များအဖြစ် လုပ်ဆောင်ခြင်းမရှိကြောင်းကို ၎င်းတို့က သက်သေပြခဲ့သည်။ ယင်းအစား၊ ၎င်းတို့သည် အခြေခံနှုန်း အချက်အလက်များကို စနစ်တကျ လျစ်လျူရှုသည့် စိတ်ပိုင်းဆိုင်ရာ ဖြတ်လမ်းနည်းများကိုသာ မှီခိုအားထားကြသည်။

ယင်းရှာဖွေတွေ့ရှိမှုသည် အခြေခံနှုန်းကို လျစ်လျူရှုခြင်းသည် လူသားတို့၏ ကျိုးကြောင်းဆင်ခြင်မှုတွင် အခြေခံကျသော အားနည်းချက်တစ်ခုလား သို့မဟုတ် ပတ်ဝန်းကျင် အနေအထားနှင့် လိုက်လျောညီထွေဖြစ်အောင် တုံ့ပြန်မှုတစ်ခုလား ဟူသည့် ပြင်းထန်သော သီအိုရီပိုင်းဆိုင်ရာ အငြင်းပွားမှုကို ဖြစ်ပေါ်စေခဲ့ပြီး ယင်းကို "The Rationality Wars (ကျိုးကြောင်းဆီလျော်မှု စစ်ပွဲများ)" ဟု ခေါ်ဝေါ်ခဲ့ကြသည်။ ဤအငြင်းပွားမှုသည် သိမြင်မှုဆိုင်ရာ သိပ္ပံပညာကို ဆယ်စုနှစ် ငါးခုတိုင်တိုင် ပုံဖော်ပေးခဲ့သည်။

သုတေသန၏ အဓိက သမိုင်းမှတ်တိုင်များ-

• ၁၉၅၅- Meehl နှင့် Rosen တို့သည် လက်တွေ့ဆေးဘက်ဆိုင်ရာနှင့် စာရင်းအင်း ခန့်မှန်းချက် ပြဿနာကို ဖော်ထုတ်ခဲ့သည်။
• ၁၉၇၃- Tversky နှင့် Kahneman တို့ "On the Psychology of Prediction" စာတမ်းကို ထုတ်ဝေခဲ့သည်။
• ၁၉၈၀- Maya Bar-Hillel သည် ဆီလျော်မှု သီအိုရီ (Relevance Theory) ဝေဖန်မှုကို မိတ်ဆက်ခဲ့သည်။
• ၁၉၉၅- Gerd Gigerenzer သည် သဘာဝ အကြိမ်အရေအတွက် ပုံစံများသည် မှားယွင်းမှုကို သိသိသာသာ လျော့ကျစေကြောင်း သက်သေပြခဲ့သည်။
• ၂၀၀၂- Kahneman နှင့် Frederick တို့ "attribute substitution (အရည်အသွေး အစားထိုးခြင်း)" သီအိုရီကို တရားဝင် ပြုစုခဲ့သည်။
• ၂၀၁၀ ပြည့်လွန်နှစ်များ- သုတေသနသည် AI စနစ်များနှင့် အယ်လ်ဂိုရီသမ် ဘက်လိုက်မှုများအထိ ကျယ်ပြန့်လာခဲ့သည်။

2.2. Key Researchers (အဓိက သုတေသီများ)

2.3. Landmark Studies (အထင်ကရ လေ့လာမှုများ)

"Tom W." စမ်းသပ်ချက် (Kahneman & Tversky, ၁၉၇၃)

ဤအခြေခံကျသော လေ့လာမှုသည် ပါဝင်သူများတွင် တိကျမှန်ကန်သော အခြေခံနှုန်း အသိပညာ ရှိနေသည့်တိုင်အောင် ကိုယ်စားပြုနိုင်စွမ်းသည် အခြေခံနှုန်းများကို မည်သို့ လွှမ်းမိုးသွားကြောင်း ပြသခဲ့သည်။

ဒီဇိုင်း- ပါဝင်သူများကို အခြေအနေ သုံးခု ခွဲခြားထားသည်-

• အခြေခံနှုန်း အုပ်စု (Base-Rate Group)- နယ်ပယ်ကိုးခုရှိ ဘွဲ့လွန်ကျောင်းသားများ၏ ရာခိုင်နှုန်းကို ခန့်မှန်းစေသည်။ ၎င်းတို့က လူသားဝိဇ္ဇာနှင့် ပညာရေးသည် နယ်ပယ်ကြီးများ (အခြေခံနှုန်း မြင့်မားသည်) ဖြစ်ပြီး ကွန်ပျူတာသိပ္ပံသည် နယ်ပယ်ငယ် (အခြေခံနှုန်း နိမ့်သည်) ဖြစ်ကြောင်း မှန်ကန်စွာ ဖော်ထုတ်နိုင်ခဲ့သည်။
• ဆင်တူမှု အုပ်စု (Similarity Group)- "Tom W." ၏ ကိုယ်ရည်ကိုယ်သွေး အကြမ်းဖျင်း (ဉာဏ်ကောင်းသော်လည်း ဖန်တီးနိုင်စွမ်းမရှိ၊ စည်းကမ်းတကျရှိပြီး၊ စက်ရုပ်ဆန်ဆန် စာရေးတတ်ကာ၊ အခြားသူများအပေါ် စာနာမှုနည်းပါးသူအဖြစ် ဖော်ပြထားသည်) ကို ပေးထားပြီး တောမ်သည် သာမန် ကျောင်းသားတစ်ဦးနှင့် မည်မျှ ဆင်တူကြောင်းကို အခြေခံ၍ နယ်ပယ်များကို အဆင့်သတ်မှတ်စေသည်။
• ခန့်မှန်းမှု အုပ်စု (Prediction Group)- တူညီသော ကိုယ်ရည်ကိုယ်သွေး အကြမ်းဖျင်းကို ပေးထားပြီး၊ Tom W. သည် လက်ရှိတွင် မည်သည့် နယ်ပယ်၌ ပညာသင်ကြားနေနိုင်ခြေ အများဆုံးဖြစ်ကြောင်းကို အဆင့်သတ်မှတ်စေသည်။ အရေးကြီးသည်မှာ ဤအကြမ်းဖျင်းအချက်အလက်သည် "အကန့်အသတ်ရှိသော ခိုင်လုံမှု" ရှိသည့် စစ်ဆေးမှုများအပေါ် အခြေခံထားကြောင်း ၎င်းတို့အား ပြောကြားထားသည်။

တွေ့ရှိချက်များ- ခန့်မှန်းမှု အုပ်စု၏ အဆင့်သတ်မှတ်ချက်များသည် ဆင်တူမှု အုပ်စုနှင့် လုံးဝနီးပါး ကိုက်ညီနေပြီး (r > 0.9) အခြေခံနှုန်း အုပ်စုနှင့်မူ ဆန့်ကျင်ဘက် ဖြစ်နေသည်။ လူသားဝိဇ္ဇာနှင့် နှိုင်းယှဉ်ပါက ကွန်ပျူတာသိပ္ပံသည် အလွန်သေးငယ်သော နယ်ပယ်ဖြစ်ကြောင်း သိထားသော်လည်း၊ ပါဝင်သူများသည် တောမ်သည် ကွန်ပျူတာသိပ္ပံပညာရှင်တစ်ဦးနှင့် ဆင်တူသောကြောင့် သူသည် ကွန်ပျူတာသိပ္ပံပညာရှင် ဖြစ်မည်ဟု ခန့်မှန်းခဲ့ကြသည်။ အချက်အလက်များသည် ယုံကြည်စိတ်ချရမှု မရှိကြောင်း ပါဝင်သူများအား သတိပေးထားသော်လည်း၊ သီးခြားတစ်ဦးချင်းစီ၏ အချက်အလက်များသည် အခြေခံနှုန်း အချက်အလက်များကို လုံးဝ ဖုံးလွှမ်းသွားခဲ့သည်။

အငှားယာဉ် ပြဿနာ (Kahneman & Tversky, ၁၉၇၂)

အခြေခံနှုန်းများနှင့် မျက်မြင်သက်သေ ထွက်ဆိုချက်အကြား ပဋိပက္ခကို သီးခြားခွဲထုတ်ပြသသည့် အကျော်ကြားဆုံး ဂဏန်းသင်္ချာပြသမှုဖြစ်သည်။

ဇာတ်လမ်း- ညအချိန်တွင် ယာဉ်တိုက်ပြေးမှု တစ်ခုတွင် အငှားယာဉ်တစ်စီး ပါဝင်ပတ်သက်နေသည်။ မြို့ထဲတွင် ကုမ္ပဏီနှစ်ခု ပြေးဆွဲနေသည်-

• အခြေခံနှုန်း- အစိမ်းရောင် အငှားယာဉ် ၈၅%၊ အပြာရောင် အငှားယာဉ် ၁၅%
• မျက်မြင်သက်သေတစ်ဦးက ယာဉ်ကို အပြာရောင်ဟု ဖော်ထုတ်ခဲ့သည်။
• တရားရုံး၏ စမ်းသပ်မှုအရ မျက်မြင်သက်သေသည် အရောင်များကို ခွဲခြားရာတွင် ၈၀% မှန်ကန်ကြောင်း တွေ့ရသည်။

မေးခွန်း- ထိုအငှားယာဉ်သည် အပြာရောင်ဖြစ်နိုင်ခြေ မည်မျှရှိသနည်း။

အလိုအလျောက် တုံ့ပြန်မှု- ပါဝင်သူအများစုက မျက်မြင်သက်သေ၏ တိကျမှန်ကန်မှုနှင့် တိုက်ရိုက်ကိုက်ညီသော ၈၀% ဟု ဖြေဆိုကြသည်။

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

ထိုးထွင်းသိမြင်မှု- မျက်မြင်သက်သေက အပြာရောင်ဟု အခိုင်အမာ ပြောဆိုနေသော်လည်း၊ အငှားယာဉ်သည် အစိမ်းရောင် ဖြစ်နိုင်ခြေက ပိုများနေသည် (၅၉%)။ အပြာရောင် အငှားယာဉ် အနည်းငယ်က အပြာရောင်အဖြစ် မှန်ကန်စွာ သတင်းပို့နိုင်မှုထက် အစိမ်းရောင် အငှားယာဉ် အမြောက်အမြားက အပြာရောင်အဖြစ် မှားယွင်း သတင်းပို့နိုင်မှုက ပိုများနေသည်။ အစိမ်းရောင် အခြေခံနှုန်း၏ "အလေးချိန်" သည် မျက်မြင်သက်သေ၏ ၈၀% မှန်ကန်မှုမှ ဖြစ်နိုင်ခြေကို အောက်သို့ ဆွဲချသွားသည်ကို ပါဝင်သူများက အလိုအလျောက် သဘောမပေါက်နိုင်ကြပေ။

အင်ဂျင်နီယာ-ရှေ့နေ ပြဿနာ (Tversky & Kahneman, ၁၉၇၃)

ဒီဇိုင်း- ပါဝင်သူများသည် ကျွမ်းကျင်ပညာရှင် ၁၀၀ ၏ နမူနာများမှ ရယူထားသော ဖော်ပြချက်များကို ရရှိခဲ့သည်-

• အခြေအနေ A: အင်ဂျင်နီယာ ၇၀၊ ရှေ့နေ ၃၀
• အခြေအနေ B: အင်ဂျင်နီယာ ၃၀၊ ရှေ့နေ ၇၀

"Jack" ကို (ရှေးရိုးစွဲဖြစ်ခြင်း၊ သတိထားတတ်ခြင်း၊ လက်သမားအလုပ်ကို စိတ်ဝင်စားခြင်း စသည့်) သမားရိုးကျ အင်ဂျင်နီယာဆန်သော စရိုက်လက္ခဏာများဖြင့် ဖော်ပြထားသည်။

တွေ့ရှိချက်များ- ပါဝင်သူများသည် အခြေခံနှုန်းများ ပြောင်းပြန်ဖြစ်နေသည်ကို လုံးဝ လျစ်လျူရှုကာ၊ Jack သည် အင်ဂျင်နီယာတစ်ဦး ဖြစ်နိုင်ခြေကို အခြေအနေနှစ်ခုစလုံးတွင် လုံးဝနီးပါး တူညီသည် (~၉၀%) ဟု ခန့်မှန်းခဲ့ကြသည်။ အရေးပါသောအချက်မှာ၊ မည်သည့် သမားရိုးကျ ပုံစံနှင့်မျှ မကိုက်ညီသော ဘက်မလိုက်သည့် ဖော်ပြချက်ကို ပေးသောအခါ၊ ပါဝင်သူများသည် အခြေခံနှုန်းကို မှန်ကန်စွာ အသုံးပြုခဲ့ကြသည် (၇၀% သို့မဟုတ် ၃၀%)။ ၎င်းသည် ၎င်းတို့အနေဖြင့် အခြေခံနှုန်းများကို အသုံးပြုနိုင်ကြောင်း သက်သေပြနေသော်လည်း သီးခြားတစ်ဦးချင်းစီ၏ အချက်အလက်များကို ရရှိသည်နှင့် တပြိုင်နက် ယင်းတို့ကို ချက်ချင်း စွန့်ပစ်လိုက်ကြသည်။

2.4. Neurological Basis (အာရုံကြောဆိုင်ရာ အခြေခံ)

အခြေခံနှုန်းကို လျစ်လျူရှုခြင်း၏ အာရုံကြောဆိုင်ရာ အခြေခံအကြောင်းရင်းများနှင့် ပတ်သက်သော သုတေသနများက သိမြင်မှုစနစ် နှစ်ခုအကြား ပဋိပက္ခကို ထောက်ပြနေသည်-

စနစ် ၁ (အလိုအလျောက် စီမံဆောင်ရွက်ခြင်း)- ဦးနှောက်အရှေ့ပိုင်း (prefrontal cortex) နှင့် လင်ဘစ်စနစ် (limbic system) တို့သည် လျင်မြန်ပြီး အလိုအလျောက် ပုံစံ-ကိုက်ညီမှု ရှာဖွေခြင်းကို တွန်းအားပေးသည်။ သီးခြားစီဖြစ်သော အချက်အလက်များကို တင်ပြသောအခါ၊ ဤအစိတ်အပိုင်းများသည် ပြင်းထန်စွာ လှုံ့ဆော်ခံရပြီး အလိုအလျောက် "ဆင်တူမှုအပေါ် အခြေခံသော" ဆုံးဖြတ်ချက်များကို ထုတ်ပေးသည်။ Amygdala သည် ထင်ရှားပြီး တိကျသော အချက်အလက်များ၏ ထင်ရှားပေါ်လွင်မှုကို မြှင့်တင်ပေးနိုင်သည်။

စနစ် ၂ (စဉ်းစားချိန်ဆ၍ စီမံဆောင်ရွက်ခြင်း)- Dorsolateral prefrontal cortex နှင့် anterior cingulate cortex တို့သည် အားထုတ်ရသော စာရင်းအင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုကို အထောက်အကူပြုသည်။ fMRI ကို အသုံးပြုထားသော လေ့လာမှုများအရ အခြေခံနှုန်းများကို မှန်ကန်စွာ ပေါင်းစပ်ရန် ဤအစိတ်အပိုင်းများ လှုံ့ဆော်မှု လိုအပ်ကြောင်း ပြသနေသည်။ ၎င်းသည် သိမြင်မှုဆိုင်ရာ အားထုတ်မှု လိုအပ်ပြီး အချိန်ဖိအား သို့မဟုတ် သိမြင်မှု ဝန်ပိခြင်းတို့ကြောင့် အလွယ်တကူ အနှောင့်အယှက် ဖြစ်နိုင်သည်။

အာရုံကြောဆိုင်ရာ ယှဉ်ပြိုင်မှု- အောက်ပါအကြောင်းရင်းများကြောင့် အခြေခံနှုန်းကို လျစ်လျူရှုခြင်းသည် စနစ် ၁ က အာရုံကြောဆိုင်ရာ ယှဉ်ပြိုင်မှုတွင် "အနိုင်ရရှိ" ခြင်း၏ ရလဒ်ဖြစ်ပုံရသည်-

• ပုံစံ-ကိုက်ညီမှု ရှာဖွေခြင်းသည် ပိုမိုမြန်ဆန်ပြီး အရင်းအမြစ်များကို နည်းပါးစွာ လိုအပ်သည်။
• သီးခြား ဇာတ်လမ်းများသည် စိတ်ကူးယဉ် စာရင်းအင်းများထက် စိတ်ခံစားမှုဆိုင်ရာ စီမံဆောင်ရွက်မှုကို ပိုမို လှုံ့ဆော်ပေးသည်။
• ဦးနှောက်၏ မူလလုပ်ဆောင်ချက်သည် ဖြစ်နိုင်ခြေများကို တွက်ချက်ရန်ထက် ဇာတ်ကြောင်းများကို တည်ဆောက်ရန် ဖြစ်သည်။
• ယာယီမှတ်ဉာဏ် (working memory) အကန့်အသတ်များသည် အခြေခံနှုန်းများနှင့် ဖြစ်ရပ်ဆိုင်ရာ အချက်အလက်များကို တစ်ပြိုင်နက်တည်း စီမံဆောင်ရွက်နိုင်စွမ်းကို ကန့်သတ်ထားသည်။

အာရုံကြောပို့လွှတ်ပစ္စည်း (Neurotransmitter) သုတေသနများအရ ဆုကြေးခန့်မှန်းမှုတွင် ပါဝင်သည့် ဒိုပါမင်း (dopamine) လမ်းကြောင်းများသည် စာရင်းအင်းဆိုင်ရာ တွေးခေါ်မှုထက် သီးခြား "အံဝင်ခွင်ကျဖြစ်မှု (hits)" ကို ပိုမို နှစ်သက်စေနိုင်ပြီး စိတ်ဖိစီးမှု ဟော်မုန်းများသည် စဉ်းစားချိန်ဆသည့် စီမံဆောင်ရွက်မှုကို ပိုမို ဖိနှိပ်နိုင်ကြောင်း အကြံပြုထားသည်။

3. Evolutionary Origins (ဆင်းသက်လာမှုဆိုင်ရာ မူလအစများ)

အခြေခံနှုန်း မှားယွင်းမှု ဖြစ်တည်နေရခြင်းမှာ လူသားတို့၏ သိမြင်မှုစွမ်းရည်သည် စိတ်ကူးယဉ် ဖြစ်နိုင်ခြေများကို တွက်ချက်ရန်အတွက် မဟုတ်ဘဲ ချက်ချင်းကြုံတွေ့ရမည့် ပတ်ဝန်းကျင် အန္တရာယ်များကို ရှောင်လွှဲနိုင်ရန်အတွက် အကောင်းဆုံး ပုံဖော်ထားသော ပုံစံ-ခွဲခြားသိမြင်မှု အင်ဂျင်အဖြစ် ဆင်းသက်လာသောကြောင့် ဖြစ်သည်။

သီးခြား-ဖြစ်ရပ် ကျိုးကြောင်းဆင်ခြင်ခြင်း၏ အသက်ရှင်သန်ရေး အားသာချက်များ-

• ရှေးဘိုးဘေးများခေတ်တွင် မြက်ခင်းထဲမှ လှုပ်ရှားသံသည် သားရဲတိရစ္ဆာန် ဖြစ်နိုင် သည်။ လေတိုက်ခြင်းဟူသော "အခြေခံနှုန်း" ကို လျစ်လျူရှုပြီး အန္တရာယ်ရှိသည်ဟု ယူဆသူများသည် ဂရုတစိုက် စာရင်းအင်းတွက်ချက်သူများထက် ပိုမို အသက်ရှင်သန်နိုင်ခဲ့ကြသည်။
• လူမှုရေးအရ အသက်ရှင်သန်မှုသည် လူဦးရေပျမ်းမျှကို မဟုတ်ဘဲ တစ်ဦးချင်းစီ၏ ရည်ရွယ်ချက်များကို ဖတ်ရှုနားလည်ခြင်းအပေါ် မူတည်သည်။
• အရင်းအမြစ်များနှင့် အိမ်ထောင်ဖက်များကို ယေဘုယျ အကြိမ်အရေအတွက်များထက် သီးခြား အခွင့်အလမ်းများကို အကဲဖြတ်ခြင်းမှတစ်ဆင့် ရရှိခဲ့ကြသည်။
• ပုံစံ-ကိုက်ညီမှုအပေါ် အခြေခံ၍ လျင်မြန်စွာ ဆုံးဖြတ်ချက်ချခြင်းသည် အဖိုးတန်သော သိမြင်မှုစွမ်းအင်ကို သက်သာစေသည်။

ဇာတ်ကြောင်း တွန်းအား- အဖြစ်အပျက်များမှ ဆက်စပ်နေသော အကြောင်းအကျိုး ဇာတ်လမ်းများကို တည်ဆောက်ခဲ့သော ကျွန်ုပ်တို့၏ ဘိုးဘေးများသည် အစစ်အမှန်ကို အဆက်အစပ်မရှိသော စာရင်းအင်းများအဖြစ် မှတ်ယူသူများထက် ပိုမိုကောင်းမွန်စွာ သင်ယူနိုင်၊ သင်ကြားနိုင်ပြီး ခန့်မှန်းနိုင်ခဲ့ကြသည်။ ဤဇာတ်လမ်းတည်ဆောက်နိုင်စွမ်းသည် လူသားဉာဏ်ရည်၏ အဓိကကျသော အစိတ်အပိုင်းဖြစ်လာသော်လည်း တရားဝင် ဖြစ်နိုင်ခြေတွက်ချက်ရန် လိုအပ်သည့်အခါ စနစ်တကျ မျက်ကွယ်ပြုမှုများကို ဖန်တီးပေးသည်။

အားနည်းချက်မဟုတ်ဘဲ ထူးခြားချက်ဖြစ်သည် - အကြောင်းအရာအရ- ခေတ်မမီမီ အခြေအနေအများစုတွင်၊ အခြေခံနှုန်းကို လျစ်လျူရှုခြင်းသည် လိုက်လျောညီထွေဖြစ်စေသည်။ ကျားများ၏ ပျမ်းမျှ ပြန့်နှံ့မှုထက် သင့်ရှေ့ရှိ သီးခြားကျားက ပို၍ အရေးကြီးသည်။ ယင်းသိမြင်မှုဖွဲ့စည်းပုံသည် ရှားပါးသောရောဂါများ၊ မှုခင်းဆေးပညာ အထောက်အထားများ သို့မဟုတ် ဘဏ္ဍာရေးဆိုင်ရာ တွက်ချက်မှုများ—စာရင်းအင်းဆိုင်ရာ တွေးခေါ်မှုသည် မရှိမဖြစ်လိုအပ်သော်လည်း ဆင့်ကဲပြောင်းလဲမှုအရ မကြုံစဖူးသော နယ်ပယ်များ—ပါဝင်သည့် ခေတ်သစ် ဆုံးဖြတ်ချက်များနှင့် ရင်ဆိုင်ရသောအခါတွင် ပြဿနာပေါ်ပေါက်လာသည်။

စွမ်းအင် ထိန်းသိမ်းခြင်း- Bayesian ဖြစ်နိုင်ခြေများကို တွက်ချက်ခြင်းသည် ဇီဝဖြစ်စဉ်အရ စွမ်းအင်များစွာ ကုန်ကျသည်။ ခန္ဓာကိုယ်စွမ်းအင်၏ ၂၀% ကို စားသုံးသော ဦးနှောက်သည် အချိန်အများစုတွင် "လုံလောက်စွာ ကောင်းမွန်သော" အလုပ်လုပ်နိုင်သည့် ဖြတ်လမ်းနည်းများကို တီထွင်ခဲ့သည်။ ရှားပါးသော ပတ်ဝန်းကျင်များတွင်၊ တရားဝင် ကျိုးကြောင်းဆင်ခြင်မှု၏ သိမြင်မှု ကုန်ကျစရိတ်သည် ၎င်း၏ အနည်းငယ်သော အကျိုးကျေးဇူးများထက် သာလွန်ခဲ့သည်။

4. How This Bias Manifests (ဤဘက်လိုက်မှု မည်သို့ပေါ်ပေါက်လာသနည်း)

4.1. In Everyday Life (နေ့စဉ်ဘဝတွင်)

• သူစိမ်းများအား ပုံသေမှတ်ယူခြင်း- အသံတိုးတိုးဖြင့် စကားပြောတတ်သော မျက်မှန်တပ်ထားသူတစ်ဦးနှင့် တွေ့ဆုံသောအခါ၊ အခြားအလုပ်အကိုင်များနှင့် နှိုင်းယှဉ်ပါက ပါမောက္ခများ၏ အခြေခံနှုန်းမှာ အလွန်နည်းပါးသော်လည်း ၎င်းကို "ပါမောက္ခ" ဟု သင်ယူဆမိနိုင်သည်။
• အန္တရာယ် အကဲဖြတ်ခြင်း- လေယာဉ်ပျက်ကျသည့် သတင်းကို မြင်တွေ့ပြီးနောက် လေကြောင်းခရီးစဉ်၏ စာရင်းအင်းဆိုင်ရာ ဘေးကင်းမှုကို လျစ်လျူရှုကာ လေယာဉ်စီးခြင်း၏ အန္တရာယ်ကို အလွန်အမင်း ခန့်မှန်းမိခြင်း။
• ဆက်ဆံရေး ဆုံးဖြတ်ချက်များ- သင်၏ ရှည်လျားသော ရိုးသားမှုဆိုင်ရာ အပြန်အလှန် ဆက်ဆံရေး သမိုင်းကြောင်း (၎င်းတို့၏ ယုံကြည်ရမှု အခြေခံနှုန်း) ကို လျစ်လျူရှုကာ သံသယဖြစ်ဖွယ် အပြုအမူတစ်ခုတည်းအပေါ် အခြေခံ၍ တစ်စုံတစ်ဦးသည် မရိုးသားဟု ကောက်ချက်ချခြင်း။
• ထီနှင့် လောင်းကစား- ရှုံးနိမ့်မှု၏ သင်္ချာဆိုင်ရာ အခြေခံနှုန်းကို လျစ်လျူရှုကာ မကြာသေးမီက အနိုင်ရမှုများကို အခြေခံ၍ "ကံကောင်းသော" လက်မှတ် သို့မဟုတ် ကာစီနိုကို အထူးတလည် သဘောထားခြင်း။
• မိဘများ၏ စိုးရိမ်ကြောက်ရွံ့မှု- ကားမတော်တဆမှုများကဲ့သို့သော အဖြစ်များသည့် အန္တရာယ်များကို လျှော့တွက်ပြီး ထင်ရှားသော မီဒီယာ ဇာတ်လမ်းများကို အခြေခံ၍ ကလေးသူခိုးများကဲ့သို့သော အန္တရာယ်များကို အလွန်အမင်း ခန့်မှန်းခြင်း။

4.2. In the Workplace (လုပ်ငန်းခွင်တွင်)

• စွမ်းဆောင်ရည် အကဲဖြတ်ခြင်း- ဝန်ထမ်းတစ်ဦး၏ အခြေခံ ကုန်ထုတ်စွမ်းအား ဒေတာကို လျစ်လျူရှုကာ စွဲမှတ်ဖွယ်ကောင်းသော တင်ဆက်မှုတစ်ခုတည်းကို အခြေခံ၍ ၎င်းကို "အလားအလာမြင့်မားသူ" အဖြစ် အဆင့်သတ်မှတ်ခြင်း။
• အလုပ်ခန့်အပ်မှု ဆုံးဖြတ်ချက်များ- အလားတူ အလုပ်ခန့်အပ်ခံရသူများကြား အောင်မြင်မှု အခြေခံနှုန်းကို ထည့်သွင်းစဉ်းစားခြင်းထက် အောင်မြင်မှု၏ ပုံသေကားချပ်များနှင့် ကိုက်ညီသော အင်တာဗျူး စွမ်းဆောင်ရည်ရှိသည့် ကိုယ်စားလှယ်လောင်းများကို ပိုမိုနှစ်သက်ခြင်း။
• စီမံကိန်း ခန့်မှန်းခြင်း- အလားတူ စီမံကိန်းများတွင် ဘတ်ဂျက်ကျော်လွန်မှုများနှင့် နှောင့်နှေးမှုများ၏ အခြေခံနှုန်းကို လျစ်လျူရှုကာ သီးခြားလက္ခဏာရပ်များကို အခြေခံ၍ "ဤစီမံကိန်းက မတူဘူး" ဟု ယုံကြည်ခြင်း။
• ခေါင်းဆောင်မှု အကဲဖြတ်ခြင်း- စျေးကွက်အခြေအနေများ (အဆင်ပြေသော ပတ်ဝန်းကျင်များတွင် အောင်မြင်မှု အခြေခံနှုန်း) ကို လျစ်လျူရှုကာ အဖွဲ့၏ အောင်မြင်မှုကို သြဇာညောင်းသော ခေါင်းဆောင်တစ်ဦးကြောင့်ဟု သတ်မှတ်ခြင်း။
• ပြိုင်ဘက် ခွဲခြမ်းစိတ်ဖြာခြင်း- အလားတူ မဟာဗျူဟာများအတွက် လုပ်ငန်းခွင်တစ်ခုလုံး၏ အောင်မြင်မှုနှုန်းကို လျစ်လျူရှုကာ သီးခြားပြိုင်ဘက်၏ လှုပ်ရှားမှုများကို အလွန်အမင်း အလေးထားခြင်း။

4.3. In Business and Marketing (စီးပွားရေးနှင့် စျေးကွက်ရှာဖွေရေးတွင်)

• ထောက်ခံချက်များနှင့် ဖြစ်ရပ်လေ့လာမှုများ- သုံးစွဲသူများသည် သာမန်ရလဒ်များ၏ အခြေခံနှုန်းကို လျစ်လျူရှုလေ့ရှိသောကြောင့် ကုမ္ပဏီများသည် သီးခြားအောင်မြင်မှု ဇာတ်လမ်းများကို အသုံးချကြသည်။
• "တီဗီတွင် မြင်တွေ့ရသည့်အတိုင်း"- ထင်ရှားသော သရုပ်ပြမှုများသည် ထုတ်ကုန်၏ ထိရောက်မှုနှင့်ပတ်သက်သော စာရင်းအင်းဆိုင်ရာ အချက်အလက်များကို ဖုံးလွှမ်းသွားသည်။
• အာမခံ အရောင်း- ကပ်ဘေးနှင့်ပတ်သက်သည့် စိတ်လှုပ်ရှားဖွယ် ဇာတ်လမ်းများသည် ရှားပါးသော ဖြစ်ရပ်များကို ဖြစ်နိုင်ခြေများသည်ဟု ခံစားရစေသည်။
• ပစ်မှတ်ထား ကြော်ငြာခြင်း- စာရင်းအင်းဆိုင်ရာ အကျိုးကျေးဇူးများကို တင်ပြခြင်းထက် ထုတ်ကုန်များကို သီးခြား လိုလားအပ်သော အခြေအနေများတွင် ပြသခြင်း။
• မိတ်ဆက်ပွဲ ဇာတ်ကြောင်းများ- ကျရှုံးမှု အခြေခံနှုန်း ၉၀% ခန့် ရှိသော်လည်း "ဤစတင်တည်ထောင်ခါစ ကုမ္ပဏီ (startup) က မတူဘူး" ဟူသော ဇာတ်လမ်းများက ဆက်လက်တည်ရှိနေသည်။
• ဖောက်သည် ခွဲခြားသတ်မှတ်ခြင်း- စနစ်တကျ ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းထက် အမှတ်ရဖွယ် ဖောက်သည်များနှင့် အပြန်အလှန်ဆက်ဆံမှုများအပေါ် အလွန်အမင်း အညွှန်းတပ်ခြင်း။

4.4. In Politics and Media (နိုင်ငံရေးနှင့် မီဒီယာတွင်)

• မှုခင်း သတင်းဖော်ပြချက်- အကြမ်းဖက်မှု အခြေခံနှုန်းများ ကျဆင်းနေသော်လည်း ရှားပါးသော အကြမ်းဖက်မှုခင်းများကို ထင်ရှားစွာ သတင်းဖော်ပြခြင်းက မူဝါဒကို တွန်းအားပေးသည်။
• ရွေးကောက်ပွဲ ခန့်မှန်းချက်- လေ့လာသုံးသပ်သူများသည် လက်ရှိရာထူးရှိသူ၏ အားသာချက်ဆိုင်ရာ သမိုင်းဝင် အခြေခံနှုန်းများကို လျစ်လျူရှုကာ သီးခြား မဲဆွယ်စည်းရုံးရေး အခိုက်အတန့်များ ("အမှားများ") အပေါ် အာရုံစိုက်ကြသည်။
• လူဝင်မှုကြီးကြပ်ရေး အချေအတင် ဆွေးနွေးမှု- ရွှေ့ပြောင်းနေထိုင်သူများသည် ဌာနေဖွားများထက် မှုခင်းကျူးလွန်မှုနှုန်း ပိုမိုနည်းပါးကြောင်း စာရင်းအင်းဆိုင်ရာ အထောက်အထားများကို ရွှေ့ပြောင်းနေထိုင်သူများ၏ သီးခြား မှုခင်းဇာတ်လမ်းများက ဖုံးလွှမ်းသွားသည်။
• မူဝါဒ ဇာတ်ကြောင်းများ- မူဝါဒအသစ်များအတွက် "ဒီတစ်ကြိမ်က မတူဘူး" ဟူသော ငြင်းခုံမှုများသည် မူဝါဒ ကျရှုံးမှု၏ အခြေခံနှုန်းများကို လျစ်လျူရှုသည်။
• အကြမ်းဖက်မှု အန္တရာယ်- ထင်ရှားသော တိုက်ခိုက်မှုများကို အခြေခံ၍ ကြီးမားသော လုံခြုံရေး ရင်းနှီးမြှုပ်နှံမှုများ ပြုလုပ်ခြင်း။ အခြေခံနှုန်းများက အခြားသော ခြိမ်းခြောက်မှုများ (ယာဉ်တိုက်မှုများ၊ နှလုံးရောဂါ) သည် အရင်းအမြစ်များ ပိုမိုရထိုက်ကြောင်း အကြံပြုထားသည်။

4.5. In Healthcare (ကျန်းမာရေးစောင့်ရှောက်မှုတွင်)

မှားယွင်းသော အပြုသဘောဆောင်မှု ပဟေဋ္ဌိ (False Positive Paradox): ရောဂါတစ်ခု ရှားပါးသောအခါ (အခြေခံနှုန်း နိမ့်သည်)၊ အလွန်တိကျသော စစ်ဆေးမှုများပင်လျှင် မှားယွင်းသော အပြုသဘောဆောင်သည့် ရလဒ်များကို အများဆုံး ထုတ်ပေးသည်။

HIV စစ်ဆေးခြင်း ဥပမာ-

• လူဦးရေ- ၁၀၀,၀၀၀ တွင် HIV ကူးစက်မှု ၀.၀၁% ရှိသည်။

• စစ်ဆေးမှု- အာရုံခံနိုင်စွမ်း ၉၉.၉%၊ တိကျမှု ၉၉.၉%

• မှန်ကန်သော အပြုသဘောဆောင်မှု (True Positives)- ~၁၀ (ကူးစက်ခံထားရသူများကို မှန်ကန်စွာ ဖော်ထုတ်နိုင်သည်)

• မှားယွင်းသော အပြုသဘောဆောင်မှု (False Positives)- ~၁၀၀ (ကျန်းမာသူများကို မှားယွင်းစွာ မှတ်သားသည်)

• ရလဒ်- အပြုသဘောဆောင်သော စစ်ဆေးမှုရလဒ်သည် အမှန်တကယ် ကူးစက်ခံရနိုင်ခြေ ၉% ခန့်သာ ရှိသည်ဟု ဆိုလိုသည်။

• ရောဂါရှာဖွေမှု အမှားများ- သမားတော်များသည် သာမန်အခြေအနေများ၏ အခြေခံနှုန်းကို လျစ်လျူရှုကာ သိသာထင်ရှားသော ရောဂါလက္ခဏာများနှင့် ကိုက်ညီသည့် တင်ပြလာသော ရောဂါလက္ခဏာများအပေါ် အာရုံစိုက်ကြသည်။

• ဆေးဝါး ထိရောက်မှု- လူနာများသည် စာရင်းအင်းဆိုင်ရာ ကုသမှု အောင်မြင်မှုနှုန်းများထက် သီးခြား နာလန်ထူသည့် ဇာတ်လမ်းများအပေါ် အာရုံစိုက်ကြသည်။

• စစ်ဆေးမှု ဆုံးဖြတ်ချက်များ- လူနာများသည် မှားယွင်းသော အပြုသဘောဆောင်သည့် အခြေခံနှုန်းများကို နားမလည်ဘဲ အပြုသဘောဆောင်သော စစ်ဆေးမှုရလဒ်များကို အဓိပ္ပါယ်ကောက်လွဲကြသည်။

• ကုသမှု လိုက်နာမှု- ထင်ရှားသော ဘေးထွက်ဆိုးကျိုး ဇာတ်လမ်းများသည် စာရင်းအင်းဆိုင်ရာ ဘေးကင်းမှု ပရိုဖိုင်များကို ဖုံးလွှမ်းသွားသည်။

• COVID-19 ကာကွယ်ဆေး နားလည်မှုလွဲမှားခြင်း- အားနည်းသော လူဦးရေ၏ ၉၅% ကျော် ကာကွယ်ဆေးထိုးထားကြောင်းကို လျစ်လျူရှုကာ (ပိုင်းခြေ ပြဿနာ)၊ "ဆေးရုံတက်နေရသော လူနာ ၇၀% သည် ကာကွယ်ဆေးထိုးထားသူများဖြစ်သည်" ဟူသောအချက်ကို ကာကွယ်ဆေး အလုပ်မလုပ်ခြင်းဟု အဓိပ္ပါယ်ကောက်လွဲခဲ့ကြသည်။

4.6. In Finance and Investing (ဘဏ္ဍာရေးနှင့် ရင်းနှီးမြှုပ်နှံမှုတွင်)

• "ဒီတစ်ကြိမ်က မတူဘူး"- ရင်းနှီးမြှုပ်နှံသူများသည် စျေးကွက်ပြင်ဆင်မှုများ၏ သမိုင်းဝင် အခြေခံနှုန်းများကို လျစ်လျူရှုကာ သီးခြားဇာတ်ကြောင်းများ (စီးပွားရေးအသစ်၊ AI တော်လှန်ရေး) အပေါ် အာရုံစိုက်ခြင်းဖြင့် အလွန်အမင်း တန်ဖိုးဖြတ်မှုများကို အကြောင်းပြကြသည်။
• Dot-Com ပူဖောင်း- ပျမ်းမျှ တန်ဖိုးဖြတ်မှု ~၁၅ ဆ ခန့်ရှိသော သမိုင်းဝင် အခြေခံနှုန်းကို လျစ်လျူရှုကာ၊ 100x+ P/E အချိုးများကို အင်တာနက် အလားအလာဖြင့် အကြောင်းပြခဲ့ကြသည်။
• တစ်ဦးချင်း စတော့ရှယ်ယာ ရွေးချယ်ခြင်း- အညွှန်းကိန်းများနှင့် နှိုင်းယှဉ်ပါက စတော့ရှယ်ယာများ၏ စွမ်းဆောင်ရည် ညံ့ဖျင်းမှု အခြေခံနှုန်းများကို လျစ်လျူရှုကာ ကုမ္ပဏီနှင့် သက်ဆိုင်သော အချက်အလက်များကို အတိအကျဟု မှတ်ယူခြင်း။
• စွန့်စားလုပ်ကိုင်ရသည့် အရင်းအနှီး (Venture capital) အကောင်းမြင်ဝါဒ- စတင်တည်ထောင်ခါစ ကုမ္ပဏီ ကျရှုံးမှု အခြေခံနှုန်းများထက် တည်ထောင်သူ၏ ဆွဲဆောင်နိုင်မှုစွမ်းရည် (charisma) အပေါ် အခြေခံ၍ ရန်ပုံငွေထောက်ပံ့မှု ဆုံးဖြတ်ချက်များ ချမှတ်ခြင်း။
• LTCM ပြိုကျမှု- နိုဘယ်ဆုရှင်များ၏ မော်ဒယ်များသည် ဈေးကွက် ထိတ်လန့်မှု ("fat tails") ၏ သမိုင်းဝင် အကြိမ်အရေအတွက်ကို လျစ်လျူရှုကာ မကြာသေးမီက ဖြစ်ပေါ်ခဲ့သော မတည်ငြိမ်မှုနည်းပါးခြင်းကို အခြေခံနှုန်းအဖြစ် သတ်မှတ်ခဲ့သည်။
• အိမ်ခြံမြေ စျေးကစားခြင်း- "ဒီစျေးကွက်က မတူဘူး" ဟူသော ယုံကြည်ချက်များသည် အိမ်ရာစက်ဝန်းများ၏ သမိုင်းဝင် အခြေခံနှုန်းများကို လျစ်လျူရှုသည်။

5. Real-World Case Studies (လက်တွေ့ကမ္ဘာမှ ဖြစ်ရပ်လေ့လာမှုများ)

Case Study 1: Sally Clark—A Mother Wrongfully Imprisoned (ဖြစ်ရပ်လေ့လာမှု ၁- စယ်လီ ကလပ်—မတရား အကျဉ်းချခံရသော မိခင်တစ်ဦး)

• နောက်ခံအကြောင်းအရာ- ၁၉၉၉ ခုနှစ်တွင် ဗြိတိသျှ ရှေ့နေ Sally Clark သည် မွေးကင်းစ သားနှစ်ဦးကို ဆုံးရှုံးခဲ့ရသည်။ ပထမတစ်ဦးမှာ ၁၁ ပတ်အရွယ်တွင်ဖြစ်ပြီး၊ ဒုတိယတစ်ဦးမှာ ၈ ပတ်အရွယ်တွင်ဖြစ်သည်။ သူမအား ကလေးသူငယ် နှစ်ဦးအား သတ်ဖြတ်မှုဖြင့် စွဲချက်တင်ခဲ့သည်။

• ဖြစ်ပျက်ခဲ့ပုံ- ကျွမ်းကျင်သူ သက်သေ Sir Roy Meadow က ကြွယ်ဝချမ်းသာသော မိသားစုတစ်ခုတွင် SIDS (မွေးကင်းစကလေး ရုတ်တရက် သေဆုံးခြင်း) ကြောင့် သေဆုံးမှု နှစ်ခု ဖြစ်ပွားနိုင်ခြေသည် ၇၃ သန်းတွင် ၁ ပုံခန့် (၁/၈၅၄၃ ကို နှစ်ထပ်ကိန်းတင်၍ တွက်ချက်သည်) ဖြစ်ကြောင်း ထွက်ဆိုခဲ့သည်။ သူက ၎င်းကို "အလွန်ဖြစ်နိုင်ခဲသော (long shot)" လောင်းကစား အလေးသာမှုနှင့် နှိုင်းယှဉ်ခဲ့သည်။

• အလုပ်လုပ်နေသော ဘက်လိုက်မှု- အဓိက အမှားနှစ်ခု ပေါင်းစပ်သွားသည်- ၁။ လွတ်လပ်မှု ဖောက်ဖျက်ခြင်း- Meadow သည် SIDS သေဆုံးမှုများကို သီးခြားဖြစ်ရပ်များအဖြစ် ယူဆခဲ့သည်။ အကယ်၍ တစ်ကြိမ် ဖြစ်ပွားဖူးပါက၊ မျိုးရိုးဗီဇနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ အကြောင်းရင်းများက ဒုတိယအကြိမ် သေဆုံးမှုကို ပိုမို ဖြစ်နိုင်ခြေ ရှိစေသည်—ဖြစ်ရပ်များသည် အခြေအနေပေါ် မူတည်၍ ဆက်စပ်နေသည်။ ၂။ အခြေခံနှုန်း လျစ်လျူရှုခြင်း- "၇၃ သန်းတွင် ၁ ပုံ" ဟူသော ကိန်းဂဏန်းကို လက်ခံသည့်တိုင်အောင်၊ ဂျူရီလူကြီးများသည် ယင်းကို ကလေးသူငယ် နှစ်ဦး သတ်ဖြတ်မှု၏ အခြေခံနှုန်းနှင့် နှိုင်းယှဉ်ရန် လိုအပ်သည်။ မိခင်တစ်ဦးက ကလေးနှစ်ဦးကို လူသတ်မှုကျူးလွန်ခြင်းသည်လည်း အလွန်ရှားပါးလှသည် (ဖြစ်နိုင်ခြေ သန်း ၁၀၀ တွင် ၁ ပုံ ရှိနိုင်သည်)။ အလွန်ရှားပါးသော ဖြစ်ရပ်နှစ်ခုကို နှိုင်းယှဉ်သောအခါ အချိုးအစားက အရေးကြီးသည်။ အကယ်၍ SIDS နှစ်ကြိမ်ဖြစ်မှုသည် ၇၃ သန်းတွင် ၁ ပုံဖြစ်ပြီး လူသတ်မှု နှစ်ကြိမ်ဖြစ်မှုသည် သန်း ၁၀၀ တွင် ၁ ပုံဖြစ်ပါက၊ SIDS သည် အမှန်တကယ်တွင် ပို၍ ဖြစ်နိုင်ခြေရှိသည်။ "၇၃ သန်းတွင် ၁ ပုံ" ဟူသော အချက်ကို သီးခြားခွဲထုတ် တင်ပြခြင်းဖြင့်၊ တရားလိုရှေ့နေက လူသတ်မှုသည် ပုံမှန်ဖြစ်သည်ဟု သွယ်ဝိုက် ဖော်ပြခဲ့သည်။

• အကျိုးဆက်များ- Sally Clark သည် ပြစ်မှုထင်ရှားစီရင်ခံရပြီး တစ်သက်တစ်ကျွန်း ပြစ်ဒဏ်ချမှတ်ခံရသည်။ တော်ဝင် စာရင်းအင်းအသင်း (Royal Statistical Society) သည် အသုံးပြုခဲ့သော စာရင်းအင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုကို လူသိရှင်ကြား ပြစ်တင်ရှုတ်ချသည့် ထူးခြားသော ခြေလှမ်းကို လှမ်းခဲ့သည်။ Clark သည် သူမ၏ ဒုတိယအကြိမ် အယူခံဝင်ပြီးနောက် ၂၀၀၃ ခုနှစ်တွင် ပြန်လည်လွတ်မြောက်လာခဲ့သည်။ မတရား အကျဉ်းချခံရမှုနှင့် ကလေးများ ဆုံးရှုံးရမှုတို့၏ စိတ်ဒဏ်ရာမှ ပြန်လည်မထူမတ်နိုင်တော့ဘဲ၊ ၂၀၀၇ ခုနှစ်တွင် ပြင်းထန်သော အရက် အဆိပ်သင့်မှုဖြင့် သေဆုံးခဲ့သည်။

• သင်ခန်းစာများ- စာရင်းအင်းဆိုင်ရာ အထောက်အထားများသည် မှန်ကန်သော Bayesian မူဘောင် လိုအပ်သည်။ တရားရုံးများသည် အယူအဆတစ်ခုကို သီးခြားအကဲဖြတ်ခြင်းထက် ယှဉ်ပြိုင်နေသော အယူအဆများအောက်ရှိ အထောက်အထားများ၏ ဖြစ်နိုင်ခြေကို နှိုင်းယှဉ်ရမည်။ ကျွမ်းကျင်သူ သက်သေများသည် စာရင်းအင်းဆိုင်ရာ တတ်မြောက်မှု သင်တန်း လိုအပ်သည်။

Case Study 2: Lucia de Berk—The Dutch Nurse (ဖြစ်ရပ်လေ့လာမှု ၂- လူစီယာ ဒီ ဘာ့ခ်—ဒတ်ချ် သူနာပြု)

• နောက်ခံအကြောင်းအရာ- ဒတ်ချ် သူနာပြု Lucia de Berk သည် သူမတာဝန်ကျချိန်များအတွင်း လူနာသေဆုံးမှုများကို စာရင်းအင်း ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံ၍ လူသတ်မှု ခုနစ်မှုနှင့် လူသတ်ရန် ကြံစည်မှု သုံးမှုဖြင့် ၂၀၀၃ ခုနှစ်တွင် ပြစ်မှုထင်ရှား စီရင်ခံခဲ့ရသည်။

• ဖြစ်ပျက်ခဲ့ပုံ- ဆေးရုံ စာရင်းအင်းပညာရှင်တစ်ဦးက သူမတာဝန်ကျချိန်များအတွင်း တိုက်ဆိုင်မှုသက်သက်ဖြင့် လူအများအပြား သေဆုံးနိုင်ခြေသည် ၃၄၂ သန်းတွင် ၁ ပုံ ဖြစ်ကြောင်း ထွက်ဆိုခဲ့သည်။

• အလုပ်လုပ်နေသော ဘက်လိုက်မှု- ၁။ အဖြစ်အပျက်အပြီး ရွေးချယ်မှု- Lucia တာဝန်ကျနေကြောင်း သိရှိပြီးနောက်တွင်မှ သေဆုံးမှုများကို "သံသယဖြစ်ဖွယ်" အဖြစ် သတ်မှတ်ခဲ့သည်—ဤသည်မှာ အတည်ပြုချက် ဘက်လိုက်မှုနှင့် အခြေခံနှုန်း လျစ်လျူရှုမှုတို့ ပေါင်းစပ်နေသော ဂန္ထဝင် နမူနာတစ်ခုဖြစ်သည်။ ၂။ အစုအဖွဲ့များ၏ အခြေခံနှုန်းကို လျစ်လျူရှုခြင်း- မည်သည့် ဆေးရုံကြီးစနစ်တွင်မဆို၊ ကိန်းဂဏန်းကြီးများ၏ နိယာမ (law of large numbers) အရ တိုက်ဆိုင်မှုသက်သက်ဖြင့် အလွန် ဖြစ်နိုင်ခြေနည်းပါးပုံရသော တာဝန်ကျချိန် ပုံစံရှိသည့် သူနာပြုတစ်ဦး အမြဲတမ်း ရှိနေမည်ကို အာမခံသည် (Texas Sharpshooter Fallacy)။ ၃။ အခြားရွေးချယ်စရာ အယူအဆများကို လျစ်လျူရှုခြင်း- (ပိုမိုဖျားနာသော လူနာများကို ပိုမိုနီးကပ်စွာ စောင့်ကြည့်ရသည့်) ညဆိုင်းများအတွင်း လူနာများ သေဆုံးသည့် အခြေခံနှုန်းကို သေချာစွာ ထည့်သွင်းစဉ်းစားခဲ့ခြင်း မရှိပေ။

• အကျိုးဆက်များ- Lucia သည် ထောင်ဒဏ် ခြောက်နှစ်ကျော် ကျခံခဲ့ရသည်။ သူမသည် အကျဉ်းကျခံနေရစဉ်အတွင်း လေဖြတ်ခဲ့သည်။ နောက်ပိုင်းတွင် လွတ်လပ်သော စာရင်းအင်းပညာရှင်များ၏ သင်္ချာနည်းအရ ခွဲခြမ်းစိတ်ဖြာမှုက အပြစ်ကင်းစင်နိုင်ခြေ အမှန်တကယ် မြင့်မားကြောင်း ပြသခဲ့သည်။ နိုင်ငံသမိုင်းတွင် အဆိုးရွားဆုံး တရားမျှတမှု ဆုံးရှုံးခြင်းများထဲမှ တစ်ခုအဖြစ် ဒတ်ချ်အာဏာပိုင်များက အသိအမှတ်ပြုခဲ့ပြီး ၂၀၁၀ ခုနှစ်တွင် သူမအား အပြစ်မှ ကင်းလွတ်ခွင့် ပေးခဲ့သည်။

• သင်ခန်းစာများ- ကြီးမားသော ဒေတာအစုအဝေးများတွင် စာရင်းအင်းဆိုင်ရာ တိုက်ဆိုင်မှုသည် အကြောင်းရင်း၏ သက်သေ မဟုတ်ပါ။ အဖြစ်အပျက်အပြီး ခွဲခြမ်းစိတ်ဖြာခြင်းသည် အလွန်အမင်း သတိထားရန် လိုအပ်သည်။ တရားရုံးများသည် ဖြစ်နိုင်ခြေ အထောက်အထားများအတွက် လွတ်လပ်သော စာရင်းအင်းဆိုင်ရာ ပြန်လည်သုံးသပ်မှု လိုအပ်သည်။

Case Study 3: Robert Williams—Facial Recognition Failure (ဖြစ်ရပ်လေ့လာမှု ၃- ရောဘတ် ဝီလျံစ်—မျက်နှာ မှတ်မိခြင်းစနစ် ကျရှုံးမှု)

• နောက်ခံအကြောင်းအရာ- ၂၀၂၀ ပြည့်နှစ် ဇန်နဝါရီလတွင် ဒက်ထရွိုက် (Detroit) မှ လူမည်း အမျိုးသားတစ်ဦးဖြစ်သူ Robert Williams သည် မျက်နှာ မှတ်မိခြင်း အယ်လ်ဂိုရီသမ်တစ်ခုက သူ၏ ယာဉ်မောင်းလိုင်စင် ဓာတ်ပုံကို ဆိုင်တွင်းခိုးယူမှု ဖြစ်စဉ်တစ်ခုမှ စောင့်ကြည့်ကင်မရာ မှတ်တမ်းနှင့် ကိုက်ညီကြောင်း ပြသပြီးနောက် သူ၏ မိသားစုရှေ့တွင် ဖမ်းဆီးခံခဲ့ရသည်။

• ဖြစ်ပျက်ခဲ့ပုံ- စုံထောက်များက Williams အား စောင့်ကြည့်ကင်မရာ ပုံကို ပြသပြီး "ကွန်ပျူတာက ခင်ဗျားလို့ ပြောတယ်" ဟု ဆိုခဲ့သည်။ ပြန်လည်မလွတ်မြောက်မီ သူ့ကို နာရီ ၃၀ ကြာ ဖမ်းဆီးထိန်းသိမ်းထားခဲ့သည်။

• အလုပ်လုပ်နေသော ဘက်လိုက်မှု- ၁။ မှားယွင်းသော အပြုသဘောဆောင်မှု ပဟေဋ္ဌိ- ၉၉% တိကျသော မျက်နှာ မှတ်မိခြင်း စနစ်ပင်လျှင်၊ သန်းနှင့်ချီသော မျက်နှာများ ပါဝင်သည့် ဒေတာဘေ့စ်များကို ရှာဖွေသောအခါ၊ ထောင်ပေါင်းများစွာသော မှားယွင်းသော ကိုက်ညီမှုများကို ထုတ်ပေးသည်။ ၂။ အလိုအလျောက် ဘက်လိုက်မှု- စုံစမ်းစစ်ဆေးသူများသည် အယ်လ်ဂိုရီသမ်၏ "ကိုက်ညီမှု" ကို အတည်ပြုချက် လိုအပ်သည့် ဖြစ်နိုင်ခြေရှိသော အကြံပြုချက်အဖြစ် မဟုတ်ဘဲ ခိုင်လုံသော အထောက်အထားအဖြစ် မှတ်ယူခဲ့ကြသည်။ ၃။ ကျပန်း ကိုက်ညီမှုများ၏ အခြေခံနှုန်း- အငှားယာဉ် ပြဿနာကဲ့သို့ပင်၊ "မျက်မြင်သက်သေ" (အယ်လ်ဂိုရီသမ်) တွင် အမှားအယွင်းနှုန်း တစ်ခုရှိပြီး "အပြစ်မဲ့ လူဦးရေ" မှာ ကြီးမားသောကြောင့်—မှားယွင်းသော အပြုသဘောဆောင်သည့် ရလဒ်များကို အမြောက်အမြား ထုတ်ပေးသည်။

• အကျိုးဆက်များ- Williams သည် မတရား ဖမ်းဆီးခံရခြင်း၊ ထိန်းသိမ်းခံရခြင်းတို့ ကြုံတွေ့ခဲ့ရပြီး သူ၏ DNA၊ လက်ဗွေရာများနှင့် မှုခင်းမှတ်တမ်း ဓာတ်ပုံတို့ကို မှုခင်းဒေတာဘေ့စ်များထဲသို့ ထည့်သွင်းခံခဲ့ရသည်။ သူသည် ဒက်ထရွိုက် ရဲဌာနကို တရားစွဲဆိုခဲ့သည်။ ဤအမှုသည် တရားဥပဒေစိုးမိုးရေးတွင် အယ်လ်ဂိုရီသမ် ဘက်လိုက်မှု၏ အထင်ကရ ဥပမာတစ်ခု ဖြစ်လာခဲ့သည်။

• သင်ခန်းစာများ- အယ်လ်ဂိုရီသမ် အထောက်အထားများကို အမှားကင်းသည်ဟု သတ်မှတ်ခြင်းထက် ဖြစ်နိုင်ခြေအဖြစ် အကဲဖြတ်ရမည်။ မှားယွင်းသော ကိုက်ညီမှုများ၏ အခြေခံနှုန်းများကို ဆုံးဖြတ်ချက်ချမှတ်သူများထံ အသိပေးရမည်။ အယ်လ်ဂိုရီသမ် ကိုက်ညီမှုများကို အခြေခံ၍ ဖမ်းဆီးခြင်းမပြုမီ ခိုင်လုံသော အထောက်အထားများ လိုအပ်သင့်သည်။

Historical Example: The Collapse of Long-Term Capital Management (သမိုင်းဝင် ဥပမာ- ရေရှည် အရင်းအနှီး စီမံခန့်ခွဲမှု ပြိုကျခြင်း)

၁၉၉၈ ခုနှစ်တွင် နိုဘယ်ဆုရှင်များဖြစ်သော Myron Scholes နှင့် Robert Merton တို့ ဦးစီးသည့် Long-Term Capital Management (LTCM) ရန်ပုံငွေသည် အကြီးအကျယ် ပြိုကျခဲ့ပြီး ကမ္ဘာ့ဘဏ္ဍာရေးစနစ်ကို မတည်မငြိမ်ဖြစ်စေလုနီးပါး ဖြစ်ခဲ့သည်။

LTCM ၏ ခေတ်မီဆန်းပြားသော Value-at-Risk (VaR) မော်ဒယ်များသည် စျေးကွက် မတည်ငြိမ်မှု နည်းပါးကြောင်း ပြသနေသည့် မကြာသေးမီက သမိုင်းဝင် ဒေတာများကို အားထားခဲ့သည်။ ၎င်းတို့က ကြီးမားသော ဆုံးရှုံးမှုများသည် "10-sigma ဖြစ်ရပ်များ" ဖြစ်ပြီး—စာရင်းအင်းအရ မဖြစ်နိုင်ကြောင်း တွက်ချက်ခဲ့ကြသည်။ မော်ဒယ်များသည် ဘဏ္ဍာရေး အကျပ်အတည်းများ၏ သမိုင်းဝင် အခြေခံနှုန်းများ—စျေးကွက် ဖြန့်ဖြူးမှုများ၏ "fat tails" ကို လျစ်လျူရှုခဲ့ကြသည်။ ၎င်းတို့သည် စနစ်တကျ ဆက်စပ်မှုများ၏ အခြေခံနှုန်းကိုလည်း လျစ်လျူရှုခဲ့ကြသည်- အကျပ်အတည်းများတွင်၊ ထိတ်လန့်မှုများ ပြန့်နှံ့သွားသောအခါ ဆက်စပ်မှုအားလုံးသည် ၁ သို့ သွားကြသည်။

၁၉၉၈ ခုနှစ် သြဂုတ်လတွင် ရုရှားက အကြွေးဆပ်ရန် ပျက်ကွက်သောအခါ၊ "မဖြစ်နိုင်သည့်" အရာ ဖြစ်ပေါ်လာခဲ့သည်။ LTCM သည် လေးလအောက် ကာလအတွင်း ဒေါ်လာ ၄.၆ ဘီလီယံ ဆုံးရှုံးခဲ့ပြီး ပိုမိုကျယ်ပြန့်သော ဘဏ္ဍာရေး ကူးစက်မှုများကို ကာကွယ်ရန် ဗဟိုဘဏ်က ညှိနှိုင်းဆောင်ရွက်ပေးသည့် ဘဏ္ဍာရေး အကူအညီ (bailout) ကို လိုအပ်ခဲ့သည်။

သင်ခန်းစာ- ရှားပါးသော ဖြစ်ရပ်များ၏ သမိုင်းဝင် အခြေခံနှုန်းများကို လျစ်လျူရှုသော ခေတ်မီဆန်းပြားသည့် မော်ဒယ်များသည် ကြီးမားဆိုးရွားသော မျက်ကွယ်ပြုမှုများကို ဖန်တီးသည်။ မကြာသေးမီ အတိတ်ကာလ၏ သီးခြား အခြေအနေများသည် အန္တရာယ်ကြီးမားသော အခြေအနေ (tail risks) များအတွက် ယုံကြည်စိတ်ချရသော လမ်းညွှန်များ မဟုတ်ပါ။

6. The Cost of This Bias (ဤဘက်လိုက်မှု၏ ကုန်ကျစရိတ်)

6.1. Personal Costs (ကိုယ်ရေးကိုယ်တာ ကုန်ကျစရိတ်များ)

• ကြောက်ရွံ့မှုနှင့် စိုးရိမ်ပူပန်မှု- ရှားပါးသော ခြိမ်းခြောက်မှုများ (လေယာဉ်ပျက်ကျမှု၊ အကြမ်းဖက်မှု၊ ရောဂါ) ကို အလွန်အမင်း ခန့်မှန်းခြင်းသည် ပိုမိုဖြစ်နိုင်ခြေရှိသော အန္တရာယ်များကို လျစ်လျူရှုနေစဉ် နာတာရှည် စိတ်ဖိစီးမှုကို ဖန်တီးသည်။
• ဆက်ဆံရေး ပျက်စီးခြင်း- လူများကို ၎င်းတို့၏ တသမတ်တည်းဖြစ်သော အပြုအမူဆိုင်ရာ အခြေခံနှုန်းထက် ထင်ရှားသော ဖြစ်ရပ်တစ်ခုတည်းဖြင့် အကဲဖြတ်ခြင်းက မတရားသော ဆုံးဖြတ်ချက်များနှင့် ယုံကြည်မှု ပျက်ပြားခြင်းကို ဖြစ်စေသည်။
• အခွင့်အလမ်းများ ဆုံးရှုံးခြင်း- အောင်မြင်မှု အခြေခံနှုန်းများကို လျစ်လျူရှုကာ ထင်ရှားသော ကျရှုံးမှု ဇာတ်လမ်းများကြောင့် အကျိုးရှိသော လှုပ်ရှားမှုများ (လေယာဉ်စီးခြင်း၊ ခွဲစိတ်မှုခံယူခြင်း၊ အသက်မွေးဝမ်းကျောင်း ပြောင်းလဲခြင်း) ကို ရှောင်ကြဉ်ခြင်း။
• ဘဏ္ဍာရေး ဆုံးရှုံးမှုများ- စာရင်းအင်းဆိုင်ရာ အထောက်အထားများထက် ဆွဲဆောင်မှုရှိသော ဇာတ်ကြောင်းများကို အခြေခံ၍ ရင်းနှီးမြှုပ်နှံမှု ဆုံးဖြတ်ချက်များ ချမှတ်ခြင်း။
• ဆေးဘက်ဆိုင်ရာ စိုးရိမ်ပူပန်မှု- မှားယွင်းသော အပြုသဘောဆောင်သည့် အခြေခံနှုန်းများကို နားမလည်ဘဲ စစ်ဆေးမှုရလဒ်များကို အဓိပ္ပါယ်ကောက်လွဲခြင်း။

6.2. Professional Costs (ပရော်ဖက်ရှင်နယ် ကုန်ကျစရိတ်များ)

• အသက်မွေးဝမ်းကျောင်းဆိုင်ရာ မှားယွင်းစွာ ဆုံးဖြတ်ခြင်း- စာရင်းအင်းဆိုင်ရာ အသက်မွေးဝမ်းကျောင်း လမ်းကြောင်းများထက် သီးခြား ထင်ရှားသော ရလဒ်များအပေါ် အခြေခံ၍ အလုပ်အကိုင် ဆုံးဖြတ်ချက်များ ချမှတ်ခြင်း။
• စီမံကိန်း ကျရှုံးမှုများ- "ဒီစီမံကိန်းက မတူဘူး" ဟူသော တွေးခေါ်မှုက ကုန်ကျစရိတ်များနှင့် အချိန်ဇယားများကို ထပ်ခါတလဲလဲ လျှော့တွက်ခြင်းကို ဖြစ်စေသည်။
• အလုပ်ခန့်အပ်မှု အမှားများ- ခန့်မှန်းနိုင်သော အခြေခံနှုန်းများထက် အင်တာဗျူး စွမ်းဆောင်ရည် ပုံသေကားချပ်များအပေါ် အခြေခံ၍ ကိုယ်စားလှယ်လောင်းများကို ရွေးချယ်ခြင်း။
• မဟာဗျူဟာ အမှားများ- လုပ်ငန်း စာရင်းအင်းများထက် ပြိုင်ဘက်များနှင့်ပတ်သက်သည့် အဖြစ်အပျက် ဇာတ်လမ်းများကို အခြေခံ၍ စီးပွားရေး ဆုံးဖြတ်ချက်များ ချမှတ်ခြင်း။
• ခန့်မှန်းမှု ကျရှုံးခြင်း- အလားတူ အခြေအနေများ၏ သမိုင်းဝင် အခြေခံနှုန်းများကို လျစ်လျူရှုသော လက်ရှိ ဇာတ်ကြောင်းများအပေါ် အခြေခံသည့် ခန့်မှန်းချက်များ။

6.3. Societal Costs (လူမှုအသိုင်းအဝိုင်းဆိုင်ရာ ကုန်ကျစရိတ်များ)

• မတရား ပြစ်မှုထင်ရှားစီရင်ခြင်း- Sally Clark နှင့် Lucia de Berk အမှုများတွင် တွေ့ရသည့်အတိုင်း၊ ဥပဒေကြောင်းအရ ဆောင်ရွက်မှုများတွင် အခြေခံနှုန်း လျစ်လျူရှုမှုသည် အပြစ်မဲ့သူများ၏ ဘဝကို ပျက်စီးစေသည်။
• မူဝါဒ လွဲမှားစွာ ခွဲဝေချထားခြင်း- ပိုမိုဖြစ်နိုင်ခြေရှိသော အန္တရာယ်များ (ယာဉ်တိုက်မှုများ၊ ရောဂါ) ကို လျစ်လျူရှုနေစဉ် ထင်ရှားသော်လည်း ရှားပါးသော ခြိမ်းခြောက်မှုများ (အကြမ်းဖက်ဝါဒ) ထံသို့ အရင်းအမြစ်များကို ဦးတည်စေခြင်း။
• အယ်လ်ဂိုရီသမ် မတရားမှု- ဘက်လိုက်နေသော ဒေတာများဖြင့် လေ့ကျင့်ထားသည့် AI စနစ်များသည် အခြေခံနှုန်း အမှားအယွင်းများကို ဆက်လက်တည်ရှိစေပြီး ပိုမိုကြီးထွားစေကာ၊ ခွဲခြားဆက်ဆံမှုရှိသော ရဲတပ်ဖွဲ့ လုပ်ငန်းများ၊ ချေးငွေထုတ်ပေးခြင်းနှင့် အလုပ်ခန့်အပ်ခြင်းတို့ကို ဖြစ်ပေါ်စေသည်။
• ပြည်သူ့ကျန်းမာရေး ကျရှုံးမှုများ- စစ်ဆေးခြင်းဆိုင်ရာ စာရင်းအင်းများကို နားလည်မှုလွဲမှားခြင်းသည် ကြီးမားသော အတိုင်းအတာဖြင့် မသင့်လျော်သော စမ်းသပ်ခြင်းနှင့် ကုသခြင်း ဆုံးဖြတ်ချက်များကို ဖြစ်ပေါ်စေသည်။
• ဘဏ္ဍာရေး အကျပ်အတည်းများ- တန်ဖိုးဖြတ်မှု အခြေခံနှုန်းများကို လျစ်လျူရှုသော စျေးကွက်များသည် မလွဲမသွေ ပေါက်ကွဲသွားသောအခါ လူသန်းပေါင်းများစွာကို ထိခိုက်စေသည့် ပူဖောင်းများကို ဖန်တီးသည်။

6.4. Statistical Impact (စာရင်းအင်းဆိုင်ရာ သက်ရောက်မှု)

အခြေခံနှုန်း လျစ်လျူရှုမှု၏ တိုင်းတာနိုင်သော သက်ရောက်မှုအပေါ် သုတေသန တွေ့ရှိချက်များ-

• ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်ချခြင်း- ရောဂါ အခြေခံနှုန်း နိမ့်သောအခါ သမားတော်များ၏ ၁၅% ခန့်ကသာ အပြုသဘောဆောင်သော စစ်ဆေးမှုရလဒ်များကို မှန်ကန်စွာ အဓိပ္ပါယ်ကောက်ယူနိုင်ကြောင်း လေ့လာမှုများက ပြသပြီး၊ ယင်းက ကြီးမားသော အလွန်အမင်း ရောဂါရှာဖွေခြင်း (overdiagnosis) ကို ဖြစ်စေသည်။
• ဂျူရီ ဆုံးဖြတ်ချက်များ- အတုအယောင် ဂျူရီ လေ့လာမှုများအရ ထင်ရှားသော သက်သေထွက်ဆိုချက်များကို တင်ပြသောအခါ အခြေခံနှုန်း အချက်အလက်များကို အများစုက လျစ်လျူရှုကြကြောင်း တွေ့ရသည်။
• ခန့်မှန်းနိုင်စွမ်း တိကျမှု- Philip Tetlock ၏ သုတေသနအရ အခြေခံနှုန်း လျစ်လျူရှုမှုကို ကျော်လွှားနိုင်သော "စူပါ ခန့်မှန်းသူများ (superforecasters)" သည် ကျွမ်းကျင်သူများထက် ၃၀% ကျော် ပိုမိုစွမ်းဆောင်နိုင်ကြောင်း တွေ့ရသည်။
• အယ်လ်ဂိုရီသမ် စွမ်းဆောင်ရည်- COMPAS ပြစ်မှုထပ်မံကျူးလွန်ခြင်း အယ်လ်ဂိုရီသမ်ကို ProPublica ၏ ခွဲခြမ်းစိတ်ဖြာမှုအရ၊ ၎င်း၏ အခြေခံနှုန်း ဘက်လိုက်မှုသည် လူဖြူ တရားခံများထက် လူမည်း တရားခံများအတွက် မှားယွင်းသော အပြုသဘောဆောင်သည့် နှုန်းများကို နှစ်ဆ ပိုမိုထုတ်ပေးကြောင်း တွေ့ရှိရသည်။

7. The Hidden Benefits (ဖုံးကွယ်နေသော အကျိုးကျေးဇူးများ)

အခြေခံနှုန်း မှားယွင်းမှုသည် သိမြင်မှုဆိုင်ရာ အားနည်းချက် သက်သက်သာ မဟုတ်ပါ—၎င်း၏ နောက်ကွယ်ရှိ ယန္တရားများသည် အရေးကြီးသော လိုက်လျောညီထွေဖြစ်စေသည့် လုပ်ဆောင်ချက်များကို ဆောင်ရွက်ပေးသည်။

အန္တရာယ်ကို လျင်မြန်စွာ ဖော်ထုတ်ခြင်း- သားရဲတိရစ္ဆာန်ကို မမြင်လိုက်ရခြင်းက သေဆုံးခြင်းကို ဆိုလိုသည့် ပတ်ဝန်းကျင်များတွင်၊ လူဦးရေ စာရင်းအင်းများကို သေချာစွာ တွက်ချက်နေခြင်းထက် သီးခြား အန္တရာယ် အချက်ပြမှုများကို အလွန်အမင်း တုံ့ပြန်ခြင်းက ပိုကောင်းသည်။ မှားယွင်းသော အပြုသဘောဆောင်မှု (မလိုအပ်ဘဲ သတိထားနေခြင်း) ၏ ကုန်ကျစရိတ်သည် မှားယွင်းသော အပျက်သဘောဆောင်မှု (အစာအဖြစ် စားခံရခြင်း) နှင့် နှိုင်းယှဉ်ပါက နည်းပါးသည်။

လူမှုရေး ဉာဏ်ရည်- သီးခြား လူတစ်ဦးချင်းစီ၏ ရည်ရွယ်ချက်များကို ဖတ်ရှုနားလည်ခြင်းသည် လူသားတို့၏ အပြုအမူနှင့်ပတ်သက်သော လူဦးရေအဆင့် စာရင်းအင်းများကို သိရှိခြင်းထက် လူမှုရေး အောင်မြင်မှုအတွက် ပို၍ အရေးကြီးသည်။ သင့်ရှေ့ရှိလူသည် ပျမ်းမျှလူသားတစ်ဦး မဟုတ်ပါ—၎င်းတို့သည် သင်နားလည်ရန်လိုအပ်သော သီးခြားရည်ရွယ်ချက်များရှိသည့် သီးခြား လူတစ်ဦးဖြစ်သည်။

ဇာတ်ကြောင်းဖြင့် သင်ယူခြင်း- ဇာတ်လမ်းများသည် လူသားများ မျိုးဆက်တစ်ဆက်မှ တစ်ဆက်သို့ အသိပညာများ လက်ဆင့်ကမ်းသည့် နည်းလမ်းဖြစ်သည်။ စာရင်းအင်းများထက် ထင်ရှားသော ဖြစ်ရပ်များအပေါ် "ဘက်လိုက်မှု" သည် အတွေ့အကြုံနှင့် အခြားသူများ၏ အတွေ့အကြုံများမှ သင်ယူခြင်းကို ဖြစ်နိုင်စေသည့်အရာ ဖြစ်သည်။

စွမ်းအင် ထိရောက်မှု- သေချာစွာ Bayesian ကျိုးကြောင်းဆင်ခြင်ခြင်းသည် ဇီဝဖြစ်စဉ်အရ စွမ်းအင်များစွာ ကုန်ကျသည်။ နေ့စဉ် ဆုံးဖြတ်ချက်အများစုအတွက်၊ လျင်မြန်သော ပုံစံ-ကိုက်ညီမှု ရှာဖွေခြင်းသည် သိမြင်မှုဆိုင်ရာ ကုန်ကျစရိတ် အနည်းငယ်မျှဖြင့် လုံလောက်သော ကောင်းမွန်သည့် ရလဒ်များကို ထုတ်ပေးသည်။

အပေးအယူ- အခြေခံနှုန်း လျစ်လျူရှုမှုကို လုံးဝ ဖယ်ရှားပစ်ခြင်းသည် ဆုံးဖြတ်ချက်ချခြင်းကို ရပ်တန့်သွားစေမည့် စဉ်ဆက်မပြတ် အားထုတ်တွက်ချက်မှု လိုအပ်မည်ဖြစ်သည်။ ရည်ရွယ်ချက်မှာ ဤလက်တွေ့နည်းလမ်းကို ဖယ်ရှားရန်မဟုတ်ဘဲ—အထူးသဖြင့် ဥပဒေ၊ ဆေးဘက်ဆိုင်ရာ၊ ဘဏ္ဍာရေးနှင့် အခြေခံနှုန်းများ အရေးပါဆုံးဖြစ်သည့် မူဝါဒနယ်ပယ်များတွင်—စာရင်းအင်းဆိုင်ရာ တွေးခေါ်မှု မည်သည့်အချိန်တွင် လိုအပ်ကြောင်းကို အသိအမှတ်ပြုရန် ဖြစ်သည်။

8. Self-Assessment: Do You Have This Bias? (ကိုယ်တိုင် အကဲဖြတ်ခြင်း- သင့်တွင် ဤဘက်လိုက်မှု ရှိပါသလား)

8.1. Warning Signs Checklist (သတိပေး လက္ခဏာများ စစ်ဆေးရန် စာရင်း)

• အတိတ်က အခြေအနေများနှင့် စာရင်းအင်းဆိုင်ရာ ဆင်တူမှုများကို မစစ်ဆေးဘဲ "ဒီအခြေအနေက မတူဘူး" ဟု သင်မကြာခဏ တွေးလေ့ရှိသည်။
• စာရင်းအင်းဆိုင်ရာ အကျဉ်းချုပ်များထက် သီးခြား ဥပမာများကို သင် ပိုမို လက်ခံယုံကြည်လေ့ရှိသည်။
• ဒေတာများကို တိုင်ပင်မည့်အစား အမှတ်ရဖွယ် အဖြစ်အပျက်များကို အခြေခံ၍ ဆုံးဖြတ်ချက်များ ချမှတ်ဖူးသည်။
• ဆေးဘက်ဆိုင်ရာ စစ်ဆေးမှု ရလဒ်တစ်ခုသည် မှားယွင်းသော အပြုသဘောဆောင်သည့် ရလဒ် ဖြစ်နိုင်သည်ကို ယုံကြည်ရန် သင် အခက်အခဲရှိသည်။
• ရလဒ်တစ်ခုကို သင်မည်မျှ လွယ်ကူစွာ စိတ်ကူးပုံဖော်နိုင်သည်ဆိုသည့်အပေါ် အခြေခံ၍ ဖြစ်နိုင်ခြေများကို သင် ခန့်မှန်းလေ့ရှိသည်။
• ပထမဆုံး အမြင်များ သို့မဟုတ် အပြုအမူတစ်ခုတည်းအပေါ် အခြေခံ၍ လူများကို သင် လျင်မြန်စွာ အကဲဖြတ်လေ့ရှိသည်။
• "နောက်ခံ အချက်အလက်များ" သည် သီးခြား အသေးစိတ်အချက်အလက်များထက် ဆီလျော်မှု နည်းပါးသည်ဟု ထင်ရသောကြောင့် ၎င်းတို့ကို သင် လျစ်လျူရှုဖူးသည်။
• ဆွေးနွေးမှုများတွင် အခြေခံနှုန်း စာရင်းအင်းများသည် "ခံစားချက်ကင်းမဲ့သည်" သို့မဟုတ် "အဓိကအချက်ကို လွဲချော်နေသည်" ဟု သင် ယူဆလေ့ရှိသည်။
• စာရင်းအင်းဆိုင်ရာ ခန့်မှန်းချက်များသည် သင်၏ အလိုအလျောက် သိမြင်မှုများနှင့် ကွဲလွဲနေသောအခါ သင် အံ့အားသင့်ဖူးသည်။
• ရာခိုင်နှုန်းများဖြင့် တွေးခေါ်ခြင်းကို သင် ရှောင်ကြဉ်ပြီး ဟုတ်/မဟုတ် ဆုံးဖြတ်ချက်များကို ပိုမိုနှစ်သက်သည်။

အမှတ်ပေးခြင်း-

• ၀-၂ ခု အမှန်ခြစ်ထားသည်- ကျရောက်နိုင်ခြေ နည်းပါးသည်
• ၃-၅ ခု အမှန်ခြစ်ထားသည်- ကျရောက်နိုင်ခြေ အလယ်အလတ်ရှိသည်
• ၆-၈ ခု အမှန်ခြစ်ထားသည်- ကျရောက်နိုင်ခြေ မြင့်မားသည်
• ၉-၁၀ ခု အမှန်ခြစ်ထားသည်- ကျရောက်နိုင်ခြေ အလွန်မြင့်မားသည်

8.2. Self-Reflection Questions (မိမိကိုယ်ကို ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ)

၁။ ဆွဲဆောင်မှုရှိသော ဇာတ်လမ်း သို့မဟုတ် ဥပမာတစ်ခုအစား စာရင်းအင်းဆိုင်ရာ အထောက်အထားများကြောင့် သင့်စိတ်ကို ပြောင်းလဲခဲ့သည့် နောက်ဆုံးအကြိမ်မှာ မည်သည့်အချိန်ကနည်း။ ၂။ မကြာသေးမီက သင်ချမှတ်ခဲ့သော အဓိက ဆုံးဖြတ်ချက်တစ်ခုကို စဉ်းစားကြည့်ပါ—အလားတူ ဆုံးဖြတ်ချက်များအတွက် အောင်မြင်မှု/ကျရှုံးမှု အခြေခံနှုန်းများကို သင် သုတေသနပြုခဲ့ပါသလား။ ၃။ သက်ဆိုင်ရာ စာရင်းအင်းများသည် သင်၏ သီးခြား အခြေအနေနှင့် မကိုက်ညီဟု ခံစားရသောကြောင့် ၎င်းတို့ကို သင် လျစ်လျူရှုဖူးပါသလား။ ၄။ တစ်စုံတစ်ယောက်က သင့်ကို အဖြစ်အပျက်တစ်ခု ပြောပြသောအခါ၊ ထိုအတွေ့အကြုံသည် မည်မျှ ပုံမှန်ဖြစ်သည် သို့မဟုတ် ပုံမှန်မဟုတ်ကြောင်းကို သင် အလိုအလျောက် တွေးမိပါသလား။ ၅။ သင်သည် တစ်ဦးချင်း ဥပမာများအပေါ် အလေးအနက်ထားလွန်းသည် သို့မဟုတ် ဒေတာများအပေါ် လုံလောက်စွာ အာရုံမစိုက်ဟု အခြားသူများက သင့်ကို ပြောဖူးပါသလား။

8.3. Quick Diagnostic Scenario (အမြန် စစ်ဆေးမှု ဇာတ်လမ်း)

ဇာတ်လမ်း- ပြင်းထန်သော ရောဂါတစ်ခုအတွက် ဆေးဘက်ဆိုင်ရာ စစ်ဆေးမှုအသစ်တစ်ခုကို တီထွင်လိုက်သည်။ စစ်ဆေးမှုသည် ၉၉% တိကျသည် (ရောဂါရှိနေချိန်တွင် ဖော်ထုတ်ရာတွင်ရော ကျန်းမာသူများကို မှန်ကန်စွာ ကင်းရှင်းကြောင်း ပြသရာတွင်ပါ)။ အထွေထွေ လူဦးရေတွင် လူ ၁,၀၀၀ လျှင် ၁ ဦး၌ ဤရောဂါရှိသည်။ သင့်စစ်ဆေးမှု ရလဒ်သည် အပြုသဘောဆောင်နေသည်။ သင့်တွင် အမှန်တကယ် ရောဂါရှိနိုင်ခြေ မည်မျှရှိသနည်း။

သင် မည်သို့ ဖြေဆိုမည်နည်း။

• က) ၉၉% ခန့် → ကျရောက်နိုင်ခြေ မြင့်မားသည် (အခြေခံနှုန်းကို လျစ်လျူရှုပြီး စစ်ဆေးမှု တိကျမှုနှင့် အဖြေကို ကိုက်ညီအောင် လုပ်နေသည်)
• ခ) ၅၀% ခန့် → ကျရောက်နိုင်ခြေ အလယ်အလတ်ရှိသည် (တစ်ခုခု လွဲမှားနေသည်ကို သင်ခံစားမိသော်လည်း အမှန်တကယ် ဖြစ်နိုင်ခြေကို မတွက်ချက်နိုင်ပါ)
• ဂ) ၉% ခန့် → ကျရောက်နိုင်ခြေ နည်းပါးသည် (သင်သည် အခြေခံနှုန်းကို မှန်ကန်စွာ ပေါင်းစပ်ခဲ့သည်၊ စစ်ဆေးခံရသူ ၁,၀၀၀ အနက် မှန်ကန်သော အပြုသဘောဆောင်သူ ~၁၀ ဦးနှင့် မှားယွင်းသော အပြုသဘောဆောင်သူ ~၁၀၀ ဦး)

9. Identifying This Bias in Others (အခြားသူများတွင် ဤဘက်လိုက်မှုကို ခွဲခြားသိမြင်ခြင်း)

9.1. Behavioral Indicators (အပြုအမူဆိုင်ရာ ညွှန်းကိန်းများ)

• ကိုယ်ပိုင် ဇာတ်လမ်းများကို ဦးစားပေးကာ စာရင်းအင်းဆိုင်ရာ ငြင်းခုံချက်များကို "ခံစားချက်ကင်းမဲ့သည်" သို့မဟုတ် "အဓိကအချက်ကို လွဲချော်နေသည်" ဟု ပယ်ချခြင်း
• ယေဘုယျ ပြောဆိုမှုများ ပြုလုပ်ရာတွင် "ကျွန်တော့် အတွေ့အကြုံအရ" သို့မဟုတ် "ကျွန်တော် သိတဲ့သူတစ်ယောက်..." ကဲ့သို့သော စကားစုများကို မကြာခဏ အသုံးပြုခြင်း
• ကျယ်ပြန့်သော ပုံစံများအတွက် တစ်ဦးချင်း ဖြစ်ရပ်များကို ခိုင်လုံသော အထောက်အထားအဖြစ် မှတ်ယူခြင်း
• စာရင်းအင်းဆိုင်ရာ ယေဘုယျပြုချက်များသည် ၎င်းတို့၏ သီးခြား အခြေအနေနှင့် သက်ဆိုင်ကြောင်းကို လက်ခံရန် အခက်အခဲရှိခြင်း
• ဖြစ်နိုင်ခြေများကို ခန့်မှန်းရာတွင် မကြာသေးမီက သို့မဟုတ် အမှတ်ရဖွယ် ဖြစ်ရပ်များကို အလွန်အမင်း အလေးထားခြင်း
• အခြေခံနှုန်း ဒေတာကို တင်ပြသောအခါ အမြင်များ ပြောင်းလဲရန် ငြင်းဆန်ခြင်း

9.2. Conversational Red Flags (စကားပြောဆိုမှုတွင် သတိထားရမည့် အချက်များ)

ဤဘက်လိုက်မှုအောက်တွင် လူများပြောတတ်သော စကားစုများ-

• "ဒါပေမယ့် ဒီကိစ္စက မတူဘူး..."
• "စာရင်းအင်းတွေက ဇာတ်လမ်းတစ်ခုလုံးကို မပြောပြနိုင်ဘူး"
• "ကိန်းဂဏန်းတွေက ဘာပြောလဲဆိုတာ ကျွန်တော်သိတယ်၊ ဒါပေမယ့်..."
• "ကျွန်တော် သိတဲ့သူတစ်ယောက်အကြောင်း ပြောပြမယ်..."
• "စာရင်းအင်းတွေနဲ့ ဘာမဆို သက်သေပြလို့ရတယ်"

၎င်းတို့ ပြုလုပ်သော ငြင်းခုံမှု အမျိုးအစားများ-

• ယေဘုယျ မဟာဗျူဟာများအတွက် တစ်ဦးချင်း အောင်မြင်မှု/ကျရှုံးမှု ဇာတ်လမ်းများကို အထောက်အထားအဖြစ် ကိုးကားခြင်း
• ခြွင်းချက် ဖြစ်ရပ်များကို သာမန် ရလဒ်များ၏ ကိုယ်စားပြုအဖြစ် မှတ်ယူခြင်း

၎င်းတို့ မေးရန် ရှောင်ကြဉ်သော မေးခွန်းများ-

• "ဒါမျိုးက ပုံမှန်အားဖြင့် ဘယ်လောက်ကြာကြာ ဖြစ်လေ့ရှိလဲ"
• "အလားတူ အခြေအနေတွေအတွက် အောင်မြင်မှုနှုန်းက ဘယ်လောက်လဲ"

9.3. Situational Triggers (အခြေအနေအရ လှုံ့ဆော်မှုများ)

• စိတ်ခံစားမှုဆိုင်ရာ အကျိုးသက်ရောက်မှုများ- ရလဒ်များ အလွန်အရေးကြီးသောအခါ၊ သီးခြား ဖြစ်ရပ် အချက်အလက်များသည် ပိုမို ဆွဲဆောင်မှုရှိလာသည်။
• ထင်ရှားသော ဥပမာများ- မကြာသေးမီက ဖြစ်ပွားခဲ့သော၊ စိတ်လှုပ်ရှားဖွယ်ကောင်းသော သို့မဟုတ် ကိုယ်တိုင် ကြုံတွေ့ခဲ့ရသော အဖြစ်အပျက်များသည် စာရင်းအင်းဆိုင်ရာ အခြေခံများကို ဖုံးလွှမ်းသွားသည်။
• ရှုပ်ထွေးမှု- စာရင်းအင်း ခွဲခြမ်းစိတ်ဖြာမှု ခက်ခဲသောအခါ၊ လူများသည် ကိုယ်စားပြု ဥပမာများသို့ အလိုအလျောက် ကူးပြောင်းသွားကြသည်။
• အချိန် ဖိအား- လျင်မြန်သော ဆုံးဖြတ်ချက်များသည် ဖြစ်နိုင်ခြေ တွက်ချက်ခြင်းထက် ပုံစံ-ကိုက်ညီမှု ရှာဖွေခြင်းကို ဦးစားပေးသည်။
• ဇာတ်ကြောင်း နောက်ခံအကြောင်းအရာ- အချက်အလက်များသည် စာရင်းအင်းများထက် ဇာတ်လမ်းများအဖြစ် ရောက်ရှိလာသောအခါ။
• ကျွမ်းကျင်သူ၏ တင်ပြမှု- အာဏာပိုင်များသည် အခြေခံနှုန်း နောက်ခံအကြောင်းအရာမပါဘဲ ဖြစ်ရပ် အချက်အလက်များကို တင်ပြသောအခါ။

10. Cognitive Debiasing Strategies (သိမြင်မှုဆိုင်ရာ ဘက်လိုက်မှု လျှော့ချရေး မဟာဗျူဟာများ)

10.1. Immediate Techniques (ချက်ချင်းအသုံးပြုနိုင်သော နည်းလမ်းများ)

• "ဘယ်လောက် မကြာခဏလဲ" ဟု မေးပါ- သီးခြားဖြစ်သော အချက်အလက်များကို မလက်ခံမီ၊ အခြေခံနှုန်းအကြောင်းကို ပွင့်လင်းစွာ မေးမြန်းပါ။ "ဒီရလဒ်က ယေဘုယျအားဖြင့် ဘယ်လောက် အဖြစ်များသလဲ"
• "လူ ၁၀၀" ပြန်လည်ပုံဖော်ခြင်း- ဖြစ်နိုင်ခြေတစ်ခုကို ပေးထားသောအခါ၊ ထိုအခြေအနေတွင် လူ ၁၀၀ ရှိသည်ဟု စိတ်ကူးကြည့်ပါ။ မည်မျှသည် ရလဒ်တစ်ခုစီကို ရရှိမည်နည်း။
• အခြားရွေးချယ်စရာကို စဉ်းစားပါ- ယှဉ်ပြိုင်နေသော အယူအဆ၏ အခြေခံနှုန်းမှာ အဘယ်နည်း။ (SIDS နှစ်ကြိမ်ဖြစ်မှုနှင့် လူသတ်မှု နှစ်ကြိမ်ဖြစ်မှု နှုန်းများကို နှိုင်းယှဉ်သကဲ့သို့)
• ရည်ညွှန်း အတန်းအစား ခန့်မှန်းခြင်း- သင့်အခြေအနေအတွက် သက်ဆိုင်ရာ ရည်ညွှန်း အတန်းအစား (reference class) ကို ဖော်ထုတ်ပြီး သမိုင်းဝင် ရလဒ်များကို စစ်ဆေးပါ။
• သတင်းစာ စစ်ဆေးမှု- ဤသီးခြားဖြစ်ရပ်သည် ပုံမှန်မဟုတ်သောကြောင့် သတင်းဖြစ်လာမည်လား။ သို့ဆိုလျှင်၊ ၎င်းသည် ကိုယ်စားပြုနိုင်ဖွယ် မရှိပါ။

10.2. Long-Term Strategies (ရေရှည် မဟာဗျူဟာများ)

• Bayesian တွေးခေါ်မှုကို လေ့ကျင့်ပါ- အခြေခံနှုန်းများ ပေါင်းစပ်ရန် လိုအပ်သော ဖြစ်နိုင်ခြေ ပြဿနာများကို ပုံမှန် ဖြေရှင်းပါ။
• ခန့်မှန်းချက် မှတ်တမ်းတစ်ခု ထားရှိပါ- ဖော်ပြထားသော ဖြစ်နိုင်ခြေများနှင့်အတူ ခန့်မှန်းချက်များကို မှတ်တမ်းတင်ပါ၊ ထို့နောက် သင့်အလိုအလျောက် သိမြင်မှုများကို ချိန်ညှိရန် ရလဒ်များကို စစ်ဆေးပါ။
• စာရင်းအင်းဆိုင်ရာ သင်တန်းကို ရှာဖွေပါ- ဖြစ်နိုင်ခြေနှင့် စာရင်းအင်းပညာဆိုင်ရာ တရားဝင် ပညာရေးသည် မှားယွင်းမှုကို ခုခံနိုင်စွမ်းကို တိုးတက်စေသည်။
• အခြေခံနှုန်း စာကြည့်တိုက်များ တည်ဆောက်ပါ- အရေးကြီးသော နယ်ပယ်များ (ကျန်းမာရေး၊ အသက်မွေးဝမ်းကျောင်း၊ ဘဏ္ဍာရေး) အတွက် သက်ဆိုင်ရာ အခြေခံနှုန်းများကို သုတေသနပြုပြီး မှတ်သားထားပါ။
• စာရင်းအင်းဆိုင်ရာ မိတ်ဆွေများ မွေးမြူပါ- ဖြစ်နိုင်ခြေအရ တွေးခေါ်တတ်ပြီး သင့်ကျိုးကြောင်းဆင်ခြင်မှုကို စိန်ခေါ်မည့်သူများနှင့် ဆက်ဆံရေး တည်ဆောက်ပါ။

10.3. Environmental Design (ပတ်ဝန်းကျင် ဒီဇိုင်း)

• သဘာဝ အကြိမ်အရေအတွက် ပုံစံများကို အသုံးပြုပါ- ဖြစ်နိုင်ခြေများကို ဦးနှောက်က ပိုမို အလိုအလျောက် စီမံဆောင်ရွက်နိုင်သော "Y တွင် X" ပုံစံများသို့ ပြောင်းလဲပါ။
• ဆုံးဖြတ်ချက် စစ်ဆေးရန် စာရင်းများ ဖန်တီးပါ- အရေးကြီးသော ဆုံးဖြတ်ချက်များတွင် အခြေခံနှုန်း မေးခွန်းများကို မဖြစ်မနေ အဆင့်များအဖြစ် ထည့်သွင်းပါ။
• အိုင်ကွန် အစီအစဉ်များ (icon arrays) ကို အသုံးပြုပါ- ဖြစ်နိုင်ခြေများကို အမြင်အာရုံဖြင့် ကိုယ်စားပြုခြင်းသည် ပိုင်းခြေ လျစ်လျူရှုမှုကို လျော့ကျစေသည်။
• စာရင်းအင်းဆိုင်ရာ စံနှုန်းများကို ကြိုတင်ကတိပြုပါ- သီးခြား အချက်အလက်များနှင့် မကြုံတွေ့မီ၊ မည်သည့် စာရင်းအင်းများက သင့်စိတ်ကို ပြောင်းလဲစေမည်ကို သတ်မှတ်ထားပါ။
• အချက်အလက် ပြသမှုများကို ပုံဖော်ပါ- အခြေခံနှုန်းများကို ထင်ရှားစွာနှင့် သီးခြားဖြစ်သော အချက်အလက်များ မတိုင်မီ တင်ပြပါ။

10.4. When to Seek External Input (ပြင်ပ အကြံပြုချက်ကို မည်သည့်အချိန်တွင် ရှာဖွေရမည်နည်း)

• အလွန်အရေးကြီးသော ဆုံးဖြတ်ချက်များ- ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေမှုများ၊ တရားဥပဒေရေးရာ စီရင်ချက်များ၊ အဓိက ရင်းနှီးမြှုပ်နှံမှုများ၊ အလုပ်ခန့်အပ်မှု ဆုံးဖြတ်ချက်များ
• သင့်တွင် အားကောင်းသော အလိုအလျောက် သိမြင်မှုများ ရှိသောအခါ- ပြင်းထန်သော ခံစားချက်များသည် စနစ် ၁ က လွှမ်းမိုးနေခြင်းကို ညွှန်ပြနိုင်သည်—စာရင်းအင်းဆိုင်ရာ စစ်ဆေးမှုကို ရယူပါ။
• ရှုပ်ထွေးသော ဖြစ်နိုင်ခြေ အခြေအနေများ- အခြေအနေအရ ဖြစ်နိုင်ခြေ အများအပြား အပြန်အလှန် သက်ရောက်နေသောအခါ
• စိတ်ခံစားမှု ပါဝင်ပတ်သက်ခြင်း- ကိုယ်ရေးကိုယ်တာ အကျိုးသက်ရောက်မှုများက ဓမ္မဓိဋ္ဌာန်ကျကျ ကျိုးကြောင်းဆင်ခြင်မှုကို ခက်ခဲစေသောအခါ
• ကျွမ်းကျင်မှု မကိုက်ညီခြင်း- ဆုံးဖြတ်ချက်သည် သင်မရှိသော စာရင်းအင်းဆိုင်ရာ ကျွမ်းကျင်မှုကို လိုအပ်သောအခါ

11. Practical Exercises (လက်တွေ့ လေ့ကျင့်ခန်းများ)

Exercise 1: The Screening Test Calculator (လေ့ကျင့်ခန်း ၁- စစ်ဆေးမှု တွက်ချက်စက်)

• ရည်ရွယ်ချက်- ဆေးဘက်ဆိုင်ရာ စစ်ဆေးမှု ဇာတ်လမ်းများကို ဖြေရှင်းခြင်းဖြင့် Bayesian ကျိုးကြောင်းဆင်ခြင်မှုအတွက် အလိုအလျောက် သိမြင်မှုကို ဖွံ့ဖြိုးစေရန်
• လိုအပ်သော အချိန်- မိနစ် ၂၀
• လိုအပ်သော ပစ္စည်းများ- ဂဏန်းပေါင်းစက်၊ စက္ကူ
• အခက်အခဲ အဆင့်- အလယ်အလတ်
• ညွှန်ကြားချက်များ- ၁။ ဆေးဘက်ဆိုင်ရာ အခြေအနေတစ်ခုကို ရွေးချယ်ပြီး သင့်လူဦးရေ အုပ်စုတွင် ၎င်း၏ ဖြစ်ပွားမှုနှုန်း (အခြေခံနှုန်း) ကို ရှာဖွေပါ။ ၂။ ထိုအခြေအနေအတွက် အသုံးများသော စစ်ဆေးမှုများ၏ အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုကို ရှာဖွေပါ။ ၃။ အပြုသဘောဆောင်သော ခန့်မှန်းမှုတန်ဖိုးကို တွက်ချက်ပါ- အပြုသဘောဆောင်သော စစ်ဆေးမှုများ၏ မည်မျှရာခိုင်နှုန်းသည် အမှန်တကယ် အပြုသဘောဆောင်ပါသနည်း။ ၄။ အပျက်သဘောဆောင်သော ခန့်မှန်းမှုတန်ဖိုးကို တွက်ချက်ပါ- အပျက်သဘောဆောင်သော စစ်ဆေးမှုများ၏ မည်မျှရာခိုင်နှုန်းသည် အမှန်တကယ် အပျက်သဘောဆောင်ပါသနည်း။ ၅။ လူ ၁၀,၀၀၀ ပါဝင်သော လူဦးရေတစ်ခုအတွက် 2x2 ဇယားတစ်ခုဖြင့် ၎င်းကို အမြင်အာရုံဖြင့် ပုံဖော်ပါ။
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • အပြုသဘောဆောင်သော ခန့်မှန်းမှုတန်ဖိုးကြောင့် သင် အံ့အားသင့်ခဲ့ပါသလား။
  • ဤအရာက ဆေးဘက်ဆိုင်ရာ စစ်ဆေးခြင်းနှင့်ပတ်သက်၍ သင်တွေးတောပုံကို မည်သို့ ပြောင်းလဲစေသနည်း။
  • စစ်ဆေးမှု ရလဒ်များ ရရှိပြီးနောက် သင့်ဆရာဝန်အား မည်သည့် မေးခွန်းများ မေးသင့်သနည်း။
• အကြိမ်အရေအတွက်- မတူညီသော ဆေးဘက်ဆိုင်ရာ အခြေအနေများကို အသုံးပြု၍ လစဉ်

Exercise 2: Reference Class Forecasting (လေ့ကျင့်ခန်း ၂- ရည်ညွှန်း အတန်းအစား ခန့်မှန်းခြင်း)

• ရည်ရွယ်ချက်- ခန့်မှန်းချက်များ မပြုလုပ်မီ သက်ဆိုင်ရာ အခြေခံနှုန်းများကို ရှာဖွေသည့် အလေ့အကျင့် တည်ဆောက်ရန်
• လိုအပ်သော အချိန်- ၃၀ မိနစ်
• လိုအပ်သော ပစ္စည်းများ- အင်တာနက် အသုံးပြုနိုင်မှု၊ စာရင်းဇယား (spreadsheet)
• အခက်အခဲ အဆင့်- အလယ်အလတ်
• ညွှန်ကြားချက်များ- ၁။ သင်ပြုလုပ်ရန် လိုအပ်သော လာမည့် ဆုံးဖြတ်ချက် သို့မဟုတ် ခန့်မှန်းချက်တစ်ခုကို ဖော်ထုတ်ပါ။ ၂။ ရည်ညွှန်း အတန်းအစားကို သတ်မှတ်ပါ- အလားတူ အခြေအနေများ မည်သည့်အရာများ ရှိသနည်း။ ၃။ ထိုရည်ညွှန်း အတန်းအစားတွင် ရလဒ်များ၏ အခြေခံနှုန်းကို သုတေသနပြုပါ။ ၄။ သင့်အခြေအနေကို ကွဲပြားစေသော သီးခြား အကြောင်းရင်းများအပေါ် အခြေခံ၍ အခြေခံနှုန်းကို ချိန်ညှိပါ။ ၅။ သင်၏ ကျိုးကြောင်းဆင်ခြင်မှုနှင့် နောက်ဆုံး ဖြစ်နိုင်ခြေ ခန့်မှန်းချက်ကို မှတ်တမ်းတင်ပါ။
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • အခြေခံနှုန်းကို ရှာဖွေတွေ့ရှိခြင်းက သင်၏ ကနဦး ခန့်မှန်းချက်ကို မည်သို့ ပြောင်းလဲစေခဲ့သနည်း။
  • မည်သည့် သီးခြား အကြောင်းရင်းများက အခြေခံနှုန်းမှ ချိန်ညှိရန် ခိုင်လုံစေသနည်း။
  • သင့်အခြေအနေကို အထောက်အထားမပါဘဲ "ကွဲပြားသည်" ဟု သတ်မှတ်ရန် သင် စုံစမ်းသွေးဆောင်ခံခဲ့ရပါသလား။
• အကြိမ်အရေအတွက်- အဓိက ဆုံးဖြတ်ချက် တစ်ခုခု မချမီ

Exercise 3: Frequency Reframing (လေ့ကျင့်ခန်း ၃- အကြိမ်အရေအတွက် ပြန်လည်ပုံဖော်ခြင်း)

• ရည်ရွယ်ချက်- ဖြစ်နိုင်ခြေ ဖော်ပြချက်များကို သဘာဝ အကြိမ်အရေအတွက် ပုံစံများအဖြစ် ပြောင်းလဲခြင်းကို လေ့ကျင့်ရန်
• လိုအပ်သော အချိန်- ၁၅ မိနစ်
• လိုအပ်သော ပစ္စည်းများ- ဖြစ်နိုင်ခြေ ဖော်ပြချက်များ စာရင်း (သတင်းဆောင်းပါးများ၊ သုတေသန စာတမ်းများမှ)
• အခက်အခဲ အဆင့်- အခြေခံ
• ညွှန်ကြားချက်များ- ၁။ မကြာသေးမီက သတင်းများမှ ဖြစ်နိုင်ခြေ ဖော်ပြချက် ၅ ခုကို စုဆောင်းပါ (ဥပမာ- "ရှုပ်ထွေးမှု ဖြစ်နိုင်ခြေ ၅%") ၂။ တစ်ခုစီကို သဘာဝ အကြိမ်အရေအတွက်အဖြစ် ပြန်လည်ပုံဖော်ပါ (ဥပမာ- "လူနာ ၁၀၀ လျှင် ၅ ဦး") ၃။ တစ်ခုစီအတွက်၊ ကျန်ရှိသော ၉၅ ဦး (သို့မဟုတ် သက်ဆိုင်ရာ အရေအတွက်) တွင် မည်သို့ဖြစ်မည်ကို ရေးပါ။ ၄။ ဤအရာက ဖြစ်နိုင်ခြေနှင့်ပတ်သက်သော သင်၏ အလိုအလျောက် ခံစားချက်ကို မည်သို့ ပြောင်းလဲစေသည်ကို သတိပြုပါ။ ၅။ အကြိမ်အရေအတွက် ဗားရှင်းကို အခြားသူတစ်ဦးအား ရှင်းပြလေ့ကျင့်ပါ။
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • မည်သည့်ပုံစံက ဖြစ်နိုင်ခြေများကို နားလည်ရန် ပိုမိုလွယ်ကူစေသနည်း။
  • အကြိမ်အရေအတွက် ပုံစံတွင် မည်သည့် ဖြစ်နိုင်ခြေများသည် ပိုမို၍ သို့မဟုတ် နည်းပါး၍ စိုးရိမ်ဖွယ် ဖြစ်သည်ဟု ခံစားရပါသနည်း။
  • ဤပြန်လည်ပုံဖော်ခြင်းကို နေ့စဉ်ဘဝတွင် သင် မည်သို့ အသုံးချနိုင်သနည်း။
• အကြိမ်အရေအတွက်- အပတ်စဉ်

Daily Practice (နေ့စဉ် လေ့ကျင့်မှု)

အခြေခံနှုန်း မေးခွန်း- နေ့စဉ်၊ သင် အမြင်တစ်ခု ဖွဲ့စည်းသောအခါ သို့မဟုတ် ခန့်မှန်းချက်တစ်ခု ပြုလုပ်သောအခါ၊ ခေတ္တရပ်ပြီး "အခြေခံနှုန်းက ဘာလဲ" ဟု မေးပါ။ သင်မသိပါက၊ စက္ကန့် ၆၀ ခန့် အချိန်ယူ၍ ရှာဖွေပါ။

• အကြံပြုထားသော ကြာချိန်- တစ်ကြိမ်လျှင် ၁-၂ မိနစ်
• တစ်နေ့တာ၏ အကောင်းဆုံးအချိန်- တစ်နေ့တာလုံး ဆုံးဖြတ်ချက်များ သို့မဟုတ် စီရင်ချက်များ ချမှတ်သောအခါ
• တိုးတက်မှုကို မည်သို့ ခြေရာခံမည်နည်း- သင် မေးရန် သတိရခဲ့သည့်အချိန်နှင့် သင် သင်ယူခဲ့ရသည့်အရာကို ဂျာနယ်တွင် မှတ်သားပါ

Weekly Challenge (အပတ်စဉ် စိန်ခေါ်မှု)

ခန့်မှန်းချက် စစ်ဆေးမှု- အပတ်စဉ်၊ သင်ပြုလုပ်ခဲ့သော ခန့်မှန်းချက် သို့မဟုတ် စီရင်ချက် ၃ ခုကို ပြန်လည်သုံးသပ်ပါ။ တစ်ခုစီအတွက်- ၁။ သင် အခြေခံနှုန်းကို ထည့်သွင်းစဉ်းစားခဲ့ခြင်း ရှိမရှိ ဖော်ထုတ်ပါ ၂။ အခြေခံနှုန်း အမှန်တကယ် မည်မျှဖြစ်ကြောင်း သုတေသနပြုပါ ၃။ အခြေခံနှုန်း အချက်အလက်များသည် သင်၏ စီရင်ချက်ကို ပြောင်းလဲစေနိုင်ခြင်း ရှိမရှိ အကဲဖြတ်ပါ

• ရက်သတ္တပတ် ၄ ပတ်အကြာတွင် မျှော်မှန်းထားသော ရလဒ်များ- သင့်ကိုယ်ပိုင် တွေးခေါ်မှုတွင် အခြေခံနှုန်း လျစ်လျူရှုမှုကို ပိုမို သတိပြုမိလာခြင်း၊ အခြေခံနှုန်းများကို ပိုမို အလိုအလျောက် ထည့်သွင်းစဉ်းစားလာခြင်း
• ပြန်လည်သုံးသပ်ရန်အတွက် ဂျာနယ် အရေးအသား အကြောင်းအရာများ-
  • မည်သည့် ဆုံးဖြတ်ချက် အမျိုးအစားများက ကျွန်တော့်အတွက် အခြေခံနှုန်း လျစ်လျူရှုမှုကို အများဆုံး လှုံ့ဆော်ပေးသနည်း။
  • မည်သည့် မဟာဗျူဟာများက အခြေခံနှုန်းများကို စစ်ဆေးရန် ကျွန်တော့်ကို သတိရစေရန် ကူညီပေးသနည်း။
  • ကျွန်တော် လေ့ကျင့်လာသည်နှင့်အမျှ ကျွန်တော့် ဆုံးဖြတ်ချက် အရည်အသွေးသည် မည်သို့ ပြောင်းလဲလာသနည်း။

12. For Specific Audiences (သီးခြား ပရိသတ်များအတွက်)

For Leaders and Managers (ခေါင်းဆောင်များနှင့် မန်နေဂျာများအတွက်)

စနစ်တကျ ခွဲခြမ်းစိတ်ဖြာခြင်းထက် ထင်ရှားသော အောင်မြင်မှုများနှင့် ကျရှုံးမှုများက မဟာဗျူဟာကို တွန်းအားပေးသည့် အဖွဲ့အစည်းဆိုင်ရာ အခြေအနေများတွင် အခြေခံနှုန်း မှားယွင်းမှုသည် အထူးသဖြင့် အန္တရာယ်ရှိသည်။

အဓိက အားနည်းချက်များ-

• ကိုယ်စားလှယ်လောင်း အခြေခံနှုန်းများထက် အင်တာဗျူး အမြင်များအပေါ် အခြေခံ၍ အလုပ်ခန့်အပ်မှု ဆုံးဖြတ်ချက်များ ချမှတ်ခြင်း
• တသမတ်တည်းဖြစ်သော တိုင်းတာမှုများထက် အမှတ်ရဖွယ် ဖြစ်ရပ်များအပေါ် အခြေခံ၍ စွမ်းဆောင်ရည် သုံးသပ်ချက်များ ပြုလုပ်ခြင်း
• လုပ်ငန်း စာရင်းအင်းများထက် ပြိုင်ဘက်များနှင့်ပတ်သက်သည့် အဖြစ်အပျက် ဇာတ်လမ်းများက တွန်းအားပေးသော မဟာဗျူဟာ စီမံကိန်းရေးဆွဲခြင်း
• သမိုင်းဝင် အောင်မြင်မှုနှုန်းများထက် မကြာသေးမီက စီမံကိန်း ရလဒ်များအပေါ် အခြေခံ၍ အရင်းအမြစ် ခွဲဝေချထားခြင်း

မဟာဗျူဟာများ-

• တစ်ဦးချင်း အမြင်များ၏ သက်ရောက်မှုကို လျှော့ချရန် စံသတ်မှတ်ထားသော အမှတ်ပေးစနစ်ဖြင့် ဖွဲ့စည်းတည်ဆောက်ထားသော အင်တာဗျူးများကို အကောင်အထည်ဖော်ပါ
• စီမံကိန်း ကျရှုံးမှု၏ အခြေခံနှုန်းများကို ပွင့်လင်းစွာ ထည့်သွင်းစဉ်းစားသော "premortem (မလုပ်ဆောင်မီ ကြိုတင်သုံးသပ်ခြင်း)" လေ့ကျင့်ခန်းများ ဖန်တီးပါ
• အဓိက အစပျိုးလုပ်ဆောင်မှုများအတွက် ရည်ညွှန်း အတန်းအစား ခန့်မှန်းချက် လိုအပ်သည်
• သီးခြားဖြစ်ရပ်များနှင့်အတူ အခြေခံနှုန်းများကို ရှေ့တန်းတင်ပြသသော ဒိုင်ခွက် (dashboards) များကို တည်ဆောက်ပါ
• ထင်ရှားသော ဖြစ်ရပ်အပေါ် ကျိုးကြောင်းဆင်ခြင်မှုကို စိန်ခေါ်ရန် အခွင့်အာဏာရှိသည့် "စာရင်းအင်းဆိုင်ရာ သံသယရှိသူများ" ကို မွေးမြူပါ

For Parents and Educators (မိဘများနှင့် ပညာတတ်များအတွက်)

ကလေးများသည် ကမ္ဘာကြီးအကြောင်းကို ဥပမာများနှင့် ဇာတ်လမ်းများမှတစ်ဆင့် အဓိက သင်ယူကြသောကြောင့် အခြေခံနှုန်း လျစ်လျူရှုမှုကို အထူးသဖြင့် ကျရောက်နိုင်ခြေရှိသည်။

သင်ကြားရေး ချဉ်းကပ်နည်းများ-

• အခြေခံနှုန်းများအတွက် အလိုအလျောက် သိမြင်မှုကို တည်ဆောက်ရန် ဖြစ်နိုင်ခြေ ပါဝင်သော ကစားနည်းများ (အန်စာတုံး၊ ဖဲကြိုး) ကို အသုံးပြုပါ
• အန္တရာယ်များ (သူစိမ်း အန္တရာယ်၊ ရောဂါ၊ မတော်တဆမှုများ) အကြောင်း ဆွေးနွေးသောအခါ၊ တစ်ခုစီသည် အမှန်တကယ် မည်မျှ အဖြစ်များကြောင်း နောက်ခံအကြောင်းအရာကို ပေးပါ
• သတင်းဇာတ်လမ်းများသည် ရှားပါးသောကြောင့် သတင်းဖြစ်လာရသည့် အဖြစ်အပျက်များကို ဖော်ပြသောအခါ ထောက်ပြပါ
• စာရင်းအင်းဆိုင်ရာ တွေးခေါ်မှုကို စံနမူနာပြပါ- "ဒါက စိတ်ဝင်စားစရာကောင်းတဲ့ ဥပမာပဲ။ ဒါမျိုးက ဘယ်လောက် ပုံမှန်ဖြစ်လေ့ရှိလဲလို့ စဉ်းစားမိတယ်"
• "ဒါက ဖြစ်ခဲ့တယ်" နှင့် "ဒါက ပုံမှန်အားဖြင့် ဖြစ်လေ့ရှိတယ်" အကြား ကွာခြားချက်ကို သင်ကြားပေးပါ

အသက်အရွယ်အလိုက် သင့်လျော်သော ရှင်းလင်းချက်များ-

• အသက် ၆-၁၀ နှစ်- "တချို့အရာတွေက မကြာခဏ ဖြစ်တတ်ပြီး တချို့အရာတွေက ရှားပါးတယ်။ ဇာတ်လမ်းတွေက အံ့သြစရာကောင်းတဲ့အတွက် ရှားပါးတဲ့အရာတွေအကြောင်း ဖြစ်လေ့ရှိတယ်။"
• အသက် ၁၁-၁၄ နှစ်- "ကိန်းဂဏန်းတွေက အရာတွေ အမှန်တကယ် ဘယ်လောက် မကြာခဏ ဖြစ်ပျက်လဲဆိုတာကို ပြောပြနိုင်တယ်၊ အဲဒါက ငါတို့ ဘယ်လောက် မကြာခဏ ကြားရလဲဆိုတာနဲ့ မတူဘူး။"
• အသက် ၁၅ နှစ်အထက်- ဖြစ်နိုင်ခြေ အယူအဆများ၊ Bayes' သီအိုရီနှင့် တရားဝင် ကျိုးကြောင်းဆင်ခြင်မှု မိတ်ဆက်

For Healthcare Professionals (ကျန်းမာရေးစောင့်ရှောက်မှု ကျွမ်းကျင်သူများအတွက်)

အခြေခံနှုန်း လျစ်လျူရှုမှုသည် ရောဂါရှာဖွေခြင်း၊ စစ်ဆေးခြင်းနှင့် လူနာများအား ဆက်သွယ်ခြင်းတို့အတွက် နက်နဲသော သက်ရောက်မှုများ ရှိသည်။

ဆေးဘက်ဆိုင်ရာ သက်ရောက်မှုများ-

• ရောဂါလက္ခဏာ ကိုက်ညီမှုက ဖြစ်ပွားမှုနှုန်း ဒေတာကို ဖုံးလွှမ်းသွားသောအခါ ရှားပါးရောဂါများကို အလွန်အမင်း ရောဂါရှာဖွေမိတတ်သည်
• စစ်ဆေးမှု အစီအစဉ်၏ ထိရောက်မှုသည် စစ်ဆေးမှု တိကျမှု တစ်ခုတည်းသာမက၊ လူဦးရေ အခြေခံနှုန်းများအပေါ်တွင်လည်း မူတည်သည်
• အပြုသဘောဆောင်သော စစ်ဆေးမှုရလဒ်များကြောင့် လူနာများ၏ စိုးရိမ်ပူပန်မှုသည် သင့်လျော်သော စိုးရိမ်ပူပန်မှုထက် မကြာခဏ ကျော်လွန်တတ်သည်
• ကုသမှု ဆုံးဖြတ်ချက်များသည် လက်တွေ့စမ်းသပ်မှု စာရင်းအင်းများထက် စိတ်လှုပ်ရှားဖွယ် ဖြစ်ရပ်လေ့လာမှုများကို အလွန်အမင်း အလေးထားမိတတ်သည်

မဟာဗျူဟာများ-

• လူနာများအား စစ်ဆေးမှုရလဒ်များကို ဆက်သွယ်ပြောဆိုသောအခါ သဘာဝ အကြိမ်အရေအတွက် ပုံစံများကို အသုံးပြုပါ
• သက်ဆိုင်ရာ အခြေခံနှုန်းများကို ပေါ်လွင်စေသည့် လက်တွေ့ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက် အထောက်အကူစနစ်များကို အကောင်အထည်ဖော်ပါ
• ရောဂါရှာဖွေရေး စစ်ဆေးရန် စာရင်းများတွင် အခြေခံနှုန်းကို ပွင့်လင်းစွာ ထည့်သွင်းစဉ်းစားရန် လိုအပ်သည်
• အပြုသဘောဆောင်သော ခန့်မှန်းမှုတန်ဖိုးကို ရှင်းပြရန် အိုင်ကွန် အစီအစဉ်များနှင့် အမြင်အာရုံ အထောက်အကူများကို အသုံးပြုပါ
• ဆေးပညာ သင်ကြားရေး၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် Bayesian ကျိုးကြောင်းဆင်ခြင်မှုတွင် လေ့ကျင့်သင်ကြားပေးပါ

For Financial Professionals (ဘဏ္ဍာရေး ကျွမ်းကျင်သူများအတွက်)

စျေးကွက်များကို ဇာတ်ကြောင်းများက တွန်းအားပေးသောကြောင့်၊ အခြေခံနှုန်း စည်းကမ်းသည် ရင်းနှီးမြှုပ်နှံမှု အောင်မြင်ရေးအတွက် မရှိမဖြစ် လိုအပ်သည်။

အဓိက အားနည်းချက်များ-

• ပူဖောင်း တန်ဖိုးဖြတ်မှုများတွင် "ဒီတစ်ကြိမ်က မတူဘူး" ဟူသော တွေးခေါ်မှု
• အန္တရာယ် မော်ဒယ်များတွင် မကြာသေးမီက ဖြစ်ပျက်ခဲ့သည့် အရာများအပေါ် ဘက်လိုက်မှု (မကြာသေးမီက မတည်ငြိမ်မှုကို အခြေခံနှုန်းအဖြစ် သတ်မှတ်ခြင်း)
• ကဏ္ဍအလိုက် အခြေခံနှုန်းများထက် သီးခြား လေ့လာသုံးသပ်သူများ၏ အကြံပြုချက်များကို အလွန်အမင်း အလေးထားခြင်း
• အောင်မြင်သော ရန်ပုံငွေ မန်နေဂျာများ၏ မှတ်တမ်းများကို ကံတရားထက် ကျွမ်းကျင်မှုအဖြစ် မှတ်ယူခြင်း

မဟာဗျူဟာများ-

• ရေရှည် တန်ဖိုးဖြတ်မှု အခြေခံနှုန်း ရည်ညွှန်း ဇယားများကို ထိန်းသိမ်းထားပါ (P/E အချိုးများ၊ အကြွေးဆပ်ရန် ပျက်ကွက်မှုနှုန်းများ စသည်ဖြင့်)
• ပျမ်းမျှသို့ ပြန်လည်ရောက်ရှိခြင်း (mean reversion) ယူဆချက်များကို ပြဋ္ဌာန်းသည့် စနစ်တကျ ပြန်လည်မျှတအောင် လုပ်ဆောင်ခြင်းကို အကောင်အထည်ဖော်ပါ
• သမိုင်းကြောင်းအရ ချိန်ညှိထားသော ဖြန့်ဖြူးမှုများနှင့်အတူ Monte Carlo သရုပ်ဖော်မှုများကို အသုံးပြုပါ
• ရင်းနှီးမြှုပ်နှံမှု အဆိုပြုချက်များအတွက် ပွင့်လင်းသော အခြေခံနှုန်း မှတ်တမ်းတင်ခြင်း လိုအပ်သည်
• မျှော်မှန်းချက်များကို ချိန်ညှိရန် သမိုင်းဝင် ပူဖောင်းများနှင့် ပြိုကျမှုများကို လေ့လာပါ

13. Interactions with Other Biases (အခြား ဘက်လိုက်မှုများနှင့် အပြန်အလှန် သက်ရောက်မှုများ)

Biases That Amplify This One (ဤဘက်လိုက်မှုကို ပိုမိုဆိုးရွားစေသော ဘက်လိုက်မှုများ)

Biases That Counteract This One (ဤဘက်လိုက်မှုကို ခြေဖျက်ပေးသော ဘက်လိုက်မှုများ)

Common Bias Chains (အဖြစ်များသော ဘက်လိုက်မှု ကွင်းဆက်များ)

ကွင်းဆက် ၁- ထင်ရှားသော ဥပမာ (ရရှိနိုင်မှု) → ပုံစံ ကိုက်ညီမှု (ကိုယ်စားပြုမှု) → အခြေခံနှုန်း လျစ်လျူရှုမှု → ယုံကြည်မှုလွန်ကဲသော မှားယွင်းစီရင်ချက် (ယုံကြည်မှုလွန်ကဲခြင်း) → အမှားကို အတည်ပြုခြင်း (အတည်ပြုချက် ဘက်လိုက်မှု)

ကွင်းဆက် ၂- သီးခြား ဖြစ်ရပ်တစ်ခုတွင် ကျောက်ဆူးချခြင်း → လူဦးရေ ဒေတာကို လျစ်လျူရှုခြင်း → ထောက်ခံသော ဇာတ်ကြောင်းကို တည်ဆောက်ခြင်း (ဇာတ်ကြောင်းဆိုင်ရာ မှားယွင်းမှု) → အမှားပြင်ဆင်သော အထောက်အထားများကို ငြင်းဆန်ခြင်း

ကွင်းဆက်ကို ဖြတ်တောက်ခြင်း- အထိရောက်ဆုံး ဝင်ရောက်စွက်ဖက်ရမည့် အချိန်မှာ စောစောစီးစီး—ထင်ရှားသော ဥပမာက အာရုံစိုက်မှုကို မဖမ်းယူမီဖြစ်သည်။ အခြေခံနှုန်း အချက်အလက်များကို ကြိုတင်ထည့်သွင်းခြင်း၊ အကြိမ်အရေအတွက် ပုံစံများကို အသုံးပြုခြင်းနှင့် အခြေခံနှုန်း-စစ်ဆေးသည့် အလေ့အကျင့်များကို ပွင့်လင်းစွာ ဖန်တီးခြင်းတို့သည် ကွင်းဆက် စတင်ခြင်းကို တားဆီးနိုင်သည်။

14. Cultural Perspectives (ယဉ်ကျေးမှုဆိုင်ရာ ရှုထောင့်များ)

အခြေခံနှုန်း အသုံးပြုမှုတွင် ယဉ်ကျေးမှုဆိုင်ရာ ကွဲပြားမှုအပေါ် သုတေသနပြုချက်များသည် စိတ်ဝင်စားဖွယ်ကောင်းသော ပုံစံများကို ဖော်ပြနေသော်လည်း၊ လျစ်လျူရှုလိုသည့် အဓိက သဘောထားမှာ နေရာတိုင်းတွင် ရှိနေပုံရသည်။

ယဉ်ကျေးမှုဖြတ်ကျော် တွေ့ရှိချက်များ-

• အနောက်တိုင်း၊ အာရှနှင့် အခြား ယဉ်ကျေးမှု နောက်ခံအကြောင်းအရာများတစ်လျှောက်တွင် အခြေခံနှုန်း လျစ်လျူရှုမှုကို လေ့လာမှုများက အစဉ်တစိုက် တွေ့ရှိရသည်။
• အချို့သော အထောက်အထားများအရ အရှေ့အာရှ ပါဝင်သူများသည် အချို့သော အခြေအနေများတွင် ပိုမိုကောင်းမွန်သော အခြေခံနှုန်း အသုံးပြုမှုကို ပြသကြပြီး၊ ၎င်းသည် လုံးဝလွှမ်းခြုံနိုင်သော သိမြင်မှုဆိုင်ရာ စတိုင်များနှင့် ဆက်စပ်နိုင်ဖွယ်ရှိကြောင်း အကြံပြုထားသည်။
• ဖြစ်နိုင်ခြေနှင့် စာရင်းအင်းပညာကို အလေးပေးသော ပညာရေးစနစ်များသည် ယဉ်ကျေးမှု နောက်ခံကို မခွဲခြားဘဲ ပိုမိုကောင်းမွန်သော အခြေခံနှုန်း ပေါင်းစပ်မှုကို ထုတ်လုပ်ပေးသည်။
• စာရင်းအင်းဆိုင်ရာ အထောက်အထားများအပေါ် ဥပဒေစနစ်များ၏ ကိုင်တွယ်ပုံသည် ယဉ်ကျေးမှုအလိုက် သိသိသာသာ ကွဲပြားသည်။

ကမ္ဘာလုံးဆိုင်ရာ ရှုထောင့်များ- စိတ်ကူးယဉ် စာရင်းအင်း အခြေခံများထက် သီးခြား ထင်ရှားသော အချက်အလက်များကို ပိုမိုနှစ်သက်ခြင်းဟူသော အဓိက ဖြစ်စဉ်သည် ယဉ်ကျေးမှု ကွဲပြားမှုများမတိုင်မီကပင် ရှိခဲ့သော သိမြင်မှု ဖွဲ့စည်းပုံတွင် အမြစ်တွယ်နေသည့် လူသားအားလုံးနှင့်ဆိုင်သော အရာတစ်ခု ဖြစ်ပုံရသည်။

ယဉ်ကျေးမှုဖြတ်ကျော် သက်ရောက်မှုများ- စာရင်းအင်းဆိုင်ရာ အထောက်အထားများကို ယဉ်ကျေးမှု နောက်ခံအကြောင်းအရာများတစ်လျှောက် ဂရုတစိုက် ပုံဖော်ရန် လိုအပ်သည်။ ဥပဒေ သို့မဟုတ် ဆေးဘက်ဆိုင်ရာ စနစ်တစ်ခုတွင် အလုပ်လုပ်သောအရာသည် အခြားတစ်ခုသို့ တိုက်ရိုက် ကူးပြောင်း၍မရနိုင်ပါ။

15. Myths and Misconceptions (ဒဏ္ဍာရီများနှင့် အထင်အမြင်လွဲမှားမှုများ)

16. Expert Insights (ကျွမ်းကျင်သူများ၏ ထိုးထွင်းသိမြင်မှုများ)

"ယေဘုယျမှ သီးခြားဖြစ်ရပ်ကို ကောက်ချက်ချရန် ပါဝင်သူများ၏ ဆန္ဒမရှိမှုသည် သီးခြားဖြစ်ရပ်မှ ယေဘုယျကို ကောက်ချက်ချရန် ၎င်းတို့၏ ဆန္ဒရှိမှုနှင့်သာ ညီမျှသည်။" — Amos Tversky & Daniel Kahneman, ၁၉၇၃

"ဆင်တူမှုသည် အခြေခံနှုန်းများ၏ လွှမ်းမိုးမှုကို မခံရသော်လည်း၊ အလိုအလျောက် ဖြစ်နိုင်ခြေ စီရင်ချက်များကိုမူ ဆင်တူမှုက လွှမ်းမိုးထားသည်။" — Daniel Kahneman, Thinking, Fast and Slow, ၂၀၁၁

"ပြဿနာမှာ လူများသည် စာရင်းအင်းအရ ကျိုးကြောင်းဆင်ခြင်ရန် စွမ်းဆောင်နိုင်စွမ်း မရှိခြင်းမဟုတ်ဘဲ၊ ပြဿနာအများစုကို လူသားတို့၏ စိတ်က ကျိုးကြောင်းဆင်ခြင်ရန် ဆင့်ကဲပြောင်းလဲလာသည့် ပုံစံနှင့် မကိုက်ညီသော ပုံစံဖြင့် တင်ပြထားခြင်းဖြစ်သည်။" — Gerd Gigerenzer, ၂၀၀၂

"စိတ်ပညာရှင်များသည် အလုပ်တာဝန်နှင့် မသင့်လျော်သော စံနှုန်းတစ်ခုဖြင့် ၎င်းတို့၏ ပါဝင်သူများ၏ ကျိုးကြောင်းဆီလျော်မှုကို အကဲဖြတ်နေကြသည်။" — L.J. Cohen, ၁၉၈၁

17. Key Takeaways (အဓိက မှတ်သားဖွယ်ရာများ)

၁။ အခြေခံနှုန်း လျစ်လျူရှုမှုသည် နေရာတိုင်းတွင် ရှိသည်- သီးခြား အချက်အလက်များ ရရှိနိုင်သောအခါ လူသားအားလုံးသည် စာရင်းအင်းဆိုင်ရာ အခြေခံနှုန်းများကို အလေးအနက်မထားဘဲ လျစ်လျူရှုတတ်ကြသည်—၎င်းသည် လူတစ်ဦးချင်းစီ၏ ကျရှုံးမှုမဟုတ်ဘဲ လူသားတို့၏ သိမြင်မှု ဖွဲ့စည်းပုံ၏ ထူးခြားချက်ဖြစ်သည်။

၂။ ကိုယ်စားပြုမှု ဆိုင်ရာ လက်တွေ့နည်းလမ်းသည် ယန္တရားဖြစ်သည်- ကျွန်ုပ်တို့သည် ဖြစ်နိုင်ခြေကို လူဦးရေအတွင်းရှိ အကြိမ်အရေအတွက်ထက် ပုံစံငယ်များနှင့် ဆင်တူမှုဖြင့် အကဲဖြတ်ကြသည်။

၃။ ပုံစံက အလွန်အရေးကြီးသည်- အချက်အလက်များကို ဖြစ်နိုင်ခြေများထက် သဘာဝ အကြိမ်အရေအတွက် (Y တွင် X) အဖြစ် တင်ပြခြင်းက မှားယွင်းမှုကို သိသိသာသာ လျော့ကျစေသည်။

၄။ နောက်ခံအကြောင်းအရာက အခြေခံနှုန်း အသုံးပြုမှုကို တွန်းအားပေးသည်- အခြေခံနှုန်းများသည် အကြောင်းရင်းနှင့် ဆက်စပ်နေသည်ဟု ထင်ရသောအခါ လူများသည် ၎င်းတို့ကို အသုံးပြုကြသည်၊ ၎င်းတို့ကို "စာရင်းအင်းသက်သက်" ဟု ထင်ရသောအခါ ၎င်းတို့ကို လျစ်လျူရှုကြသည်။

၅။ အကျိုးဆက်များသည် ကြီးမားဆိုးရွားသည်- မတရား ပြစ်မှုထင်ရှားစီရင်ခြင်း (Sally Clark, Lucia de Berk) မှစ၍ ဘဏ္ဍာရေး အကျပ်အတည်းများ (LTCM, Dot-Com) နှင့် အယ်လ်ဂိုရီသမ် ခွဲခြားဆက်ဆံမှုများအထိ၊ အခြေခံနှုန်း လျစ်လျူရှုမှုသည် လူမှုအသိုင်းအဝိုင်းဆိုင်ရာ အဓိက ကျရှုံးမှုများကို ပုံဖော်ပေးသည်။

၆။ ဘက်လိုက်မှု လျှော့ချရန် ဒီဇိုင်း လိုအပ်သည်- အခြေခံနှုန်းများကို လေးစားရန် ကျွန်ုပ်တို့ ရိုးရှင်းစွာ "ဆုံးဖြတ်" ၍ မရနိုင်ပါ—အခြေခံနှုန်းများကို မြင်သာစေရန်နှင့် ဆီလျော်မှုရှိစေရန် ပြုလုပ်ပေးသည့် သတင်းအချက်အလက် ဖွဲ့စည်းပုံများ၊ စစ်ဆေးရန် စာရင်းများနှင့် ဆုံးဖြတ်ချက် လုပ်ငန်းစဉ်များ ကျွန်ုပ်တို့ လိုအပ်သည်။

၇။ ဘက်လိုက်မှုတွင် အကျိုးကျေးဇူးများ ရှိသည်- နေ့စဉ် အခြေအနေများစွာတွင်၊ အခြေခံနှုန်းများကို လျစ်လျူရှုသော လျင်မြန်သည့် ပုံစံ-ကိုက်ညီမှု ရှာဖွေခြင်းသည် လိုက်လျောညီထွေဖြစ်စေပြီး ထိရောက်မှုရှိသည်—ရည်ရွယ်ချက်မှာ စာရင်းအင်းဆိုင်ရာ တွေးခေါ်မှု အမှန်တကယ် လိုအပ်သည့်အချိန်ကို အသိအမှတ်ပြုရန် ဖြစ်သည်။

18. Further Resources (နောက်ထပ် အရင်းအမြစ်များ)

Academic Papers (ပညာရပ်ဆိုင်ရာ စာတမ်းများ)

• 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.

Books (စာအုပ်များ)

• 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.

Book Chapters (စာအုပ် အခန်းများ)

• 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. Summary Card (အကျဉ်းချုပ် ကတ်)

20. Glossary of Terms Used (အသုံးပြုထားသော ဝေါဟာရများ အဘိဓာန်)

21. Discussion Questions (ဆွေးနွေးရန် မေးခွန်းများ)

စာအုပ်ကလပ်များ၊ စာသင်ခန်းများ သို့မဟုတ် မိမိကိုယ်ကို ပြန်လည်သုံးသပ်ရန်အတွက်-

၁။ နောက်ပိုင်းတွင် သင်သည် အခြေခံနှုန်းကို လျစ်လျူရှုခဲ့ကြောင်း သဘောပေါက်သွားသည့် သင့်ဘဝမှ အဓိက ဆုံးဖြတ်ချက်တစ်ခုကို စဉ်းစားနိုင်ပါသလား။ သင် ဘာကို ကွဲပြားအောင် လုပ်မည်နည်း။

၂။ ကျိုးကြောင်းဆီလျော်မှု စစ်ပွဲများ (Rationality Wars) က အခြေခံနှုန်း လျစ်လျူရှုမှုသည် လူသားတို့၏ သိမြင်မှုဆိုင်ရာ "အားနည်းချက် (bug)" သို့မဟုတ် "ထူးခြားချက် (feature)" ဟုတ်မဟုတ် မေးခွန်းထုတ်ထားသည်။ သင့်အမြင်က ဘာလဲ၊ ထို့အပြင် ၎င်း၏ သက်ရောက်မှုများက ဘာတွေလဲ။

၃။ ဂျူရီများတွင် အခြေခံနှုန်း လျစ်လျူရှုမှုအကြောင်း ကျွန်ုပ်တို့ သိထားသည့်အရာများအရ တရားရုံးများသည် စာရင်းအင်းဆိုင်ရာ အထောက်အထားများကို မည်သို့ ကိုင်တွယ်သင့်သနည်း။ အထူး သင်တန်း သို့မဟုတ် ကျွမ်းကျင်မှု လိုအပ်ချက်များ ရှိသင့်ပါသလား။

၄။ အချက်အလက်များကို သဘာဝ အကြိမ်အရေအတွက်များဖြင့် တင်ပြခြင်းသည် အခြေခံနှုန်း လျစ်လျူရှုမှုကို အများစု "ဖြေရှင်းပေးသည်" ဟု Gigerenzer က ငြင်းခုံထားသည်။ အကယ်၍ ဤအချက် မှန်ကန်ပါက၊ အချက်အလက်များကို မှန်ကန်သော ပုံစံဖြင့် တင်ပြရန် မည်သူ့တွင် တာဝန်ရှိသနည်း—တစ်ဦးချင်းစီ၊ အဖွဲ့အစည်းများ သို့မဟုတ် ပညာတတ်များတွင်လား။

၅။ AI စနစ်များသည် လူသားတို့၏ ဘဝကို ထိခိုက်စေသော ဆုံးဖြတ်ချက်များကို ပိုမို ချမှတ်လာသည်နှင့်အမျှ၊ အယ်လ်ဂိုရီသမ်များတွင် အခြေခံနှုန်း ဘက်လိုက်မှုကို ဖြေရှင်းရန် မည်သည့် တာဝန်ဝတ္တရားများ ရှိသနည်း။ အယ်လ်ဂိုရီသမ် တရားမျှတမှုကို မည်သို့ အဓိပ္ပါယ်ဖွင့်ဆိုသင့်သနည်း။