နမူနာအရွယ်အစားအပေါ် အာရုံမခံနိုင်မှု (Insensitivity to Sample Size)

တစ်ချက်ကြည့်ရန်

၁။ အမြန်အကျဉ်းချုပ်

ကျွန်ုပ်တို့သည် အချက်အလက် နမူနာအသေးလေးတစ်ခုသည် ၎င်းပါဝင်သော ပိုမိုကြီးမားသည့် လူဦးရေ/အုပ်စုကြီးနှင့် ပုံစံတူညီရမည်ဟု အလိုလို ယုံကြည်တတ်ကြသည်။ အကြွေစေ့ ဆယ်ကြိမ်မြှောက်ရာတွင် ၅၀/၅၀ အချိုးအတိအကျ မကျသောအခါ၊ ကိန်းဂဏန်းအသေးများ၏ သဘာဝကျသော ကွဲလွဲနိုင်စွမ်းကို အသိအမှတ်ပြုမည့်အစား၊ ပုံစံများ၊ ဆက်တိုက်ဖြစ်စဉ်များ သို့မဟုတ် မတရားမှုများကိုသာ မြင်တတ်ကြသည်။ ၎င်းသည် ကန့်သတ်ချက်ရှိသော အချက်အလက်များမှ ယုံကြည်မှုလွန်ကဲသော ကောက်ချက်ချခြင်းများ ပြုလုပ်ရန်၊ ကျပန်းဖြစ်နေသော အရာများတွင် အဓိပ္ပာယ်ရှိသော ရေစီးကြောင်းများ ရှိနေသည်ဟု မြင်ယောင်ရန်နှင့် စာရင်းအင်းပိုင်းဆိုင်ရာ ယုံကြည်စိတ်ချရမှုတွင် အရေအတွက်၏ အရေးပါသော အခန်းကဏ္ဍကို ပယ်ချရန် အကြောင်းရင်းဖြစ်စေသည်။

၂။ သိပ္ပံနည်းကျ အကြောင်းရင်း

၂.၁. တွေ့ရှိမှုနှင့် သမိုင်းကြောင်း

နမူနာအရွယ်အစားအပေါ် အာရုံမခံနိုင်မှု (Insensitivity to Sample Size) ကို ၁၉၇၀ ပြည့်လွန်နှစ်များအတွင်း စိတ်ပညာနယ်ပယ်ရှိ သိမြင်မှုဆိုင်ရာ တော်လှန်ရေး (cognitive revolution) မှတဆင့် တရားဝင် ခွဲခြားသတ်မှတ်နိုင်ခဲ့သည်။ ၁၉၇၁ ခုနှစ်တွင် Amos Tversky နှင့် Daniel Kahneman တို့သည် Psychological Bulletin ၌ "Belief in the Law of Small Numbers" (ကိန်းဂဏန်းအသေးများဆိုင်ရာ နိယာမကို ယုံကြည်ခြင်း) စာတမ်းကို ပုံနှိပ်ထုတ်ဝေခဲ့ပြီး၊ လူသားတို့၏ ပင်ကိုယ်အသိသည် ကိန်းဂဏန်းအကြီးများဆိုင်ရာ နိယာမ (Law of Large Numbers) သည် ကိန်းဂဏန်းအသေးများနှင့်လည်း အကျုံးဝင်သကဲ့သို့ အလုပ်လုပ်နေကြောင်း အဆိုပြုခဲ့သည်။ သုံးနှစ်ကြာပြီးနောက် သူတို့၏ အရေးပါသော ၁၉၇၄ Science စာတမ်းဖြစ်သည့် "Judgment under Uncertainty: Heuristics and Biases" တွင် ၎င်းတို့က ဤဖြစ်စဉ်ကို ပိုမိုကျယ်ပြန့်သော ကိုယ်စားပြုမှုဆိုင်ရာ ဖြတ်လမ်းနည်း (Representativeness Heuristic) ဘောင်အတွင်း သီးခြား သိမြင်မှုဆိုင်ရာ ဘက်လိုက်မှုတစ်ခုအဖြစ် တရားဝင် သတ်မှတ်ခဲ့ကြသည်။

ဉာဏ်ရည်ပိုင်းဆိုင်ရာ အရင်းအမြစ်များမှာ Gerolamo Cardano နှင့် Jacob Bernoulli တို့၏ ကိန်းဂဏန်းအကြီးများဆိုင်ရာ နိယာမ (Law of Large Numbers) စတင်ဖော်ထုတ်မှုဖြစ်သည့် သင်္ချာဆိုင်ရာ ဖြစ်နိုင်ခြေသီအိုရီ (mathematical probability theory) သို့ ပြန်လည်ခြေရာခံနိုင်သည်။ သို့ရာတွင် လူသားတို့သည် ဤသင်္ချာမူဝါဒကို အဘယ်ကြောင့် စနစ်တကျ ချိုးဖောက်နေကြသနည်းဟူသည့် စိတ်ပညာပိုင်းဆိုင်ရာ စူးစမ်းလေ့လာမှုကို Kahneman-Tversky ပူးပေါင်းမှုက စတင်လမ်းခင်းပေးခဲ့ခြင်းဖြစ်သည်။

၁၉၇၀ ပြည့်လွန်နှစ်များမှစ၍ ကျွန်ုပ်တို့၏ နားလည်မှုသည် သိသာစွာ တိုးတက်လာခဲ့သည်။ Max Planck Institute မှ Gerd Gigerenzer ဦးဆောင်သော "ဂေဟဗေဒဆိုင်ရာ အကျိုးသင့်အကြောင်းသင့်ရှိမှု" (Ecological Rationality) ကျောင်းတော်သည် မူလကောက်ချက်ချမှုကို စိန်ခေါ်ခဲ့ပြီး၊ ဤဘက်လိုက်မှုသည် ပြဿနာများကို တင်ပြပုံပေါ်မူတည်၍ ဖြစ်ပေါ်လာသော အရာတစ်စိတ်တစ်ပိုင်းဖြစ်နိုင်ကြောင်း ငြင်းခုံခဲ့သည်။ စာရင်းအင်းဆိုင်ရာ အချက်အလက်များကို စိတ်ကူးယဉ် ဖြစ်နိုင်ခြေများအစား သဘာဝကျသော အကြိမ်အရေအတွက်များ (natural frequencies) အဖြစ် ပြန်လည်ပုံဖော်ပြသသောအခါ၊ စွမ်းဆောင်ရည်မှာ သိသိသာသာ တိုးတက်လာကြောင်း တွေ့ရသည်။

၂.၂. အဓိက သုတေသီများ

၂.၃. အရေးပါသော လေ့လာမှုများ (Landmark Studies)

ဆေးရုံပြဿနာ (Tversky & Kahneman, 1974)

ဤစံပြစမ်းသပ်မှုတွင် ပါဝင်သူများသည် အောက်ပါအတိုင်း ဖတ်ရှုရသည်- "မြို့တစ်မြို့တွင် ဆေးရုံနှစ်ရုံရှိသည်။ ဆေးရုံကြီးတွင် နေ့စဉ် ကလေး ၄၅ ယောက်ခန့် မွေးဖွားပြီး ဆေးရုံငယ်တွင် နေ့စဉ် ကလေး ၁၅ ယောက်ခန့် မွေးဖွားသည်။ သင်သိသည့်အတိုင်း ကလေးအားလုံး၏ ၅၀% ခန့်မှာ ယောကျာ်းလေးများ ဖြစ်ကြသည်။ သို့သော် အတိအကျရာခိုင်နှုန်းမှာ တစ်နေ့နှင့်တစ်နေ့ မတူညီပါ။ တစ်နှစ်တာကာလအတွက် ဆေးရုံတစ်ခုစီသည် မွေးဖွားလာသော ကလေးများအနက် ယောကျာ်းလေး ၆၀% ထက်ပို၍ မွေးဖွားသောရက်များကို မှတ်တမ်းတင်ခဲ့သည်။ မည်သည့်ဆေးရုံက ထိုသို့သောရက်များကို ပိုမိုမှတ်တမ်းတင်နိုင်မည်ဟု ထင်ပါသနည်း?"

ရလဒ်များမှာ မှတ်သားဖွယ်ဖြစ်သည်- ဘွဲ့ကြိုကျောင်းသားများ၏ ၅၆% က "ခန့်မှန်းခြေ အတူတူပင်" ကို ရွေးချယ်ခဲ့ကြပြီး၊ ၂၂% က ဆေးရုံကြီးကို ရွေးချယ်ကာ ခန့်မှန်းခြေအားဖြင့် ၂၂% ကသာ ဆေးရုံငယ်ကို မှန်ကန်စွာ ရွေးချယ်ခဲ့ကြသည်။ မှန်ကန်သောအဖြေမှာ ဆေးရုံငယ်ဖြစ်သည်။ အကြောင်းမှာ နမူနာအသေးများသည် ပို၍မတည်ငြိမ်ဘဲ ပျမ်းမျှတန်ဖိုးမှ အလွန်အမင်း ကွဲလွဲမှုများ (extreme deviations) ဖြစ်ပေါ်ရန် ပိုများသောကြောင့်ဖြစ်သည်။ ပါဝင်သူများသည် နမူနာအရွယ်အစားမှာ ၁၅ ဖြစ်စေ၊ ၄၅ ဖြစ်စေ ၅၀% အချိုးအစားက တူညီစွာ သက်ရောက်မှုရှိလိမ့်မည်ဟု မျှော်လင့်ကာ နမူနာအရွယ်အစားကို မသက်ဆိုင်သကဲ့သို့ သဘောထားခဲ့ကြသည်။

အရပ်အမြင့် ခန့်မှန်းခြင်း စမ်းသပ်မှု (Tversky & Kahneman, 1974)

ယေဘုယျလူဦးရေမှ ထုတ်ယူထားသော အမျိုးသား ၁၀ ဦး၊ ၁၀၀ ဦးနှင့် ၁,၀၀၀ ဦး ပါဝင်သည့် နမူနာများတွင် ပျမ်းမျှအရပ် ၆ ပေ (၁၈၃ စင်တီမီတာ) အထက်ရှိရန် ဖြစ်နိုင်ခြေကို ပါဝင်သူများက ခန့်မှန်းခဲ့ကြသည်။ ယုတ္တိဗေဒအရ ပျမ်းမျှအရပ် ၆ ပေကျော်သော အမျိုးသား ၁,၀၀၀ ကို ရှာတွေ့ရန်မှာ လုံးဝနီးပါး မဖြစ်နိုင်သော်လည်း၊ ဤအရပ်အမြင့်ရှိ အမျိုးသား ၁၀ ဦးကို ရှာတွေ့ရန်မှာမူ မဖြစ်နိုင်ခြင်း မဟုတ်ပေ။ သို့သော်လည်း ပါဝင်သူများသည် နမူနာအရွယ်အစား သုံးခုစလုံးအတွက် ဖြစ်နိုင်ခြေတူညီသည်ဟု သတ်မှတ်ခဲ့ကြသည်။ နမူနာများကို ၎င်းတို့၏ ဖော်ပြချက် ("အမျိုးသားများ") အပေါ်တွင်သာ အခြေခံ၍ အကဲဖြတ်ခြင်းဖြင့်၊ ပါဝင်သူများသည် အရေအတွက်ပိုများခြင်း၏ တည်ငြိမ်စေနိုင်သော စွမ်းအားကို လုံးဝ လျစ်လျူရှုခဲ့ကြသည်။

ရင်သားကင်ဆာစစ်ဆေးမှု ပြဿနာ (Gigerenzer et al., 1995)

ဆရာဝန်များအား ရာခိုင်နှုန်းများကို အသုံးပြု၍ (Sensitivity=90%, False Positive=9%, Prevalence=1%) ရင်သားကင်ဆာစစ်ဆေးမှု ရလဒ်အပေါင်းလက္ခဏာပြပါက ရင်သားကင်ဆာဖြစ်နိုင်ခြေကို ခန့်မှန်းခိုင်းသောအခါ ၁၀-၁၅% ကသာ မှန်ကန်စွာ ဖြေဆိုနိုင်ခဲ့သည်။ ထိုပြဿနာကိုပင် သဘာဝကြိမ်နှုန်းများ ("အမျိုးသမီး ၁,၀၀၀ လျှင် ၁၀ ဦးတွင် ကင်ဆာရှိသည်...") အဖြစ် တင်ပြသောအခါ တိကျမှန်ကန်မှုသည် ၄၆-၆၇% အထိ မြင့်တက်လာခဲ့သည်။ ပိုင်းခြေတွင် နမူနာအရွယ်အစားကို ရှင်းလင်းစွာ ဖော်ပြခြင်းက စာရင်းအင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုကို သိသာစွာ တိုးတက်စေကြောင်း ၎င်းက သက်သေပြခဲ့သည်။

The Hot Hand Study (Gilovich, Vallone, & Tversky, 1985)

Philadelphia 76ers နှင့် Boston Celtics တို့၏ ဘတ်စကက်ဘော ပစ်သွင်းမှုမှတ်တမ်းများကို ခွဲခြမ်းစိတ်ဖြာရာတွင်၊ သုတေသီများသည် ကျပန်းဖြစ်တန်စွမ်းထက်ကျော်လွန်သော "hot" (ဆက်တိုက်ဝင်ခြင်း) အနေအထားများအတွက် စာရင်းအင်းဆိုင်ရာ အထောက်အထား မတွေ့ခဲ့ရပေ။ ကစားသမားတစ်ဦး၏ ပစ်သွင်းမှုမှတ်တမ်းသည် သင်္ချာနည်းအရ အကြွေစေ့မြှောက်သည့် အစီအစဉ်များနှင့် ခွဲခြား၍မရပေ။ ကစားသမားများ၊ နည်းပြများနှင့် ပရိသတ်များအကြား "hot hand" ရှိသည်ဟူသော အများယုံကြည်မှုသည် ကျပန်း နမူနာအသေးလေးများတွင် ပုံစံများကို မြင်ယောင်ခြင်းမှ ဖြစ်ပေါ်လာသော သိမြင်မှုဆိုင်ရာ အထင်မှားမှုတစ်ခုဖြစ်ကြောင်း ဖော်ထုတ်နိုင်ခဲ့သည်။

၂.၄. အာရုံကြောဆိုင်ရာ အခြေခံ (Neurological Basis)

ဤဘက်လိုက်မှုသည် စိတ်ပညာရှင်များဖြစ်ကြသော Keith Stanovich, Richard West နှင့် Daniel Kahneman တို့က "System 1" စဉ်းစားတွေးခေါ်မှုဟု သတ်မှတ်ထားသော—သင်္ချာဆိုင်ရာ တိကျမှုထက် အမြန်နှုန်းနှင့် ဆက်စပ်ညီညွတ်မှုကို ဦးစားပေးသည့် လျင်မြန်သော၊ အလိုအလျောက်ဖြစ်သော၊ ပင်ကိုယ်သိစိတ်ရှိသော သိမြင်မှုလုပ်ငန်းစဉ်များမှတစ်ဆင့် အလုပ်လုပ်သည်။ စာရင်းအင်းဆိုင်ရာ အထောက်အထားများကို အကဲဖြတ်သောအခါ၊ System 1 သည် သင့်လျော်သော စာရင်းအင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုအတွက် လိုအပ်သည့် ပိုမိုနှေးကွေးပြီး အားထုတ်ရသော System 2 လုပ်ငန်းစဉ်များဖြင့် လုပ်ဆောင်မည့်အစား ဆင်တူမှုနှင့် ပုံစံမှတ်မိခြင်းတို့ကိုသာ လုပ်ဆောင်သည်။

ခြိမ်းခြောက်မှုများကို အမြန်ဆုံးဖြတ်ရန်နှင့် အကြောင်းရင်းများကို ကောက်ချက်ချရန် ပြောင်းလဲတိုးတက်လာသော ဦးနှောက်၏ ပုံစံမှတ်မိသည့် ကွန်ရက်များသည် အချက်အလက်များတွင် အဓိပ္ပာယ်ရှိသော တည်ဆောက်ပုံကို အလိုအလျောက် ရှာဖွေကြသည်။ ဤကွန်ရက်များသည် အကြီးနှင့် အသေး နမူနာများကို ခွဲခြားမသိမြင်ပါ၊ ၎င်းတို့သည် ယုံကြည်စိတ်ချရမှုဆိုင်ရာ အချက်အလက်များ (နမူနာအရွယ်အစား၊ ကွဲလွဲမှု) ထက် အချက်အလက်များ၏ မျက်နှာပြင်သွင်ပြင်လက္ခဏာများ (အချိုးအစားများ၊ ထင်ရှားသော ပုံစံများ) ကိုသာ တုံ့ပြန်ကြသည်။

အမှုဆောင်လုပ်ငန်းနှင့် သင်္ချာဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်းအတွက် တာဝန်ရှိသော ဦးနှောက်အရှေ့ပိုင်းအလွှာ (prefrontal cortex) သည် System 1 ၏ ဆုံးဖြတ်ချက်များကို လွှမ်းမိုးပြောင်းလဲနိုင်သော်လည်း၊ ၎င်းအတွက် သတိရှိရှိ အားထုတ်မှု၊ စာရင်းအင်းဆိုင်ရာ လေ့ကျင့်မှုနှင့် သိမြင်မှုဆိုင်ရာ အရင်းအမြစ်များ လိုအပ်သည်။ အချိန်ဖိအား၊ စိတ်ပိုင်းဆိုင်ရာ ဝန်ပိမှု သို့မဟုတ် စိတ်လှုပ်ရှားမှုများရှိနေချိန်တွင် System 1 ၏ ပုံသေလုပ်ဆောင်ချက်များကသာ လွှမ်းမိုးထားပြီး နမူနာအရွယ်အစားကို လျစ်လျူရှုမိကြသည်။

၃။ ဆင့်ကဲပြောင်းလဲမှုဆိုင်ရာ မူလအစများ (Evolutionary Origins)

လူသားတို့၏ စိတ်သည် အချက်အလက်နည်းပါးပြီး တွန့်ဆုတ်နေပါက အသက်အန္တရာယ်ရှိနိုင်သည့် ရှုပ်ထွေး၊ ဆူညံကာ အန္တရာယ်များသော ကမ္ဘာကို ဖြတ်သန်းရန် ဆင့်ကဲပြောင်းလဲလာခဲ့သည်။ Pleistocene (ပလိုင်စတိုဆင်း) ခေတ် ပတ်ဝန်းကျင်တွင်၊ ကျွန်ုပ်တို့၏ ဘိုးဘေးများသည် ကန့်သတ်ချက်ရှိသော စူးစမ်းလေ့လာမှုများမှ လျင်မြန်စွာ ယေဘုယျကောက်ချက်ချရန် လိုအပ်ခဲ့သည်- သားရဲတိရစ္ဆာန် သို့မဟုတ် အဆိပ်ရှိသော သစ်သီးတစ်လုံးနှင့် တစ်ကြိမ်ကြုံတွေ့ရရုံဖြင့် ရှောင်ကြဉ်ရန်ဟူသော အထွေထွေစည်းမျဉ်းတစ်ခု သတ်မှတ်ရန် လုံလောက်ခဲ့သည်။

ဤဆင့်ကဲပြောင်းလဲမှုဆိုင်ရာ စွမ်းရည်သည် သင်္ချာဆိုင်ရာ တိကျမှုထက် ပုံစံမှတ်မိခြင်းနှင့် လျင်မြန်စွာ ကောက်ချက်ချခြင်းကို ဦးစားပေးခဲ့သည်။ နမူနာအသေးလေးများမှ ကျယ်ပြန့်သော ကောက်ချက်များကို ဆွဲထုတ်နိုင်စွမ်းသည် ရှင်သန်မှုအတွက် ထင်ရှားသော အားသာချက်တစ်ခု ဖြစ်ခဲ့သည်—ထွက်ပြေးရန် ဆုံးဖြတ်ချက်မချမီ သားရဲတိရစ္ဆာန်များနှင့် ကြုံတွေ့ရမှု "စာရင်းအင်းအရ လုံလောက်သော" နမူနာကို စုဆောင်းရန် စောင့်ဆိုင်းနေခြင်းသည် အသက်အန္တရာယ်ရှိစေနိုင်သည်။

သို့သော်၊ အချက်အလက်ရှားပါးသော ရှေးဟောင်းပတ်ဝန်းကျင်များတွင် ရှင်သန်မှုကို သေချာစေခဲ့သော ဤသိမြင်မှုဆိုင်ရာ အလိုက်သင့်ပြောင်းလဲမှုသည် ကျွန်ုပ်တို့၏ လက်ရှိ အချက်အလက်များပြားသော ကမ္ဘာကြီးတွင် ကြီးမားသော အားနည်းချက်တစ်ခုအဖြစ် ထွက်ပေါ်လာသည်။ ယခုအခါ ကျွန်ုပ်တို့သည် ကျပန်းဖြစ်စဉ်များ၊ ဖြစ်နိုင်ခြေရှိသော ရလဒ်များနှင့် ကြီးမားသော အချက်အလက်အစုအဝေးများ လွှမ်းမိုးနေသည့် ကမ္ဘာတစ်ခုတွင် နေထိုင်နေကြသော်လည်း၊ ကျွန်ုပ်တို့၏ ပင်ကိုယ်အသိသည် နမူနာအသေးများ၏ ယုတ္တိဗေဒနှင့်သာ ခိုင်မာစွာ ဆက်နွှယ်နေဆဲဖြစ်သည်။

ဤဘက်လိုက်မှုကို ချို့ယွင်းချက်တစ်ခုထက် ဆင့်ကဲပြောင်းလဲမှုဆိုင်ရာ အင်္ဂါရပ်တစ်ခုအဖြစ် ရှုမြင်နိုင်သည်- ၎င်းသည် (၁) နမူနာများမှာ မူလကတည်းက သေးငယ်နေခြင်း၊ (၂) မှားယွင်းသော အပေါင်းလက္ခဏာပြမှုများ (မရှိသောပုံစံများကို မြင်ခြင်း) သည် မှားယွင်းသော အနုတ်လက္ခဏာပြမှုများ (အမှန်တကယ် ခြိမ်းခြောက်မှုများကို မသိလိုက်ခြင်း) ထက် ဆုံးရှုံးမှုနည်းပါးခြင်းနှင့် (၃) ချက်ချင်းလုပ်ဆောင်ခြင်းသည် စာရင်းအင်းဆိုင်ရာ တိကျမှုထက် ပိုအရေးကြီးခြင်း စသည့် ပတ်ဝန်းကျင်များအတွက် ချိန်ညှိဖန်တီးထားခြင်းဖြစ်သည်။

၄။ ဤဘက်လိုက်မှု မည်သို့ပေါ်ပေါက်လာသနည်း

၄.၁. နေ့စဉ်ဘဝတွင်

နေ့စဉ် ဆုံးဖြတ်ချက်များချရာတွင် ကျွန်ုပ်တို့သည် နမူနာအသေးလေးများကို အဓိပ္ပာယ်ဖော်လွဲမှားလေ့ရှိကြသည်။ စားသောက်ဆိုင်အသစ်တစ်ခုသို့ တစ်ကြိမ်သွားရောက်ပြီး သာမန်ဟင်းလျာတစ်ပွဲ စားရရုံဖြင့်၊ တစ်ညတာတွင် ဟင်းတစ်ပွဲတည်းကိုသာ မြည်းစမ်းကြည့်ခဲ့ခြင်းဖြစ်ကြောင်း အသိအမှတ်မပြုဘဲ "ထိုဆိုင်သည် မကောင်းပါ" ဟု ကောက်ချက်ချတတ်ကြသည်။ သီးခြားမြို့ သို့မဟုတ် အသက်မွေးဝမ်းကျောင်းတစ်ခုမှ လူတစ်ဦးနှင့် တွေ့ဆုံရုံဖြင့် ထိုတစ်ကြိမ်တွေ့ဆုံမှုအပေါ် အခြေခံ၍ ယေဘုယျသတ်မှတ်ချက်များ ဖြစ်ပေါ်လာတတ်သည်။

အဖြစ်အပျက် အနည်းငယ်ကိုသာကြည့်၍ ရပ်ကွက်တစ်ခု၏ လုံခြုံရေးကို ဆုံးဖြတ်ကြသည်၊ Amazon သုံးသပ်ချက် သုံးခုခန့်ဖြင့် ထုတ်ကုန်များအပေါ် အမြင်များဖွဲ့တည်ကြပြီး၊ မသေချာသော ပြုပြင်မှုတစ်ခုကို အခြေခံ၍ မိမိတို့၏ စက်ပြင်ဆရာသည် မရိုးသားဟု ကောက်ချက်ချတတ်ကြသည်။ သူငယ်ချင်းတစ်ယောက် ဝိတ်ကျသွားသည်ကိုမြင်လျှင် ရလဒ်များကို ဆုံးဖြတ်ပေးသည့် ထောင်ပေါင်းများစွာသော တစ်ဦးချင်းကွဲလွဲချက်များကို လျစ်လျူရှုကာ မိမိတို့အတွက်လည်း အဆင်ပြေမည်ဟု ယူဆတတ်ကြသည်။

ဆက်ဆံရေးများတွင်၊ ရက်အနည်းငယ်အတွင်း ပြသသော အဖော်ဖြစ်သူ၏ အပြုအမူတစ်ခုက သူတို့၏ စရိုက်လက္ခဏာအပေါ် ကျွန်ုပ်တို့၏ ဆုံးဖြတ်ချက်ကို ပုံဖော်ပေးသည်။ စာမေးပွဲတစ်ကြိမ်တွင် ကလေးတစ်ယောက် အမှတ်မကောင်းခြင်းကြောင့် မိဘများက ၎င်းတို့သည် "သင်္ချာညံ့သည်" ဟု ကောက်ချက်ချတတ်ကြသည်။ အောင်မြင်သော ခန့်မှန်းချက် အနည်းငယ်မျှက အနာဂတ်ကို ကြိုတင်ဟောကိန်းထုတ်ရာတွင် ကျွန်ုပ်တို့ တော်သည်ဟု ယုံကြည်စေသည်။

၄.၂. လုပ်ငန်းခွင်တွင်

ပရော်ဖက်ရှင်နယ် လုပ်ငန်းခွင်များတွင် နမူနာအရွယ်အစားကို လျစ်လျူရှုမှု၏ ဆုံးရှုံးမှုများမှာ ပိုမိုကြီးမားသည်။ မန်နေဂျာများသည် ဝန်ထမ်းများ၏ စွမ်းဆောင်ရည်ကို စနစ်ကျသော အချက်အလက်များထက် တွေ့မြင်ရသော ဖြစ်စဉ်အနည်းငယ်အပေါ် အခြေခံ၍ အကဲဖြတ်တတ်ကြသည်။ အလုပ်ခန့်ထားမှု ဆုံးဖြတ်ချက်များသည် ခေတ္တမျှသာပြုလုပ်သော အင်တာဗျူးများ—အပြုအမူ၏ သေးငယ်သော နမူနာတစ်ခု—အပေါ်တွင်သာ တည်မှီနေသော်လည်း ၎င်းတို့ကို အပြီးသတ် အကဲဖြတ်မှုများအဖြစ် သဘောထားကြသည်။

ကုမ္ပဏီတစ်ခု၏ တိုးတက်မှုလမ်းကြောင်းအတွက် သေးငယ်သော နမူနာဖြစ်သည့် သုံးလတာကာလကိုသာ ကိုယ်စားပြုသော သုံးလပတ်ရလဒ်များသည် အဓိက မဟာဗျူဟာမြောက် ဆုံးဖြတ်ချက်များကို မောင်းနှင်ပေးသည်။ နှောင့်နှေးမှုများ (variance) မတည်ငြိမ်မီ နှစ်လအတွင်း စွမ်းဆောင်ရည်ကျဆင်းနေသော အစီအစဉ်သစ်တစ်ခုကို ဖျက်သိမ်းပစ်လေ့ရှိသည်။ အစောပိုင်းတွင် အောင်မြင်သော ခေါင်းဆောင်များကို "အမြော်အမြင်ရှိသူ" ဟု သတ်မှတ်ကြပြီး အစောပိုင်း အခက်အခဲများနှင့် ကြုံတွေ့ရသူများကိုမူ ရလဒ်များ၏ အမှန်တကယ် ဖြန့်ဖြူးမှု မည်သို့ပင်ရှိစေကာမူ ကျရှုံးသူများဟု သတ်မှတ်တတ်ကြသည်။

စွမ်းဆောင်ရည် အကဲဖြတ်မှုများသည် မကြာသေးမီက အဖြစ်အပျက်များကို အချိုးအစားမမျှတစွာ အလေးထားလေ့ရှိပြီး လွန်ခဲ့သော ရက်သတ္တပတ်အနည်းငယ်ကို တစ်နှစ်ပတ်လုံး၏ ကိုယ်စားပြုမှုအဖြစ် သဘောထားကြသည်။ လေ့ကျင့်ရေးအစီအစဉ်များကို အုပ်စုများအကြား သဘာဝကွဲလွဲမှုများကို လျစ်လျူရှုကာ ပထမဆုံးအုပ်စုကိုသာ အခြေခံ၍ ထိရောက်သည် သို့မဟုတ် မထိရောက်ဟု ဆုံးဖြတ်ကြသည်။

၄.၃. စီးပွားရေးနှင့် စျေးကွက်ရှာဖွေရေးတွင်

စီးပွားရေးလုပ်ငန်းများသည် ဤဘက်လိုက်မှု၏ သားကောင်မည်သို့ဖြစ်သွားပုံကို New Coke ၏ ကျရှုံးမှုက သာဓကပြနေသည်။ ကိုကာကိုလာ (Coca-Cola) သည် မျက်လုံးပိတ် မြည်းစမ်းမှု (blind taste tests) ပေါင်း ၂၀၀,၀၀၀ နီးပါး ပြုလုပ်ခဲ့ပြီး ၎င်းတို့၏ ပိုချိုသော ဖော်မြူလာအသစ်ကို လူကြိုက်များကြောင်း တွေ့ရှိခဲ့သည်။ သို့သော် ၎င်းတို့သည် အဖျော်ယမကာတစ်ခွက်လုံးကို သောက်သုံးခြင်းအတွေ့အကြုံ၏ သေးငယ်သော နမူနာတစ်ခုဖြစ်သည့် "တစ်ငုံသောက် စမ်းသပ်မှုများ" သာ ဖြစ်သည်။ တစ်ငုံသောက်ရာတွင် ဦးနှောက်သည် အချိုကဲခြင်းကို ကောင်းမွန်စွာ တုံ့ပြန်သည်။ သို့သော် တစ်ဗူးလုံးသောက်သောအခါ ထိုအချိုသည်ပင် အီသွားစေသည်။ ကိုကာကိုလာ အမှုဆောင်အရာရှိများသည် ထိုတစ်ငုံသောက်နမူနာကို တစ်ဗူးလုံးသောက်သုံးမှု အတွေ့အကြုံ၏ ကိုယ်စားပြုအဖြစ် မှားယွင်းယူဆခဲ့သောကြောင့် စားသုံးသူများ၏ ကြီးမားသော ဆန့်ကျင်မှုနှင့် ရင်ဆိုင်ခဲ့ရသည်။

Ford Edsel ၏ ကျရှုံးမှုသည် အချိန်ကာလဆိုင်ရာ နမူနာအရွယ်အစား လျစ်လျူရှုမှုကို ပြသနေသည်။ ၁၉၅၅-၁၉၅၆ ခုနှစ်များအတွင်း Ford သည် အမေရိကန်လူမျိုးများက ကြီးမားပြီး ဇိမ်ခံကားများကို လိုချင်ကြောင်း ပြသသည့် ကျယ်ပြန့်သော သုတေသနများ ပြုလုပ်ခဲ့သည်။ ၎င်းတို့သည် ထိုအချိန်ကာလနှင့်သာ သက်ဆိုင်သော နမူနာကို အမြဲတမ်းအမှန်တရားအဖြစ် သဘောထားခဲ့ကြသည်။ ၁၉၅၈ ခုနှစ် ကားမိတ်ဆက်ချိန်တွင်မူ စျေးကွက်သည် ကားငယ်များဘက်သို့ ပြောင်းလဲသွားခဲ့ပြီး Edsel သည် စျေးကွက်ရှာဖွေရေး ကျရှုံးမှု၏ ပြယုဂ်ဖြစ်လာခဲ့သည်။

ကုမ္ပဏီများသည် လူ ၈-၁၂ ဦးပါဝင်သော focus group များ၊ ရက်သတ္တပတ်များအစား ရက်ပိုင်းမျှသာ ကြာမြင့်သော A/B test များနှင့် ကိုယ်စားပြုမှုမရှိသော စျေးကွက်များရှိ စမ်းသပ်စီမံကိန်းများကို အခြေခံ၍ ထုတ်ကုန်များကို ပုံမှန် မိတ်ဆက်လေ့ရှိသည်။ စျေးကွက်ရှာဖွေရေး ကမ်ပိန်းများကိုလည်း မတည်ငြိမ်သေးသော ကနဦး တုံ့ပြန်မှုနှုန်းထားများအပေါ် အခြေခံ၍ တိုးချဲ့လုပ်ဆောင်တတ်ကြသည်။

၄.၄. နိုင်ငံရေးနှင့် မီဒီယာတွင်

၁၉၃၆ ခုနှစ် Literary Digest စစ်တမ်း ကျရှုံးမှုသည် ကြီးမားသော်လည်း ဘက်လိုက်မှုရှိသော နမူနာများ မည်သို့ ကျရှုံးနိုင်ကြောင်း သရုပ်ပြနေသည်။ မဂ္ဂဇင်းသည် လူ ၂.၄ သန်းကို စစ်တမ်းကောက်ယူခဲ့ပြီး Alfred Landon က Franklin Roosevelt ကို အနိုင်ရမည်ဟု ခန့်မှန်းခဲ့သည်။ ၎င်းတို့သည် အရေအတွက်က တိကျမှုကို အာမခံသည်ဟု ယူဆခဲ့ပြီး ၎င်းတို့၏ နမူနာများ (ကားမှတ်ပုံတင်များနှင့် ဖုန်းလမ်းညွှန်များမှ ကောက်ယူထားခြင်း) သည် ထိုချမ်းသာကြွယ်ဝမှု အမှတ်အသားများ မရှိသော စီးပွားပျက်ကပ်ကာလမှ မဲဆန္ဒရှင်များကို စနစ်တကျ ဖယ်ထုတ်ထားကြောင်း လျစ်လျူရှုခဲ့ကြသည်။ George Gallup ကမူ လူ ၅၀,၀၀၀ သာ ပါဝင်သော ကိုယ်စားပြု နမူနာကို အသုံးပြု၍ ရလဒ်ကို မှန်ကန်စွာ ခန့်မှန်းနိုင်ခဲ့သည်။

ခေတ်သစ် စစ်တမ်းကောက်ယူမှုများသည်လည်း နမူနာအရွယ်အစားကို အဓိပ္ပာယ်ကောက်ယူရာတွင် အခက်အခဲများနှင့် ရင်ဆိုင်နေရဆဲဖြစ်သည်။ မီဒီယာများသည် မှားယွင်းနိုင်ခြေ ကန့်သတ်ချက် (margin of error) အတွင်းရှိ စစ်တမ်းအပြောင်းအလဲများကို အရေးပါသော အပြောင်းအလဲများအဖြစ် အသည်းအသန် သတင်းတင်ဆက်တတ်ကြသည်။ ဝေဖန်သုံးသပ်သူများသည် စောစီးစွာ ထွက်ပေါ်လာသော မဲရလဒ်များမှနေ၍ သေးငယ်သော နမူနာများကို အနာဂတ်ဟောကိန်းများအဖြစ် သဘောထားကြသည်။ ဆုံးဖြတ်ချက်မချရသေးသော မဲဆန္ဒရှင်များ၏ focus group များသည် စာရင်းအင်းအရ အရေးမပါသော အသံများသာ ဖြစ်သော်လည်း ဇာတ်လမ်းကို ပုံဖော်ပေးသည့် အခိုက်အတန့်များ ဖြစ်လာကြသည်။

လူဝင်မှုကြီးကြပ်ရေး၊ လူမှုဖူလုံရေး ခံစားခွင့်ရသူများ သို့မဟုတ် ရဲအရာရှိများအကြောင်း အဖြစ်အပျက် အနည်းငယ်ကို အခြေခံ၍ နိုင်ငံရေးအမြင်များ ဖြစ်ပေါ်လာပြီး၊ ဇာတ်လမ်းတစ်ခုစီတိုင်းကို သန်းနှင့်ချီသော မတူကွဲပြားသည့် လူပုဂ္ဂိုလ်များအတွက် ကိုယ်စားပြုအဖြစ် သဘောထားတတ်ကြသည်။

၄.၅. ကျန်းမာရေးစောင့်ရှောက်မှုတွင်

ကျောက်ကပ်ကင်ဆာ မြေပုံသည် ထင်ရှားသော ဆေးဘက်ဆိုင်ရာ ဥပမာတစ်ခုကို ပြသနေသည်။ စာရင်းအင်းပညာရှင်များဖြစ်သော Howard Wainer နှင့် Harris Zwerling တို့က ကျောက်ကပ်ကင်ဆာဖြစ်ပွားမှုနှုန်း အနိမ့်ဆုံး ခရိုင်အများစုမှာ ကျေးလက်ဒေသများဖြစ်ပြီး လူဦးရေကျဲပါးကြောင်း ပြသခဲ့သည်။ ပုံမှန် တွေးထင်ချက်မှာ- ကျေးလက်နေထိုင်မှုဘဝသည် လတ်ဆတ်သောလေနှင့် သန့်ရှင်းသော နေထိုင်မှုမှတစ်ဆင့် ကင်ဆာကို ကာကွယ်ပေးသည်ဟူ၍ ဖြစ်သည်။ ထို့နောက် ကျောက်ကပ်ကင်ဆာဖြစ်ပွားမှုနှုန်း အမြင့်ဆုံး ခရိုင်အများစုမှာလည်း ကျေးလက်ဒေသများနှင့် လူဦးရေကျဲပါးသော နေရာများပင် ဖြစ်ကြောင်း ၎င်းတို့က ထုတ်ဖော်ပြသခဲ့သည်။ တူညီသောအချက်မှာ နေထိုင်မှုပုံစံမဟုတ်ဘဲ လူဦးရေနည်းပါးခြင်းဖြစ်သည်။ လူ ၅၀၀ နေထိုင်သော ခရိုင်တစ်ခုတွင် လူတစ်ဦး ကင်ဆာဖြစ်ရုံဖြင့် နိုင်ငံအဆင့် အမြင့်ဆုံးနှုန်းထားသို့ ရောက်ရှိသွားနိုင်ပြီး၊ တစ်ဦးမှ မဖြစ်ပါက အနိမ့်ဆုံးအဆင့်သို့ ကျဆင်းသွားမည်ဖြစ်သည်။

ဆရာဝန်များသည် ရှားပါးသော ရောဂါများတွင် အခြေခံနှုန်းထားများနှင့် နမူနာအရွယ်အစားများကို ထည့်သွင်းစဉ်းစားရန် ပျက်ကွက်ပြီး အပေါင်းလက္ခဏာပြသော စစ်ဆေးမှုရလဒ်များကို အဓိပ္ပာယ်ဖော်လွန်တတ်ကြသည်။ မြင့်မားသော တိုင်းတာမှု သုံးခုရှိသည့် လူနာတစ်ဦးကို နာတာရှည်ရောဂါရှိသည်ဟု ရောဂါရှာဖွေတတ်သော်လည်း ၎င်းသည် တိုင်းတာမှု ကွဲလွဲချက် (measurement variance) သက်သက်သာ ဖြစ်နိုင်သည်။ ကုသမှု၏ ထိရောက်မှုကိုလည်း ကျပန်းထိန်းချုပ်စမ်းသပ်မှုများ (randomized controlled trials) ထက် လူနာလက်တစ်ဆုပ်စာကိုသာ ကြည့်၍ အကဲဖြတ်တတ်ကြသည်။

ပြည်သူ့ကျန်းမာရေး တာဝန်ရှိသူများသည် လူဦးရေနည်းပါးသော နေရာများရှိ စာရင်းအင်းဆိုင်ရာ အတုအယောင်များသာဖြစ်သော "ကင်ဆာဖြစ်ပွားမှုများသော နေရာများ" (cancer clusters) နှင့် "ကျန်းမာရေးကောင်းမွန်သော ဇုန်များ" (healthy zones) ကို လိုက်လံရှာဖွေတတ်ကြသည်။ နမူနာပိုကြီးလာပါက ပျမ်းမျှအခြေအနေသို့ ပြန်ရောက်သွားမည့် အစွန်းရောက်တန်ဖိုးများအပေါ် အခြေခံ၍ အရင်းအမြစ်များကို မှားယွင်းစွာ ခွဲဝေချထားတတ်ကြသည်။

၄.၆. ဘဏ္ဍာရေးနှင့် ရင်းနှီးမြှုပ်နှံမှုတွင်

ရှင်သန်ကျန်ရစ်သူ ဘက်လိုက်မှု (Survivorship Bias) သည် ဘဏ္ဍာရေးစျေးကွက်များတွင် နမူနာအရွယ်အစား လျစ်လျူရှုမှု၏ အန္တရာယ်ကြီးမားသော ပုံစံတစ်ခုဖြစ်သည်။ ရင်းနှီးမြှုပ်နှံသူများသည် လွန်ခဲ့သော ၁၀ နှစ်အတွင်း အပြန်အလှန်ရန်ပုံငွေ (mutual fund) ၏ စွမ်းဆောင်ရည်ကို ခွဲခြမ်းစိတ်ဖြာသောအခါ၊ လက်ရှိတည်ရှိနေဆဲဖြစ်သော ရန်ပုံငွေများကိုသာ—ရှင်သန်ကျန်ရစ်သူများကိုသာ—လေ့လာကြသည်။ ကျရှုံးသွားသော သို့မဟုတ် ဖျက်သိမ်းလိုက်သော ရန်ပုံငွေများမှာ နမူနာတွင် မပါဝင်တော့သဖြင့် ပျမ်းမျှအကျိုးအမြတ်ကို အတုအယောင် မြင့်မားနေစေသည်။ ရင်းနှီးမြှုပ်နှံသူတစ်ဦးသည် ပျမ်းမျှ ၈% အမြတ်ရသည်ကိုမြင်ပြီး တက်ကြွသော စီမံခန့်ခွဲမှုသည် အလုပ်ဖြစ်သည်ဟု ကောက်ချက်ချနိုင်သော်လည်း၊ "သေဆုံးသွားသော" ရန်ပုံငွေများကိုပါ ထည့်သွင်းတွက်ချက်ပါက ၄% သို့မဟုတ် ထို့ထက်နည်းသော အကျိုးအမြတ်ကိုသာ တွေ့ရမည်ဖြစ်သည်။

ရင်းနှီးမြှုပ်နှံသူများသည် ၃-၅ နှစ်တာ မှတ်တမ်းများအပေါ် အခြေခံ၍ ဤသေးငယ်သော အချိန်ကာလ နမူနာကို အမြဲတမ်း စွမ်းဆောင်ရည်ရှိမှု၏ အထောက်အထားအဖြစ် သဘောထားကာ ရန်ပုံငွေများကို လိုက်လံရင်းနှီးမြှုပ်နှံကြသည်။ Richard Thaler ၏ သုတေသနအရ ရင်းနှီးမြှုပ်နှံသူများသည် သေးငယ်သော အကျိုးအမြတ်သတင်း နမူနာများအပေါ် အခြေခံ၍ လွန်ကဲစွာ ခန့်မှန်းတတ်ကြသည်- သုံးလပတ်ဆက်တိုက် ခန့်မှန်းချက်များကို ကျော်လွန်နိုင်ခြင်းကို ဖွဲ့စည်းပုံဆိုင်ရာ စွမ်းဆောင်ရည်သာလွန်မှုအဖြစ် သဘောထားကာ စျေးနှုန်းများကို ဆင်ခြင်တုံတရားမဲ့သော အဆင့်များအထိ မြင့်တက်စေသည်။

စျေးကွက်စျေးနှုန်းများသည် အခြေခံအချက်အလက်များက သက်သေပြနိုင်သည်ထက် များစွာပို၍ အတက်အကျကြမ်းကြောင်း Robert Shiller က မှတ်တမ်းတင်ထားသည်။ ဤ "လွန်ကဲသော မတည်ငြိမ်မှု" သည် ရင်းနှီးမြှုပ်နှံသူများက ရေတိုသတင်းများကို—ကုမ္ပဏီတစ်ခု၏ ရေရှည်အနာဂတ်အတွက် သေးငယ်သော နမူနာများကို—အမြဲတမ်းတန်ဖိုးအတွက် ခိုင်မာသော အချက်အလက်များအဖြစ် သဘောထားခြင်းမှ မြစ်ဖျားခံသည်။

၅။ လက်တွေ့ကမ္ဘာမှ လေ့လာမှုများ (Real-World Case Studies)

လေ့လာမှု ၁- စိတ်ပညာနယ်ပယ်ရှိ ထပ်မံစမ်းသပ်မှု အကျပ်အတည်း (The Replication Crisis in Psychology)

• နောက်ခံအခြေအနေ- ဆယ်စုနှစ်များစွာကြာအောင် စိတ်ပညာသုတေသနများသည် နမူနာအရွယ်အစား အသေးများဖြင့် (အများအားဖြင့် အခြေအနေတစ်ခုလျှင် N=20 သို့မဟုတ် N=40 ဖြင့်) လည်ပတ်ခဲ့သည်။ "Power Posing" လေ့လာမှု (Carney, Cuddy, & Yap, 2010) က မိနစ်အနည်းငယ်ကြာ "စွမ်းအားပြသော" ကိုယ်နေဟန်ထားဖြင့် ရပ်ခြင်းသည် ဟော်မုန်းအပြောင်းအလဲများကို ဖြစ်စေပြီး စွန့်စားရဲသည့်စိတ်ကို တိုးစေကြောင်း ဆိုခဲ့သည်။ ယင်းလေ့လာမှု၏ နမူနာအရွယ်အစားမှာ ပါဝင်သူ ၄၂ ဦးသာ ဖြစ်သည်။

• ဖြစ်ရပ်- ဤလေ့လာမှုကို ကျော်ကြားသော ဂျာနယ်တစ်ခုတွင် ပုံနှိပ်ထုတ်ဝေခဲ့ပြီး၊ မီဒီယာများ၏ အာရုံစိုက်မှုကို ကြီးမားစွာ ရရှိခဲ့ကာ၊ ကြည့်ရှုသူ သန်းပေါင်းများစွာရှိသည့် TED talk တစ်ခုကိုလည်း ဖြစ်ပေါ်စေခဲ့သည်။ N=42 သည် သိမ်မွေ့သော ဟော်မုန်းသက်ရောက်မှုများကို ထောက်လှမ်းရန် လုံလောက်သည်ဟု သိပ္ပံအသိုင်းအဝိုင်းက လက်ခံခဲ့ကြသည်။

• ဘက်လိုက်မှု၏ အခန်းကဏ္ဍ- Tversky နှင့် Kahneman ဖော်ပြခဲ့သည့် ဘက်လိုက်မှုမျိုးကို ခံစားနေရသော သုတေသီများ၊ အယ်ဒီတာများနှင့် သုံးသပ်သူများသည် နမူနာအသေးလေးများက သိမ်မွေ့သော သက်ရောက်မှုများကို ထောက်လှမ်းရန် လုံလောက်သည်ဟု ယုံကြည်ခဲ့ကြသည်။ ၎င်းတို့သည် ဆူညံသံ (noise) ထဲမှ ပုံစံတစ်ခုကို မြင်ခဲ့ခြင်းဖြစ်သည်။

• အကျိုးဆက်များ- နောက်ပိုင်းတွင် N=200+ ဖြင့် အကြီးစား ထပ်မံစမ်းသပ်မှုများ ပြုလုပ်သောအခါ၊ ထိုဟော်မုန်းသက်ရောက်မှုများ လုံးဝပျောက်ကွယ်သွားခဲ့သည်။ Open Science Collaboration (2015) သည် စိတ်ပညာလေ့လာမှု ၁၀၀ ကို ပြန်လည်စမ်းသပ်ခဲ့ရာ ထက်ဝက်အောက်သာ အောင်မြင်စွာ ပြန်လည်ထုတ်ဖော်နိုင်ခဲ့ကြောင်း တွေ့ရှိခဲ့သည်။ အဓိကတရားခံမှာ လုံလောက်သော အရေအတွက်မရှိသည့် လေ့လာမှုများကို အားကိုးခြင်းပင်ဖြစ်သည်။

• သင်ခန်းစာများ- သိပ္ပံဆိုင်ရာ ပုံနှိပ်ထုတ်ဝေမှုတွင် "အနိုင်ရသူ၏ ကျိန်စာ" (Winner's Curse) ဆိုသည်မှာ စာရင်းအင်းဆိုင်ရာ အရေးပါမှု အဆင့်များကို ကျော်လွန်သွားသည့် ချဲ့ကားထားသော သက်ရောက်မှုအရွယ်အစား (effect sizes) ရှိသော လေ့လာမှုများသာ ပုံနှိပ်ထုတ်ဝေခံရခြင်းကို ဆိုလိုသည်။ အမှန်တကယ် သက်ရောက်မှုများသည် နမူနာကြီးများဖြင့်သာ ထွက်ပေါ်လာသည်။ ထိုအချိန်မှစ၍ စိတ်ပညာနယ်ပယ်သည် ပိုမိုကြီးမားသော နမူနာများနှင့် လေ့လာမှုများကို ကြိုတင်စာရင်းသွင်းရန် လိုအပ်သည့် ပြုပြင်ပြောင်းလဲမှုများကို စတင်ခဲ့သည်။

လေ့လာမှု ၂- New Coke ၏ ကျရှုံးမှု (The New Coke Disaster)

• နောက်ခံအခြေအနေ- ၁၉၈၅ ခုနှစ်တွင် ကိုကာကိုလာ (Coca-Cola) သည် Pepsi ၏ "Pepsi Challenge" မျက်လုံးပိတ် မြည်းစမ်းမှုများမှတစ်ဆင့် ကြီးထွားလာသော စျေးကွက်ဖိအားများနှင့် ရင်ဆိုင်ခဲ့ရသည်။ အတွင်းပိုင်းသုတေသနများအရ ပိုမိုချိုသော Pepsi က တစ်ငုံချင်း မြည်းစမ်းမှုများတွင် အနိုင်ရနေကြောင်း ပြသခဲ့သည်။

• ဖြစ်ရပ်- ကိုကာကိုလာသည် မျက်လုံးပိတ် မြည်းစမ်းမှုပေါင်း ၂၀၀,၀၀၀ နီးပါးကို ပြုလုပ်ခဲ့ပြီး ပိုမိုချိုသော ဖော်မြူလာအသစ်အတွက် ကြီးမားသော ထောက်ခံမှုများကို တွေ့ရှိခဲ့သည်။ ဤအချက်အလက်များကို အခြေခံ၍ ၎င်းတို့သည် ရာစုနှစ်တစ်ခု သက်တမ်းရှိပြီဖြစ်သော မူလဖော်မြူလာကို "New Coke" ဖြင့် အစားထိုးခဲ့သည်။

• ဘက်လိုက်မှု၏ အခန်းကဏ္ဍ- ယင်းတို့မှာ "တစ်ငုံသောက် စမ်းသပ်မှုများ"—အဖျော်ယမကာတစ်ခွက်လုံးကို သောက်သုံးခြင်းအတွေ့အကြုံ၏ သေးငယ်သော နမူနာတစ်ခုသာ ဖြစ်သည်။ ဤအလွန်သေးငယ်သော နမူနာသည် သောက်သုံးမှုအတွေ့အကြုံ အပြည့်အဝကို ကိုယ်စားပြုသည်ဟု အမှုဆောင်အရာရှိများက ယူဆခဲ့ကြသည်။ တစ်ငုံသောက်ရာတွင် အချိုဓာတ်သည် နှစ်သက်ဖွယ်ဖြစ်သော်လည်း တစ်ဗူးလုံးသောက်သောအခါ အလွန်အမင်း ချိုအီသွားစေသည်။

• အကျိုးဆက်များ- စားသုံးသူများ၏ ဆန့်ကျင်မှုမှာ ချက်ချင်းဆိုသလို ပြင်းထန်ခဲ့သည်။ ၇၉ ရက်အတွင်းတွင် ကိုကာကိုလာသည် မူလဖော်မြူလာကို "Coca-Cola Classic" အဖြစ် ပြန်လည်မိတ်ဆက်ခဲ့ရသည်။ ကုမ္ပဏီသည် ဒေါ်လာသန်းပေါင်းများစွာ ဆုံးရှုံးခဲ့ပြီး အမှတ်တံဆိပ်ကိုပါ ရေရှည်ထိခိုက်စေခဲ့သည်။

• သင်ခန်းစာများ- "နမူနာ" သည် ၎င်းကိုယ်စားပြုသော "လူဦးရေအုပ်စု" နှင့် ကိုက်ညီရမည်။ ဆိုင်တစ်ဆိုင်သို့ တစ်ကြိမ်သွားရောက်ခြင်းသည် ဖောက်သည်၏ သစ္စာရှိမှုမဟုတ်သကဲ့သို့၊ တစ်ငုံသောက်ခြင်းသည် တစ်ဗူးလုံးနှင့် မတူညီပါ။ ခွဲခြမ်းစိတ်ဖြာမှု ယူနစ်သည် လက်တွေ့ကမ္ဘာမှ အပြုအမူများနှင့် ကိုက်ညီရမည်ဖြစ်သည်။

သမိုင်းဝင် ဥပမာ- ၁၉၃၆ Literary Digest စစ်တမ်း

Literary Digest မဂ္ဂဇင်းသည် စစ်တမ်းကောက်ယူမှု၏ ရွှေရောင်စံနှုန်းဟု ထင်ရသော လုပ်ငန်းစဉ်ကို ပြုလုပ်ခဲ့သည်- စစ်တမ်း ၁၀ သန်း ပေးပို့ခဲ့ပြီး ၂.၄ သန်း ပြန်လည်ရရှိခဲ့သည်။ Landon သည် မဲ ၅၇% ဖြင့် Roosevelt ကို အနိုင်ရမည်ဟု ၎င်းတို့က ခန့်မှန်းခဲ့သည်။ သို့သော် Roosevelt က ၆၁% ဖြင့် အနိုင်ရသွားခဲ့သည်။

ကြီးမားသော နမူနာအရွယ်အစားက တိကျမှုကို အာမခံသည်ဟု Digest ၏ အယ်ဒီတာများက ယုံကြည်ခဲ့ကြသည်။ သူတို့ သတိမပြုမိခဲ့သည်မှာ ၎င်းတို့၏ နမူနာကောက်ယူမှု မူဘောင်—တယ်လီဖုန်းလမ်းညွှန်များနှင့် ကားမှတ်ပုံတင်စာရင်းများ—သည် Roosevelt ၏ New Deal မူဝါဒများကို အပြတ်အသတ် ထောက်ခံမည့် ဝင်ငွေနည်းမဲဆန္ဒရှင်များကို စနစ်တကျ ဖယ်ထုတ်ထားခြင်းဖြစ်သည်။ မှန်ကန်သော ဖြစ်နိုင်ခြေရှိ နမူနာကောက်ယူမှု (probability sampling) ကို အသုံးပြုကာ ဖြေဆိုသူ ၅၀,၀၀၀ မျှဖြင့် George Gallup သည် ရလဒ်ကို မှန်ကန်စွာ ခန့်မှန်းနိုင်ခဲ့သည်။

ဤဖြစ်ရပ်က ကိုယ်စားပြုမှုရှိသော နမူနာငယ် (n=3,000) သည် ကြီးမားသော်လည်း ဘက်လိုက်မှုရှိသော နမူနာ (N=2.4 သန်း) ထက် အဆမတန် ပိုမိုယုံကြည်စိတ်ချရကြောင်း သင်ခန်းစာပေးသည်။ Digest မဂ္ဂဇင်းသည် နမူနာအရည်အသွေးနှင့် နမူနာအရွယ်အစားအကြား ဆက်စပ်မှုကို နားလည်ရန် ပျက်ကွက်ခဲ့သည့် ကိုယ့်အမှားကြောင့်ပင် နှစ်နှစ်အကြာတွင် ရပ်စဲသွားခဲ့သည်။

၆။ ဤဘက်လိုက်မှု၏ ဆုံးရှုံးမှုများ (The Cost of This Bias)

၆.၁. ပုဂ္ဂိုလ်ရေး ဆုံးရှုံးမှုများ

အဖော်ဖြစ်သူများကို သေးငယ်သော အပြုအမူနမူနာများအပေါ် အခြေခံ၍ အကဲဖြတ်သောအခါ—ရက်အနည်းငယ် အခြေအနေဆိုးရုံဖြင့် အခြေခံစရိုက်လက္ခဏာများ ချို့ယွင်းနေသည်ဟု ယူဆသောအခါ—ဆက်ဆံရေးများ ထိခိုက်ရသည်။ အကြိမ်အနည်းငယ် ကြိုးစားပြီးနောက် ကျွန်ုပ်တို့ "မလုပ်နိုင်" ဟု ကောက်ချက်ချလိုက်သောအခါ ကိုယ်ရည်ကိုယ်သွေး တိုးတက်မှုများ ရပ်တန့်သွားသည်။ သဘာဝကွဲလွဲမှုများကိုသာ ကိုယ်စားပြုသော ကနဦး အခက်အခဲများကြောင့် အသက်မွေးဝမ်းကျောင်းဆိုင်ရာ ပြောင်းလဲမှုများကို စွန့်လွှတ်လိုက်ကြသည်။

မိမိတို့၏ တစ်ကြိမ်တည်းသော အတွေ့အကြုံ သို့မဟုတ် သူငယ်ချင်းများ၏ အတွေ့အကြုံအနည်းငယ်ကို ကြည့်၍ ကုသမှု၏ ထိရောက်မှုကို ဆုံးဖြတ်သောအခါ ကျန်းမာရေးဆိုင်ရာ ဆုံးဖြတ်ချက်များ မှားယွင်းသွားတတ်သည်။ မကြာသေးမီက အမြတ်ရသူများကို လိုက်လံရင်းနှီးမြှုပ်နှံခြင်း သို့မဟုတ် အရှုံးပေါ်သူများကို ရှောင်ပြေးခြင်းတို့ကြောင့် ရင်းနှီးမြှုပ်နှံမှု အစုအဖွဲ့များကို မှားယွင်းစွာ စီမံခန့်ခွဲမိတတ်သည်။ ကျပန်းသက်သက်သာ ဖြစ်နေသောအရာများတွင် ပုံစံများရှိသည်ဟု ယုံကြည်ကာ အယူသီးမှုများကိုပါ ဖြစ်ပေါ်စေသည်။

စိတ်ပိုင်းဆိုင်ရာ ဆုံးရှုံးမှုများတွင် မတည်ငြိမ်သော ကောက်ချက်ချမှုများအပေါ် အခြေအမြစ်မရှိဘဲ ယုံကြည်မှုလွန်ကဲခြင်းနှင့် ထိုခန့်မှန်းချက်များ ကျရှုံးသောအခါ စိတ်ရှုပ်ထွေးခြင်းတို့ ပါဝင်သည်။ ကျွန်ုပ်တို့သည် ကျပန်းသက်သက်သာ ဖြစ်သော ကွဲလွဲမှုများအတွက် အကြောင်းရင်းရှာကာ ရှင်းပြချက်များကို ဖန်တီးကြပြီး၊ အမှန်တကယ် ပုံစံများနှင့် မကိုက်ညီသော လက်တွေ့ဘဝ၏ စိတ်ကူးပုံစံများကို တည်ဆောက်ကြသည်။

၆.၂. ပရော်ဖက်ရှင်နယ် ဆုံးရှုံးမှုများ

မန်နေဂျာများက ကျွန်ုပ်တို့၏ စွမ်းရည်ကို ကန့်သတ်ချက်ရှိသော စူးစမ်းလေ့လာမှုများအပေါ် အခြေခံ၍ မှားယွင်းစွာ အကဲဖြတ်သောအခါ လုပ်ငန်းခွင်တိုးတက်မှု ထိခိုက်ရသည်။ ကနဦး အထင်အမြင်များ (သေးငယ်သော အပြုအမူနမူနာများ) သည် အောင်မြင်မှု၏ ပုံသေမှတ်ယူချက်များနှင့် မကိုက်ညီသောကြောင့် ဝန်ထမ်းကောင်းများကို လျစ်လျူရှုမိတတ်သည်။ မှားယွင်းသော အလုပ်ခန့်ထားမှု ဆုံးဖြတ်ချက်များသည် အဖွဲ့အစည်း၏ အရင်းအမြစ်များကို ဖြုန်းတီးစေပြီး အဖွဲ့အစည်း၏ တက်ကြွမှုကို ထိခိုက်စေသည်။

ရေရှည်ရေစီးကြောင်းများအစား ကနဦးရလဒ်များအပေါ် ချိန်ညှိထားသောအခါ စီးပွားရေး မဟာဗျူဟာများ ကျရှုံးတတ်သည်။ ဆူညံသော (မသေချာသော) အချက်အလက်များအပေါ် အခြေခံ၍ ထုတ်ကုန်များကို စောစီးစွာ မိတ်ဆက်ခြင်း သို့မဟုတ် ရပ်ဆိုင်းခြင်းများ ပြုလုပ်တတ်သည်။ နမူနာအသေးလေးများကို ကိုယ်စားပြုအဖြစ် သဘောထားသောအခါ စျေးကွက်သုတေသနသည် ကုမ္ပဏီများကို လမ်းမှားသို့ ရောက်စေသည်။

မကြာသေးမီက စွမ်းဆောင်ရည်ကိုသာ လိုက်ကြည့်သော ရင်းနှီးမြှုပ်နှံမှု ဆုံးဖြတ်ချက်များကြောင့် ဘဏ္ဍာရေး ဆုံးရှုံးမှုများ ပိုမိုကြီးမားလာသည်။ သုံးနှစ်တာကာလအတွင်း စွမ်းဆောင်ရည်ကောင်းမွန်သော ရန်ပုံငွေမန်နေဂျာများသည် ရင်းနှီးမြှုပ်နှံမှု အများအပြားကို ဆွဲဆောင်နိုင်သော်လည်း၊ ပျမ်းမျှအခြေအနေသို့ ပြန်ရောက်သွားသောအခါ ဤနမူနာအသေးလေးက အနာဂတ်အကျိုးအမြတ်ကို ခန့်မှန်းပေးနိုင်သည်ဟု ယူဆခဲ့သော ရင်းနှီးမြှုပ်နှံသူများကို စိတ်ပျက်စေသည်။

၆.၃. လူမှုအဖွဲ့အစည်းဆိုင်ရာ ဆုံးရှုံးမှုများ

ထပ်မံစမ်းသပ်မှု အကျပ်အတည်း (Replication Crisis) သည် ပြန်လည်ထုတ်ဖော်၍မရနိုင်သော လေ့လာမှုများအတွက် သုတေသနရန်ပုံငွေ ဒေါ်လာဘီလီယံပေါင်းများစွာကို ဆုံးရှုံးစေခဲ့သည်။ စမ်းသပ်မှုအသေးလေးများအပေါ် အခြေခံ၍ လက်ခံကျင့်သုံးခဲ့သော ဆေးဘက်ဆိုင်ရာ ကုသမှုများသည် လူဦးရေပိုများသောအခါ အကျိုးကျေးဇူး မရှိကြောင်း ပြသလာသည်။ လူဦးရေနည်းပါးသော နေရာများရှိ စာရင်းအင်းဆိုင်ရာ အတုအယောင်များကို ဖြေရှင်းရန် ပြည်သူ့ကျန်းမာရေး အရင်းအမြစ်များကို မှားယွင်းစွာ ခွဲဝေချထားတတ်ကြသည်။

လူပုဂ္ဂိုလ်တစ်ဦးချင်းစီ၏ အဖြစ်အပျက်များက သန်းနှင့်ချီသော လူများအတွက် မူဝါဒရေးရာ ငြင်းခုံမှုများကို ပုံဖော်ပေးသောအခါ နိုင်ငံရေး ဆွေးနွေးမှုများကို အဆိပ်သင့်စေသည်။ ထင်ရှားကျော်ကြားသော အမှုအခင်းများ (နမူနာအသေးများ) က ဥပဒေပြုရေးကို တွန်းအားပေးသောအခါ ပြစ်မှုဆိုင်ရာ တရားစီရင်ရေးစနစ်များ ပုံပျက်သွားတတ်သည်။ နမူနာအရွယ်အစား ကြီးမားလာသောအခါ တွေ့ရှိချက်များ ပြောင်းပြန်ဖြစ်သွားသည့်အခါ သိပ္ပံပညာအပေါ် ပြည်သူလူထု၏ ယုံကြည်မှု ကျဆင်းလာသည်။

စျေးကွက်များသည် အခြေခံအချက်အလက်များက သက်သေပြနိုင်သည်ထက် ပိုမိုမတည်ငြိမ်ဖြစ်လာပြီး ကြွယ်ဝချမ်းသာမှုနှင့် စီးပွားရေး တည်ငြိမ်မှုကို ဖျက်ဆီးပစ်သည့် အတက်အကျ သံသရာများကို ဖန်တီးပေးသည်။ နိုင်ငံရေးသမားများသည် တည်ငြိမ်သော ဆန္ဒများထက် အများပြည်သူအမြင်၏ သေးငယ်သော နမူနာများကိုသာ တုံ့ပြန်သောအခါ ပြည်သူ့မူဝါဒများသည် အစွန်းရောက်များဆီသို့ ယိမ်းယိုင်သွားတတ်သည်။

၆.၄. စာရင်းအင်းဆိုင်ရာ သက်ရောက်မှု

သုတေသနတွေ့ရှိချက်များအရ N=50 အောက် နမူနာအရွယ်အစားရှိသော လေ့လာမှုများသည် ၎င်းတို့၏ သက်ရောက်မှုအရွယ်အစားများကို မကြာခဏဆိုသလို ၁၀၀% သို့မဟုတ် ထို့ထက်ပို၍ အလွန်အမင်း ချဲ့ကားထားကြောင်း အကြံပြုထားသည်။ Open Science Collaboration ၏ တွေ့ရှိချက်အရ စိတ်ပညာလေ့လာမှုများ၏ ၃၆% ကိုသာ အောင်မြင်စွာ ပြန်လည်စမ်းသပ်နိုင်ခဲ့ပြီး အရေအတွက် မလုံလောက်သော လေ့လာမှုများက အဓိက အကြောင်းရင်းဖြစ်ကြောင်း တွေ့ရသည်။

ဘဏ္ဍာရေးနယ်ပယ်တွင်၊ ရှင်သန်ကျန်ရစ်သူ ဘက်လိုက်မှု (Survivorship Bias) သည် အပြန်အလှန်ရန်ပုံငွေ (mutual fund) များ၏ ထင်ရှားသော အကျိုးအမြတ်များကို နှစ်စဉ် ခန့်မှန်းခြေ ၁-၂% ခန့် ဖောင်းပွစေသည်—ယင်းကွာဟချက်သည် ရင်းနှီးမြှုပ်နှံသူ သန်းပေါင်းများစွာ၏ အငြိမ်းစားယူချိန် စုဆောင်းငွေများကို မှားယွင်းစွာ တွက်ချက်မိစေပြီး ဒေါ်လာသန်းပေါင်းများစွာ ဆုံးရှုံးစေသည်။

အခြေခံနှုန်းထားများကို လျစ်လျူရှုမှုနှင့် နမူနာအရွယ်အစားအပေါ် အာရုံမခံနိုင်မှုတို့ကြောင့် ဖြစ်ပေါ်လာသော ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေမှု အမှားအယွင်းများသည် နှစ်စဉ် အမေရိကန်လူမျိုး ၁၂ သန်းကို သက်ရောက်မှုရှိနေပြီး ၎င်း၏ ထက်ဝက်ခန့်သည် ထိခိုက်နစ်နာမှုများကို ဖြစ်ပေါ်စေသည်ဟု ခန့်မှန်းရသည်။

၇။ လျှို့ဝှက် အကျိုးကျေးဇူးများ (The Hidden Benefits)

ဤဘက်လိုက်မှုသည် အသားမကျနိုင်ခြင်း သက်သက်မဟုတ်ပါ—၎င်းသည် အချက်အလက်ရှားပါးပြီး ချက်ချင်းအရေးယူဆောင်ရွက်ရန် လိုအပ်သည့် ရှေးဟောင်းပတ်ဝန်းကျင်များအတွက် အကောင်းဆုံးဖြစ်အောင် ချိန်ညှိထားသော အမြန်နှုန်းနှင့် တိကျမှုအကြား အပေးအယူတစ်ခု ဖြစ်သည်။

ကန့်သတ်ချက်ရှိသော အချက်အလက်များမှ လျင်မြန်စွာ သင်ယူခြင်း- အမှန်တကယ် အန္တရာယ်ရှိသော ပတ်ဝန်းကျင်များတွင် တစ်ကြိမ်ကြုံတွေ့ရရုံဖြင့် (သားရဲတိရစ္ဆာန်နှင့် တစ်ကြိမ်ကြုံရခြင်း၊ အဆိပ်ရှိသော သစ်သီးတစ်လုံး စားမိခြင်း) ယေဘုယျသတ်မှတ်နိုင်စွမ်းသည် ရှင်သန်မှုအတွက် ထင်ရှားသော အကျိုးကျေးဇူးကို ပေးစွမ်းသည်။ "စာရင်းအင်းအရ လုံလောက်သော" အထောက်အထားကို စောင့်ဆိုင်းခြင်းသည် အသက်အန္တရာယ်ရှိနိုင်သည်။

သိမြင်မှုဆိုင်ရာ ချွေတာခြင်း- နမူနာအရွယ်အစားနှင့် ယုံကြည်စိတ်ချရမှုကို သင့်လျော်စွာ ချိန်ညှိရန် System 2 ၏ ပါဝင်မှု လိုအပ်သည်—ယင်းသည် နှေးကွေးပြီး အားထုတ်ရကာ စွမ်းအင်ကုန်ကျမှု များပြားသည်။ အရေးကြီးမှုနည်းပါးသော အခြေအနေများတွင် System 1 ၏ စိတ်ပိုင်းဆိုင်ရာ ဖြတ်လမ်းနည်းများသည် အနည်းဆုံး သိမြင်မှုကုန်ကျစရိတ်ဖြင့် "လုံလောက်သော" ဆုံးဖြတ်ချက်များကို ပေးစွမ်းသည်။

လုပ်ဆောင်မှုကို ဦးစားပေးခြင်း- ဤဘက်လိုက်မှုသည် လှုပ်ရှားမရဖြစ်စေသော မသေချာမရေရာမှုများထက် ပြတ်သားသော လုပ်ဆောင်မှုကို အားပေးသည်။ လက်တွေ့ကမ္ဘာ အခြေအနေအများစုတွင်၊ မပြည့်စုံသော အချက်အလက်များအပေါ် အခြေခံ၍ လုပ်ဆောင်ခြင်းသည် မည်သည့်အခါမျှ ရောက်မလာနိုင်သော သေချာမှုကို စောင့်ဆိုင်းနေခြင်းထက် ပိုကောင်းသည်။

ပုံစံ ထောက်လှမ်းခြင်း- နမူနာအသေးလေးများတွင် ပုံစံများကို မြင်တတ်သည့် သဘောထားသည် မကြာခဏ မှားယွင်းတတ်သော်လည်း၊ သီးသန့် စာရင်းအင်းဆိုင်ရာ ချဉ်းကပ်မှုများက လွတ်သွားနိုင်သည့် အမှန်တကယ် အချက်ပြမှုများကို တစ်ခါတစ်ရံ ထောက်လှမ်းမိနိုင်သည်။ မှားယွင်းသော အပေါင်းလက္ခဏာပြမှုများ (မရှိသောပုံစံများကို မြင်ခြင်း) ၏ ဆုံးရှုံးမှုသည် အချို့သော နယ်ပယ်များတွင် မှားယွင်းသော အနုတ်လက္ခဏာပြမှုများ (အမှန်တကယ် ပုံစံများကို မသိလိုက်ခြင်း) ထက် နည်းပါးနိုင်သည်။

ဘက်လိုက်မှုကို လုံးဝဖယ်ရှားပစ်ရန် စဉ်ဆက်မပြတ် စာရင်းအင်းဆိုင်ရာ တွက်ချက်မှုများ လိုအပ်ပြီး ယင်းက သိမြင်မှုဆိုင်ရာ အရင်းအမြစ်များကို ဝန်ပိစေမည်ဖြစ်သည်။ ရည်ရွယ်ချက်မှာ ဖယ်ရှားပစ်ရန်မဟုတ်ဘဲ သင့်လျော်စွာ ချိန်ညှိရန်ဖြစ်သည်—အလွန်အရေးကြီးသော အခြေအနေများတွင် စာရင်းအင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုကို အသုံးပြုပြီး၊ အရေးကြီးမှုနည်းပါးသော အခြေအနေများတွင် ဖြတ်လမ်းနည်းများကို အလုပ်လုပ်ခွင့်ပေးရန် ဖြစ်သည်။

၈။ ကိုယ်တိုင်အကဲဖြတ်ခြင်း- သင်၌ ဤဘက်လိုက်မှု ရှိနေပါသလား?

၈.၁. သတိပေးလက္ခဏာများ စစ်ဆေးရန်စာရင်း

• တစ်ကြိမ်တည်း အတွေ့အကြုံရှိရုံဖြင့် စားသောက်ဆိုင်များ၊ ထုတ်ကုန်များ သို့မဟုတ် ဝန်ဆောင်မှုများနှင့်ပတ်သက်၍ ခိုင်မာသော အမြင်များ ဖြစ်ပေါ်တတ်သည်။
• အားကစား၊ လောင်းကစား သို့မဟုတ် ရင်းနှီးမြှုပ်နှံမှုတို့တွင် "hot streaks" (ဆက်တိုက်အောင်မြင်ခြင်း) နှင့် "cold spells" (ဆက်တိုက်ရှုံးနိမ့်ခြင်း) ကို ယုံကြည်သည်။
• အကြွေစေ့တစ်စေ့ကို မြှောက်ရာတွင် သုံးကြိမ် သို့မဟုတ် ထို့ထက်ပို၍ တူညီသောဘက်ကိုသာ ကျသောအခါ အံ့ဩမိသည်။
• ရေတို ရင်းနှီးမြှုပ်နှံမှု အကျိုးအမြတ်များသည် ရေရှည်အထိ ဆက်လက်ဖြစ်ပေါ်နေမည်ဟု မျှော်လင့်သည်။
• သူငယ်ချင်းများထံမှ အဖြစ်အပျက်များကို စာရင်းအင်းဆိုင်ရာ အထောက်အထားများနည်းတူ ခိုင်မာသည်ဟု ယူဆသည်။
• အဖြစ်အပျက်တစ်ခုတည်းကို အခြေခံ၍ လူတစ်ဦး၏ စရိုက်လက္ခဏာအပေါ် ကျွန်ုပ်၏အမြင်ကို ပြောင်းလဲခဲ့ဖူးသည်။
• ဖောက်သည်များ၏ သုံးသပ်ချက်များ (reviews) အနည်းငယ်သာ ရှိသော်လည်း အားလုံးတူညီနေပါက ပိုမိုယုံကြည်တတ်သည်။
• သေးငယ်သော်လည်း သေချာရွေးချယ်ထားသော နမူနာတစ်ခုသည် ကြီးမားသော နမူနာတစ်ခုကဲ့သို့ တူညီသောရလဒ်ကို ပေးစွမ်းနိုင်သည်ဟု ခံစားရသည်။
• ပုံစံများကို နှစ်ကြိမ် သို့မဟုတ် သုံးကြိမ်မျှ မြင်တွေ့ရုံဖြင့် ထိုပုံစံများကို ယုံကြည်လာသည်။
• ဖြစ်ရပ်အနည်းငယ်ကို အခြေခံ၍ "ဒါမျိုးက ငါ့ဆီမှာ အမြဲတမ်းဖြစ်တယ်" ဟု မကြာခဏ ပြောလေ့ရှိသည်။

အမှတ်ပေးစနစ်-

• ၀-၂ ခု အမှန်ခြစ်ပါက- ခံစားရနိုင်ခြေ နည်းပါးသည်
• ၃-၅ ခု အမှန်ခြစ်ပါက- ခံစားရနိုင်ခြေ အလယ်အလတ်ရှိသည်
• ၆-၈ ခု အမှန်ခြစ်ပါက- ခံစားရနိုင်ခြေ မြင့်မားသည်
• ၉-၁၀ ခု အမှန်ခြစ်ပါက- ခံစားရနိုင်ခြေ အလွန်မြင့်မားသည်

၈.၂. ကိုယ်တိုင် ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ

၁။ ဆေးခန်းသုံး စမ်းသပ်မှုတစ်ခုတွင် ဆေးအသစ်တစ်မျိုးသည် "၈၀% ထိရောက်မှုရှိသည်" ဟု ဖတ်ရသောအခါ၊ ထိုလေ့လာမှုတွင် လူနာမည်မျှပါဝင်ခဲ့သည်ကို မေးရန် အလိုလို တွေးမိပါသလား?

၂။ အလေ့အကျင့်သစ်၊ အစားအသောက်ပုံစံသစ် သို့မဟုတ် လုပ်ရိုးလုပ်စဉ်သစ်တစ်ခုကို "အလုပ်မဖြစ်ဘူး" ဟူသော အကြောင်းပြချက်ဖြင့် ပထမနှစ်ပတ်အတွင်းမှာပင် ရပ်ဆိုင်းခဲ့ဖူးပါသလား—ရလဒ်များပြသရန် အချိန်အလုံအလောက် ပေးခဲ့ခြင်း ရှိမရှိ မစဉ်းစားဘဲနှင့်လေ?

၃။ သူငယ်ချင်းတစ်ယောက်က သူတို့၏ တစ်ကြိမ်တည်းသောအတွေ့အကြုံကို အခြေခံ၍ ဆရာဝန်၊ စားသောက်ဆိုင် သို့မဟုတ် ထုတ်ကုန်တစ်ခုကို အကြံပြုသောအခါ၊ စုစုပေါင်း သုံးသပ်ချက်များနှင့် နှိုင်းယှဉ်လျှင် ထိုအကြံပြုချက်ကို မည်မျှ အလေးထားပါသနည်း?

၄။ ဆက်တိုက်ဖြစ်စဉ်တစ်ခုအပြီးတွင် ကျပန်းအဖြစ်အပျက်များက သင့်အား မတူညီသော ရလဒ်တစ်ခုပေးရန် "တာဝန်ရှိသည်" ဟု ခံစားခဲ့ဖူးပါသလား (ဥပမာ- စလော့စက်က နိုင်ရန် "အချိန်တန်ပြီ" ဟူ၍)?

၅။ သင်သည် အချက်အလက်အနည်းငယ်ကိုသာ အခြေခံ၍ ကောက်ချက်ချနေကြောင်း တစ်စုံတစ်ဦးက ထောက်ပြခဲ့ဖူးပါသလား?

၈.၃. အမြန်စစ်ဆေးနိုင်သော ဇာတ်လမ်း

ဇာတ်လမ်း- သင်သည် အငြိမ်းစားယူချိန် စုဆောင်းငွေအတွက် အပြန်အလှန်ရန်ပုံငွေ (mutual fund) နှစ်ခုကို လေ့လာနေသည်။ ရန်ပုံငွေ (A) သည် ကြယ်ပွင့်မန်နေဂျာတစ်ဦးဖြင့် လွန်ခဲ့သော ၃ နှစ်အတွင်း နှစ်စဉ် ၁၅% အကျိုးအမြတ်ရရှိခဲ့သည်။ ရန်ပုံငွေ (B) သည် ပျမ်းမျှစီမံခန့်ခွဲမှုဖြင့် လွန်ခဲ့သော ၁၅ နှစ်အတွင်း နှစ်စဉ် ၉% အကျိုးအမြတ်ရရှိခဲ့သည်။ မည်သည့်ရန်ပုံငွေကို သင်ရွေးချယ်မည်နည်း?

• က) ရန်ပုံငွေ (A) ကို ရွေးမည်၊ အကြောင်းမှာ ၁၅% သည် ၉% ထက် များစွာပိုကောင်းပြီး မန်နေဂျာမှာ ထင်ရှားစွာ ကျွမ်းကျင်သောကြောင့် ဖြစ်သည် → ခံစားရနိုင်ခြေ မြင့်မားသည်
• ခ) ရန်ပုံငွေ (A) ကို ရွေးမည်၊ သို့သော် အပြည့်အဝမရင်းနှီးမီ ရာဇဝင်ကို ပိုမိုသိရှိလိုသည် → ခံစားရနိုင်ခြေ အလယ်အလတ်ရှိသည်
• ဂ) ရန်ပုံငွေ (B) ကို ရွေးမည်၊ အကြောင်းမှာ ၁၅ နှစ်တာ အချက်အလက်သည် ၃ နှစ်တာထက် ပိုမိုယုံကြည်စိတ်ချရပြီး ကွာခြားချက်မှာ ကံကြမ္မာကြောင့်သာ ဖြစ်နိုင်သောကြောင့် ဖြစ်သည် → ခံစားရနိုင်ခြေ နည်းပါးသည်

၉။ အခြားသူများတွင် ဤဘက်လိုက်မှုကို ဖော်ထုတ်ခြင်း

၉.၁. အပြုအမူဆိုင်ရာ ညွှန်ပြချက်များ

ဆုံးဖြတ်ချက်ချသည့် ပုံစံများကို လေ့လာပါ- ၎င်းတို့သည် ကန့်သတ်ချက်ရှိသော အထောက်အထားများအပေါ် အခြေခံ၍ ခိုင်မာသော ကတိကဝတ်များ ပြုလုပ်တတ်ပါသလား? မကြာသေးမီက ရလဒ်များအပေါ် အခြေခံ၍ လမ်းကြောင်းများကို လျင်မြန်စွာ ပြောင်းလဲတတ်ပါသလား? အချက်အလက် အနည်းငယ်သာရှိချိန်တွင်ပင် ယုံကြည်မှုလွန်ကဲစွာ ပြသတတ်ပါသလား?

ဖြစ်နိုင်ခြေနှင့် ကံကြမ္မာအကြောင်း ၎င်းတို့ မည်သို့ပြောဆိုသည်ကို စောင့်ကြည့်ပါ- ကျပန်းဖြစ်စဉ်များသည် ရေတိုတွင် "မျှတသွားလိမ့်မည်" ဟု မျှော်လင့်တတ်ပါသလား? ဆူညံသံ (noise) ဟု ထင်ရသောအရာများတွင် အဓိပ္ပာယ်ရှိသော ပုံစံများကို မြင်တတ်ပါသလား? ရလဒ်များသည် မျှော်လင့်ထားသည်နှင့် မကိုက်ညီသောအခါ "မတော်တဆဖြစ်ခြင်း" အဖြစ် လျစ်လျူရှုတတ်ပါသလား?

အဖြစ်အပျက်များနှင့် စာရင်းအင်းများအပေါ် တုံ့ပြန်မှုများကို သတိပြုပါ- ပေါင်းစပ်အချက်အလက်များထက် မျက်မြင်ကိုယ်တွေ့ ကိုယ်ပိုင်ဇာတ်လမ်းများကို ပိုမိုအလေးထားတတ်ပါသလား? ဥပမာတစ်ခုတည်းမှနေ၍ ယေဘုယျစည်းမျဉ်းများအဖြစ် ကောက်ချက်ချတတ်ပါသလား?

၉.၂. စကားပြောဆိုမှုတွင် သတိထားရမည့်အချက်များ

ဤဘက်လိုက်မှုအောက်တွင် ရှိနေစဉ် လူများပြောတတ်သော စကားစုများ-

• "ဒါမျိုး ၃ ခါ ဆက်တိုက်ဖြစ်နေပြီ—ဒီမှာ သေချာပေါက် ပုံစံတစ်ခုရှိနေတယ်"
• "ငါ အဲဒါကို တစ်ခါစမ်းကြည့်ဖူးတယ်၊ အလုပ်မဖြစ်ဘူး၊ ဒါကြောင့်..."
• "နောက်ဆုံးတော့ ဖြစ်နိုင်ခြေတွေ ညီမျှသွားမှာပါပဲ"
• "ငါ့သူငယ်ချင်း အဲဒီမှာ အရမ်းဆိုးရွားတဲ့ အတွေ့အကြုံရှိခဲ့တယ်၊ ဒါကြောင့် ငါတော့ ဘယ်တော့မှ မစမ်းဘူး"
• "ပြီးခဲ့တဲ့ သုံးလပတ် နှစ်ခုက အရမ်းကောင်းတယ်၊ ဒါကြောင့် ဒီကုမ္ပဏီက သေချာပေါက် စီမံခန့်ခွဲမှု ကောင်းတာပေါ့"

၎င်းတို့ ပြုလုပ်လေ့ရှိသော ငြင်းခုံမှု အမျိုးအစားများ-

• ဥပမာ လက်တစ်ဆုပ်စာကို ရေစီးကြောင်းတစ်ခု၏ သက်သေအဖြစ် သဘောထားခြင်း
• နမူနာအသေးလေးများသည် လူဦးရေ၏ လက္ခဏာများကို အပြည့်အဝ ကိုယ်စားပြုမည်ဟု မျှော်လင့်ခြင်း

၎င်းတို့ ရှောင်ရှားတတ်သော မေးခွန်းများ-

• "ဒါကို စူးစမ်းလေ့လာမှု ဘယ်လောက်အပေါ် အခြေခံထားတာလဲ?"
• "နမူနာအရွယ်အစားက ဘယ်လောက်လဲ?"
• "ဒါက ကျပန်းကွဲလွဲမှုသက်သက် ဖြစ်နိုင်သလား?"

၉.၃. အခြေအနေအရ တွန်းအားပေးမှုများ

ဤဘက်လိုက်မှုကို အသက်ဝင်စေသော အခြေအနေများ-

• အမြန်ဆုံးဖြတ်ချက်ချရန် ဖိအားပေးသည့် အချိန်ကန့်သတ်ချက်များ
• ထင်ရှားသော ဥပမာများကို အလွယ်တကူ သတိရစေသည့် စိတ်လှုပ်ရှားဖွယ်ရာ အခြေအနေများ
• ရှုပ်ထွေးသော စာရင်းအင်း အချက်အလက်များကို ကြိမ်နှုန်းပုံစံများအစား ရာခိုင်နှုန်းဖြင့် တင်ပြထားခြင်း
• တုံ့ပြန်မှု နှောင့်နှေးသော နယ်ပယ်များ (ရင်းနှီးမြှုပ်နှံမှု၊ အလုပ်ခန့်ထားမှု၊ ကျန်းမာရေး ရွေးချယ်မှုများ)
• အချက်အလက်များထက် အဖြစ်အပျက်များကို ပိုမိုအလွယ်တကူ ရရှိနိုင်သော အခြေအနေများ

ပတ်ဝန်းကျင်ဆိုင်ရာ အကြောင်းရင်းများ-

• သေချာသော စာရင်းအင်း အကဲဖြတ်မှုကို ဟန့်တားသည့် အချက်အလက်များလွန်းခြင်း (Information overload)
• ဘက်လိုက်မှုရှိသော အမြင်နမူနာများကို တင်ဆက်သည့် ပဲ့တင်သံခန်းများ (Echo chambers)
• စာရင်းအင်းများထက် ဇာတ်လမ်းများကို အသားပေးသည့် မီဒီယာ

ခံစားရနိုင်ခြေကို တိုးစေသော စိတ်ပိုင်းဆိုင်ရာ အခြေအနေများ-

• ရနိုင်သမျှ အထောက်အထားများမှ သေချာမှုကို ရှာဖွေလိုသော စိုးရိမ်ပူပန်မှု
• စောစီးစွာ ထွက်ပေါ်လာသော အပေါင်းလက္ခဏာပြ အချက်ပြမှုများအပေါ် ယုံကြည်မှုလွန်ကဲစေသည့် စိတ်လှုပ်ရှားမှု
• မသေချာမရေရာသော အခြေအနေများတွင် ပုံစံရှာဖွေမှုကို တွန်းအားပေးသည့် စိတ်ပျက်မှု

၁၀။ သိမြင်မှုပိုင်းဆိုင်ရာ ဘက်လိုက်မှု ဖယ်ရှားရေး နည်းဗျူဟာများ (Cognitive Debiasing Strategies)

၁၀.၁. ချက်ချင်းအသုံးပြုနိုင်သော နည်းလမ်းများ

"N" မေးခွန်း- မည်သည့်ကောက်ချက်ကိုမျှ မချမီ၊ "ဒါကို အခြေခံထားတဲ့ နမူနာအရွယ်အစားက ဘယ်လောက်ကြီးသလဲ?" ဟု မေးပါ။ ရလဒ်များကို အဓိပ္ပာယ်မဖော်မီ နမူနာအရွယ်အစားကို ထင်ရှားစေပါ။

တည်ငြိမ်မှု စမ်းသပ်ခြင်း- "နမူနာကို နှစ်ဆ သို့မဟုတ် သုံးဆတိုးလိုက်ရင် ဒီရလဒ် အတိုင်းပဲ ဆက်ရှိနေမယ်လို့ ငါမျှော်လင့်သလား?" ဟု မေးပါ။ မရှိနိုင်ပါက ဆုံးဖြတ်ချက်ချခြင်းကို ဆိုင်းငံ့ထားပါ။

ကြိမ်နှုန်းများအဖြစ် ပြန်လည်ပုံဖော်ခြင်း- ရာခိုင်နှုန်းများကို သဘာဝကြိမ်နှုန်းများအဖြစ် ပြောင်းလဲပါ ("၈၀% ထိရောက်မှု" သည် "လူ ၁၀ ယောက်တွင် ၈ ယောက်" ဖြစ်လာသည်)။ ဤသို့ပြုလုပ်ခြင်းက ပိုင်းခြေတွင် နမူနာအရွယ်အစားကို သဘာဝကျကျ ထည့်သွင်းပေးသည်။

ပျမ်းမျှသို့ ပြန်ရောက်ခြင်း စည်းမျဉ်း (Regression Rule)- အစွန်းရောက်သော ရလဒ်များသည် ပျမ်းမျှသို့ ပြန်ရောက်သွားမည်ဟု ယူဆပါ။ အရာတစ်ခုသည် အလွန်အမင်း ကောင်းမွန်နေသည် သို့မဟုတ် ဆိုးရွားနေသည်ဟု ထင်ရပါက၊ အချိန်ကြာလာသည်နှင့်အမျှ ၎င်းသည် ပိုမိုသာမန်ဖြစ်လာမည်ဟု မျှော်လင့်ပါ။

အခြေခံနှုန်းများကို ရှာဖွေပါ- သီးခြားအထောက်အထားတစ်ခုကို အကဲမဖြတ်မီ၊ လူဦးရေအုပ်စုတွင် ပုံမှန်အားဖြင့် မည်သို့ဖြစ်လေ့ရှိသည်ကို ရှာဖွေပါ။ ၎င်းကို အခြေခံစံအဖြစ် အသုံးပြုပါ။

၁၀.၂. ရေရှည် နည်းဗျူဟာများ

စာရင်းအင်းဆိုင်ရာ အသိပညာ (Statistical Literacy)- အခြေခံ ဖြစ်နိုင်ခြေနှင့် စာရင်းအင်းပညာကို လေ့လာပါ။ ကွဲလွဲမှု (variance)၊ စံအမှား (standard error) နှင့် ယုံကြည်မှု အတိုင်းအတာ (confidence intervals) တို့ကို နားလည်ခြင်းက နမူနာအရွယ်အစား မည်သည့်အချိန်တွင် အရေးပါကြောင်းကို သိမြင်နိုင်ရန် သဘောတရားပိုင်းဆိုင်ရာ မူဘောင်ကို ထောက်ပံ့ပေးသည်။

သံသယဝင်တတ်သော အလေ့အကျင့်ကို မွေးမြူပါ- နမူနာအသေးစား တွေ့ရှိချက်များ၏ ယုံကြည်စိတ်ချရမှုကို အလိုအလျောက် မေးခွန်းထုတ်တတ်ရန် သင့်ကိုယ်သင် လေ့ကျင့်ပါ။ "ဒါက လုံလောက်တဲ့ အချက်အလက်လား?" ဟူသည်ကို အလိုအလျောက် မေးခွန်းထုတ်တတ်အောင် ပြုလုပ်ပါ။

သင်၏ ခန့်မှန်းချက်များကို မှတ်တမ်းတင်ပါ- ကန့်သတ်ချက်ရှိသော အချက်အလက်များမှ ဆွဲထုတ်ထားသည့် ကောက်ချက်များနှင့် ၎င်းတို့သည် အချိန်ကြာလာသည်နှင့်အမျှ မှန်ကန်မှုရှိမရှိကို မှတ်တမ်းတင်ထားပါ။ ယင်းက ချိန်ညှိမှုအတွက် ပုဂ္ဂိုလ်ရေးဆိုင်ရာ တုံ့ပြန်ချက်ကို ပေးစွမ်းသည်။

ဂန္ထဝင်ဥပမာများကို လေ့လာပါ- အခြေအနေသစ်များကို အကဲဖြတ်ရာတွင် သတိရစေရန် စံပြဖြစ်ရပ်များ (ဆေးရုံပြဿနာ၊ ကျောက်ကပ်ကင်ဆာမြေပုံ) ကို ရင်းနှီးကျွမ်းဝင်အောင် ပြုလုပ်ထားပါ။

၁၀.၃. ပတ်ဝန်းကျင် ပုံစံရေးဆွဲခြင်း

ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းစဉ်များတွင် နမူနာအရွယ်အစားကို ထည့်သွင်းပါ- ကောက်ချက်မချမီ အနည်းဆုံးလိုအပ်သော နမူနာအရွယ်အစားများကို သတ်မှတ်သည့် အဖွဲ့အစည်းဆိုင်ရာ စည်းမျဉ်းများ ဖန်တီးပါ။ ကနဦးရလဒ်များအပေါ် အရေးယူဆောင်ရွက်မှု မပြုမီ စောင့်ဆိုင်းရမည့် ကာလများကို သတ်မှတ်ပါ။

အမြင်ပိုင်းဆိုင်ရာ ကိရိယာများကို အသုံးပြုပါ- နမူနာအသေးများအတွက် ယုံကြည်မှု အတိုင်းအတာများ (confidence intervals) ကျယ်ပြန့်နေကြောင်း ပြသသည့် ဒက်ရှ်ဘုတ်များ (dashboards) ဖန်တီးပါ။ မသေချာမရေရာမှုကို အမြင်ပိုင်းအရ ထင်ရှားစေပါ။

ကြိမ်နှုန်းပုံစံများကို လိုအပ်ချက်အဖြစ် သတ်မှတ်ပါ- အဖွဲ့အစည်းဆိုင်ရာ ဆက်သွယ်ရေးများတွင် ဖြစ်နိုင်ခြေများကို ရှင်းလင်းသော ပိုင်းခြေများပါဝင်သည့် သဘာဝကြိမ်နှုန်းများအဖြစ် တင်ပြရန် မဖြစ်မနေ သတ်မှတ်ပါ။

ဆန့်ကျင်ဘက် အမြင်တင်ပြသူများ (Devil's Advocates) ဖန်တီးပါ- နမူနာအရွယ်အစားများသည် ယုံကြည်မှုအဆင့်များကို မျှတမှုရှိစေခြင်း ရှိမရှိ အထူးတလည် စိန်ခေါ်မေးခွန်းထုတ်ရန် အဖွဲ့ဝင်များကို တာဝန်ပေးပါ။ သံသယဝင်ခြင်းကို အဖွဲ့အစည်းယဉ်ကျေးမှုတစ်ခုအဖြစ် သတ်မှတ်ပါ။

၁၀.၄. ပြင်ပအကြံဉာဏ်ကို မည်သည့်အချိန်တွင် ရယူသင့်သနည်း

အရေးကြီးသော ဆုံးဖြတ်ချက်များ- ကန့်သတ်ချက်ရှိသော အချက်အလက်များအပေါ် အခြေခံသည့် အကျိုးဆက်ကြီးမားသော မည်သည့်ရွေးချယ်မှုမဆို (ကြီးမားသော ရင်းနှီးမြှုပ်နှံမှုများ၊ အလုပ်ခန့်ထားမှု၊ ဆေးဘက်ဆိုင်ရာ ကုသမှုများ) သည် စာရင်းအင်းဆိုင်ရာ တိုင်ပင်ဆွေးနွေးမှုကို လိုအပ်သည်။

သင် သေချာနေသည်ဟု ခံစားရသောအခါ- အမှန်တကယ်တွင်မူ နမူနာအသေးလေးများမှရသော ခိုင်မာသော ယုံကြည်မှုသည် ပြင်ပသုံးသပ်ချက်ကို အစပျိုးပေးသင့်သည်။ "ကျွန်တော့်ရဲ့ သေချာမှုက အချက်အလက်တွေနဲ့ မျှတမှုရှိရဲ့လား?" ဟု မေးပါ။

နယ်ပယ်ကျွမ်းကျင်သူများ- စာရင်းအင်းပညာရှင်များ၊ အချက်အလက် သိပ္ပံပညာရှင်များနှင့် သုတေသီများသည် အထောက်အထားများ၏ ခိုင်မာမှုကို ချိန်ညှိထားသော အကဲဖြတ်မှုများကို ပေးစွမ်းနိုင်သည်။ တောင်းဆိုမှုများကို အောက်ပါအတိုင်း ပုံဖော်ပါ- "N=X အရ၊ ဒီတွေ့ရှိချက်အပေါ် ကျွန်တော် ဘယ်လောက် ယုံကြည်သင့်သလဲ?"

ပုံစံများ အမြန်ထွက်ပေါ်လာသောအခါ- စူးစမ်းလေ့လာမှု အနည်းငယ်ပြုလုပ်ပြီးနောက် ရှင်းလင်းသော ပုံစံတစ်ခုကို မြင်ပါက၊ ထိုပုံစံ ဆက်လက်တည်ရှိနိုင်ခြေ ရှိမရှိ အကဲဖြတ်ရန် ရလဒ်အပေါ် သိပ်မမျှော်လင့်ထားသူ တစ်ဦးဦးနှင့် တိုင်ပင်ပါ။

၁၁။ လက်တွေ့လေ့ကျင့်ခန်းများ (Practical Exercises)

လေ့ကျင့်ခန်း ၁- အကြွေစေ့မြှောက်ခြင်း စမ်းသပ်မှု

• ရည်ရွယ်ချက်- နမူနာအသေးလေးများ၏ ကွဲလွဲနိုင်စွမ်းနှင့်ပတ်သက်၍ ပင်ကိုယ်သိစိတ်ကို ဖွံ့ဖြိုးစေရန်
• လိုအပ်သောအချိန်- မိနစ် ၂၀
• လိုအပ်သောပစ္စည်းများ- အကြွေစေ့တစ်စေ့၊ စက္ကူ၊ ခဲတံ
• ခက်ခဲမှုအဆင့်- အခြေခံ
• ညွှန်ကြားချက်များ- ၁။ အကြွေစေ့ကို ၁၀ ကြိမ်မြှောက်ပြီး ခေါင်းကျသည့် ရာခိုင်နှုန်းကို မှတ်သားပါ ၂။ ၎င်းကို ၁၀ ကြိမ်ပြုလုပ်ပါ၊ ၁၀ ကြိမ်မြှောက်ထားသော နမူနာ ၁၀ ခု ဖန်တီးပါ ၃။ ရာခိုင်နှုန်းများ၏ အတက်အကျကို မှတ်သားပါ (၂၀% မှ ၈၀% အထိ ရှိနိုင်သည်) ၄။ ယခု အကြွေစေ့ကို အကြိမ် ၁၀၀ မြှောက်ပြီး ရာခိုင်နှုန်းကို မှတ်သားပါ ၅။ ဒုတိယ အကြိမ် ၁၀၀ အတွက် ထပ်မံပြုလုပ်ပါ ၆။ ၁၀-ကြိမ် နမူနာများနှင့် ၁၀၀-ကြိမ် နမူနာများအကြား ကွဲလွဲမှုကို နှိုင်းယှဉ်ပါ
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • နမူနာအသေးလေးများ၏ ကွဲလွဲမှုကို သင်မည်မျှ အံ့ဩမိသနည်း?
  • အကြွေစေ့သည် မျှတကြောင်း သင်သိသော်လည်း ဖြတ်သန်းသွားသော ၁၀ ကြိမ်စ퀀ကို "ကြိုတင်စီစဉ်ထားသည်" ဟု ခံစားရပါသလား?
  • ၁၀၀-ကြိမ် ရာခိုင်နှုန်းများသည် အချင်းချင်း မည်သို့ကွာခြားသနည်း?
• အကြိမ်အရေအတွက်- တစ်ကြိမ်ပြုလုပ်ပါ၊ ထို့နောက် သတိပေးမှုလိုအပ်တိုင်း ပြန်လည်လုပ်ဆောင်ပါ

လေ့ကျင့်ခန်း ၂- သုံးသပ်ချက်များကို ခွဲခြမ်းစိတ်ဖြာခြင်း

• ရည်ရွယ်ချက်- လက်တွေ့ဆုံးဖြတ်ချက်များတွင် ယုံကြည်မှုကို နမူနာအရွယ်အစားနှင့် ချိန်ညှိလေ့ကျင့်ရန်
• လိုအပ်သောအချိန်- မိနစ် ၃၀
• လိုအပ်သောပစ္စည်းများ- အင်တာနက် အသုံးပြုခွင့်
• ခက်ခဲမှုအဆင့်- အလယ်အလတ်
• ညွှန်ကြားချက်များ- ၁။ သင်ဝယ်ယူနိုင်သည့် ထုတ်ကုန်အမျိုးအစားတစ်ခုကို ရှာဖွေပါ (နားကြပ်၊ စာအုပ်၊ စားသောက်ဆိုင်) ၂။ သုံးသပ်ချက် (reviews) ၅ ခုရှိသောအရာ၊ ၅၀ ရှိသောအရာ၊ ၅၀၀ ရှိသောအရာ သုံးခုကို ရှာပါ ၃။ တစ်ခုချင်းစီအတွက် ပျမ်းမျှအဆင့်သတ်မှတ်ချက်ကို မှတ်သားပြီး သုံးသပ်ချက်များစွာကို ဖတ်ပါ ၄။ အဆင့်သတ်မှတ်ချက်တစ်ခုစီ၏ တိကျမှုအပေါ် သင်မည်မျှ ယုံကြည်မှုရှိကြောင်း ချရေးပါ ၅။ စဉ်းစားရန်- အစွန်းရောက်သော သုံးသပ်ချက်အသစ်တစ်ခုက ပျမ်းမျှကို မည်မျှ ပြောင်းလဲသွားစေနိုင်သနည်း?
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • သုံးသပ်ချက်ပိုများသော အဆင့်သတ်မှတ်ချက်များကို သင်သဘာဝကျကျ ပိုမိုယုံကြည်မှု ရှိပါသလား?
  • သုံးသပ်ချက်များ၏ ဖြန့်ဖြူးမှု (ကြယ် ၅ ပွင့်ချည်းသာ ဖြစ်ခြင်းနှင့် ရောနှောနေခြင်း) က သင့်ယုံကြည်မှုကို မည်သို့ သက်ရောက်မှုရှိသနည်း?
  • အဆင့်သတ်မှတ်ချက်တစ်ခုကို ယုံကြည်ရန် အနည်းဆုံး နမူနာအရွယ်အစား မည်မျှလိုအပ်မည်နည်း?
• အကြိမ်အရေအတွက်- ကွဲပြားသော ထုတ်ကုန်အမျိုးအစားများကို အသုံးပြု၍ လစဉ် ပြုလုပ်ပါ

လေ့ကျင့်ခန်း ၃- သမိုင်းကြောင်းကို ပြန်လည်စစ်ဆေးခြင်း (Historical Backtesting)

• ရည်ရွယ်ချက်- နမူနာအသေးလေးများမှ ကောက်ချက်ချမှုများသည် အချိန်ကြာလာသည်နှင့်အမျှ မည်သို့ကျရှုံးသွားကြောင်း တွေ့ကြုံခံစားရန်
• လိုအပ်သောအချိန်- ၄၅ မိနစ်
• လိုအပ်သောပစ္စည်းများ- သမိုင်းဝင် စတော့ရှယ်ယာ အချက်အလက်များ သို့မဟုတ် အားကစား စာရင်းအင်းများ (အင်တာနက်တွင် အခမဲ့ ရရှိနိုင်သည်)
• ခက်ခဲမှုအဆင့်- အဆင့်မြင့်
• ညွှန်ကြားချက်များ- ၁။ အနည်းဆုံး ၁၀ နှစ်တာ အချက်အလက်ရှိသော စတော့ရှယ်ယာ သို့မဟုတ် အားကစားသမား ၁၀ ဦးကို ရွေးချယ်ပါ ၂။ ပထမနှစ် အချက်အလက်ကိုသာ ကြည့်ပါ။ အကောင်းဆုံးစွမ်းဆောင်နိုင်သူ ထိပ်ဆုံး ၃ ဦးကို ရှာဖွေပါ ၃။ သူတို့သည် ဒုတိယနှစ်တွင်လည်း ထိပ်ဆုံး ၃ ဦး ဖြစ်မည်ဟု ခန့်မှန်းပါ ၄။ ဒုတိယနှစ် ရလဒ်များကို စစ်ဆေးပါ။ မည်မျှ ထိပ်ဆုံး ၃ ဦးတွင် ကျန်ရှိနေသနည်း? ၅။ ယခု ၅ နှစ်တာ ပျမ်းမျှများကို ကြည့်ပါ။ ထိပ်ဆုံး ၃ ဦးကို ရှာဖွေပါ ၆။ နောက်ဆက်တွဲ ၅ နှစ်တာ စွမ်းဆောင်ရည်ကို စစ်ဆေးပါ။ တိကျမှုကို နှိုင်းယှဉ်ပါ
• ပြန်လည်သုံးသပ်ရန် မေးခွန်းများ-
  • ရေတိုစွမ်းဆောင်ရည်သည် ရေရှည်ရလဒ်များကို မည်သို့ ခန့်မှန်းပေးသနည်း?
  • သင်လေ့လာတွေ့ရှိခဲ့သော ပျမ်းမျှသို့ပြန်ရောက်ခြင်း (regression to the mean) ကို မည်သည့်အရာက ရှင်းပြသနည်း?
  • ၎င်းသည် သင်၏ ရင်းနှီးမြှုပ်နှံမှု သို့မဟုတ် လောင်းကစား မဟာဗျူဟာကို မည်သို့ ပြောင်းလဲစေမည်နည်း?
• အကြိမ်အရေအတွက်- သုံးလတစ်ကြိမ်

နေ့စဉ် လေ့ကျင့်မှု

နေ့စဉ်နေ့တိုင်း၊ ကန့်သတ်ချက်ရှိသော အချက်အလက်များမှ သင်ဆွဲထုတ်နေသည့် ကောက်ချက်တစ်ခုကို သတိပြုပါ။ ၎င်းကို လက်မခံမီ၊ "ဒါကို စူးစမ်းလေ့လာမှု ဘယ်လောက်အပေါ် အခြေခံထားတာလဲ?" နှင့် "ငါ့ဆီမှာ အချက်အလက် ၁၀ ဆ ပိုရှိရင် ငါဘယ်လို ကောက်ချက်ချမလဲ?" ဟု မေးပါ။ နမူနာအရွယ်အစား ပြဿနာကို အမှတ်အသားပြုရုံဖြင့် လုံလောက်သည်—သင်၏ ကောက်ချက်ကို ပြောင်းလဲရန် မလိုအပ်ပါ၊ အကန့်အသတ်ကို သတိပြုမိရန်သာ ဖြစ်သည်။

• အကြံပြုထားသော ကြာချိန်- ၂ မိနစ်
• ပြုလုပ်ရန် အကောင်းဆုံးအချိန်- ညနေပိုင်း ပြန်လည်သုံးသပ်ချိန်
• တိုးတက်မှုကို ခြေရာခံနည်း- သေးငယ်သော မှတ်စုစာအုပ်တစ်ခုတွင် နေ့စဉ် တွေ့ရှိချက်များကို ရေတွက်မှတ်သားပါ

အပတ်စဉ် စိန်ခေါ်မှု

တစ်ပတ်လျှင် တစ်ကြိမ်၊ စာရင်းအင်းများကို ကိုးကားထားသော သတင်းဆောင်းပါး သို့မဟုတ် ဆိုရှယ်မီဒီယာ ပို့စ်တစ်ခုကို ရှာပါ။ မူရင်းအရင်းအမြစ်ကို သုတေသနလုပ်ပြီး နမူနာအရွယ်အစားကို ရှာဖွေပါ။ ကောက်ချက်များသည် အထောက်အထား ခိုင်မာမှုနှင့် မျှတမှုရှိမရှိ အတိုချုပ် မှတ်စုရေးပါ။

• ၄ ပတ်အကြာတွင် မျှော်မှန်းထားသော ရလဒ်များ- ဖော်ပြထားသော တွေ့ရှိချက်များအပေါ် သဘာဝကျကျ သံသယဝင်လာခြင်း၊ နမူနာအရွယ်အစားကို အလိုအလျောက် ဂရုပြုမိလာခြင်း
• ပြန်လည်သုံးသပ်ရန်အတွက် ဂျာနယ်ရေးသားခြင်း လမ်းညွှန်များ-
  • ဒီအပတ်မှာ ကျွန်တော်တွေ့ရှိခဲ့တဲ့ အံ့ဩစရာအကောင်းဆုံး နမူနာအရွယ်အစားက ဘာလဲ?
  • နမူနာအရွယ်အစားကို သိရှိခြင်းက တွေ့ရှိချက်အပေါ် ကျွန်တော့်ရဲ့ အဓိပ္ပာယ်ကောက်ယူမှုကို ဘယ်လို ပြောင်းလဲစေခဲ့သလဲ?
  • ကျွန်တော့်ရဲ့ ကနဦး သံသယဝင်မှုမှာ ပိုပြီး ချိန်ညှိမှု ကောင်းမွန်လာသလား?

၁၂။ သီးခြားပရိသတ်များအတွက် (For Specific Audiences)

ခေါင်းဆောင်များနှင့် မန်နေဂျာများအတွက်

ခေါင်းဆောင်များသည် ကန့်သတ်ချက်ရှိသော အချက်အလက်များ- သုံးလပတ်ရလဒ်များ၊ ကနဦး ထုတ်ကုန်တုံ့ပြန်မှု၊ အင်တာဗျူး အထင်အမြင်များ၊ စမ်းသပ်စီမံကိန်း ရလဒ်များ အပေါ်အခြေခံ၍ အကျိုးဆက်ကြီးမားသော ဆုံးဖြတ်ချက်များကို ပုံမှန်ချမှတ်ကြသည်။ နမူနာအရွယ်အစား လျစ်လျူရှုမှု၏ ဆုံးရှုံးမှုများသည် အဖွဲ့အစည်းအဆင့်တွင် ပိုမိုကြီးမားလာသည်။

သီးသန့် နည်းဗျူဟာများ-

• အစီအစဉ်များ အောင်မြင်သည် သို့မဟုတ် ကျရှုံးသည်ဟု ကောက်ချက်မချမီ အနည်းဆုံး လေ့လာစောင့်ကြည့်ရမည့် ကာလများကို သတ်မှတ်ပါ
• အတွင်းပိုင်း သုတေသနနှင့် ခွဲခြမ်းစိတ်ဖြာမှု အားလုံးတွင် နမူနာအရွယ်အစား အစီရင်ခံခြင်းကို လိုအပ်ချက်အဖြစ် သတ်မှတ်ပါ
• နမူနာအသေးများမှ မသေချာမရေရာမှုများကို ရှင်းလင်းစွာ ထည့်သွင်းစဉ်းစားသည့် ဆုံးဖြတ်ချက်ချရေး မူဘောင်များ ဖန်တီးပါ
• စာရင်းအင်းဆိုင်ရာ နှိမ့်ချမှုကို စံပြအဖြစ်ပြသပါ- အချက်အလက်များ ပိုမိုရရှိလာပြီး အခြေအနေပြောင်းလဲသွားသောအခါ ကောက်ချက်များကို လူသိရှင်ကြား ပြင်ဆင်ပါ
• ယုံကြည်မှုလွန်ကဲသော အဓိပ္ပာယ်ကောက်ယူမှုများကို စိန်ခေါ်နိုင်သည့် စာရင်းအင်းကျွမ်းကျင်မှုရှိသော အဖွဲ့များကို တည်ဆောက်ပါ

အဖွဲ့အခြေပြု ကြားဝင်ဆောင်ရွက်မှုများ-

• အရေးကြီးသော အစည်းအဝေးများတွင် "နမူနာအရွယ်အစား ထောက်ခံအားပေးသူ" (sample size advocate) အခန်းကဏ္ဍကို သတ်မှတ်ပါ
• ယုံကြည်မှု ချိန်ညှိခြင်းနှင့်ပတ်သက်၍ စံနှုန်းများ ဖန်တီးပါ- "ဒီ N အရဆိုရင်၊ ငါတို့ ဘယ်လောက် သေချာသင့်သလဲ?"
• ကန့်သတ်ချက်ရှိသော အချက်အလက်များဖြင့် ချမှတ်ခဲ့သော အတိတ်က ဆုံးဖြတ်ချက်များကို ပြန်လည်သုံးသပ်မှုများ (post-mortems) ပြုလုပ်ပါ

မိဘများနှင့် ပညာတတ်များအတွက်

ကလေးများသည် တရားဝင် ဖြစ်နိုင်ခြေဆိုင်ရာ ပညာရေးမရရှိမီ စာရင်းအင်းဆိုင်ရာ ပင်ကိုယ်သိစိတ် ဖွံ့ဖြိုးရန် လိုအပ်သည်။ ရည်ရွယ်ချက်မှာ အထောက်အထား ခိုင်မာမှုကို မေးခွန်းထုတ်တတ်သော တွေးခေါ်မှု အလေ့အထများ တည်ဆောက်ရန်ဖြစ်သည်။

အသက်အရွယ်နှင့် လိုက်ဖက်သော ရှင်းပြချက်များ-

• ကလေးငယ်များ- "ငါတို့ တစ်ခုခုကို အကြိမ်အနည်းငယ်ပဲ စမ်းကြည့်ရသေးရင်၊ အဲဒါ အမြဲတမ်း အဲဒီလိုဖြစ်လာမလား ဆိုတာကို တကယ်မသိနိုင်ဘူး"
• ကလေးကြီးများ- နမူနာအသေးလေးများ မည်သို့ကွဲလွဲကြောင်း ပြသရန် ဂိမ်းများနှင့် စမ်းသပ်မှုများ (အကြွေစေ့မြှောက်ခြင်း၊ အံစာတုံးလှိမ့်ခြင်း) ကို အသုံးပြုပါ
• ဆယ်ကျော်သက်များ- ဆိုရှယ်မီဒီယာသည် ရွယ်တူများ၏ အပြုအမူနှင့် အမြင်များ၏ ဘက်လိုက်မှုရှိသော နမူနာများကို မည်သို့ဖန်တီးကြောင်း ဆွေးနွေးပါ

လှုပ်ရှားမှုများ-

• ကွဲလွဲမှုကို လေ့လာရန် အံစာတုံးနှင့် အကြွေစေ့များဖြင့် မိသားစု စမ်းသပ်မှုများ ပြုလုပ်ပါ
• အရာတစ်ခုကို "ကောင်းတယ်" သို့မဟုတ် "ဆိုးတယ်" ဟု ကောက်ချက်မချမီ အကြိမ်မည်မျှ စမ်းသပ်ရန် လိုအပ်ကြောင်း ဆွေးနွေးပါ
• ကြော်ငြာများ၏ အဆိုအမိန့်များကို အတူတကွ ခွဲခြမ်းစိတ်ဖြာပါ- "သူတို့ ဒါကို ဘယ်လိုသိသလဲ?"

ကျန်းမာရေးစောင့်ရှောက်မှု ကျွမ်းကျင်သူများအတွက်

ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်များသည် အသက်အန္တရာယ်နှင့် သက်ဆိုင်သောကြောင့် နမူနာအရွယ်အစားကို အာရုံခံနိုင်စွမ်းရှိရန် အလွန်အရေးကြီးသည်။ ရင်သားကင်ဆာစစ်ဆေးမှု ပြဿနာက လေ့ကျင့်သင်ကြားထားသော ဆရာဝန်များပင် စာရင်းအင်းဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုတွင် မည်သို့ ရုန်းကန်ရကြောင်း ပြသနေသည်။

ဆေးခန်းဆိုင်ရာ သက်ရောက်မှုများ-

• လူနာတစ်ဦးချင်းစီ၏ ပုံမှန်မဟုတ်သော စစ်ဆေးမှုရလဒ်များသည် နမူနာကောက်ယူမှု ကွဲလွဲချက် (sampling variance) ဖြစ်နိုင်ကြောင်း အသိအမှတ်ပြုပါ
• အခြေခံနှုန်းထားများကြောင့် မှားယွင်းသော အပေါင်းလက္ခဏာပြမှုများ ဖြစ်နိုင်ခြေများသည့် ရှားပါးရောဂါများအတွက် အထူးသတိထားပါ
• လူနာများကို အန္တရာယ်ရှိနိုင်ခြေများအကြောင်း ဆက်သွယ်ပြောဆိုရာတွင် ကြိမ်နှုန်းပုံစံများကို အသုံးပြုပါ

လူနာများနှင့် ဆက်သွယ်ရေး နည်းဗျူဟာများ-

• စစ်ဆေးမှုရလဒ်တစ်ခုသည် အချက်အလက်တစ်ခုသာ ဖြစ်ကြောင်း ရှင်းပြပါ၊ အချိန်ကြာလာသည်နှင့်အမျှ စောင့်ကြည့်ခြင်းက ပိုမိုယုံကြည်စိတ်ချရသော အချက်အလက်များကို ပေးစွမ်းနိုင်သည်
• ကုသမှု၏ ထိရောက်မှု အချက်အလက်များကို နမူနာအရွယ်အစားများဖြင့် ရှင်းလင်းစွာ တင်ပြပါ- "လူနာ ၅၀၀ ပါဝင်တဲ့ လေ့လာမှုတစ်ခုမှာ..."
• သူတို့၏ တစ်ဦးချင်း အတွေ့အကြုံသည် လူဦးရေ စာရင်းအင်းများနှင့် မကိုက်ညီနိုင်ကြောင်း လူနာများ နားလည်အောင် ကူညီပါ

ဘဏ္ဍာရေး ကျွမ်းကျင်သူများအတွက်

စျေးကွက်များသည် နမူနာအရွယ်အစား လျစ်လျူရှုမှုကို ပြင်းထန်စွာ အပြစ်ပေးလေ့ရှိသည်။ သုံးနှစ်တာ မှတ်တမ်းများကို လိုက်လံရင်းနှီးမြှုပ်နှံခြင်း၊ သုံးလပတ် အကျိုးအမြတ်များကို အလွန်အမင်း တုံ့ပြန်ခြင်းနှင့် ရှင်သန်ကျန်ရစ်သူ ဘက်လိုက်မှုကို လျစ်လျူရှုခြင်းတို့သည် နှစ်စဉ် ရင်းနှီးမြှုပ်နှံသူများအား ဒေါ်လာဘီလီယံပေါင်းများစွာ ဆုံးရှုံးစေသည်။

ရင်းနှီးမြှုပ်နှံမှုဆိုင်ရာ သီးသန့် အသုံးချမှုများ-

• မန်နေဂျာ၏ ကျွမ်းကျင်မှု ရှိကြောင်း ကောက်ချက်မချမီ ပိုမိုရှည်လျားသော မှတ်တမ်းများကို တောင်းဆိုပါ
• ရန်ပုံငွေ အမျိုးအစားများကို ခွဲခြမ်းစိတ်ဖြာရာတွင် ရှင်သန်ကျန်ရစ်သူ ဘက်လိုက်မှုအတွက် ထည့်သွင်းတွက်ချက်ပါ
• ရေတိုစွမ်းဆောင်ရည် သာလွန်မှုသည် ကျပန်းကွဲလွဲမှုနှင့် ကိုက်ညီကြောင်း အသိအမှတ်ပြုပါ

ဖောက်သည်များနှင့် ဆက်သွယ်ရေး နည်းဗျူဟာများ-

• ရေတိုစွမ်းဆောင်ရည်၏ ယုံကြည်စိတ်ချရမှု မရှိခြင်းအကြောင်း ဖောက်သည်များကို အသိပညာပေးပါ
• သမိုင်းဝင် အချက်အလက်များကို သင့်လျော်သော ယုံကြည်မှု အတိုင်းအတာများဖြင့် တင်ပြပါ
• ပျမ်းမျှသို့ ပြန်ရောက်ခြင်းကို ရှင်းပြပါ- အစွန်းရောက်သော ရလဒ်များသည် အချိန်ကြာလာသည်နှင့်အမျှ သာမန်အခြေအနေသို့ ပြန်ရောက်သွားလေ့ရှိသည်

အန္တရာယ် စီမံခန့်ခွဲမှုဆိုင်ရာ သက်ရောက်မှုများ-

• မကြာသေးမီက အမြတ်ရသူများသည် ပျမ်းမျှသို့ ပြန်ရောက်သွားမည်ဟု ယူဆကာ ရင်းနှီးမြှုပ်နှံမှု အစုအဖွဲ့များကို တည်ဆောက်ပါ
• မဟာဗျူဟာသစ်များအတွက် ပိုမိုရှည်လျားသော အကဲဖြတ်ကာလများ လိုအပ်ပါစေ
• အန္တရာယ်ပုံစံများ (risk models) တွင် နမူနာအသေးများမှ မသေချာမရေရာမှုများကို ထည့်သွင်းပါ

၁၃။ အခြားဘက်လိုက်မှုများနှင့် အပြန်အလှန်သက်ရောက်မှုများ (Interactions with Other Biases)

ဤဘက်လိုက်မှုကို ပိုမိုကြီးမားစေသော ဘက်လိုက်မှုများ

ဤဘက်လိုက်မှုကို တွန်းလှန်ပေးသော ဘက်လိုက်မှုများ

အဖြစ်များသော ဘက်လိုက်မှု ကွင်းဆက်များ

ကိုယ်စားပြုမှုဆိုင်ရာ ဖြတ်လမ်းနည်း → နမူနာအရွယ်အစားအပေါ် အာရုံမခံနိုင်မှု → လောင်းကစားသမား၏ မှားယွင်းယုံကြည်မှု → နစ်မြုပ်နေသော ကုန်ကျစရိတ် မှားယွင်းမှု (Sunk Cost Fallacy)

ရှင်းလင်းချက်- ကျွန်ုပ်တို့သည် နမူနာ၏ ယုံကြည်စိတ်ချရမှုထက် ဆင်တူမှုအပေါ် အခြေခံ၍ ဖြစ်နိုင်ခြေကို အကဲဖြတ်ခြင်းဖြင့် စတင်သည်။ နမူနာအသေးများသည် မျှော်လင့်ထားသော ပုံစံများနှင့် ကွဲလွဲသောအခါ၊ ၎င်းတို့ကို "မှန်ကန်သွားလိမ့်မည်" ဟု မျှော်လင့်ကြပြီး၊ လောင်းကစားသမား၏ မှားယွင်းယုံကြည်မှုကို ဖြစ်ပေါ်စေသည်။ ၎င်းတို့ မှန်ကန်မလာသောအခါ၊ "အခြေအနေကောင်းလာတော့မည်" ဟု ယုံကြည်ကာ ဆက်လက်ရင်းနှီးမြှုပ်နှံခြင်း (နစ်မြုပ်နေသော ကုန်ကျစရိတ်) များကို ပြုလုပ်နိုင်သည်။

ဖြတ်တောက်ရန်- ပထမအဆင့်မှာပင် နမူနာအရွယ်အစားကို မေးခွန်းထုတ်ပါ။ မည်သည့် အကြောင်းရင်းပြ အဓိပ္ပာယ်ကောက်ယူမှုကိုမျှ မစတင်မီ "ဒါက ယုံကြည်ဖို့ လုံလောက်တဲ့ အချက်အလက်လား?" ဟု မေးပါ။

၁၄။ ယဉ်ကျေးမှုဆိုင်ရာ အမြင်များ (Cultural Perspectives)

ဤဘက်လိုက်မှုနှင့်ပတ်သက်၍ ယဉ်ကျေးမှုဆိုင်ရာ ကွဲလွဲမှုများအပေါ် သုတေသနများမှာ ကန့်သတ်ချက်ရှိနေဆဲဖြစ်သော်လည်း၊ ယဉ်ကျေးမှုပေါင်းစုံ သိမြင်မှုဆိုင်ရာ စိတ်ပညာ (cross-cultural cognitive psychology) မှ အချို့သော ပုံစံများ ထွက်ပေါ်လာသည်။

ခွဲခြမ်းစိတ်ဖြာ တွေးခေါ်မှုကို အလေးထားသော ယဉ်ကျေးမှုများ (အနောက်တိုင်း၊ တစ်သီးပုဂ္ဂလဆန်သော လူ့အဖွဲ့အစည်းများနှင့် မကြာခဏ ဆက်စပ်လေ့ရှိသည်) သည် ဘက်စုံတွေးခေါ်မှုကို အလေးထားသော ယဉ်ကျေးမှုများ (အရှေ့အာရှ၊ အစုအဖွဲ့ဆန်သော လူ့အဖွဲ့အစည်းများနှင့် မကြာခဏ ဆက်စပ်လေ့ရှိသည်) နှင့် မတူညီသော ခံစားရနိုင်ခြေပုံစံများကို ပြသနိုင်သည်။ ဘက်စုံတွေးခေါ်သူများသည် အခြေအနေနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ အကြောင်းရင်းများကို ပိုမိုအာရုံစိုက်နိုင်သဖြင့် နမူနာအသေးလေးများမှ အစွန်းရောက် ကောက်ချက်ချမှုများကို လျော့ပါးစေနိုင်သည်။

သဘောတရားပိုင်းဆိုင်ရာ စာရင်းအင်း ကျိုးကြောင်းဆင်ခြင်မှုထက် အလွတ်ကျက် သင်္ချာတွက်ချက်မှုကို အလေးထားသော ပညာရေးစနစ်များသည် ဘက်လိုက်မှု၏ ပြင်းထန်မှုကို သက်ရောက်မှုရှိနိုင်သည်။ ကြိမ်နှုန်းပုံစံ (frequency format) အနုမာနအရ ခိုင်မာသော၊ လက်တွေ့ကျသော သင်္ချာထုံးတမ်းစဉ်လာများရှိသည့် ယဉ်ကျေးမှုများသည် နမူနာအရွယ်အစားကို ထည့်သွင်းစဉ်းစားရသည့် အလုပ်များတွင် ပိုမိုကောင်းမွန်စွာ စွမ်းဆောင်နိုင်ကြောင်း အကြံပြုထားသည်။

Project Implicit (Ben-Gurion University, အစ္စရေး နှင့် Harvard မှ သုတေသီများ ပါဝင်သော) ကဲ့သို့သော အဖွဲ့အစည်းများ၏ ယဉ်ကျေးမှုပေါင်းစုံ လေ့လာမှုများက ဤဘက်လိုက်မှုသည် နေရာတိုင်းတွင် ရှိနေသော်လည်း၊ ဖြတ်လမ်းနည်းများကို အားကိုးသည့် အတိုင်းအတာမှာ ပညာရေးစနစ်များနှင့် ယဉ်ကျေးမှုစံနှုန်းများအပေါ် မူတည်၍ ကွဲပြားနိုင်ကြောင်း သရုပ်ပြနေသည်။

၁၅။ ဒဏ္ဍာရီများနှင့် အထင်အမြင်လွဲမှားမှုများ (Myths and Misconceptions)

၁၆။ ကျွမ်းကျင်သူများ၏ အမြင်များ (Expert Insights)

"လူတွေမှာ ဖြစ်နိုင်ခြေ နိယာမတွေနဲ့ ပတ်သက်ပြီး မှားယွင်းတဲ့ ပင်ကိုယ်သိစိတ်တွေ ရှိကြတယ်။ အထူးသဖြင့်၊ လူဦးရေအုပ်စုထဲကနေ ကျပန်းထုတ်ယူထားတဲ့ နမူနာတစ်ခုကို အရမ်းကိုယ်စားပြုနိုင်တယ်၊ ဒါမှမဟုတ် အရေးကြီးတဲ့ လက္ခဏာရပ်တွေအားလုံးမှာ လူဦးရေအုပ်စုနဲ့ ဆင်တူတယ်လို့ သူတို့က ယူဆကြတယ်။" — Amos Tversky & Daniel Kahneman, Science (1974)

"လူဦးရေအုပ်စုတစ်ခုရဲ့ ဖွဲ့စည်းပုံကို အလွန်ကိုယ်စားပြုနိုင်တဲ့ နမူနာအသေးလေးတစ်ခုဟာ ပျမ်းမျှများ၊ ကွဲလွဲမှုများ ဒါမှမဟုတ် ဆက်စပ်မှုများလိုမျိုး စာရင်းအင်းဆိုင်ရာ ဂုဏ်သတ္တိတွေမှာ ကိုယ်စားပြုနိုင်စွမ်း ရှိချင်မှရှိပါလိမ့်မယ်။" — Amos Tversky & Daniel Kahneman, "Belief in the Law of Small Numbers" (1971)

"စိတ်ဟာ ရာခိုင်နှုန်းပုံစံနဲ့ ဖြစ်နိုင်ခြေတွေကို တွက်ချက်ဖို့ ပုံစံထုတ်ထားတာမဟုတ်ဘူး၊ ဒါပေမယ့် သူက သဘာဝကြိမ်နှုန်းတွေကိုတော့ 'မြင်' နိုင်တယ်။" — Gerd Gigerenzer, Max Planck Institute for Human Development

၁၇။ အဓိက မှတ်သားဖွယ်ရာများ (Key Takeaways)

၁။ နမူနာအရွယ်အစား ကြီးလာသည်နှင့်အမျှ ကွဲလွဲမှု လျော့ကျသွားသည်- ဤသင်္ချာဆိုင်ရာ အမှန်တရား (σ/√n) ကို လူသားတို့၏ ပင်ကိုယ်သိစိတ်က အမြဲတမ်း ချိုးဖောက်လေ့ရှိသည်။ နမူနာအသေးများသည် မူလကတည်းက မတည်ငြိမ်ပါ၊ နမူနာအကြီးများသာ တည်ငြိမ်သည်။

၂။ ဤဘက်လိုက်မှုသည် နေရာတိုင်းတွင်ရှိသည်- သာမန်လူများမှသည် နိုဘယ်ဆုရှင်များအထိ လူတိုင်းတွင် ဤသဘောထားရှိကြသည်။ စာရင်းအင်းဆိုင်ရာ လေ့ကျင့်မှုသည် ၎င်းကို လျှော့ချပေးနိုင်သော်လည်း လုံးဝ ဖယ်ရှားမပေးနိုင်ပါ။

၃။ ဆူညံသံ (noise) ထဲတွင် ပုံစံများကို မြင်ခြင်း- စိတ်၏ ပုံစံမှတ်မိသည့် စနစ်များသည် နမူနာ၏ ယုံကြည်စိတ်ချရမှုကို ထည့်သွင်းမစဉ်းစားသောကြောင့်၊ ကျပန်းအတက်အကျများအတွက် အကြောင်းရင်းပြ ဇာတ်လမ်းများကို ကျွန်ုပ်တို့ ဖန်တီးမိကြသည်။

၄။ ပုံစံက အရေးကြီးသည်- အချက်အလက်များကို ရာခိုင်နှုန်းများအစား သဘာဝကြိမ်နှုန်းများ ("၁,၀၀၀ တွင် ၁၀ ယောက်") အဖြစ် တင်ပြခြင်းသည် ကျိုးကြောင်းဆင်ခြင်မှုကို သိသိသာသာ တိုးတက်စေပြီး ဤဘက်လိုက်မှုသည် အချက်အလက် ဒီဇိုင်းနှင့် တစ်စိတ်တစ်ပိုင်း သက်ဆိုင်နေကြောင်း အကြံပြုသည်။

၅။ ဆုံးရှုံးမှုများသည် ကြီးမားသည်- ထပ်မံစမ်းသပ်မှု အကျပ်အတည်း၊ ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေမှု အမှားများ၊ ဘဏ္ဍာရေး ပူဖောင်းများနှင့် စျေးကွက်ရှာဖွေရေး ကျရှုံးမှုများ အားလုံးသည် ဤအမှားတစ်ခုတည်းမှ မြစ်ဖျားခံနိုင်သည်။

၆။ ဘက်လိုက်မှုသည် ကောင်းမွန်သော အကြောင်းပြချက်များအတွက် ဆင့်ကဲပြောင်းလဲလာခဲ့သည်- အချက်အလက်ရှားပါးသော ရှေးဟောင်းပတ်ဝန်းကျင်များတွင်၊ နမူနာအသေးလေးများမှ လျင်မြန်စွာ ယေဘုယျကောက်ချက်ချခြင်းသည် အလိုက်သင့်ပြောင်းလဲခြင်း ဖြစ်သည်။ ခေတ်သစ် အချက်အလက်ပေါများသော ပတ်ဝန်းကျင်များနှင့် မကိုက်ညီခြင်းက ပြဿနာကို ဖန်တီးသည်။

၇။ "N က ဘယ်လောက်လဲ?" ဟု မေးပါ- အထိရောက်ဆုံး ကြားဝင်ဆောင်ရွက်မှုမှာ ကောက်ချက်မချမီ နမူနာအရွယ်အစားကို ထင်ရှားစေရန် ဖြစ်သည်။

၁၈။ နောက်ထပ် အရင်းအမြစ်များ (Further Resources)

ပညာရပ်ဆိုင်ရာ စာတမ်းများ

• 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.

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.
• 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.

စာအုပ်အခန်းများ

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

၁၉။ အကျဉ်းချုပ် ကတ်ပြား (Summary Card)

၂၀။ အသုံးပြုထားသော ဝေါဟာရများ အဘိဓာန် (Glossary of Terms Used)

၂၁။ ဆွေးနွေးရန် မေးခွန်းများ (Discussion Questions)

စာဖတ်အသင်းများ၊ စာသင်ခန်းများ သို့မဟုတ် ကိုယ်တိုင် ပြန်လည်သုံးသပ်ရန်အတွက်-

၁။ မကြာသေးမီက သင်ချမှတ်ခဲ့သော အရေးကြီးသည့် ဆုံးဖြတ်ချက်တစ်ခုကို စဉ်းစားပါ။ ထိုဆုံးဖြတ်ချက်ကို အချက်အလက် မည်မျှအပေါ် အခြေခံခဲ့သနည်း၊ သင့်တွင် အချက်အလက် ၁၀ ဆ ပိုရှိခဲ့လျှင် ထိုရွေးချယ်မှုကိုပင် ပြုလုပ်မည်လား?

၂။ စာရင်းအင်းဆိုင်ရာ လေ့ကျင့်မှုသည် ဤဘက်လိုက်မှုကို အဘယ်ကြောင့် အပြည့်အဝ မဖယ်ရှားနိုင်ဟု ထင်ပါသနည်း? ၎င်းက လူသားတို့၏ သိမြင်မှု တည်ဆောက်ပုံနှင့်ပတ်သက်၍ မည်သည့်အရာကို ဖော်ပြနေသနည်း?

၃။ ကျောက်ကပ်ကင်ဆာမြေပုံက အမြင့်ဆုံးနှင့် အနိမ့်ဆုံး ကင်ဆာနှုန်းထား နှစ်ခုစလုံးသည် လူဦးရေနည်းပါးသော ကျေးလက်ခရိုင်များတွင် ဖြစ်ပွားကြောင်း ပြသခဲ့သည်။ စာရင်းအင်းပညာ သင်ကြားထားသော ပြည်သူ့ကျန်းမာရေး အရာရှိတစ်ဦးသည် ယင်းကို မသင်ကြားထားသူနှင့် မည်သို့ ကွာခြားစွာ ချဉ်းကပ်မည်နည်း?

၄။ အချက်အလက်များကို ရာခိုင်နှုန်းများအစား သဘာဝကြိမ်နှုန်းများအဖြစ် တင်ပြခြင်းက ကျိုးကြောင်းဆင်ခြင်မှုကို သိသိသာသာ တိုးတက်စေကြောင်း Gigerenzer က ငြင်းခုံထားသည်။ ကျွန်ုပ်တို့၏ စိတ်သည် "၁%" ထက် "၁,၀၀၀ တွင် ၁၀ ယောက်" ကို အဘယ်ကြောင့် ပိုမိုကောင်းမွန်စွာ ကိုင်တွယ်နိုင်သနည်း?

၅။ ဤဘက်လိုက်မှုသည် ရှေးဟောင်းပတ်ဝန်းကျင်များတွင် အလိုက်သင့်ပြောင်းလဲမှုတစ်ခု ဖြစ်ခဲ့ပါက၊ ကျွန်ုပ်တို့ ၎င်းကို မည်သို့ချဉ်းကပ်သင့်ကြောင်း ၎င်းက အကြံပြုထားသနည်း—ဖယ်ရှားပစ်ရမည့် အရာတစ်ခုအဖြစ်လား သို့မဟုတ် သင့်လျော်စွာ လမ်းကြောင်းလွှဲပေးရမည့် အရာတစ်ခုအဖြစ်လား?