மாதிரி அளவின் மீதான உணர்வின்மை (Insensitivity to Sample Size)

ஒரு பார்வையில்

1. விரைவான சுருக்கம்

ஒரு சிறிய மாதிரித் தரவு அது வந்த பெரிய மக்கள்தொகையைப் போலவே சரியாக இருக்க வேண்டும் என்று நாம் இயல்பாக நம்புகிறோம். பத்து நாணயச் சுழற்சிகளில் சரியான 50/50 பிரிவு கிடைக்காதபோது, சிறிய எண்களின் இயற்கையான மாறுபாட்டை உணர்வதற்குப் பதிலாக, நாம் வடிவங்கள், தொடர்ச்சிகள் அல்லது நியாயமின்மையைக் காண்கிறோம். இது வரையறுக்கப்பட்ட தரவிலிருந்து உறுதியான முடிவுகளை எடுக்கவும், சீரற்ற சத்தத்தில் அர்த்தமுள்ள போக்குகளைக் காணவும், புள்ளியியல் நம்பகத்தன்மையில் அளவு வகிக்கும் முக்கியமான பங்கை நிராகரிக்கவும் செய்கிறது.

2. இதன் பின்னணியில் உள்ள அறிவியல்

2.1. கண்டுபிடிப்பு மற்றும் வரலாறு

மாதிரி அளவின் மீதான உணர்வின்மையின் முறையான அடையாளம் 1970 களில் உளவியலில் ஏற்பட்ட அறிவாற்றல் புரட்சியிலிருந்து உருவானது. 1971 இல், அமோஸ் ட்வெர்ஸ்கி மற்றும் டேனியல் கான்மேன் Psychological Bulletin இல் "சிறிய எண்களின் விதி மீதான நம்பிக்கை" (Belief in the Law of Small Numbers) என்பதை வெளியிட்டனர், மனித உள்ளுணர்வு பெரிய எண்களின் விதியை சிறிய எண்களுக்கும் பொருத்துவது போல் செயல்படுகிறது என்று முன்மொழிந்தனர். மூன்று ஆண்டுகளுக்குப் பிறகு, 1974 இல் அவர்களின் முக்கியமான Science கட்டுரையான "நிச்சயமற்ற தன்மையின் கீழ் தீர்ப்பு: வழிகாட்டல்கள் மற்றும் சார்புகள்" (Judgment under Uncertainty: Heuristics and Biases) என்பதில், அவர்கள் பிரதிநிதித்துவ வழிகாட்டலின் பரந்த கட்டமைப்பிற்குள் இந்த நிகழ்வை ஒரு குறிப்பிட்ட அறிவாற்றல் சார்பாக முறையாக குறியீடாக்கினர்.

இதன் அறிவுசார் வேர்கள் கணித நிகழ்தகவுக் கோட்பாட்டில், குறிப்பாக ஜெரோலாமோ கார்டானோ மற்றும் ஜேக்கப் பெர்னௌலி ஆகியோரின் பெரிய எண்களின் விதியின் ஆரம்பகால உருவாக்கங்களில் இருந்து தொடங்குகின்றன. இருப்பினும், மனிதர்கள் ஏன் இந்த கணிதக் கொள்கையை முறையாக மீறுகிறார்கள் என்பதற்கான உளவியல் விசாரணை கான்மேன்-ட்வெர்ஸ்கி கூட்டணியால் முன்னோடியாக மேற்கொள்ளப்பட்டது.

1970 களில் இருந்து நமது புரிதல் கணிசமாக உருவாகியுள்ளது. மேக்ஸ் பிளாங்க் நிறுவனத்தில் கெர்ட் கிகெரென்ஸர் தலைமையிலான "சூழலியல் பகுத்தறிவு" (Ecological Rationality) பள்ளி அசல் விளக்கத்திற்கு சவால் விடுத்துள்ளது, இந்தச் சார்பு ஓரளவுக்கு பிரச்சினைகள் எவ்வாறு முன்வைக்கப்படுகின்றன என்பதன் விளைவாக இருக்கலாம் என்று வாதிடுகிறது. புள்ளியியல் தகவல்கள் சுருக்கமான நிகழ்தகவுகளுக்குப் பதிலாக இயற்கையான அதிர்வெண்களாக மறுவடிவமைக்கப்படும்போது, செயல்திறன் வியத்தகு முறையில் மேம்படுகிறது.

2.2. முக்கிய ஆராய்ச்சியாளர்கள்

2.3. மைல்கல் ஆய்வுகள்

மருத்துவமனைப் பிரச்சனை (ட்வெர்ஸ்கி & கான்மேன், 1974)

இந்த உன்னதமான பரிசோதனையில், பங்கேற்பாளர்கள் இதைப் படித்தனர்: "ஒரு குறிப்பிட்ட நகரத்தில் இரண்டு மருத்துவமனைகள் சேவை செய்கின்றன. பெரிய மருத்துவமனையில் ஒவ்வொரு நாளும் சுமார் 45 குழந்தைகளும், சிறிய மருத்துவமனையில் சுமார் 15 குழந்தைகளும் பிறக்கின்றன. உங்களுக்குத் தெரிந்தபடி, எல்லா குழந்தைகளிலும் சுமார் 50% சிறுவர்கள். இருப்பினும், சரியான சதவீதம் நாளுக்கு நாள் மாறுபடும். 1 வருட காலத்திற்கு, ஒவ்வொரு மருத்துவமனையும் பிறந்த குழந்தைகளில் 60% க்கும் மேற்பட்டவர்கள் சிறுவர்களாக இருந்த நாட்களைப் பதிவு செய்தன. எந்த மருத்துவமனை அதிக நாட்களைப் பதிவு செய்ததாக நீங்கள் நினைக்கிறீர்கள்?"

முடிவுகள் வியக்கத்தக்க வகையில் இருந்தன: இளங்கலை பாடங்களில் 56% பேர் "கிட்டத்தட்ட ஒரே மாதிரி" என்பதைத் தேர்ந்தெடுத்தனர், 22% பேர் பெரிய மருத்துவமனையைத் தேர்ந்தெடுத்தனர், மேலும் சுமார் 22% பேர் மட்டுமே சிறிய மருத்துவமனையைச் சரியாக அடையாளம் கண்டனர். சிறிய மாதிரிகள் அதிக மாறுபாட்டைக் கொண்டவை மற்றும் சராசரியிலிருந்து தீவிரமான விலகல்களை உருவாக்க அதிக வாய்ப்புள்ளவை என்பதால் சரியான பதில் சிறிய மருத்துவமனையாகும். பங்கேற்பாளர்கள் மாதிரி அளவைப் பொருத்தமற்றதாகக் கருதினர், மாதிரி 15 அல்லது 45 ஆக இருந்தாலும் 50% விகிதம் சமமாகப் பொருந்தும் என்று எதிர்பார்த்தனர்.

உயரம் மதிப்பிடும் பரிசோதனை (ட்வெர்ஸ்கி & கான்மேன், 1974)

பங்கேற்பாளர்கள் பொது மக்களிடமிருந்து எடுக்கப்பட்ட 10, 100 மற்றும் 1,000 ஆண்களின் மாதிரிகளில் 6 அடிக்கு (183 செ.மீ) மேல் சராசரி உயரத்தைப் பெறுவதற்கான நிகழ்தகவை மதிப்பிட்டனர். தர்க்கரீதியாக, 6 அடிக்கு மேல் சராசரியாக 1,000 ஆண்களைக் கண்டறிவது கிட்டத்தட்ட சாத்தியமற்றது, அதே சமயம் இந்த உயரத்தை சராசரியாகக் கொண்ட 10 ஆண்களைக் கண்டறிவது வெறுமனே சாத்தியமில்லை. ஆயினும்கூட, பங்கேற்பாளர்கள் மூன்று மாதிரி அளவுகளுக்கும் ஒரே நிகழ்தகவை வழங்கினர். மாதிரிகளை அவற்றின் விளக்கத்தின் அடிப்படையில் மட்டுமே ("ஆண்கள்") தீர்மானிப்பதன் மூலம், பங்கேற்பாளர்கள் பெரிய எண்களின் உறுதிப்படுத்தும் சக்தியை முழுமையாகப் புறக்கணித்தனர்.

மேமோகிராபி பிரச்சனை (கிகெரென்ஸர் மற்றும் பலர், 1995)

சதவீதங்களைப் பயன்படுத்தி (உணர்திறன்=90%, தவறான நேர்மறை=9%, பரவல்=1%) நேர்மறையான மேமோகிராம் கொடுக்கப்பட்ட நிலையில் மார்பகப் புற்றுநோயின் நிகழ்தகவை மதிப்பிடுமாறு மருத்துவர்களிடம் கேட்கப்பட்டபோது, 10-15% மட்டுமே சரியாக பதிலளித்தனர். அதே பிரச்சனை இயற்கையான அதிர்வெண்களாக முன்வைக்கப்பட்டபோது ("ஒவ்வொரு 1,000 பெண்களில் 10 பேருக்கு புற்றுநோய் உள்ளது..."), துல்லியம் 46-67% ஆக உயர்ந்தது. வகுக்கும் எண்ணில் மாதிரி அளவை வெளிப்படையாகக் காட்டுவது புள்ளியியல் பகுத்தறிவை வியத்தகு முறையில் மேம்படுத்தியது என்பதை இது நிரூபித்தது.

ஹாட் ஹேண்ட் ஆய்வு (கிலோவிச், வலோன், & ட்வெர்ஸ்கி, 1985)

பிலடெல்பியா 76ers மற்றும் பாஸ்டன் செல்டிக்ஸ் ஆகியவற்றின் ஷூட்டிங் பதிவுகளை பகுப்பாய்வு செய்த ஆராய்ச்சியாளர்கள், வாய்ப்பின் மூலம் எதிர்பார்க்கப்படுவதைத் தாண்டி "சூடான" தொடர்ச்சிகளுக்கான எந்தப் புள்ளியியல் ஆதாரத்தையும் கண்டறியவில்லை. ஒரு வீரரின் ஷூட்டிங் பதிவு நாணயச் சுழற்சிகளின் வரிசையிலிருந்து கணிதரீதியாக வேறுபடுத்த முடியாததாக இருந்தது. வீரர்கள், பயிற்சியாளர்கள் மற்றும் ரசிகர்களிடையே "சூடான கை" (hot hand) மீதான உலகளாவிய நம்பிக்கை, சீரற்ற சிறிய மாதிரிகளில் வடிவங்களை உணருவதன் மூலம் உருவாக்கப்பட்ட ஒரு அறிவாற்றல் மாயை என வெளிப்படுத்தப்பட்டது.

2.4. நரம்பியல் அடிப்படை

உளவியலாளர்கள் கீத் ஸ்டானோவிச், ரிச்சர்ட் வெஸ்ட் மற்றும் டேனியல் கான்மேன் ஆகியோர் "சிஸ்டம் 1" சிந்தனை என்று அழைத்ததன் மூலம் இந்தச் சார்பு செயல்படுகிறது - விரைவான, தானியங்கி, உள்ளுணர்வு கொண்ட அறிவாற்றல் செயல்முறைகள் கணிதத் துல்லியத்தை விட வேகம் மற்றும் ஒத்திசைவுக்கு முன்னுரிமை அளிக்கின்றன. புள்ளியியல் ஆதாரங்களை மதிப்பிடும்போது, சிஸ்டம் 1 முறையான புள்ளியியல் பகுத்தறிவுக்குத் தேவையான மெதுவான, அதிக முயற்சி தேவைப்படும் சிஸ்டம் 2 செயல்முறைகளில் ஈடுபடுவதை விட, ஒற்றுமை மற்றும் வடிவ அங்கீகாரத்தைச் செயல்படுத்துகிறது.

மூளையின் வடிவ அங்கீகாரச் சுற்றுகள், விரைவான அச்சுறுத்தல் மதிப்பீடு மற்றும் காரண-காரிய அனுமானத்திற்காக உருவானவை, தானாகவே தரவுகளில் அர்த்தமுள்ள அமைப்பைத் தேடுகின்றன. இந்தச் சுற்றுகள் பெரிய மற்றும் சிறிய மாதிரிகளுக்கு இடையே வேறுபடுவதில்லை; அவை நம்பகத்தன்மை (மாதிரி அளவு, மாறுபாடு) பற்றிய பெரு-தகவல்களுக்குப் பதிலாக தகவல்களின் மேற்பரப்பு அம்சங்களுக்கு (விகிதங்கள், வெளிப்படையான வடிவங்கள்) பதிலளிக்கின்றன.

நிர்வாகச் செயல்பாடு மற்றும் கணிதப் பகுத்தறிவுக்குப் பொறுப்பான ப்ரீஃப்ரொன்டல் கார்டெக்ஸ் (prefrontal cortex), சிஸ்டம் 1 இன் தீர்ப்புகளை மேலெழுத முடியும், ஆனால் இதற்கு நனவான முயற்சி, புள்ளியியல் பயிற்சி மற்றும் அறிவாற்றல் வளங்கள் தேவை. நேர அழுத்தம், அறிவாற்றல் சுமை அல்லது உணர்ச்சி தூண்டுதலின் கீழ், சிஸ்டம் 1 இயல்புநிலைகள் ஆதிக்கம் செலுத்துகின்றன, மேலும் மாதிரி அளவு புறக்கணிக்கப்படுகிறது.

3. பரிணாம தோற்றம்

தகவல்கள் குறைவாக இருந்த மற்றும் தயக்கத்தின் விலை மரணமாக இருந்த ஒரு சிக்கலான, சத்தமான மற்றும் ஆபத்தான உலகத்திற்குச் செல்ல மனித மனம் உருவானது. ப்ளீஸ்டோசீன் (Pleistocene) சூழலில், நமது மூதாதையர்கள் வரையறுக்கப்பட்ட அவதானிப்புகளிலிருந்து விரைவாகப் பொதுமைப்படுத்த வேண்டியிருந்தது: ஒரு வேட்டையாடும் விலங்கு அல்லது விஷப் பழத்துடனான ஒரே ஒரு சந்திப்பு விலகியிருப்பதற்கான உலகளாவிய விதியை உத்தரவாதம் செய்தது.

இந்த பரிணாம கருவித்தொகுப்பு கணிதத் துல்லியத்தை விட வடிவ அங்கீகாரம் மற்றும் விரைவான அனுமானத்திற்கு முன்னுரிமை அளித்தது. சிறிய மாதிரிகளிலிருந்து பரந்த முடிவுகளை எடுக்கும் திறன் ஒரு தனித்துவமான தழுவல் நன்மையாக இருந்தது—தப்பி ஓட முடிவெடுப்பதற்கு முன் வேட்டையாடும் விலங்குகளுடனான சந்திப்புகளின் "புள்ளியியல் ரீதியாக குறிப்பிடத்தக்க" மாதிரியைக் குவிக்கக் காத்திருப்பது அபாயகரமானதாக இருந்திருக்கும்.

இருப்பினும், தரவு குறைவான மூதாதையர் சூழல்களில் உயிர்வாழ்வதை உறுதி செய்த அதே அறிவாற்றல் தழுவல் நமது நவீன தரவு நிறைந்த உலகில் ஒரு ஆழமான பொறுப்பாக வெளிப்படுகிறது. நாம் இப்போது சீரற்ற செயல்முறைகள், நிகழ்தகவு விளைவுகள் மற்றும் பாரிய தரவுத்தொகுப்புகளால் நிர்வகிக்கப்படும் உலகில் வாழ்கிறோம், ஆனால் நமது உள்ளுணர்வு சிறிய மாதிரியின் தர்க்கத்துடன் பிடிவாதமாக இணைக்கப்பட்டுள்ளது.

இந்தச் சார்பை ஒரு பிழையை விட ஒரு பரிணாம அம்சமாகக் காணலாம்: இது சூழல்களுக்காக அளவீடு செய்யப்பட்டது, அங்கு (1) மாதிரிகள் இயல்பாகவே சிறியவை, (2) தவறான நேர்மறைகள் (இல்லாத வடிவங்களைப் பார்ப்பது) தவறான எதிர்மறைகளை (உண்மையான அச்சுறுத்தல்களைத் தவறவிடுவது) விட குறைவான விலையுள்ளவை, மற்றும் (3) உடனடி நடவடிக்கை புள்ளியியல் துல்லியத்தை விஞ்சியது.

4. இந்தச் சார்பு எவ்வாறு வெளிப்படுகிறது

4.1. அன்றாட வாழ்வில்

அன்றாட முடிவுகளில், சிறிய மாதிரிகளை நாம் தொடர்ந்து அதிகமாக விளக்குகிறோம். ஒரு புதிய உணவகத்திற்கு ஒரு முறை சென்று சாதாரண உணவை சாப்பிட்ட பிறகு, நாம் ஒரு இரவில் ஒரு உணவை மாதிரி செய்துள்ளோம் என்பதை உணருவதற்குப் பதிலாக "அந்த இடம் மோசமானது" என்று முடிவு செய்கிறோம். ஒரு குறிப்பிட்ட நகரம் அல்லது தொழிலைச் சேர்ந்த ஒருவரைச் சந்திப்பது அந்த ஒற்றைச் சந்திப்பின் அடிப்படையில் பொதுமைப்படுத்தல்களைத் தூண்டுகிறது.

ஒரு சில நிகழ்வுகள் மூலம் சுற்றுப்புறங்களின் பாதுகாப்பை நாங்கள் மதிப்பிடுகிறோம், மூன்று அமேசான் மதிப்புரைகளில் இருந்து தயாரிப்புகள் பற்றிய கருத்துக்களை உருவாக்குகிறோம், மேலும் ஒரு தெளிவற்ற பழுதுபார்ப்பின் அடிப்படையில் எங்கள் மெக்கானிக் நேர்மையற்றவர் என்று முடிவு செய்கிறோம். உணவுக் கட்டுப்பாட்டில் ஒரு நண்பர் வெற்றி பெறுவதை நாங்கள் பார்க்கிறோம், அது எங்களுக்கும் வேலை செய்யும் என்று கருதுகிறோம், விளைவுகளைத் தீர்மானிக்கும் ஆயிரக்கணக்கான தனிப்பட்ட மாறுபாடுகளைப் புறக்கணிக்கிறோம்.

உறவுகளில், ஒரு சில நாட்களாக ஒரு கூட்டாளரின் நடத்தை அவர்களின் குணாதிசயத்தைப் பற்றிய நமது மதிப்பீட்டை வடிவமைக்கிறது. ஒரு சோதனையில் ஒரு குழந்தையின் மோசமான செயல்திறன் அவர்கள் "கணிதத்தில் மோசமானவர்கள்" என்று பெற்றோர்கள் முடிவு செய்ய வழிவகுக்கிறது. சில வெற்றிகரமான கணிப்புகள் எதிர்காலத்தை கணிப்பதில் நாம் சிறந்தவர்கள் என்று நம்ப வைக்கின்றன.

4.2. பணியிடத்தில்

தொழில்முறை அமைப்புகள் மாதிரி அளவைப் புறக்கணிப்பதன் விலையை அதிகரிக்கின்றன. முறையான தரவுகளை விட கவனிக்கப்பட்ட ஒரு சில நிகழ்வுகளின் அடிப்படையில் மேலாளர்கள் பணியாளர் செயல்திறனை மதிப்பிடுகின்றனர். பணியமர்த்தல் முடிவுகள் குறுகிய நேர்காணல்களை அடிப்படையாகக் கொண்டவை - இது நடத்தையின் ஒரு சிறிய மாதிரி - ஆனால் அவை உறுதியான மதிப்பீடுகளாகக் கருதப்படுகின்றன.

காலாண்டு முடிவுகள், மூன்று மாதங்களை மட்டுமே (நிறுவனத்தின் பாதையின் சிறிய மாதிரி) பிரதிபலிக்கும், முக்கிய மூலோபாய முடிவுகளை இயக்குகின்றன. இரண்டு மாதங்களாகச் சரியாகச் செயல்படாத ஒரு புதிய முயற்சி, மாறுபாடு நிலைபெறுவதற்கு முன்பே ரத்து செய்யப்படுகிறது. விளைவுகளின் உண்மையான விநியோகத்தைப் பொருட்படுத்தாமல், முன்கூட்டியே வெற்றிபெறும் தலைவர்கள் "தொலைநோக்குப் பார்வை கொண்டவர்கள்" என்று கருதப்படுகிறார்கள், அதே சமயம் ஆரம்பகால பின்னடைவுகளைச் சந்திப்பவர்கள் தோல்வியுற்றவர்கள் என்று முத்திரை குத்தப்படுகிறார்கள்.

செயல்திறன் மதிப்புரைகள் பெரும்பாலும் சமீபத்திய நிகழ்வுகளுக்கு சமமற்ற முறையில் எடை கொடுக்கின்றன, கடந்த சில வாரங்களை முழு ஆண்டின் பிரதிநிதியாகக் கருதுகின்றன. குழுக்களிடையே உள்ள இயற்கையான மாறுபாட்டைப் புறக்கணித்து, முதல் குழுவின் அடிப்படையில் பயிற்சித் திட்டங்கள் பயனுள்ளவையா அல்லது பயனற்றவையா என மதிப்பிடப்படுகின்றன.

4.3. வணிகம் மற்றும் சந்தைப்படுத்தலில்

நியூ கோக் (New Coke) பேரழிவு இந்தச் சார்புக்கு வணிகங்கள் எவ்வாறு பலியாகின்றன என்பதற்கு எடுத்துக்காட்டாக உள்ளது. கோகோ-கோலா கிட்டத்தட்ட 200,000 குருட்டுச் சுவைச் சோதனைகளை (blind taste tests) நடத்தியது, அவர்களின் இனிமையான புதிய ஃபார்முலாவிற்கு அபரிமிதமான முன்னுரிமையைக் கண்டறிந்தது. இருப்பினும், இவை "சிப் சோதனைகள்" (sip tests)—ஒரு பானத்தை உட்கொள்ளும் அனுபவத்தின் ஒரு சிறிய மாதிரி. ஒரு மிடறில் (sip), மூளை அதிக இனிப்புக்கு நேர்மறையாக செயல்படுகிறது. ஒரு முழு கேனில், அதே இனிப்பு திகட்டச் செய்யும். கோக் நிர்வாகிகள் மிடறு-மாதிரி முழு கேன் அனுபவத்தின் பிரதிநிதி என்று கருதினர், இது மிகப்பெரிய நுகர்வோர் கிளர்ச்சிக்கு வழிவகுத்தது.

ஃபோர்டு எட்செல் (Ford Edsel) தோல்வியானது காலத்தின் அடிப்படையிலான மாதிரி அளவைப் புறக்கணிப்பதை நிரூபிக்கிறது. ஃபோர்டு 1955-1956 இல் விரிவான ஆராய்ச்சியை மேற்கொண்டது, அமெரிக்கர்கள் பெரிய, பிரகாசமான கார்களை விரும்புகிறார்கள் என்பதைக் காட்டுகிறது. இந்த கால வரையறைக்குட்பட்ட மாதிரியை அவர்கள் நிரந்தர உண்மையாகக் கருதினர். 1958 தொடக்கத்தில், சந்தை சிறிய கார்களை நோக்கி மாறியது, மேலும் எட்செல் சந்தைப்படுத்தல் தோல்விக்கு ஒத்ததாக மாறியது.

நிறுவனங்கள் வழக்கமாக 8-12 பேரின் கவனம் குழுக்கள், வாரங்களுக்குப் பதிலாக நாட்கள் இயங்கும் A/B சோதனைகள் மற்றும் பிரதிநிதித்துவமற்ற சந்தைகளில் பைலட் திட்டங்கள் ஆகியவற்றின் அடிப்படையில் தயாரிப்புகளை அறிமுகப்படுத்துகின்றன. சந்தைப்படுத்தல் பிரச்சாரங்கள் நிலையற்ற ஆரம்ப பதில் விகிதங்களின் அடிப்படையில் அளவிடப்படுகின்றன.

4.4. அரசியல் மற்றும் ஊடகங்களில்

1936 ஆம் ஆண்டு லிட்டரரி டைஜஸ்ட் (Literary Digest) வாக்கெடுப்பு பேரழிவு மிகப்பெரிய ஆனால் சார்புடைய மாதிரிகள் எவ்வாறு தோல்வியடைகின்றன என்பதை விளக்குகிறது. பத்திரிகை 2.4 மில்லியன் மக்களை வாக்கெடுப்பு செய்து ஆல்ஃபிரட் லேண்டன் பிராங்க்ளின் ரூஸ்வெல்ட்டைத் தோற்கடிப்பார் என்று கணித்தது. அவர்களின் மாதிரி (கார் பதிவுகள் மற்றும் தொலைபேசி கோப்பகங்களில் இருந்து பெறப்பட்டது) செல்வத்தின் இந்த அடையாளங்கள் இல்லாத மந்த-கால (Depression-era) வாக்காளர்களை முறையாக விலக்கியது என்பதைப் புறக்கணித்து, அளவு துல்லியத்திற்கு உத்தரவாதம் அளிக்கிறது என்று அவர்கள் கருதினர். ஜார்ஜ் கேலப் 50,000 மட்டுமே கொண்ட ஒரு பிரதிநிதித்துவ மாதிரியைப் பயன்படுத்தி முடிவைச் சரியாகக் கணித்தார்.

நவீன கருத்துக் கணிப்பு மாதிரி அளவிலான விளக்கத்துடன் தொடர்ந்து போராடுகிறது. கருத்துக் கணிப்புகளில் உள்ள பிழை விளிம்பிற்குள் (margin of error) ஏற்படும் ஊசலாட்டங்களை குறிப்பிடத்தக்க மாற்றங்களாக ஊடகங்கள் மூச்சிரைக்க அறிக்கையிடுகின்றன. பண்டிதர்கள் முன்கூட்டியே வாக்களிக்கும் முடிவுகளில் இருந்து விரிவுபடுத்துகிறார்கள், சிறிய மாதிரிகளை முன்கணிப்புக்குரியதாகக் கருதுகிறார்கள். புள்ளியியல் சத்தத்தைப் பிரதிநிதித்துவப்படுத்திய போதிலும், முடிவெடுக்காத வாக்காளர்களின் கவனம் குழுக்கள் (Focus groups) கதையை வரையறுக்கும் தருணங்களாக மாறுகின்றன.

குடியேறியவர்கள், நலன்புரி பெறுபவர்கள் அல்லது காவல் அதிகாரிகளைப் பற்றிய ஒரு சில நிகழ்வுகளின் அடிப்படையில் அரசியல் கருத்துக்கள் உருவாகின்றன, ஒவ்வொரு கதையும் மில்லியன் கணக்கான பல்வேறு நபர்களின் பிரதிநிதியாகக் கருதப்படுகிறது.

4.5. சுகாதாரத்தில்

சிறுநீரக புற்றுநோய் வரைபடம் ஒரு குறிப்பிடத்தக்க மருத்துவ உதாரணத்தை அளிக்கிறது. புள்ளியியலாளர்கள் ஹோவர்ட் வெய்னர் மற்றும் ஹாரிஸ் ஸ்வெர்லிங் ஆகியோர் சிறுநீரக புற்றுநோயின் மிகக் குறைந்த விகிதங்களைக் கொண்ட மாவட்டங்கள் பெருமளவில் கிராமப்புறங்கள் மற்றும் மக்கள் தொகை குறைவானவை என்பதைக் காட்டினர். உள்ளுணர்வு கதை: கிராமப்புற வாழ்க்கை புதிய காற்று மற்றும் சுத்தமான வாழ்க்கை மூலம் புற்றுநோயைத் தடுக்கிறது. பின்னர் சிறுநீரக புற்றுநோயின் அதிக விகிதங்களைக் கொண்ட மாவட்டங்களும் பெருமளவில் கிராமப்புறங்கள் மற்றும் மக்கள் தொகை குறைவானவை என்பதை அவர்கள் வெளிப்படுத்தினர். பொதுவான காரணி வாழ்க்கை முறை அல்ல, ஆனால் சிறிய மக்கள் தொகை—500 வசிப்பவர்கள் உள்ள ஒரு மாவட்டத்தில், ஒரு நோயறிதல் விகிதத்தை தேசிய உச்சத்திற்கு உயர்த்துகிறது, அதே நேரத்தில் பூஜ்ஜிய நிகழ்வுகள் அதை அடிமட்டத்திற்கு இறக்குகின்றன.

மருத்துவர்கள் அரிய நோய்களில் நேர்மறையான சோதனை முடிவுகளை அதிகமாக விளக்குகிறார்கள், அடிப்படை விகிதங்கள் மற்றும் மாதிரி அளவுகளைக் கணக்கில் கொள்ளத் தவறுகிறார்கள். மூன்று உயர்ந்த அளவீடுகளைக் கொண்ட நோயாளிக்கு ஒரு நாள்பட்ட நிலை இருப்பதாகக் கண்டறியப்படுகிறது, அது அளவீட்டு மாறுபாட்டை வெறுமனே பிரதிபலிக்கும். சீரற்ற கட்டுப்பாட்டு சோதனைகளுக்குப் பதிலாக ஒரு சில நோயாளிகளின் அடிப்படையில் சிகிச்சை செயல்திறன் மதிப்பிடப்படுகிறது.

பொது சுகாதார அதிகாரிகள் "புற்றுநோய் கூட்டங்கள்" மற்றும் சிறிய மக்களின் புள்ளியியல் கலைப்பொருட்களாக மட்டுமே உள்ள "ஆரோக்கிய மண்டலங்களை" துரத்துகிறார்கள். பெரிய மாதிரிகளுடன் சராசரிக்குத் திரும்பக்கூடிய தீவிர மதிப்புகளின் அடிப்படையில் வளங்கள் தவறாக ஒதுக்கப்படுகின்றன.

4.6. நிதி மற்றும் முதலீட்டில்

தப்பியிருப்போர் சார்பு (Survivorship Bias) நிதிச் சந்தைகளில் மாதிரி அளவைப் புறக்கணிப்பதன் ஒரு தீய வடிவத்தைக் குறிக்கிறது. முதலீட்டாளர்கள் கடந்த 10 ஆண்டுகளில் பரஸ்பர நிதியின் (mutual fund) செயல்திறனை பகுப்பாய்வு செய்யும்போது, அவர்கள் இன்னும் இருக்கும் நிதிகளை மட்டுமே ஆராய்கிறார்கள்-தப்பிப்பிழைத்தவர்கள். தோல்வியுற்ற மற்றும் கலைக்கப்பட்ட நிதிகள் மாதிரியில் இல்லை, இது வெளிப்படையான சராசரி வருவாயை செயற்கையாக உயர்த்துகிறது. ஒரு முதலீட்டாளர் 8% சராசரி வருவாயைக் கண்டு, செயலில் உள்ள நிர்வாகம் வேலை செய்கிறது என்று முடிவு செய்யலாம், "இறந்த" நிதிகளைச் சேர்ப்பது 4% அல்லது அதற்கும் குறைவான வருவாயை வெளிப்படுத்தும்.

முதலீட்டாளர்கள் 3-5 வருடப் பதிவுகளின் அடிப்படையில் நிதிகளைத் துரத்துகிறார்கள், இந்தச் சிறிய கால மாதிரியை தொடர்ச்சியான திறனின் சான்றாகக் கருதுகிறார்கள். ரிச்சர்ட் தாலரின் ஆராய்ச்சி முதலீட்டாளர்கள் வருவாய் செய்திகளின் சிறிய மாதிரிகளிலிருந்து அதிகமாக விரிவுபடுத்துவதைக் காட்டுகிறது: கணிப்புகளை முறியடிக்கும் மூன்று காலாண்டுகள் কাঠামோபாயமான சிறப்பான செயல்திறனாகக் கருதப்பட்டு, விலைகளை பகுத்தறிவற்ற நிலைகளுக்குத் தள்ளுகின்றன.

ராபர்ட் ஷில்லர், சந்தை விலைகள் அடிப்படை அடிப்படைகள் நியாயப்படுத்துவதை விட அதிகமாக ஏற்ற இறக்கமாக இருப்பதைக் ஆவணப்படுத்தியுள்ளார். இந்த "அதிகப்படியான ஏற்ற இறக்கம்" முதலீட்டாளர்கள் குறுகிய கால செய்திகளை-ஒரு நிறுவனத்தின் நீண்டகால எதிர்காலத்தின் சிறிய மாதிரிகள்-நிரந்தர மதிப்பைப் பற்றிய உறுதியான தகவலாகக் கருதுவதிலிருந்து உருவாகிறது.

5. நிஜ உலக வழக்கு ஆய்வுகள்

வழக்கு ஆய்வு 1: உளவியலில் பிரதிபலிப்பு நெருக்கடி

• சூழல் (Context): பல தசாப்தங்களாக, உளவியல் ஆராய்ச்சியானது சிறிய மாதிரி அளவுகளுடன் (பெரும்பாலும் நிபந்தனைக்கு N=20 அல்லது N=40) செயல்பட்டது. "பவர் போசிங்" ஆய்வு (கார்னி, கड्डी & யாப், 2010) இரண்டு நிமிடங்களுக்கு "உயர்-சக்தி" நிலையில் நிற்பது ஹார்மோன் மாற்றங்களை ஏற்படுத்துகிறது மற்றும் இடர்களை எடுப்பதை அதிகரிக்கிறது என்று கூறியது. மாதிரி அளவு 42 பங்கேற்பாளர்கள்.

• என்ன நடந்தது: இந்த ஆய்வு ஒரு மதிப்புமிக்க இதழில் வெளியிடப்பட்டது, பெரும் ஊடக கவனத்தை ஈர்த்தது, மேலும் பல மில்லியன் முறை பார்க்கப்பட்ட TED பேச்சை உருவாக்கியது. நுட்பமான ஹார்மோன் விளைவுகளைக் கண்டறிய N=42 போதுமானது என்று அறிவியல் சமூகம் ஏற்றுக்கொண்டது.

• சார்பு வேலை செய்யும் விதம்: ஆராய்ச்சியாளர்கள், ஆசிரியர்கள் மற்றும் மதிப்பாய்வாளர்கள்-ட்வெர்ஸ்கி மற்றும் கான்மேன் விவரித்த அதே சார்பால் பாதிக்கப்பட்டுள்ளனர்-சிறிய மாதிரிகள் நுட்பமான விளைவுகளைக் கண்டறியும் அளவுக்கு வலுவானவை என்று நம்பினர். அவர்கள் சத்தத்தில் ஒரு வடிவத்தைக் கண்டனர்.

• விளைவுகள்: N=200+ உடன் பெரிய அளவிலான பிரதிபலிப்புகள் முயற்சிக்கப்பட்டபோது, ஹார்மோன் விளைவுகள் முற்றிலும் மறைந்துவிட்டன. திறந்த அறிவியல் ஒத்துழைப்பு (The Open Science Collaboration) (2015) 100 உளவியல் ஆய்வுகளைப் பிரதிபலித்தது மற்றும் பாதிக்கும் குறைவான ஆய்வுகள் மட்டுமே வெற்றிகரமாக மீண்டும் உருவாக்கப்பட முடியும் என்பதைக் கண்டறிந்தது. அதிகாரமில்லாத ஆய்வுகளைச் சார்ந்திருப்பதே முக்கிய குற்றவாளி.

• கற்றுக்கொண்ட பாடங்கள்: அறிவியல் வெளியீட்டில் "வெற்றியாளரின் சாபம்" (Winner's Curse) என்பது, புள்ளியியல் முக்கியத்துவ வரம்புகளைக் கடக்க நேர்ந்த மிகைப்படுத்தப்பட்ட விளைவு அளவுகளுடன் வெளியிடப்படும் ஆய்வுகளைக் குறிக்கிறது. உண்மையான விளைவுகள் பெரிய மாதிரிகளுடன் மட்டுமே வெளிப்படும். அதன்பிறகு உளவியல் பெரிய மாதிரிகள் மற்றும் ஆய்வுகளின் முன்-பதிவு ஆகியவற்றைக் கோரும் சீர்திருத்தங்களை நிறுவியுள்ளது.

வழக்கு ஆய்வு 2: நியூ கோக் பேரழிவு

• சூழல்: 1985 இல், பெப்சியின் "பெப்சி சேலஞ்ச்" (Pepsi Challenge) குருட்டுச் சுவை சோதனைகளில் இருந்து கோகோ-கோலா அதிகரிக்கும் சந்தை அழுத்தத்தை எதிர்கொண்டது. உள் ஆராய்ச்சி இனிமையான பெப்சி மிடறு-க்கு-மிடறு (sip-by-sip) ஒப்பீடுகளில் வெல்வதைக் காட்டியது.

• என்ன நடந்தது: கோகோ-கோலா கிட்டத்தட்ட 200,000 குருட்டுச் சுவை சோதனைகளை நடத்தியது, ஒரு இனிமையான புதிய ஃபார்முலாவிற்கு அபரிமிதமான முன்னுரிமையைக் கண்டறிந்தது. இந்தத் தரவின் அடிப்படையில், அவர்கள் தங்களின் நூற்றாண்டு பழமையான ஃபார்முலாவை "நியூ கோக்" என்று மாற்றினர்.

• சார்பு வேலை செய்யும் விதம்: இவை "சிப் சோதனைகள்"—ஒரு முழு பானத்தை உட்கொள்ளும் அனுபவத்தின் ஒரு சிறிய மாதிரி. இந்த நுண்-மாதிரி முழு நுகர்வு அனுபவத்தையும் பிரதிநிதித்துவப்படுத்துகிறது என்று நிர்வாகிகள் கருதினர். ஒரு மிடறில், இனிப்பு மகிழ்ச்சி அளிக்கிறது; ஒரு முழு கேனில், அது அதிகமாகிறது.

• விளைவுகள்: நுகர்வோர் கிளர்ச்சி உடனடி மற்றும் கடுமையாக இருந்தது. 79 நாட்களுக்குள், கோகோ-கோலா அசல் ஃபார்முலாவை "கோகோ-கோலா கிளாசிக்" ஆகக் கொண்டுவந்தது. நிறுவனம் பல மில்லியன்களை இழந்தது மற்றும் நீடித்த பிராண்ட் சேதத்தை சந்தித்தது.

• கற்றுக்கொண்ட பாடங்கள்: "மாதிரி" (sample) அது பிரதிநிதித்துவப்படுத்தும் "மக்கள்தொகை" (population) உடன் பொருந்த வேண்டும். ஒரு கடை விஜயம் வாடிக்கையாளர் விசுவாசம் அல்ல என்பதைப் போலவே ஒரு மிடறு ஒரு கேன் அல்ல. பகுப்பாய்வு அலகு நிஜ உலக நடத்தையுடன் ஒத்திருக்க வேண்டும்.

வரலாற்று உதாரணம்: 1936 லிட்டரரி டைஜஸ்ட் வாக்கெடுப்பு

லிட்டரரி டைஜஸ்ட் பத்திரிகை கருத்துக் கணிப்பின் பொற்காலம் என்று தோன்றியதை நடத்தியது: 10 மில்லியன் ஆய்வுகள் அனுப்பப்பட்டன, 2.4 மில்லியன் திரும்பப் பெறப்பட்டன. லேண்டன் 57% வாக்குகளைப் பெற்று ரூஸ்வெல்ட்டைத் தோற்கடிப்பார் என்று அவர்கள் கணித்தனர். ரூஸ்வெல்ட் 61% வாக்குகளைப் பெற்று வெற்றி பெற்றார்.

டைஜஸ்டின் ஆசிரியர்கள் பாரிய மாதிரி அளவு துல்லியத்திற்கு உத்தரவாதம் அளிக்கும் என்று நம்பினர். அவர்கள் உணராத விஷயம் என்னவென்றால், அவர்களின் மாதிரிச் சட்டகம்—தொலைபேசி கோப்பகங்கள் மற்றும் கார் பதிவு பட்டியல்கள்—ரூஸ்வெல்ட்டின் புதிய ஒப்பந்தக் கொள்கைகளை (New Deal policies) பெருமளவில் ஆதரிக்கும் குறைந்த வருமானம் கொண்ட வாக்காளர்களை முறையாக விலக்கியது. ஜார்ஜ் கேலப், வெறும் 50,000 பதிலளித்தவர்களுடன் சரியான நிகழ்தகவு மாதிரியைப் பயன்படுத்தி, முடிவைச் சரியாகக் கணித்தார்.

ஒரு பெரிய, சார்புடைய மாதிரியை (N=2.4 மில்லியன்) விட ஒரு சிறிய, பிரதிநிதித்துவ மாதிரி (n=3,000) எண்ணற்ற மடங்கு நம்பகமானது என்பதை இந்த வழக்கு கற்பிக்கிறது. டைஜஸ்ட் இரண்டு ஆண்டுகளுக்குப் பிறகு வெளியிடுவதை நிறுத்தியது, மாதிரி தரத்திற்கும் மாதிரி அளவிற்கும் உள்ள தொடர்பைப் புரிந்து கொள்ளத் தவறியதே இதற்குப் பலியானது.

6. இந்தச் சார்பின் விலை

6.1. தனிப்பட்ட செலவுகள்

நடத்தையின் சிறிய மாதிரிகளின் அடிப்படையில் கூட்டாளர்களை மதிப்பிடும்போது உறவுகள் பாதிக்கப்படுகின்றன-சில மோசமான நாட்கள் அடிப்படை குணாதிசய குறைபாடுகளின் சான்றாக மாறுகின்றன. நம்மால் ஒன்றைச் "செய்ய முடியாது" என்று சில முயற்சிகளுக்குப் பிறகு முடிவு செய்தால் தனிப்பட்ட வளர்ச்சி தடைபடுகிறது. இயற்கையான மாறுபாட்டை மட்டுமே குறிக்கும் ஆரம்ப பின்னடைவுகளுக்குப் பிறகு தொழில் மாற்றங்கள் கைவிடப்படுகின்றன.

நமது சொந்த ஒற்றை அனுபவம் அல்லது நண்பர்களின் ஒரு சில கதைகளில் இருந்து சிகிச்சையின் செயல்திறனை மதிப்பிடும்போது சுகாதார முடிவுகள் தவறாகிவிடும். சமீபத்திய வெற்றியாளர்களைத் துரத்தும்போது அல்லது சமீபத்திய தோல்வியுற்றவர்களிடமிருந்து தப்பி ஓடும்போது முதலீட்டு இலாகாக்கள் தவறாக நிர்வகிக்கப்படுகின்றன. முற்றிலும் சீரற்ற தன்மையாக உள்ளவற்றில் வடிவங்கள் இருப்பதாக நம்பி, மூடநம்பிக்கைகளை உருவாக்குகிறோம்.

நிலையற்ற முடிவுகளில் நியாயமற்ற நம்பிக்கையும், அதைத் தொடர்ந்து கணிப்புகள் தோல்வியடையும் போது ஏற்படும் குழப்பமும் உளவியல் செலவில் அடங்கும். உண்மையான வடிவங்களுடன் ஒத்திருக்காத யதார்த்தத்தின் மன மாதிரிகளை உருவாக்கி, முற்றிலும் சீரற்ற மாறுபாட்டிற்கான விரிவான காரண விளக்கங்களை நாங்கள் உருவாக்குகிறோம்.

6.2. தொழில்முறை செலவுகள்

வரையறுக்கப்பட்ட அவதானிப்புகளின் அடிப்படையில் மேலாளர்கள் நமது திறன்களை தவறாக மதிப்பிடும்போது தொழில் முன்னேற்றம் பாதிக்கப்படுகிறது. ஆரம்ப பதிவுகள் (நடத்தையின் சிறிய மாதிரிகள்) வெற்றியின் ஒரே மாதிரியான தன்மையுடன் பொருந்தாததால் நல்ல ஊழியர்கள் கவனிக்கப்படுவதில்லை. மோசமான பணியமர்த்தல் முடிவுகள் நிறுவன வளங்களை வீணடிக்கின்றன மற்றும் குழு இயக்கவியலை சேதப்படுத்துகின்றன.

நீண்டகாலப் போக்குகளை விட ஆரம்பகால முடிவுகளுக்கு வணிக உத்திகள் அளவீடு செய்யப்படும்போது அவை தோல்வியடைகின்றன. சத்தமான தரவுகளின் அடிப்படையில் தயாரிப்புகள் முன்கூட்டியே தொடங்கப்படுகின்றன அல்லது முன்கூட்டியே கொல்லப்படுகின்றன. சிறிய மாதிரிகள் பிரதிநிதியாகக் கருதப்படும்போது சந்தை ஆராய்ச்சி நிறுவனங்களைத் தவறாக வழிநடத்துகிறது.

முதலீட்டு முடிவுகள் சமீபத்திய செயல்திறனைத் துரத்துவதால் நிதி இழப்புகள் அதிகரிக்கும். மூன்று ஆண்டுகளில் சிறப்பாகச் செயல்பட்ட நிதி மேலாளர்கள் பாரிய வரவுகளை ஈர்க்கிறார்கள், பின்னர் சராசரியாகக் குறைந்து எதிர்கால வருவாயைக் கணிக்கும் சிறிய மாதிரி என்று கருதிய முதலீட்டாளர்களை ஏமாற்றுகிறார்கள்.

6.3. சமூகச் செலவுகள்

பிரதிபலிப்பு நெருக்கடி (Replication Crisis) மறுஉருவாக்கம் செய்ய முடியாத ஆய்வுகளுக்கான ஆராய்ச்சி நிதியில் கோடிக்கணக்கான செலவை ஏற்படுத்தியுள்ளது. மருத்துவச் சிகிச்சைகள் சிறிய சோதனைகளின் அடிப்படையில் ஏற்றுக்கொள்ளப்படுகின்றன, ஆனால் பெரிய மக்கள் தொகையில் எந்த நன்மையும் இல்லை என்பதைக் காட்டுகிறது. சிறிய மக்கள் தொகையில் புள்ளியியல் கலைப்பொருட்களை நிவர்த்தி செய்ய பொது சுகாதார வளங்கள் தவறாக ஒதுக்கப்படுகின்றன.

மில்லியன் கணக்கான மக்களைப் பற்றிய கொள்கை விவாதங்களை தனிப்பட்ட வழக்குகளைப் பற்றிய கதைகள் வடிவமைக்கும்போது அரசியல் சொற்பொழிவு விஷமாகிறது. உயர்மட்ட வழக்குகள் (சிறிய மாதிரிகள்) சட்டத்தை இயக்கும் போது குற்றவியல் நீதி அமைப்புகள் சிதைக்கப்படுகின்றன. மாதிரி அளவுகள் அதிகரிக்கும் போது கண்டுபிடிப்புகள் தலைகீழாக மாறும்போது அறிவியலின் மீதான பொது நம்பிக்கை அரிக்கிறது.

அடிப்படைகள் நியாயப்படுத்துவதை விட சந்தைகள் அதிக ஏற்ற இறக்கத்துடன் மாறுகின்றன, செல்வத்தையும் பொருளாதார ஸ்திரத்தன்மையையும் அழிக்கும் ஏற்ற-இறக்க சுழற்சிகளை உருவாக்குகின்றன. நிலையான விருப்பங்களுக்குப் பதிலாக பொதுக் கருத்தின் சிறிய மாதிரிகளுக்கு அரசியல்வாதிகள் பதிலளிப்பதால் பொதுக் கொள்கை உச்சநிலைகளுக்கு இடையில் தள்ளாடுகிறது.

6.4. புள்ளியியல் தாக்கம்

N=50 க்கும் குறைவான மாதிரி அளவுகளைக் கொண்ட ஆய்வுகள் பெரும்பாலும் 100% அல்லது அதற்கு மேற்பட்ட அளவில் விளைவு அளவுகளை கடுமையாக உயர்த்தியுள்ளன என்று ஆராய்ச்சி கண்டுபிடிப்புகள் கூறுகின்றன. திறந்த அறிவியல் ஒத்துழைப்பு (Open Science Collaboration) உளவியல் ஆய்வுகளில் 36% மட்டுமே வெற்றிகரமாகப் பிரதிபலிக்க முடியும் என்பதைக் கண்டறிந்தது, இதில் அதிகாரமில்லாத ஆய்வுகள் முதன்மை இயக்கியாக உள்ளன.

நிதியில், தப்பியிருப்போர் சார்பு பரஸ்பர நிதி வருவாயை ஆண்டுக்கு 1-2% என மதிப்பிடப்படுகிறது - மில்லியன் கணக்கான முதலீட்டாளர்கள் முழுவதும் தவறாக ஒதுக்கப்பட்ட ஓய்வூதிய சேமிப்புகளில் மில்லியன் கணக்கான டாலர்களுக்கு சமமான வித்தியாசம்.

அடிப்படை வீதப் புறக்கணிப்பு மற்றும் மாதிரி அளவு உணர்வின்மை ஆகியவற்றால் உந்தப்படும் மருத்துவ நோயறிதல் பிழைகள் ஆண்டுதோறும் 12 மில்லியன் அமெரிக்கர்களை பாதிக்கும் என்று மதிப்பிடப்பட்டுள்ளது, இதில் தோராயமாக பாதி தீங்கு விளைவிக்கும்.

7. மறைக்கப்பட்ட நன்மைகள்

இந்தச் சார்பு முற்றிலும் தவறான தழுவல் அல்ல - இது தரவு குறைவாக இருந்த மற்றும் உடனடி நடவடிக்கை அவசியமான மூதாதையர் சூழல்களுக்காக உகந்ததாக்கப்பட்ட வேகம் மற்றும் துல்லியத்திற்கு இடையிலான வர்த்தக-பரிமாற்றத்தைக் (trade-off) குறிக்கிறது.

வரையறுக்கப்பட்ட தரவுகளிலிருந்து விரைவான கற்றல்: உண்மையான ஆபத்தான சூழல்களில், ஒற்றை நிகழ்வுகளிலிருந்து (ஒரு வேட்டையாடும் விலங்குடன் ஒரு சந்திப்பு, ஒரு விஷ பெர்ரி) பொதுமைப்படுத்தும் திறன் வெளிப்படையான உயிர்வாழும் மதிப்பை வழங்குகிறது. "புள்ளியியல் ரீதியாக குறிப்பிடத்தக்க" ஆதாரங்களுக்காகக் காத்திருப்பது அபாயகரமானதாக இருக்கலாம்.

அறிவாற்றல் பொருளாதாரம் (Cognitive Economy): மாதிரி அளவுக்கு நம்பிக்கையைச் சரியாக அளவிடுவதற்கு சிஸ்டம் 2 ஈடுபாடு தேவைப்படுகிறது-மெதுவான, முயற்சியான மற்றும் வளர்சிதை மாற்றச் செலவு கொண்டது. குறைந்த-பங்கு சூழ்நிலைகளில், சிஸ்டம் 1 இன் மன குறுக்குவழிகள் குறைந்தபட்ச அறிவாற்றல் செலவில் "போதுமான நல்ல" தீர்ப்புகளை வழங்குகின்றன.

செயல் நோக்குநிலை: முடக்கும் நிச்சயமற்ற தன்மையைக் காட்டிலும் தீர்க்கமான செயலை இந்தச் சார்பு ஊக்குவிக்கிறது. பல நிஜ உலக சூழ்நிலைகளில், ஒருபோதும் வராத உறுதிக்காகக் காத்திருப்பதை விட முழுமையற்ற தகவல்களின் அடிப்படையில் செயல்படுவது சிறந்தது.

வடிவத்தைக் கண்டறிதல்: சிறிய மாதிரிகளில் வடிவங்களைக் காணும் போக்கு, பெரும்பாலும் தவறானதாக இருந்தாலும், சில சமயங்களில் முற்றிலும் புள்ளியியல் அணுகுமுறைகள் தவறவிடக்கூடிய உண்மையான சமிக்ஞைகளைக் கண்டறியும். தவறான நேர்மறைகளின் விலை (இல்லாத வடிவங்களைப் பார்ப்பது) சில களங்களில் தவறான எதிர்மறைகளை (உண்மையான வடிவங்களைத் தவறவிடுவது) விட குறைவாக இருக்கலாம்.

இந்தச் சார்பை முற்றிலுமாக அகற்றுவதற்கு, அறிவாற்றல் வளங்களை மூழ்கடிக்கும் நிலையான புள்ளியியல் கணக்கீடு தேவைப்படும். அகற்றுவது அல்ல நோக்கம், ஆனால் பொருத்தமான அளவுத்திருத்தம் - குறைந்த-பங்கு சூழல்களில் வழிகாட்டல்களை செயல்பட அனுமதிக்கும் அதே வேளையில், அதிக-பங்கு சூழ்நிலைகளில் புள்ளியியல் பகுத்தறிவை வரிசைப்படுத்துதல்.

8. சுய மதிப்பீடு: உங்களுக்கு இந்தச் சார்பு உள்ளதா?

8.1. எச்சரிக்கை அறிகுறிகள் சரிபார்ப்புப் பட்டியல்

• நான் உணவகங்கள், தயாரிப்புகள் அல்லது சேவைகளைப் பற்றி ஒரே ஒரு அனுபவத்திற்குப் பிறகு வலுவான கருத்துக்களை உருவாக்குகிறேன்
• விளையாட்டு, சூதாட்டம் அல்லது முதலீட்டில் "சூடான தொடர்ச்சிகள்" (hot streaks) மற்றும் "குளிர்ந்த காலங்களை" (cold spells) நான் நம்புகிறேன்
• ஒரு நாணயம் தொடர்ச்சியாக மூன்று அல்லது அதற்கு மேற்பட்ட முறை ஒரே பக்கத்தில் விழுவது எனக்கு ஆச்சரியமாக இருக்கிறது
• குறுகிய கால முதலீட்டு வருவாய் நீண்ட காலத்திற்கும் தொடரும் என்று நான் எதிர்பார்க்கிறேன்
• புள்ளியியல் ஆதாரங்களைப் போலவே நண்பர்களின் கதைகளையும் நான் வலுவாகக் கருதுகிறேன்
• ஒரு சம்பவத்தின் அடிப்படையில் ஒருவரின் குணத்தைப் பற்றிய எனது எண்ணத்தை நான் மாற்றிக் கொண்டிருக்கிறேன்
• வாடிக்கையாளர் மதிப்புரைகள் எவ்வளவு குறைவாக இருந்தாலும், அவை ஒருமனதாக இருக்கும்போது நான் அவற்றை அதிகம் நம்புகிறேன்
• ஒரு சிறிய, நன்கு தேர்ந்தெடுக்கப்பட்ட மாதிரி ஒரு பெரிய முடிவைப் போலவே அதே முடிவைத் தர வேண்டும் என்று நான் உணர்கிறேன்
• இரண்டு அல்லது மூன்று முறை பார்த்த பிறகு வடிவங்களில் எனக்கு நம்பிக்கை ஏற்படுகிறது
• சில நிகழ்வுகளின் அடிப்படையில் "அது எப்போதும் எனக்கு நடக்கிறது" என்று நான் அடிக்கடி கூறுகிறேன்

மதிப்பீடு (Scoring):

• 0-2 சரிபார்க்கப்பட்டது: குறைந்த பாதிப்பு
• 3-5 சரிபார்க்கப்பட்டது: மிதமான பாதிப்பு
• 6-8 சரிபார்க்கப்பட்டது: அதிக பாதிப்பு
• 9-10 சரிபார்க்கப்பட்டது: மிக அதிக பாதிப்பு

8.2. சுய-சிந்தனை கேள்விகள்

1. மருத்துவ பரிசோதனையில் ஒரு புதிய மருந்து "80% பயனுள்ளது" என்று நீங்கள் படிக்கும்போது, அந்த ஆய்வில் எத்தனை நோயாளிகள் இருந்தனர் என்று நீங்கள் இயல்பாகவே கேட்க நினைக்கிறீர்களா?

2. முடிவுகளைக் காட்டப் போதுமான நேரத்தைக் கொடுத்தீர்களா என்று சிந்திக்காமல், முதல் இரண்டு வாரங்களுக்குள் ஒரு புதிய பழக்கம், உணவு முறை அல்லது வழக்கத்தை நீங்கள் எப்போதாவது கைவிட்டீர்களா?

3. ஒரு நண்பர் தங்களின் ஒரு அனுபவத்தின் அடிப்படையில் ஒரு மருத்துவர், உணவகம் அல்லது தயாரிப்பைப் பரிந்துரைக்கும்போது, ஒட்டுமொத்த மதிப்புரைகளுடன் ஒப்பிடும்போது அந்தப் பரிந்துரைக்கு நீங்கள் எவ்வளவு எடை கொடுக்கிறீர்கள்?

4. ஒரு தொடர்ச்சிக்கு (streak) பிறகு (எ.கா., ஸ்லாட் இயந்திரம் வெற்றிபெற "உரியது") சீரற்ற நிகழ்வுகள் உங்களுக்கு வேறுபட்ட முடிவைக் "கடன்பட்டுள்ளன" என்று நீங்கள் எப்போதாவது உணர்ந்திருக்கிறீர்களா?

5. மிகக் குறைவான தகவல்களிலிருந்து நீங்கள் முடிவுகளை எடுக்கிறீர்கள் என்று யாராவது எப்போதாவது சுட்டிக்காட்டியிருக்கிறார்களா?

8.3. விரைவான கண்டறியும் காட்சி

காட்சி: உங்கள் ஓய்வூதிய சேமிப்பிற்காக இரண்டு பரஸ்பர நிதிகளை (mutual funds) நீங்கள் ஆராய்கிறீர்கள். ஃபண்ட் A ஒரு நட்சத்திர மேலாளருடன் கடந்த 3 ஆண்டுகளில் ஆண்டுக்கு 15% வருமானத்தை அளித்துள்ளது. ஃபண்ட் B சராசரி நிர்வாகத்துடன் கடந்த 15 ஆண்டுகளில் ஆண்டுக்கு 9% வருமானத்தை அளித்துள்ளது. எந்த நிதியை நீங்கள் தேர்ந்தெடுப்பீர்கள்?

• A) ஃபண்ட் A, ஏனெனில் 9% ஐ விட 15% மிகச் சிறந்தது மற்றும் மேலாளர் தெளிவாகத் திறமையானவர் → அதிக பாதிப்பு
• B) ஃபண்ட் A, ஆனால் நான் முழுமையாக ஈடுபடுவதற்கு முன்பு அதிக வரலாற்றைப் பார்க்க விரும்புகிறேன் → மிதமான பாதிப்பு
• C) ஃபண்ட் B, ஏனெனில் 3 ஆண்டுகளை விட 15 ஆண்டுகால தரவு மிகவும் நம்பகமானது, மேலும் வேறுபாடு அதிர்ஷ்டமாக இருக்கலாம் → குறைந்த பாதிப்பு

9. மற்றவர்களில் இந்தச் சார்பைக் கண்டறிதல்

9.1. நடத்தை குறிகாட்டிகள்

முடிவெடுக்கும் முறைகளைக் கவனியுங்கள்: வரையறுக்கப்பட்ட ஆதாரங்களின் அடிப்படையில் அவர்கள் வலுவான உறுதிப்பாடுகளைச் செய்கிறார்களா? சமீபத்திய முடிவுகளின் அடிப்படையில் அவர்கள் விரைவாகப் பாதையை மாற்றுகிறார்களா? சில தரவுப் புள்ளிகளுக்குப் பிறகு அவர்கள் அதிக நம்பிக்கையை வெளிப்படுத்துகிறார்களா?

நிகழ்தகவு மற்றும் வாய்ப்பைப் பற்றி அவர்கள் எவ்வாறு விவாதிக்கிறார்கள் என்பதைப் பாருங்கள்: குறுகிய காலத்தில் சீரற்ற தன்மை "சமநிலைப்படுத்தப்படும்" என்று அவர்கள் எதிர்பார்க்கிறார்களா? சத்தம் போல் தோன்றுவதில் அவர்கள் அர்த்தமுள்ள வடிவங்களைக் காண்கிறார்களா? முடிவுகள் எதிர்பார்ப்புகளுடன் பொருந்தாதபோது அவர்கள் அவற்றை "கெட்ட அதிர்ஷ்டம்" என்று நிராகரிக்கிறார்களா?

புள்ளிவிவரங்களுக்கு எதிராகக் கதைகளுக்கான எதிர்வினைகளைக் கவனியுங்கள்: மொத்த தரவுகளை விட ஒரு தெளிவான தனிப்பட்ட கதைக்கு அவர்கள் அதிக எடை கொடுக்கிறார்களா? அவர்கள் ஒற்றை எடுத்துக்காட்டுகளிலிருந்து உலகளாவிய விதிகளுக்குப் பொதுமைப்படுத்துகிறார்களா?

9.2. உரையாடல் அபாயக் கொடிகள்

இந்தச் சார்பின் கீழ் இருக்கும்போது மக்கள் கூறும் சொற்றொடர்கள்:

• "இது தொடர்ந்து மூன்று முறை நடந்துள்ளது - இங்கே ஒரு வடிவம் நிச்சயமாக உள்ளது"
• "நான் அதை ஒரு முறை முயற்சித்தேன், அது வேலை செய்யவில்லை, அதனால்..."
• "முரண்பாடுகள் இறுதியில் சமமாக வேண்டும்"
• "என் நண்பருக்கு அதில் ஒரு பயங்கரமான அனுபவம் இருந்தது, அதனால் நான் அதை ஒருபோதும் முயற்சிக்க மாட்டேன்"
• "கடந்த இரண்டு காலாண்டுகள் சிறப்பாக இருந்தன, எனவே இந்த நிறுவனம் வெளிப்படையாக நன்கு நிர்வகிக்கப்படுகிறது"

அவர்கள் முன்வைக்கும் வாதங்களின் வகைகள்:

• ஒரு சில எடுத்துக்காட்டுகளை ஒரு போக்கின் சான்றாகக் கருதுதல்
• சிறிய மாதிரிகள் மக்கள்தொகை பண்புகளை முழுமையாகப் பிரதிநிதித்துவப்படுத்தும் என்று எதிர்பார்த்தல்

அவர்கள் கேட்கத் தவிர்க்கும் கேள்விகள்:

• "இது எத்தனை அவதானிப்புகளை அடிப்படையாகக் கொண்டது?"
• "மாதிரி அளவு என்ன?"
• "இது வெறும் சீரற்ற மாறுபாடாக இருக்க முடியுமா?"

9.3. சூழ்நிலை தூண்டுதல்கள்

இந்தச் சார்பைச் செயல்படுத்தும் சூழ்நிலைகள்:

• விரைவான முடிவுகளைக் கட்டாயப்படுத்தும் நேர அழுத்தம்
• தெளிவான எடுத்துக்காட்டுகள் முக்கியமாக இருக்கும் உணர்ச்சிவசப்பட்ட சூழ்நிலைகள்
• சிக்கலான புள்ளியியல் தகவல்கள் அதிர்வெண் வடிவங்களை விட சதவீதத்தில் வழங்கப்படுதல்
• கருத்துகள் தாமதமாகும் களங்கள் (முதலீடு, பணியமர்த்தல், சுகாதாரத் தேர்வுகள்)
• தரவுகளை விட கதைகள் அதிகம் கிடைக்கும் சூழல்கள்

சுற்றுச்சூழல் காரணிகள்:

• கவனமான புள்ளியியல் மதிப்பீட்டைத் தடுக்கும் தகவல் சுமை
• கருத்துக்களின் சார்புடைய மாதிரிகளை வழங்கும் எதிரொலி அறைகள் (Echo chambers)
• புள்ளிவிவரங்களை விட கதைகளை வலியுறுத்தும் ஊடகங்கள்

பாதிப்பை அதிகரிக்கும் உணர்ச்சி நிலைகள்:

• கிடைக்கும் எந்த ஆதாரத்திலிருந்தும் உறுதியைத் தேடும் கவலை
• ஆரம்ப நேர்மறை சமிக்ஞைகளில் அதிக நம்பிக்கையை ஊக்குவிக்கும் உற்சாகம்
• தெளிவற்ற சூழ்நிலைகளில் வடிவத்தைத் தேடுவதைத் தூண்டும் விரக்தி

10. அறிவாற்றல் சார்பு-நீக்கும் உத்திகள்

10.1. உடனடி நுட்பங்கள்

"N" கேள்வி: எந்தவொரு முடிவுக்கும் வருவதற்கு முன், கேளுங்கள்: "இது அடிப்படையாகக் கொண்ட மாதிரி எவ்வளவு பெரியது?" முடிவுகளை விளக்குவதற்கு முன் மாதிரி அளவைக் கவனியுங்கள்.

நிலைத்தன்மை சோதனை: கேளுங்கள் "நான் மாதிரியை இரட்டிப்பாகவோ அல்லது மும்மடங்காகவோ ஆக்கினால் இந்த முடிவு அப்படியே இருக்கும் என்று எதிர்பார்க்கலாமா?" இல்லையென்றால், தீர்ப்பைத் தடுத்து நிறுத்துங்கள்.

அதிர்வெண்களாக மறுவடிவமைக்கவும்: சதவீதங்களை இயற்கையான அதிர்வெண்களாக மாற்றவும் ("80% பயனுள்ளது" என்பது "10 பேரில் 8 பேர்" என்று மாறுகிறது). இது இயற்கையாகவே மாதிரி அளவை வகுக்கும் எண்ணில் (denominator) ஒருங்கிணைக்கிறது.

பின்னடைவு விதி: தீவிர முடிவுகள் சராசரிக்குத் திரும்பும் என்று கருதுங்கள். ஏதேனும் வழக்கத்திற்கு மாறாக நன்றாக அல்லது மோசமாகத் தோன்றினால், காலப்போக்கில் அது சராசரியாக மாறும் என்று எதிர்பார்க்கலாம்.

அடிப்படை விகிதங்களைத் தேடுங்கள்: குறிப்பிட்ட ஆதாரங்களை மதிப்பிடுவதற்கு முன், மக்கள்தொகையில் பொதுவாக என்ன நடக்கிறது என்பதை நிறுவுங்கள். இதை ஒரு நங்கூரமாகப் (anchor) பயன்படுத்துங்கள்.

10.2. நீண்ட கால உத்திகள்

புள்ளியியல் எழுத்தறிவு: அடிப்படை நிகழ்தகவு மற்றும் புள்ளியியல் கல்வியில் முதலீடு செய்யுங்கள். மாறுபாடு, நிலையான பிழை மற்றும் நம்பிக்கை இடைவெளிகளைப் புரிந்துகொள்வது மாதிரி அளவு எப்போது முக்கியமானது என்பதை அடையாளம் காணும் கருத்தியல் கட்டமைப்பை வழங்குகிறது.

சந்தேகப் பழக்கத்தை வளர்த்துக் கொள்ளுங்கள்: சிறிய மாதிரி கண்டுபிடிப்புகளின் நம்பகத்தன்மையை தானாகவே கேள்விக்குள்ளாக்க உங்களைப் பயிற்றுவித்துக் கொள்ளுங்கள். "இது போதுமான தரவா?" என்பதை ஒரு அனிச்சையான கேள்வியாக மாற்றவும்.

உங்கள் கணிப்புகளைக் கண்காணிக்கவும்: வரையறுக்கப்பட்ட தரவிலிருந்து எடுக்கப்பட்ட முடிவுகள் மற்றும் அவை காலப்போக்கில் எப்படி இருந்தன என்பதற்கான பதிவை வைத்திருங்கள். இது அளவுத்திருத்தம் (calibration) பற்றிய தனிப்பட்ட கருத்தை வழங்குகிறது.

உன்னதமான எடுத்துக்காட்டுகளைப் படிக்கவும்: நியமன வழக்குகளைப் (மருத்துவமனை பிரச்சனை, சிறுநீரக புற்றுநோய் வரைபடம்) பற்றி உங்களைப் பழக்கப்படுத்துங்கள், அதனால் புதிய சூழ்நிலைகளை மதிப்பிடும்போது அவை நினைவுக்கு வரும்.

10.3. சுற்றுச்சூழல் வடிவமைப்பு

முடிவெடுக்கும் செயல்முறைகளில் மாதிரி அளவை உருவாக்குங்கள்: முடிவுகள் எடுக்கப்படுவதற்கு முன்பு குறைந்தபட்ச மாதிரி அளவுகள் தேவைப்படும் நிறுவன விதிகளை உருவாக்கவும். ஆரம்ப முடிவுகளின் அடிப்படையில் செயல்படுவதற்கு முன்பு காத்திருப்பு காலங்களைச் செயல்படுத்தவும்.

காட்சி கருவிகளைப் பயன்படுத்தவும்: சிறிய மாதிரிகளுக்கான நம்பிக்கை இடைவெளிகள் விரிவடைவதைக் காட்டும் டாஷ்போர்டுகளை (dashboards) உருவாக்கவும். நிச்சயமற்ற தன்மையைக் காட்சிக்குட்படுத்தவும்.

அதிர்வெண் வடிவங்கள் தேவை: நிறுவனத் தொடர்புகளில், வெளிப்படையான வகுக்கும் எண்களுடன் (denominators) நிகழ்தகவுகள் இயற்கையான அதிர்வெண்களாக முன்வைக்கப்பட வேண்டும் என்பதைக் கட்டாயமாக்குங்கள்.

சாத்தானின் வழக்கறிஞர்களை (Devil's Advocates) உருவாக்குங்கள்: மாதிரி அளவுகள் நம்பிக்கையின் அளவை நியாயப்படுத்துகின்றனவா என்பதைச் சவால் செய்ய குழு உறுப்பினர்களை நியமிக்கவும். சந்தேகத்தை நிறுவனமயமாக்கவும்.

10.4. வெளிப்புற உள்ளீட்டை எப்போது தேட வேண்டும்

அதிக-பங்கு முடிவுகள்: வரையறுக்கப்பட்ட தரவின் அடிப்படையில் ஏதேனும் விளைவான தேர்வு (முக்கிய முதலீடுகள், பணியமர்த்தல், மருத்துவச் சிகிச்சைகள்) புள்ளியியல் ஆலோசனையை உறுதிப்படுத்துகிறது.

நீங்கள் உறுதியாக உணரும்போது: முரண்பாடாக, சிறிய மாதிரிகளிலிருந்து வலுவான நம்பிக்கை வெளிப்புற மதிப்பாய்வைத் தூண்ட வேண்டும். கேளுங்கள்: "எனது உறுதியைத் தரவுகள் நியாயப்படுத்துகின்றனவா?"

கள நிபுணர்கள்: புள்ளியியலாளர்கள், தரவு விஞ்ஞானிகள் மற்றும் ஆராய்ச்சியாளர்கள் ஆதார வலிமையின் அளவிடப்பட்ட மதிப்பீடுகளை வழங்க முடியும். கோரிக்கைகளை இவ்வாறு வடிவமைக்கவும்: "N=X கொடுக்கப்பட்டால், இந்தக் கண்டுபிடிப்பில் நான் எவ்வளவு நம்பிக்கையுடன் இருக்க வேண்டும்?"

வடிவங்கள் விரைவாக வெளிப்படும்போது: ஒரு சில அவதானிப்புகளுக்குப் பிறகு நீங்கள் ஒரு தெளிவான வடிவத்தைக் கண்டால், அது தொடருமா என்பதை மதிப்பிடுவதற்கு முடிவில் குறைந்த முதலீடு செய்தவரைக் கலந்தாலோசிக்கவும்.

11. நடைமுறை பயிற்சிகள்

பயிற்சி 1: நாணயம் சுழற்றும் பரிசோதனை

• நோக்கம்: சிறிய மாதிரிகளின் மாறுபாட்டிற்கான உள்ளுணர்வை உருவாக்குதல்
• தேவையான நேரம்: 20 நிமிடங்கள்
• தேவையான பொருட்கள்: ஒரு நாணயம், காகிதம், பென்சில்
• சிரம நிலை: தொடக்க நிலை
• வழிமுறைகள்:
  1. நாணயத்தை 10 முறை சுழற்றி தலைகளின் சதவீதத்தைப் பதிவு செய்யவும்
  2. இதை 10 முறை செய்யவும், ஒவ்வொன்றும் 10 சுழற்சிகளைக் கொண்ட 10 மாதிரிகளை உருவாக்கவும்
  3. சதவீதங்களின் வரம்பைக் கவனியுங்கள் (பெரும்பாலும் 20% முதல் 80% வரை இருக்கலாம்)
  4. இப்போது நாணயத்தை 100 முறை சுழற்றி சதவீதத்தைப் பதிவு செய்யவும்
  5. 100 சுழற்சிகளைக் கொண்ட இரண்டாவது தொகுப்பிற்கு மீண்டும் செய்யவும்
  6. 10-சுழற்சி மாதிரிகள் மற்றும் 100-சுழற்சி மாதிரிகளில் உள்ள மாறுபாட்டை ஒப்பிடவும்
• சிந்தனை கேள்விகள்:
  • சிறிய மாதிரிகளில் உள்ள மாறுபாட்டைக் கண்டு நீங்கள் எவ்வளவு ஆச்சரியப்பட்டீர்கள்?
  • நாணயம் நியாயமானது என்று உங்களுக்குத் தெரிந்திருந்தாலும் எந்த 10-சுழற்சி வரிசையாவது "முறைகேடாக" (rigged) அமைக்கப்பட்டதாக உணர்ந்ததா?
  • 100-சுழற்சி சதவீதங்கள் ஒன்றுக்கொன்று எவ்வாறு ஒப்பிடப்படுகின்றன?
• அதிர்வெண்: ஒருமுறை, பிறகு உங்களுக்கு நினைவூட்டல் தேவைப்படும்போதெல்லாம் மீண்டும் பார்வையிடவும்

பயிற்சி 2: மதிப்பாய்வு பகுப்பாய்வு

• நோக்கம்: நிஜ முடிவுகளில் மாதிரி அளவிற்கு நம்பிக்கையை அளவிடுவதைப் பயிற்சி செய்தல்
• தேவையான நேரம்: 30 நிமிடங்கள்
• தேவையான பொருட்கள்: இணைய அணுகல்
• சிரம நிலை: இடைநிலை
• வழிமுறைகள்:
  1. நீங்கள் வாங்கக்கூடிய ஒரு தயாரிப்பு வகையைத் தேடுங்கள் (ஹெட்ஃபோன்கள், புத்தகங்கள், உணவகங்கள்)
  2. மூன்று உருப்படிகளைக் கண்டறியவும்: 5 மதிப்புரைகளுடன் ஒன்று, 50 மதிப்புரைகளுடன் ஒன்று, 500 மதிப்புரைகளுடன் ஒன்று
  3. ஒவ்வொன்றிற்கும், சராசரி மதிப்பீட்டைக் குறிப்பிட்டு பல மதிப்புரைகளைப் படிக்கவும்
  4. ஒவ்வொரு மதிப்பீட்டின் துல்லியத்திலும் நீங்கள் எவ்வளவு நம்பிக்கையுடன் இருக்கிறீர்கள் என்பதை எழுதுங்கள்
  5. கருதுங்கள்: ஒரு புதிய தீவிர மதிப்புரை ஒவ்வொரு சராசரியையும் எவ்வளவு மாற்றும்?
• சிந்தனை கேள்விகள்:
  • அதிக மதிப்புரைகளைக் கொண்ட மதிப்பீடுகளில் நீங்கள் இயல்பாகவே அதிக நம்பிக்கையுடன் உணர்ந்தீர்களா?
  • மதிப்புரைகளின் விநியோகம் (அனைத்து 5-நட்சத்திரங்களும் மற்றும் கலவையானவை) உங்கள் நம்பிக்கையை எவ்வாறு பாதித்தது?
  • மதிப்பீட்டை நம்புவதற்கு உங்களுக்கு எந்தக் குறைந்தபட்ச மாதிரி அளவு தேவை?
• அதிர்வெண்: மாதாந்திரம், வெவ்வேறு தயாரிப்பு வகைகளைப் பயன்படுத்தி

பயிற்சி 3: வரலாற்று பின்-சோதனை (Historical Backtesting)

• நோக்கம்: சிறிய-மாதிரி முடிவுகள் காலப்போக்கில் எவ்வாறு தோல்வியடைகின்றன என்பதை அனுபவித்தல்
• தேவையான நேரம்: 45 நிமிடங்கள்
• தேவையான பொருட்கள்: வரலாற்று பங்குத் தரவு அல்லது விளையாட்டு புள்ளிவிவரங்கள் (இணையத்தில் இலவசமாகக் கிடைக்கும்)
• சிரம நிலை: மேம்பட்ட நிலை
• வழிமுறைகள்:
  1. குறைந்தது 10 ஆண்டுகள் தரவைக் கொண்ட 10 பங்குகள் அல்லது விளையாட்டு வீரர்களைத் தேர்ந்தெடுக்கவும்
  2. முதல் ஆண்டு தரவை மட்டுமே பாருங்கள். முதல் 3 செயல்பாட்டாளர்களை அடையாளம் காணவும்
  3. அவர்கள் 2 வது ஆண்டிலும் சிறந்த செயல்பாட்டாளர்களாக இருப்பார்கள் என்று கணிக்கவும்
  4. 2 வது ஆண்டு முடிவுகளைச் சரிபார்க்கவும். முதல் 3 இல் எத்தனை பேர் இருந்தனர்?
  5. இப்போது 5 ஆண்டு சராசரிகளைப் பாருங்கள். முதல் 3 செயல்பாட்டாளர்களை அடையாளம் காணவும்
  6. அடுத்த 5 ஆண்டு செயல்திறனைச் சரிபார்க்கவும். துல்லியத்தை ஒப்பிடவும்
• சிந்தனை கேள்விகள்:
  • குறுகிய கால செயல்திறன் நீண்ட கால விளைவுகளை எவ்வாறு கணித்தது?
  • நீங்கள் கவனித்த சராசரிக்கான பின்னடைவை (regression to the mean) எது விளக்குகிறது?
  • இது உங்கள் முதலீடு அல்லது பந்தய உத்தியை எவ்வாறு மாற்றும்?
• அதிர்வெண்: காலாண்டுக்கு ஒருமுறை

தினசரி பயிற்சி

ஒவ்வொரு நாளும், வரையறுக்கப்பட்ட தரவிலிருந்து நீங்கள் எடுக்கும் ஒரு முடிவைக் கவனியுங்கள். அதை ஏற்றுக்கொள்வதற்கு முன், கேளுங்கள்: "இது எத்தனை அவதானிப்புகளை அடிப்படையாகக் கொண்டது?" மற்றும் "என்னிடம் 10 மடங்கு அதிக தரவு இருந்தால் நான் என்ன முடிவுக்கு வருவேன்?" மாதிரி அளவு சிக்கலைக் கொடியிடுவது போதுமானது - உங்கள் முடிவை நீங்கள் மாற்றத் தேவையில்லை, வரம்பைக் கவனியுங்கள்.

• பரிந்துரைக்கப்பட்ட காலம்: 2 நிமிடங்கள்
• நாளின் சிறந்த நேரம்: மாலை சிந்தனை
• முன்னேற்றத்தை எவ்வாறு கண்காணிப்பது: தினசரி அவதானிப்புகளை ஒரு சிறிய குறிப்பேட்டில் கணக்கிட்டு வைக்கவும்

வாராந்திர சவால்

வாரத்திற்கு ஒருமுறை, புள்ளிவிவரங்களை மேற்கோள் காட்டும் ஒரு செய்தி கட்டுரை அல்லது சமூக ஊடகப் பதிவைக் கண்டறியவும். அசல் மூலத்தை ஆராய்ந்து மாதிரி அளவைக் கண்டறியவும். முடிவுகள் ஆதார வலிமையால் நியாயப்படுத்தப்படுகிறதா என்பது பற்றிய சுருக்கமான குறிப்பை எழுதுங்கள்.

• 4 வாரங்களுக்குப் பிறகு எதிர்பார்க்கப்படும் முடிவுகள்: அறிக்கையிடப்பட்ட கண்டுபிடிப்புகள் பற்றிய இயல்பான சந்தேகம்; மாதிரி அளவின் மீது தானியங்கி கவனம்
• சிந்தனைக்கான இதழியல் தூண்டுதல்கள்:
  • இந்த வாரம் நான் கண்டுபிடித்த மிகவும் ஆச்சரியமான மாதிரி அளவு என்ன?
  • மாதிரி அளவைக் கற்றுக்கொண்டது கண்டுபிடிப்பைப் பற்றிய எனது விளக்கத்தை எவ்வாறு மாற்றியது?
  • எனது ஆரம்ப சந்தேகத்தில் நான் அதிக அளவீடு ஆகிறேனா?

12. குறிப்பிட்ட பார்வையாளர்களுக்கு

தலைவர்கள் மற்றும் மேலாளர்களுக்கு

வரையறுக்கப்பட்ட தரவுகளின் அடிப்படையில் தலைவர்கள் தொடர்ந்து அதிக-பங்கு முடிவுகளை எடுக்கிறார்கள்: காலாண்டு முடிவுகள், ஆரம்ப தயாரிப்பு பின்னூட்டம், நேர்காணல் பதிவுகள், பைலட் திட்ட முடிவுகள். நிறுவன அளவில் மாதிரி அளவு புறக்கணிப்பு செலவுகள் அதிகரிக்கின்றன.

குறிப்பிட்ட உத்திகள்:

• முயற்சிகள் வெற்றி பெற்றனவா அல்லது தோல்வியடைந்தனவா என்று முடிவெடுப்பதற்கு முன் குறைந்தபட்ச கண்காணிப்பு காலங்களை நிறுவுங்கள்
• அனைத்து உள் ஆராய்ச்சி மற்றும் பகுப்பாய்வுகளிலும் மாதிரி அளவு அறிக்கையிடல் தேவை
• சிறிய மாதிரிகளிலிருந்து நிச்சயமற்ற தன்மையை வெளிப்படையாக உள்ளடக்கிய முடிவெடுக்கும் கட்டமைப்புகளை உருவாக்குங்கள்
• புள்ளியியல் பணிவுக்கு முன்மாதிரியாக இருங்கள்: அதிக தரவு படத்தை மாற்றும்போது முடிவுகளைப் பகிரங்கமாகத் திருத்துங்கள்
• அதிக நம்பிக்கையுள்ள விளக்கங்களைச் சவால் செய்யக்கூடிய புள்ளியியல் நிபுணர்களைக் கொண்ட குழுக்களை உருவாக்குங்கள்

குழு அடிப்படையிலான தலையீடுகள்:

• முக்கியமான கூட்டங்களில் "மாதிரி அளவு வழக்கறிஞர்" (sample size advocate) பாத்திரத்தை நியமிக்கவும்
• நம்பிக்கையை அளவிடுவதைச் சுற்றி விதிமுறைகளை உருவாக்கவும்: "இந்த N கொடுக்கப்பட்டால், நாம் எவ்வளவு உறுதியாக இருக்க வேண்டும்?"
• வரையறுக்கப்பட்ட தரவுகளுடன் எடுக்கப்பட்ட கடந்தகால முடிவுகளில் போஸ்ட்-மார்ட்டம் (post-mortems) நடத்தவும்

பெற்றோர்கள் மற்றும் கல்வியாளர்களுக்கு

முறையான நிகழ்தகவு கல்விக்கு முன் குழந்தைகள் புள்ளியியல் உள்ளுணர்வை வளர்க்க வேண்டும். ஆதார வலிமையைக் கேள்விக்குள்ளாக்கும் சிந்தனைப் பழக்கத்தை உருவாக்குவதே குறிக்கோள்.

வயதுக்கு ஏற்ற விளக்கங்கள்:

• சிறு குழந்தைகள்: "நாங்கள் ஒரு சில முறை மட்டுமே ஒன்றை முயற்சித்திருந்தால், அது எப்போதும் அப்படித்தான் மாறுமா என்று எங்களுக்கு உண்மையிலேயே தெரியாது"
• மூத்த குழந்தைகள்: சிறிய மாதிரிகள் எவ்வாறு மாறுபடுகின்றன என்பதை நிரூபிக்க விளையாட்டுகள் மற்றும் பரிசோதனைகளை (நாணயம் சுழற்றுதல், பகடை உருட்டுதல்) பயன்படுத்தவும்
• பதின்ம வயதினர்: சமூக ஊடகங்கள் சக நடபத்தை மற்றும் கருத்துக்களின் சார்புடைய மாதிரிகளை எவ்வாறு உருவாக்குகின்றன என்பதைப் பற்றி விவாதிக்கவும்

செயல்பாடுகள்:

• மாறுபாட்டைக் கவனிக்கப் பகடை மற்றும் நாணயங்களுடன் குடும்ப பரிசோதனைகள்
• "நல்லது" அல்லது "கெட்டது" என்று முடிவெடுப்பதற்கு முன்பு எத்தனை முயற்சிகள் தேவை என்பது பற்றி விவாதிக்கவும்
• விளம்பரக் கோரிக்கைகளை ஒன்றாகப் பகுப்பாய்வு செய்யுங்கள்: "அவர்களுக்கு இது எப்படித் தெரியும்?"

சுகாதார நிபுணர்களுக்கு

மருத்துவ முடிவுகள் வாழ்வா சாவா விளைவுகளைக் கொண்டுள்ளன, இது மாதிரி அளவு உணர்திறனை முக்கியமானதாக ஆக்குகிறது. பயிற்சி பெற்ற மருத்துவர்கள் கூட புள்ளியியல் பகுத்தறிவுடன் எவ்வாறு போராடுகிறார்கள் என்பதை மேமோகிராபி பிரச்சனை நிரூபிக்கிறது.

மருத்துவ தாக்கங்கள்:

• தனிப்பட்ட நோயாளிகளின் அசாதாரண சோதனை முடிவுகள் மாதிரி மாறுபாடாக இருக்கலாம் என்பதை உணருங்கள்
• அடிப்படை விகிதங்கள் தவறான நேர்மறைகளைச் சாத்தியமாக்கும் அரிய நோய்களைப் பற்றி குறிப்பாக எச்சரிக்கையாக இருங்கள்
• நோயாளிகளுக்கு ஆபத்தைத் தொடர்புகொள்ளும்போது அதிர்வெண் வடிவங்களைப் பயன்படுத்தவும்

நோயாளி தொடர்பு உத்திகள்:

• ஒரு ஒற்றை சோதனை முடிவு ஒரு தரவுப் புள்ளி என்பதை விளக்குங்கள்; காலப்போக்கில் கண்காணிப்பது மிகவும் நம்பகமான தகவலை வழங்குகிறது
• மாதிரி அளவுகளுடன் சிகிச்சை செயல்திறன் தரவை வெளிப்படையாக முன்வைக்கவும்: "500 நோயாளிகளின் ஆய்வில்..."
• தனிப்பட்ட அனுபவம் மக்கள் தொகை புள்ளிவிவரங்களுடன் பொருந்தாது என்பதை நோயாளிகள் புரிந்துகொள்ள உதவுங்கள்

நிதி நிபுணர்களுக்கு

மாதிரி அளவு புறக்கணிப்பை சந்தைகள் கடுமையாகத் தண்டிக்கின்றன. மூன்றாண்டுப் பதிவுகளைத் துரத்துவது, காலாண்டு வருவாய் பற்றி மிகையாகச் செயல்படுவது மற்றும் தப்பியிருப்போர் சார்பைப் புறக்கணிப்பது ஆகியவை முதலீட்டாளர்களுக்கு ஆண்டுதோறும் பில்லியன் கணக்கான செலவுகளை ஏற்படுத்துகின்றன.

முதலீடு சார்ந்த பயன்பாடுகள்:

• மேலாளர் திறன் உள்ளது என்று முடிவெடுப்பதற்கு முன் நீண்ட பதிவுகளைக் கோருங்கள்
• நிதி வகைகளை பகுப்பாய்வு செய்யும் போது தப்பியிருப்போர் சார்பைக் கணக்கில் கொள்ளுங்கள்
• குறுகிய காலச் சிறப்பான செயல்திறன் சீரற்ற மாறுபாட்டுடன் ஒத்திருக்கிறது என்பதை உணருங்கள்

வாடிக்கையாளர் தொடர்பு உத்திகள்:

• குறுகிய கால செயல்திறனின் நம்பகத்தன்மையின்மை குறித்து வாடிக்கையாளர்களுக்குக் கற்பிக்கவும்
• வரலாற்றுத் தரவைப் பொருத்தமான நம்பிக்கை இடைவெளிகளுடன் (confidence intervals) முன்வைக்கவும்
• சராசரிக்கான பின்னடைவை விளக்குங்கள்: தீவிர முடிவுகள் பொதுவாகக் காலப்போக்கில் மிதமாகின்றன

இடர் மேலாண்மை தாக்கங்கள்:

• சமீபத்திய வெற்றியாளர்கள் பின்னடைவார்கள் என்று கருதி இலாகாக்களை (portfolios) உருவாக்குங்கள்
• புதிய உத்திகளுக்கு நீண்ட மதிப்பீட்டு காலங்கள் தேவை
• இடர் மாதிரிகளில் சிறிய மாதிரிகளிலிருந்து நிச்சயமற்ற தன்மையை இணைத்துக்கொள்ளுங்கள்

13. பிற சார்புகளுடனான தொடர்புகள்

இதை அதிகப்படுத்தும் சார்புகள்

இதனை எதிர்க்கும் சார்புகள்

பொதுவான சார்பு சங்கிலிகள்

பிரதிநிதித்துவ வழிகாட்டல் → மாதிரி அளவின் மீதான உணர்வின்மை → சூதாடியின் வீழ்ச்சி → மூழ்கிய செலவு வீழ்ச்சி (Sunk Cost Fallacy)

விளக்கம்: மாதிரி நம்பகத்தன்மையை விட ஒற்றுமையின் அடிப்படையில் நிகழ்தகவை மதிப்பிடுவதன் மூலம் தொடங்குகிறோம். எதிர்பார்க்கப்படும் வடிவங்களிலிருந்து சிறிய மாதிரிகள் விலகும்போது, சூதாடியின் வீழ்ச்சிக்கு வழிவகுக்கும் வகையில் அவை "சரியானதாக" இருக்கும் என்று எதிர்பார்க்கிறோம். அவர்கள் திருத்தாதபோது, "மாற்றம்" உடனடியானது என்று நம்பி நாங்கள் முதலீடு செய்வதைத் (மூழ்கிய செலவு) தொடரலாம்.

குறுக்கிட: முதல் படியில் மாதிரி அளவைக் கேள்விக்குள்ளாக்குங்கள். எந்தவொரு காரண-காரிய விளக்கமும் தொடங்குவதற்கு முன், "இது நம்புவதற்குப் போதுமான தரவா?" என்று கேளுங்கள்.

14. கலாச்சாரக் கண்ணோட்டங்கள்

இந்தச் சார்பின் கலாச்சார மாறுபாடுகள் குறித்த ஆராய்ச்சி குறைவாகவே உள்ளது, ஆனால் குறுக்கு-கலாச்சார அறிவாற்றல் உளவியலிலிருந்து சில வடிவங்கள் வெளிப்படுகின்றன.

பகுப்பாய்வு சிந்தனையை (பொதுவாக மேற்கத்திய, தனித்துவமான சமூகங்களுடன் தொடர்புடையது) வலியுறுத்தும் கலாச்சாரங்கள் முழுமையான சிந்தனையை (பொதுவாக கிழக்கு ஆசிய, கூட்டு சமூகங்களுடன் தொடர்புடையது) வலியுறுத்தும் கலாச்சாரங்களை விட வெவ்வேறு பாதிப்பு வடிவங்களைக் காட்டலாம். முழுமையான சிந்தனையாளர்கள் சூழல் மற்றும் சூழ்நிலைக் காரணிகளில் அதிக கவனம் செலுத்தலாம், சிறிய மாதிரிகளிலிருந்து தீவிர முடிவுகளை மிதப்படுத்தலாம்.

கருத்தியல் புள்ளியியல் பகுத்தறிவுக்கு எதிராக வழக்கமான கணிதக் கணக்கீட்டை வலியுறுத்தும் கல்வி அமைப்புகள் சார்பு தீவிரத்தை பாதிக்கலாம். அதிர்வெண் வடிவ கருதுகோள் (frequency format hypothesis) உறுதியான, அனுபவக் கணிதத்தின் வலுவான மரபுகளைக் கொண்ட கலாச்சாரங்கள் மாதிரி-அளவு-உணர்திறன் பணிகளில் சிறப்பாகச் செயல்படலாம் என்று கூறுகிறது.

திட்டம் மறைமுக (Project Implicit) (பென்-குரியன் பல்கலைக்கழகம், இஸ்ரேல் மற்றும் ஹார்வர்ட் ஆராய்ச்சியாளர்களை உள்ளடக்கியது) போன்ற நிறுவனங்களின் குறுக்கு-கலாச்சார ஆய்வுகள், இந்தச் சார்பு உலகளாவியதாக இருந்தாலும், வழிகாட்டல்களை நம்பியிருக்கும் அளவு கல்வி அமைப்புகள் மற்றும் கலாச்சார விதிமுறைகளின் அடிப்படையில் மாறுபடும் என்பதை நிரூபிக்கின்றன.

15. கட்டுக்கதைகள் மற்றும் தவறான எண்ணங்கள்

16. நிபுணர் நுண்ணறிவு

"வாய்ப்பு விதிகள் பற்றி மக்களுக்குத் தவறான உள்ளுணர்வுகள் உள்ளன. குறிப்பாக, ஒரு மக்கள் தொகையில் இருந்து தோராயமாக எடுக்கப்பட்ட ஒரு மாதிரியை மிகவும் பிரதிநிதித்துவப்படுத்துவதாகவும், அதாவது அனைத்து அத்தியாவசிய பண்புகளிலும் மக்கள்தொகையைப் போலவே இருப்பதாகவும் அவர்கள் கருதுகிறார்கள்." — அமோஸ் ட்வெர்ஸ்கி & டேனியல் கான்மேன், Science (1974)

"கலவையில் ஒரு மக்கள்தொகையை மிகவும் பிரதிநிதித்துவப்படுத்தும் ஒரு சிறிய மாதிரி, வழிமுறைகள், மாறுபாடுகள் அல்லது தொடர்புகள் போன்ற புள்ளியியல் பண்புகளில் அவசியமாக பிரதிநிதித்துவப்படுத்தப்படுவதில்லை." — அமோஸ் ட்வெர்ஸ்கி & டேனியல் கான்மேன், "சிறிய எண்களின் விதி மீதான நம்பிக்கை" (1971)

"மனம் சதவீதங்களின் வடிவத்தில் நிகழ்தகவுகளைக் கணக்கிட வடிவமைக்கப்படவில்லை, ஆனால் அது இயற்கையான அதிர்வெண்களை 'பார்க்க' முடியும்." — கெர்ட் கிகெரென்ஸர், மனித வளர்ச்சிக்கான மேக்ஸ் பிளாங்க் நிறுவனம்

17. முக்கிய குறிப்புகள்

1. மாதிரி அளவோடு மாறுபாடு குறைகிறது: இந்த கணித உண்மை (σ/√n) மனித உள்ளுணர்வால் தொடர்ந்து மீறப்படுகிறது. சிறிய மாதிரிகள் இயல்பாகவே நிலையற்றவை; பெரிய மாதிரிகள் நிலையானவை.

2. சார்பு உலகளாவியது: சாதாரண மக்கள் முதல் நோபல் பரிசு பெற்றவர்கள் வரை, அனைவரும் இந்தப் போக்கை வெளிப்படுத்துகிறார்கள். புள்ளியியல் பயிற்சி அதைக் குறைக்கிறது ஆனால் அதை அகற்றாது.

3. நாங்கள் சத்தத்தில் வடிவங்களைக் காண்கிறோம்: மனதின் வடிவ-அங்கீகார அமைப்புகள் மாதிரி நம்பகத்தன்மையைக் கணக்கிடுவதில்லை, இதனால் சீரற்ற ஏற்ற இறக்கங்களுக்கான காரணக் கதைகளை நாங்கள் உருவாக்குகிறோம்.

4. வடிவம் முக்கியமானது: தகவல்களைச் சதவீதங்களுக்குப் பதிலாக இயற்கையான அதிர்வெண்களாக ("1,000 இல் 10") வழங்குவது பகுத்தறிவை வியத்தகு முறையில் மேம்படுத்துகிறது, சார்பு என்பது ஓரளவுக்கு தகவல் வடிவமைப்பைப் பற்றியது என்று கூறுகிறது.

5. செலவுகள் மகத்தானவை: பிரதிபலிப்பு நெருக்கடி, மருத்துவத் தவறான நோயறிதல், நிதிக் குமிழிகள் மற்றும் சந்தைப்படுத்தல் பேரழிவுகள் அனைத்தையும் இந்த ஒற்றைப் பிழைக்குக் கண்டறியலாம்.

6. நல்ல காரணங்களுக்காக உருவான சார்பு: தரவு-குறைவான மூதாதையர் சூழல்களில், சிறிய மாதிரிகளிலிருந்து விரைவான பொதுமைப்படுத்தல் தகவமைப்பாக இருந்தது. நவீன தரவு-நிறைந்த சூழல்களுடனான பொருந்தின்மை சிக்கலை உருவாக்குகிறது.

7. "N என்ன?" என்று கேளுங்கள்: முடிவுகளை எடுப்பதற்கு முன்பு மாதிரி அளவைக் கவனத்தில் கொள்வதே மிகவும் பயனுள்ள ஒற்றைத் தலையீடு ஆகும்.

18. கூடுதல் ஆதாரங்கள்

கல்விக் கட்டுரைகள்

• Tversky, A., & Kahneman, D. (1971). Belief in the law of small numbers. Psychological Bulletin, 76(2), 105-110.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684-704.
• Gilovich, T., Vallone, R., & Tversky, A. (1985). The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology, 17(3), 295-314.
• Wainer, H., & Zwerling, H. L. (2006). Evidence that smaller schools do not improve student achievement. Phi Delta Kappan, 88(4), 300-303.

புத்தகங்கள்

• 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.
• Thaler, R. H. (2015). Misbehaving: The Making of Behavioral Economics. W. W. Norton & Company.
• Stanovich, K. E. (2009). What Intelligence Tests Miss: The Psychology of Rational Thought. Yale University Press.

புத்தக அத்தியாயங்கள்

• Kahneman, D., & Tversky, A. (1972). Subjective probability: A judgment of representativeness. In Cognitive Psychology, 3(3), 430-454.

19. சுருக்க அட்டை

20. பயன்படுத்தப்பட்ட சொற்களின் சொற்களஞ்சியம்

21. கலந்துரையாடல் கேள்விகள்

புத்தகக் கழகங்கள், வகுப்பறைகள் அல்லது சுய சிந்தனைக்கு:

1. நீங்கள் சமீபத்தில் எடுத்த முக்கியமான முடிவைக் கவனியுங்கள். அந்த முடிவு எவ்வளவு தரவை அடிப்படையாகக் கொண்டது, உங்களிடம் பத்து மடங்கு அதிக தகவல் இருந்தால் நீங்கள் அதே தேர்வைச் செய்வீர்களா?

2. புள்ளியியல் பயிற்சி ஏன் இந்தச் சார்பை முழுமையாக அகற்றாது என்று நீங்கள் நினைக்கிறீர்கள்? மனித அறிவாற்றல் கட்டமைப்பு பற்றி இது எதை வெளிப்படுத்துகிறது?

3. சிறிய, கிராமப்புற மாவட்டங்களில் அதிக மற்றும் குறைந்த புற்றுநோய் விகிதங்கள் ஏற்படுவதை சிறுநீரக புற்றுநோய் வரைபடம் காட்டியது. புள்ளிவிவரங்களில் பயிற்சி பெற்ற ஒரு பொது சுகாதார அதிகாரி இதைச் செய்யாத ஒருவரை விட எவ்வாறு வித்தியாசமாக அணுகுவார்?

4. சதவீதங்களுக்குப் பதிலாக இயற்கையான அதிர்வெண்களாகத் தகவலை வழங்குவது பகுத்தறிவை வியத்தகு முறையில் மேம்படுத்துகிறது என்று கிகெரென்ஸர் வாதிடுகிறார். "1%" ஐ விட "1,000 இல் 10" என்பதை நமது மனம் ஏன் சிறப்பாகக் கையாளலாம்?

5. மூதாதையர் சூழல்களில் இந்தச் சார்பு தகவமைப்பாக இருந்தால், நாம் அதை எவ்வாறு அணுக வேண்டும் என்பதைப் பற்றி அது என்ன பரிந்துரைக்கிறது-அழிக்க வேண்டிய ஒன்றாகவா, அல்லது சரியான முறையில் திசைதிருப்ப வேண்டிய ஒன்றாகவா?