அடிப்படை வீதப் போலி (Base Rate Fallacy)

ஒரு பார்வையில்

1. சுருக்கமான கண்ணோட்டம்

நிகழ்தகவு பற்றிய தீர்ப்புகளை வழங்கும்போது, மனிதர்கள் ஒரு குறிப்பிட்ட வழக்கைப் பற்றிய தெளிவான, குறிப்பிட்ட விவரங்களில் கவனம் செலுத்துகிறார்கள், அதே நேரத்தில் அவர்களின் முடிவுக்குத் தெரிவிக்க வேண்டிய பரந்த புள்ளிவிவரச் சூழலைப் புறக்கணிக்கிறார்கள். கவிதை வாசிக்க விரும்பும் அமைதியான, புத்தகப் பிரியர் ஒருவரை யாராவது விவரித்தால், நீங்கள் அவரை "நூலகர்" என்று யூகிக்கலாம்—உலகில் இந்த பண்புகளைப் பகிர்ந்து கொள்ளும் ஆசிரியர்கள், கணக்காளர்கள் அல்லது அலுவலகப் பணியாளர்கள் அதிகம் இருந்தாலும் கூட. நமது மூளை வடிவங்களை பொருத்தவும் கதைகளைச் சொல்லவும் வடிவமைக்கப்பட்டுள்ளது, நிகழ்தகவுகளைக் கணக்கிட அல்ல என்பதாலேயே அடிப்படை வீதப் போலி ஏற்படுகிறது.

2. இதன் பின்னணியில் உள்ள அறிவியல்

2.1. கண்டுபிடிப்பு மற்றும் வரலாறு

அடிப்படை வீதப் புறக்கணிப்பு பற்றிய முறையான அடையாளம் 1970 களில் உளவியலில் ஏற்பட்ட அறிவாற்றல் புரட்சியிலிருந்து உருவானது. புள்ளிவிவர பகுத்தறிவுக்கும் மருத்துவ உள்ளுணர்வுக்கும் இடையிலான பதற்றம் முன்னதாக 1955 இல் பால் மீல் (Paul Meehl) மற்றும் ஆல்பர்ட் ரோசன் (Albert Rosen) ஆகியோரால் குறிப்பிடப்பட்டிருந்தாலும் (கண்டறியும் சோதனை விளக்கத்தைப் பற்றி மருத்துவர்களை எச்சரித்தவர்கள்), அமோஸ் ட்வெர்ஸ்கி (Amos Tversky) மற்றும் டேனியல் கானமேன் (Daniel Kahneman) ஆகியோரே இந்த சார்பை முறையாகக் கண்டறிந்து பெயரிட்டனர்.

அவர்களின் 1973 ஆம் ஆண்டு கட்டுரை "கணிப்பின் உளவியலில்" (On the Psychology of Prediction) பகுத்தறிவுள்ள நடிகர் பற்றிய நடைமுறையில் இருந்த பொருளாதார அனுமானத்திற்கு சவால் விடுத்தது. மக்கள் விளைவுகளைக் கணிக்கும்படி கேட்கப்படும்போது, புதிய சான்றுகளுடன் முன் நிகழ்தகவுகளைப் புதுப்பிக்கும் உள்ளுணர்வு புள்ளியியல் நிபுணர்களாக அவர்கள் செயல்படுவதில்லை என்பதை அவர்கள் நிரூபித்தனர் (பேயஸ் தேற்றம் கட்டளையிடுவது போல). அதற்கு பதிலாக, அடிப்படை வீத தகவல்களை முறையாக புறக்கணிக்கும் மன குறுக்குவழிகளை அவர்கள் நம்பியிருக்கிறார்கள்.

இந்த கண்டுபிடிப்பு "பகுத்தறிவுப் போர்கள்" (The Rationality Wars) என்று அழைக்கப்படுவதைத் தூண்டியது—அடிப்படை வீதப் புறக்கணிப்பு மனித பகுத்தறிவில் ஒரு அடிப்படை குறைபாட்டை உருவாக்குகிறதா அல்லது சுற்றுச்சூழல் அமைப்புக்கான தகவமைப்பு பிரதிபலிப்பைக் குறிக்கிறதா என்பது பற்றிய தீவிர தத்துவார்த்த விவாதம். இந்த விவாதம் கடந்த ஐந்து தசாப்தங்களாக அறிவாற்றல் அறிவியலை வடிவமைத்துள்ளது.

ஆராய்ச்சியில் முக்கிய மைல்கற்கள்:

• 1955: மீல் மற்றும் ரோசன் மருத்துவ மற்றும் காப்பீட்டுக் கணிப்பு சிக்கலைக் கண்டறிந்தனர்
• 1973: ட்வெர்ஸ்கி மற்றும் கானமேன் "கணிப்பின் உளவியலில்" (On the Psychology of Prediction) வெளியிட்டனர்
• 1980: மாயா பார்-ஹில்லெல் (Maya Bar-Hillel) பொருத்தம் கோட்பாடு விமர்சனத்தை அறிமுகப்படுத்தினார்
• 1995: இயற்கை அதிர்வெண் வடிவங்கள் போலியைக் குறைக்கின்றன என்பதை கெர்ட் கிகெரென்சர் (Gerd Gigerenzer) நிரூபித்தார்
• 2002: கானமேன் மற்றும் ஃபிரடெரிக் "பண்புக்கூறு மாற்று" (attribute substitution) கோட்பாட்டை முறைப்படுத்தினர்
• 2010கள்: ஆராய்ச்சி AI அமைப்புகள் மற்றும் அல்காரிதமிக் சார்புக்கு விரிவடைகிறது

2.2. முக்கிய ஆராய்ச்சியாளர்கள்

2.3. முக்கிய ஆய்வுகள்

"டாம் டபிள்யூ." (Tom W.) பரிசோதனை (கானமேன் & ட்வெர்ஸ்கி, 1973)

பங்கேற்பாளர்கள் துல்லியமான அடிப்படை வீத அறிவைக் கொண்டிருந்தாலும் கூட, பிரதிநிதித்துவம் அடிப்படை வீதங்களை எவ்வாறு மூழ்கடிக்கிறது என்பதை இந்த அடிப்படை ஆய்வு நிரூபித்தது.

வடிவமைப்பு: பங்கேற்பாளர்கள் மூன்று நிபந்தனைகளாகப் பிரிக்கப்பட்டனர்:

• அடிப்படை-வீதக் குழு: ஒன்பது துறைகளில் உள்ள பட்டதாரி மாணவர்களின் சதவீதத்தை மதிப்பிட்டனர். மானுடவியல் மற்றும் கல்வியை பெரிய துறைகள் (அதிக அடிப்படை வீதங்கள்) என்றும் கணினி அறிவியலை சிறியது (குறைந்த அடிப்படை வீதம்) என்றும் அவர்கள் சரியாக அடையாளம் கண்டனர்.
• ஒற்றுமைக் குழு: "டாம் டபிள்யூ." இன் ஆளுமை ஓவியம் (புத்திசாலி ஆனால் படைப்பாற்றல் இல்லாதவர், ஒழுங்கானவர், இயந்திரத்தனமான எழுத்து மற்றும் மற்றவர்கள் மீது அனுதாபம் இல்லாதவர் என விவரிக்கப்பட்டது) கொடுக்கப்பட்டு, டாம் ஒரு சாதாரண மாணவரைப் போல எவ்வளவு ஒத்திருந்தார் என்பதன் மூலம் துறைகளை வரிசைப்படுத்தினர்.
• கணிப்புக் குழு: அதே ஓவியம் கொடுக்கப்பட்டு, டாம் டபிள்யூ. தற்போது அந்தத் துறையில் படிக்கும் நிகழ்தகவின் மூலம் துறைகளை வரிசைப்படுத்துமாறு கேட்கப்பட்டனர்—முக்கியமாக அந்த ஓவியம் "வரையறுக்கப்பட்ட செல்லுபடியாகும்" சோதனைகளின் அடிப்படையிலானது என்று கூறப்பட்டது.

கண்டுபிடிப்புகள்: கணிப்புக் குழுவின் தரவரிசைகள் ஒற்றுமைக் குழுவுடன் கிட்டத்தட்ட மிகச் சரியாக (r > 0.9) ஒத்திருந்தன மற்றும் அடிப்படை-வீதக் குழுவுடன் எதிர்மறையாக ஒத்திருந்தன. மானுடவியலுடன் ஒப்பிடும்போது கணினி அறிவியல் ஒரு சிறிய துறை என்று தெரிந்திருந்தாலும், பங்கேற்பாளர்கள் டாம் ஒரு கணினி விஞ்ஞானி என்று கணித்தனர், ஏனெனில் அவர் ஒருவரைப் போல தோற்றமளித்தார். தகவல்கள் நம்பகமற்றவை என்று பங்கேற்பாளர்கள் எச்சரிக்கப்பட்டாலும் கூட, தனிப்பட்ட தகவல்கள் அடிப்படை வீத தகவல்களை முற்றிலுமாக மூழ்கடித்தன.

வாடகைக் கார் சிக்கல் (Taxicab Problem) (கானமேன் & ட்வெர்ஸ்கி, 1972)

அடிப்படை வீதங்களுக்கும் சாட்சி சாட்சியத்திற்கும் இடையிலான மோதலை தனிமைப்படுத்தும், போலியின் மிகவும் பிரபலமான எண் விளக்கம்.

காட்சி: இரவில் ஒரு வாடகைக் கார் மோதிவிட்டு நிற்காமல் செல்லும் விபத்தில் (hit-and-run) சிக்கியது. நகரில் இரண்டு நிறுவனங்கள் இயங்குகின்றன:

• அடிப்படை வீதம்: 85% பச்சை நிற கார்கள், 15% நீல நிற கார்கள்
• ஒரு சாட்சி அந்த காரை நீலம் என்று அடையாளம் காட்டினார்
• சாட்சி 80% நேரங்களில் வண்ணங்களைச் சரியாக அடையாளம் கண்டார் என்பதை நீதிமன்ற சோதனை காட்டியது

கேள்வி: கார் நீல நிறமாக இருந்ததற்கான நிகழ்தகவு என்ன?

உள்ளுணர்வு பதில்: பெரும்பாலான பங்கேற்பாளர்கள் சாட்சியின் துல்லியத்துடன் நேரடியாகப் பொருந்தி, 80% என்று பதிலளிக்கிறார்கள்.

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

உட்பார்வை: சாட்சி நீலம் என்று கூறிய போதிலும், கார் பச்சை நிறமாக இருந்திருக்கவே அதிக வாய்ப்பு (59%) உள்ளது. சிறிய நீல நிறக் குழு உண்மையான நீல அறிக்கைகளை உருவாக்குவதை விட பெரிய பச்சை நிறக் குழு அதிக தவறான நீல அறிக்கைகளை உருவாக்குகிறது. பச்சை அடிப்படை வீதத்தின் "எடை", சாட்சியின் 80% துல்லியத்திலிருந்து நிகழ்தகவைக் குறைக்கிறது என்பதைப் பங்கேற்பாளர்கள் உள்ளுணர்வால் உணரத் தவறிவிட்டனர்.

பொறியாளர்-வழக்கறிஞர் சிக்கல் (ட்வெர்ஸ்கி & கானமேன், 1973)

வடிவமைப்பு: பங்கேற்பாளர்கள் 100 நிபுணர்களின் மாதிரிகளிலிருந்து பெறப்பட்ட விளக்கங்களைப் பெற்றனர்:

• நிபந்தனை A: 70 பொறியாளர்கள், 30 வழக்கறிஞர்கள்
• நிபந்தனை B: 30 பொறியாளர்கள், 70 வழக்கறிஞர்கள்

"ஜாக்" என்பவர் வழக்கமான பொறியாளருக்குரிய பண்புகளுடன் விவரிக்கப்பட்டார் (பழமைவாதி, கவனமானவர், தச்சு வேலையில் ஆர்வமுள்ளவர்).

கண்டுபிடிப்புகள்: அடிப்படை வீதங்கள் புரட்டப்பட்டிருப்பதை முற்றிலுமாகப் புறக்கணித்து, இரண்டு நிபந்தனைகளிலும் ஜாக் ஒரு பொறியாளராக இருப்பதற்கான நிகழ்தகவை கிட்டத்தட்ட ஒரே மாதிரியாக (~90%) பங்கேற்பாளர்கள் மதிப்பிட்டனர். முக்கியமாக, எந்தவொரு ஸ்டீரியோடைப்பிற்கும் பொருந்தாத நடுநிலையான விளக்கம் கொடுக்கப்பட்டபோது, பங்கேற்பாளர்கள் அடிப்படை வீதத்தை (70% அல்லது 30%) சரியாகப் பயன்படுத்தினர், இது அவர்கள் அடிப்படை வீதங்களைப் பயன்படுத்த முடியும் என்பதை நிரூபித்தது, ஆனால் தனிப்பட்ட தரவைப் பெற்றவுடன் அவற்றை உடனடியாக நிராகரித்தனர்.

2.4. நரம்பியல் அடிப்படை

அடிப்படை வீதப் புறக்கணிப்பின் நரம்பியல் அடிப்படைகள் மீதான ஆராய்ச்சி இரண்டு அறிவாற்றல் அமைப்புகளுக்கு இடையிலான மோதலைச் சுட்டிக்காட்டுகிறது:

அமைப்பு 1 (உள்ளுணர்வு செயலாக்கம்): ப்ரீஃப்ரன்டல் கார்டெக்ஸ் (prefrontal cortex) மற்றும் லிம்பிக் சிஸ்டம் (limbic system) ஆகியவை விரைவான, தானியங்கி வடிவப் பொருத்தத்தை (pattern-matching) இயக்குகின்றன. தனிப்பட்ட தகவல்கள் வழங்கப்படும்போது, இந்தப் பகுதிகள் வலுவாகச் செயல்பட்டு, உள்ளுணர்வு சார்ந்த "ஒற்றுமை அடிப்படையிலான" தீர்ப்புகளை உருவாக்குகின்றன. தெளிவான, குறிப்பிட்ட தகவல்களின் முக்கியத்துவத்தை அமிக்டாலா மேம்படுத்தலாம்.

அமைப்பு 2 (கவனமான செயலாக்கம்): டார்சோலேட்டரல் ப்ரீஃப்ரன்டல் கார்டெக்ஸ் (dorsolateral prefrontal cortex) மற்றும் ஆன்டிரியர் சிங்குலேட் கார்டெக்ஸ் (anterior cingulate cortex) ஆகியவை கடினமான புள்ளியியல் பகுத்தறிவை ஆதரிக்கின்றன. fMRI ஐப் பயன்படுத்தும் ஆய்வுகள், அடிப்படை வீதங்களைச் சரியாக ஒருங்கிணைக்க இந்தப் பகுதிகளின் செயல்படுத்தல் தேவை என்பதைக் காட்டுகின்றன, இதற்கு அறிவாற்றல் முயற்சி தேவைப்படுகிறது மற்றும் நேர நெருக்கடி அல்லது அறிவாற்றல் சுமையால் இது எளிதில் பாதிக்கப்படுகிறது.

நரம்பியல் போட்டி: நரம்பியல் போட்டியில் அமைப்பு 1 "வெல்வதால்" அடிப்படை வீதப் புறக்கணிப்பு விளைவதாகத் தெரிகிறது, ஏனெனில்:

• வடிவப் பொருத்தம் வேகமானது மற்றும் குறைவான வளங்களே தேவைப்படுகின்றன
• சுருக்கமான புள்ளிவிவரங்களை விட குறிப்பிட்ட கதைகள் உணர்ச்சி செயலாக்கத்தை அதிகம் செயல்படுத்துகின்றன
• மூளையின் இயல்புநிலை பயன்முறையானது கதைகளை உருவாக்குவதே தவிர, நிகழ்தகவுகளைக் கணக்கிடுவது அல்ல
• வேலை செய்யும் நினைவக வரம்புகள் அடிப்படை வீதங்கள் மற்றும் வழக்குத் தகவல்களின் ஒரே நேரத்திலான செயலாக்கத்தைக் கட்டுப்படுத்துகின்றன

வெகுமதி கணிப்பில் ஈடுபடும் டோபமைன் பாதைகள் புள்ளியியல் சிந்தனையை விட குறிப்பிட்ட "வெற்றிகளின்" (hits) ஈர்ப்புக்கு பங்களிக்கக்கூடும் என்று நரம்பியக்கடத்தி ஆராய்ச்சி கூறுகிறது, அதே நேரத்தில் மன அழுத்த ஹார்மோன்கள் கவனமான செயலாக்கத்தை மேலும் ஒடுக்கலாம்.

3. பரிணாம தோற்றங்கள்

சுருக்கமான நிகழ்தகவுகளைக் கணக்கிடுவதற்கு அல்லாமல், உடனடி சுற்றுச்சூழல் அச்சுறுத்தல்களுக்கு வழிவகுக்கும் வகையில் உகந்ததாக்கப்பட்ட வடிவ-அங்கீகார இயந்திரமாக மனித அறிவாற்றல் பரிணாம வளர்ச்சி அடைந்ததால் அடிப்படை வீதப் போலி உள்ளது.

குறிப்பிட்ட-வழக்கு பகுத்தறிவின் உயிர்வாழும் நன்மைகள்:

• மூதாதையர் சூழலில், புல்லில் ஏற்படும் சலசலப்பு ஒரு வேட்டையாடும் விலங்காக இருக்கலாம். காற்றின் "அடிப்படை வீதத்தை" புறக்கணித்து அச்சுறுத்தல் என்று கருதியவர்கள் கவனமான புள்ளியியல் நிபுணர்களை விட அடிக்கடி உயிர் பிழைத்தனர்
• சமூக உயிர்வாழ்வு என்பது மக்கள் தொகை சராசரிகளை அல்ல, குறிப்பிட்ட தனிப்பட்ட நோக்கங்களைப் படிப்பதைப் பொறுத்தது
• சுருக்கமான அதிர்வெண்களால் அல்லாமல், குறிப்பிட்ட வாய்ப்புகளை மதிப்பிடுவதன் மூலம் வளங்களும் இணைகளும் பாதுகாக்கப்பட்டன
• வடிவப் பொருத்தத்தின் அடிப்படையிலான விரைவான முடிவெடுத்தல் விலைமதிப்பற்ற அறிவாற்றல் ஆற்றலைக் காப்பாற்றியது

கதை சொல்லும் உந்துதல்: நிகழ்வுகளிலிருந்து ஒத்திசைவான காரண-காரிய கதைகளை உருவாக்கிய நமது முன்னோர்களால், யதார்த்தத்தை துண்டிக்கப்பட்ட புள்ளிவிவரங்களாகச் செயலாக்கியவர்களை விட சிறப்பாகக் கற்றுக்கொள்ளவும், கற்பிக்கவும் மற்றும் கணிக்கவும் முடிந்தது. இந்தக் கதைகளை உருவாக்கும் திறன் மனித நுண்ணறிவுக்கு மையமாக மாறியது, ஆனால் முறையான நிகழ்தகவு தேவைப்படும்போது முறையான குருட்டுப் புள்ளிகளை (blind spots) உருவாக்குகிறது.

சூழலில்-இது ஒரு குறைபாடல்ல, ஒரு அம்சம்: பெரும்பாலான நவீன காலத்திற்கு முந்தைய சூழ்நிலைகளில், அடிப்படை வீதப் புறக்கணிப்பு தகவமைப்புக்கு ஏற்றதாக இருந்தது. புலிகளின் சராசரி பரவலை விட உங்களுக்கு முன்னால் இருக்கும் குறிப்பிட்ட புலியே அதிகம் முக்கியமானது. இந்த அறிவாற்றல் கட்டமைப்பானது அரிய நோய்கள், தடயவியல் சான்றுகள் அல்லது நிதி வழித்தோன்றல்கள் சம்பந்தப்பட்ட நவீன முடிவுகளை எதிர்கொள்ளும் போது சிக்கல் எழுகிறது—இந்தக் களங்களில் புள்ளியியல் சிந்தனை இன்றியமையாதது ஆனால் பரிணாம ரீதியாக முன்னோடியில்லாதது.

ஆற்றல் பாதுகாப்பு: பேயஸ் நிகழ்தகவுகளைக் கணக்கிடுவது வளர்சிதை மாற்ற ரீதியாக விலைமதிப்பற்றது. உடல் ஆற்றலில் 20% ஐ உட்கொள்ளும் மூளை, பெரும்பாலான நேரங்களில் "போதுமான அளவு" வேலை செய்யும் குறுக்குவழிகளை உருவாக்கியது. பற்றாக்குறையான சூழல்களில், முறையான பகுத்தறிவின் அறிவாற்றல் செலவு அதன் விளிம்பு நன்மைகளை விட அதிகமாக இருந்தது.

4. இந்த சார்பு எவ்வாறு வெளிப்படுகிறது

4.1. அன்றாட வாழ்வில்

• அந்நியர்களை ஸ்டீரியோடைப் செய்தல்: மற்ற தொழில்களுடன் ஒப்பிடுகையில் பேராசிரியர்களின் அடிப்படை வீதம் சிறியதாக இருந்தபோதிலும், மெதுவாகப் பேசும் கண்ணாடியணிந்த ஒருவரைச் சந்திக்கும் போது, நீங்கள் "பேராசிரியர்" என்று கருதலாம்
• ஆபத்து மதிப்பீடு: விமான விபத்து பற்றிய செய்தித் தொகுப்பைப் பார்த்த பிறகு, விமானப் பயணத்தின் புள்ளிவிவரப் பாதுகாப்பைப் புறக்கணிக்கும் அதே வேளையில் விமான ஆபத்தை அதிகமாக மதிப்பிடுதல்
• உறவுத் தீர்ப்புகள்: நேர்மையான தொடர்புகளின் உங்களின் விரிவான வரலாற்றைப் புறக்கணித்து (அவர்களின் நம்பகத்தன்மையின் அடிப்படை வீதம்), ஒரு சந்தேகத்திற்குரிய நடத்தையின் அடிப்படையில் ஒருவரை நேர்மையற்றவர் என்று முடிவெடுப்பது
• லாட்டரி மற்றும் சூதாட்டம்: இழப்புகளின் கணித அடிப்படை வீதத்தைப் புறக்கணிக்கும் போது சமீபத்திய வெற்றிகளின் அடிப்படையில் "அதிர்ஷ்ட" டிக்கெட் அல்லது கேசினோவை சிறப்பு வாய்ந்ததாகக் கருதுதல்
• பெற்றோருக்குரிய அச்சங்கள்: ஊடகக் கதைகளின் அடிப்படையில் கடத்தல் போன்ற ஆபத்துக்களை வெகுவாக அதிகமாக மதிப்பிடுவது, அதே நேரத்தில் கார் விபத்துக்கள் போன்ற பொதுவான அபாயங்களைக் குறைவாக மதிப்பிடுவது

4.2. பணியிடத்தில்

• செயல்திறன் மதிப்பீடு: ஒரு ஊழியரின் அடிப்படை உற்பத்தித்திறன் தரவைப் புறக்கணித்து, ஒரு ஈர்க்கக்கூடிய விளக்கக்காட்சியின் அடிப்படையில் அவரை "அதிக திறன் கொண்டவர்" என்று மதிப்பிடுதல்
• பணியமர்த்தல் முடிவுகள்: ஒத்த பணியமர்த்தல்களுக்கு இடையிலான வெற்றியின் அடிப்படை வீதத்தைக் கருத்தில் கொள்வதற்குப் பதிலாக, வெற்றியின் ஸ்டீரியோடைப்களுடன் பொருந்தக்கூடிய நேர்காணல் செயல்திறன் கொண்ட வேட்பாளர்களுக்கு ஆதரவளிப்பது
• திட்ட மதிப்பீடு: ஒத்த திட்டங்களில் பட்ஜெட் மீறல்கள் மற்றும் தாமதங்களின் அடிப்படை வீதத்தைப் புறக்கணிக்கும் போது குறிப்பிட்ட அம்சங்களின் அடிப்படையில் "இந்த திட்டம் வேறுபட்டது" என்று நம்புவது
• தலைமைத்துவ மதிப்பீடு: சாதகமான சூழல்களில் வெற்றியின் அடிப்படை வீதமான சந்தை நிலைமைகளைப் புறக்கணிக்கும் போது, குழு வெற்றியை ஒரு கவர்ச்சியான தலைவருக்குக் காரணம் கூறுவது
• போட்டியாளர் பகுப்பாய்வு: இதேபோன்ற உத்திகளுக்கான தொழில் அளவிலான வெற்றி விகிதங்களைப் புறக்கணிக்கும் போது குறிப்பிட்ட போட்டியாளர்களின் நகர்வுகளுக்கு அதிக முக்கியத்துவம் அளிப்பது

4.3. வணிகம் மற்றும் சந்தைப்படுத்தலில்

• சான்றுகள் மற்றும் வழக்கு ஆய்வுகள்: நுகர்வோர் வழக்கமான விளைவுகளின் அடிப்படை வீதத்தைக் குறைத்து மதிப்பிடுவதால், நிறுவனங்கள் குறிப்பிட்ட வெற்றிக் கதைகளைப் பயன்படுத்துகின்றன
• "டிவியில் பார்த்தபடி": தயாரிப்பு செயல்திறன் பற்றிய புள்ளிவிவர தகவல்களை தெளிவான விளக்கங்கள் மீறுகின்றன
• காப்பீடு விற்பனை: பேரழிவின் வியத்தகு காட்சிகள் அரிய நிகழ்வுகள் சாத்தியமானதாக உணரச் செய்கின்றன
• இலக்கு வைக்கப்பட்ட விளம்பரம்: புள்ளிவிவர நன்மைகளை வழங்குவதற்குப் பதிலாக குறிப்பிட்ட விரும்பத்தக்க சூழல்களில் தயாரிப்புகளைக் காண்பித்தல்
• வெளியீட்டுக் கதைகள்: ~90% தோல்வி அடிப்படை வீதம் இருந்தபோதிலும் "இந்த ஸ்டார்ட்அப் வேறுபட்டது" என்ற கதைகள் தொடர்கின்றன
• வாடிக்கையாளர் பிரிவு: முறையான தரவு பகுப்பாய்வை விட மறக்கமுடியாத வாடிக்கையாளர் தொடர்புகளில் அதிக குறியீட்டு முறையைப் பயன்படுத்துதல்

4.4. அரசியல் மற்றும் ஊடகங்களில்

• குற்றச் செய்திகள்: வன்முறையின் அடிப்படை வீதங்கள் குறைந்து வந்தாலும், அரிய வன்முறைக் குற்றங்களின் தெளிவான அறிக்கை கொள்கையை இயக்குகிறது
• தேர்தல் கணிப்பு: பதவியில் இருப்பவர்களின் நன்மையின் வரலாற்று அடிப்படை வீதங்களைப் புறக்கணிக்கும் போது, பண்டிதர்கள் குறிப்பிட்ட பிரச்சாரத் தருணங்களில் ("gaffes" - தவறுகள்) கவனம் செலுத்துகிறார்கள்
• குடியேற்ற விவாதம்: பூர்வீக குடிமக்களை விட குடியேற்றவாசிகள் குறைந்த விகிதத்தில் குற்றங்களைச் செய்கிறார்கள் என்ற புள்ளிவிவர சான்றுகளை குடியேறியவர்களின் குற்றங்கள் பற்றிய குறிப்பிட்ட கதைகள் மீறுகின்றன
• கொள்கைக் கதைகள்: புதிய கொள்கைகளுக்கான "இந்த முறை வேறுபட்டது" என்ற வாதங்கள் கொள்கைத் தோல்வியின் அடிப்படை வீதங்களைப் புறக்கணிக்கின்றன
• பயங்கரவாத ஆபத்து: தெளிவான தாக்குதல்களின் அடிப்படையில் பாரிய பாதுகாப்பு முதலீடுகள் செய்யப்படுகின்றன, அதே வேளையில் அடிப்படை வீதங்கள் பிற அச்சுறுத்தல்களுக்கு (போக்குவரத்து விபத்துக்கள், இதய நோய்) அதிக வளங்கள் தேவை என்று கூறுகின்றன

4.5. சுகாதாரப் பராமரிப்பில்

தவறான நேர்மறை முரண்பாடு (False Positive Paradox): ஒரு நோய் அரிதாக இருக்கும்போது (குறைந்த அடிப்படை வீதம்), மிகவும் துல்லியமான சோதனைகள் கூட பெரும்பாலும் தவறான நேர்மறைகளையே உருவாக்குகின்றன.

HIV ஸ்கிரீனிங் உதாரணம்:

• மக்கள் தொகை: 100,000 இல் 0.01% HIV பரவல்

• சோதனை: 99.9% உணர்திறன் (sensitivity), 99.9% தனித்தன்மை (specificity)

• உண்மையான நேர்மறைகள்: ~10 (பாதிக்கப்பட்டவர்கள் சரியாக அடையாளம் காணப்பட்டனர்)

• தவறான நேர்மறைகள்: ~100 (ஆரோக்கியமான நபர்கள் தவறாகக் கொடியிடப்பட்டனர்)

• முடிவு: நேர்மறையான சோதனை என்பது உண்மையான தொற்றுக்கான ~9% வாய்ப்பை மட்டுமே குறிக்கிறது

• கண்டறியும் பிழைகள்: சாதாரண நிலைகளின் அடிப்படை வீதத்தைப் புறக்கணிக்கும் அதே வேளையில், மருத்துவர்கள் ஒரு வியத்தகு நோயறிதலுடன் பொருந்தக்கூடிய அறிகுறிகளை வழங்குவதில் தொகுத்து வழங்குகிறார்கள்

• மருந்து செயல்திறன்: புள்ளிவிவர சிகிச்சை வெற்றி விகிதங்களை விட நோயாளிகள் குறிப்பிட்ட மீட்பு கதைகளில் கவனம் செலுத்துகிறார்கள்

• ஸ்கிரீனிங் முடிவுகள்: நோயாளிகள் தவறான நேர்மறைகளின் அடிப்படை வீதங்களைப் புரிந்து கொள்ளாமல் நேர்மறையான சோதனை முடிவுகளை தவறாகப் புரிந்துகொள்கிறார்கள்

• சிகிச்சை பின்பற்றுதல்: தெளிவான பக்க விளைவு கதைகள் புள்ளிவிவர பாதுகாப்பு சுயவிவரங்களை மீறுகின்றன

• COVID-19 தடுப்பூசி தவறான புரிதல்: "மருத்துவமனையில் அனுமதிக்கப்பட்ட நோயாளிகளில் 70% பேருக்கு தடுப்பூசி போடப்பட்டுள்ளது" என்பது தடுப்பூசி தோல்வி என்று தவறாகப் புரிந்து கொள்ளப்பட்டது, பாதிக்கப்படக்கூடிய மக்கள் தொகையில் 95%+ பேருக்கு தடுப்பூசி போடப்பட்டதை புறக்கணித்து (வகுப்பான் சிக்கல்)

4.6. நிதி மற்றும் முதலீட்டில்

• "இந்த முறை வேறுபட்டது": சந்தை திருத்தங்களின் வரலாற்று அடிப்படை வீதங்களைப் புறக்கணித்து குறிப்பிட்ட கதைகளை (புதிய பொருளாதாரம், AI புரட்சி) மையமாகக் கொண்டு முதலீட்டாளர்கள் தீவிர மதிப்பீடுகளை நியாயப்படுத்துகிறார்கள்
• டாட்-காம் குமிழி (Dot-Com Bubble): ~15x சராசரி மதிப்பீடுகளின் வரலாற்று அடிப்படை வீதத்தைப் புறக்கணித்து, இணையத் திறனால் 100x+ P/E விகிதங்கள் நியாயப்படுத்தப்பட்டன
• தனிப்பட்ட பங்கு தேர்வு: குறியீடுகளுடன் ஒப்பிடும்போது பங்கு குறைவான செயல்திறனின் அடிப்படை வீதங்களைப் புறக்கணிக்கும் போது நிறுவனத்தின் குறிப்பிட்ட தகவலை உறுதியானதாகக் கருதுதல்
• துணிகர மூலதன நம்பிக்கை: ஸ்டார்ட்அப் தோல்வி அடிப்படை வீதங்களுக்குப் பதிலாக நிறுவனரின் கவர்ச்சியின் அடிப்படையில் நிதியளிப்பு முடிவுகள்
• LTCM சரிவு: நோபல் பரிசு பெற்றவர்களின் மாதிரிகள் சமீபத்திய குறைந்த நிலையற்ற தன்மையை அடிப்படை வீதமாகக் கருதின, சந்தை பீதியின் வரலாற்று அதிர்வெண்ணைப் புறக்கணித்தன ("ஃபேட் டெயில்ஸ்" - fat tails)
• ரியல் எஸ்டேட் ஊகம்: "இந்த சந்தை வேறுபட்டது" என்ற நம்பிக்கைகள் வீட்டு சுழற்சிகளின் வரலாற்று அடிப்படை வீதங்களைப் புறக்கணிக்கின்றன

5. நிஜ உலக வழக்கு ஆய்வுகள்

வழக்கு ஆய்வு 1: சாலி கிளார்க்—தவறாக சிறையில் அடைக்கப்பட்ட ஒரு தாய்

• சூழல்: 1999 இல், பிரிட்டிஷ் வழக்கறிஞர் சாலி கிளார்க் இரண்டு குழந்தைகளை இழந்தார்—முதல் குழந்தை 11 வாரங்களிலும், இரண்டாவது 8 வாரங்களிலும். அவர் மீது இரட்டை சிசுக்கொலை குற்றம் சாட்டப்பட்டது.

• என்ன நடந்தது: வசதியான குடும்பத்தில் இரண்டு SIDS (திடீர் சிசு மரண நோய்க்குறி) இறப்புகளுக்கான நிகழ்தகவு சுமார் 73 மில்லியனில் 1 ஆகும் (அதாவது (1/8543)² எனக் கணக்கிடப்பட்டது) என்று நிபுணர் சாட்சி சர் ராய் மெடோ சாட்சியமளித்தார். இதை அவர் ஒரு "லாங் ஷாட்" மீதான பந்தய முரண்பாடுகளுடன் ஒப்பிட்டார்.

• செயல்பட்ட சார்பு: இரண்டு முக்கியமான பிழைகள் ஒன்றிணைந்தன:

  1. சுதந்திர மீறல்: SIDS மரணங்கள் சுயாதீனமான நிகழ்வுகள் என்று மெடோ கருதினார். மரபணு மற்றும் சுற்றுச்சூழல் காரணிகள் உண்மையில் ஒன்று நடந்திருந்தால் இரண்டாவது மரணத்தை அதிக வாய்ப்புள்ளதாக ஆக்குகின்றன—நிகழ்வுகள் நிபந்தனையுடன் சார்ந்தவை.
  2. அடிப்படை வீதப் புறக்கணிப்பு: 73 மில்லியனில் 1 என்ற எண்ணிக்கையை ஏற்றுக்கொண்டாலும், நடுவர் மன்றம் அதை இரட்டை சிசுக்கொலையின் அடிப்படை வீதத்துடன் ஒப்பிட வேண்டும். ஒரு தாயால் இரட்டை கொலை செய்யப்படுவதும் அசாதாரணமாக அரிதானது (ஒருவேளை 100 மில்லியனில் 1). இரண்டு மிகவும் அரிதான நிகழ்வுகளை ஒப்பிடும்போது, விகிதம் முக்கியமானது. இரட்டை SIDS 73 மில்லியனில் 1 ஆகவும், இரட்டைக் கொலை 100 மில்லியனில் 1 ஆகவும் இருந்தால், SIDS அதிக வாய்ப்புள்ளது. தனிமையில் "73 மில்லியனில் 1" என்பதை முன்வைத்ததன் மூலம், அரசுத் தரப்பு கொலையை இயல்புநிலை என்று குறிப்பிட்டது.

• விளைவுகள்: சாலி கிளார்க் குற்றவாளி என்று நிரூபிக்கப்பட்டு ஆயுள் தண்டனை விதிக்கப்பட்டார். பயன்படுத்தப்பட்ட புள்ளியியல் பகுத்தறிவு குறித்து பொதுவெளியில் கண்டனம் தெரிவிக்கும் அசாதாரண நடவடிக்கையை ராயல் ஸ்டாட்டிஸ்டிக்கல் சொசைட்டி (Royal Statistical Society) எடுத்தது. இரண்டாவது மேல்முறையீட்டிற்குப் பிறகு கிளார்க் 2003 இல் விடுவிக்கப்பட்டார். தவறான சிறைவாசம் மற்றும் தனது குழந்தைகளை இழந்த அதிர்ச்சியிலிருந்து மீள முடியாமல், 2007 இல் கடுமையான ஆல்கஹால் விஷத்தால் இறந்தார்.

• கற்றுக்கொண்ட பாடங்கள்: புள்ளிவிவர சான்றுகளுக்கு சரியான பேயஸ் கட்டமைத்தல் தேவை. நீதிமன்றங்கள் ஒன்றுக்கொன்று போட்டியிடும் கருதுகோள்களின் கீழ் சான்றுகளின் நிகழ்தகவை ஒப்பிட வேண்டும், ஒரு கருதுகோளைத் தனிமையில் மதிப்பிடக்கூடாது. நிபுணர் சாட்சிகளுக்கு புள்ளியியல் எழுத்தறிவு பயிற்சி தேவை.

வழக்கு ஆய்வு 2: லூசியா டி பெர்க்—டச்சு செவிலியர்

• சூழல்: டச்சு செவிலியர் லூசியா டி பெர்க் தனது ஷிப்ட்களின் போது நோயாளிகளின் இறப்புகள் குறித்த புள்ளிவிவர பகுப்பாய்வின் அடிப்படையில் ஏழு கொலைகள் மற்றும் மூன்று கொலை முயற்சிகளுக்காக 2003 இல் தண்டிக்கப்பட்டார்.

• என்ன நடந்தது: அவரது ஷிப்ட்களின் போது தற்செயலாக இவ்வளவு இறப்புகள் நிகழ்வதற்கான நிகழ்தகவு 342 மில்லியனில் 1 என்று ஒரு மருத்துவமனை புள்ளியியல் நிபுணர் சாட்சியமளித்தார்.

• செயல்பட்ட சார்பு:

  1. போஸ்ட்-ஹாக் தேர்வு (Post-hoc selection): லூசியா பணியில் இருப்பதை அறிந்த பிறகு மட்டுமே இறப்புகள் "சந்தேகத்திற்குரியவை" என்று வகைப்படுத்தப்பட்டன—இது அடிப்படை வீதப் புறக்கணிப்புடன் இணைந்த உன்னதமான உறுதிப்படுத்தல் சார்பு
  2. கொத்துகளின் அடிப்படை வீதம் புறக்கணிக்கப்பட்டது: எந்தவொரு பெரிய மருத்துவமனை அமைப்பிலும், தற்செயலாக மட்டுமே சாத்தியமில்லாத ஷிப்ட் வடிவத்தை சில செவிலியர்கள் கொண்டிருப்பார்கள் என்பதற்கு பெரிய எண்களின் சட்டம் உத்தரவாதம் அளிக்கிறது (டெக்சாஸ் ஷார்ப்ஷூட்டர் போலி)
  3. புறக்கணிக்கப்பட்ட மாற்று கருதுகோள்கள்: இரவு ஷிப்ட்களின் போது நோயாளிகள் இறக்கும் அடிப்படை வீதம் (நோயுற்ற நோயாளிகள் மிக நெருக்கமாக கண்காணிக்கப்படும் போது) சரியாகக் கருதப்படவில்லை

• விளைவுகள்: லூசியா ஆறு ஆண்டுகளுக்கும் மேலாக சிறையில் கழித்தார். அவர் சிறையில் இருந்தபோது அவருக்கு பக்கவாதம் ஏற்பட்டது. சுயாதீன புள்ளியியல் நிபுணர்களின் கணித பகுப்பாய்வு பின்னர் நிரபராதியாக இருப்பதற்கான நிகழ்தகவு உண்மையில் அதிகமாக இருப்பதைக் காட்டியது. நாட்டின் வரலாற்றில் நீதியைத் தவறவிட்ட மிக மோசமான நிகழ்வுகளில் இதுவும் ஒன்று என டச்சு அதிகாரிகள் ஒப்புக்கொண்டதில் 2010 இல் அவர் விடுவிக்கப்பட்டார்.

• கற்றுக்கொண்ட பாடங்கள்: பெரிய தரவுத்தொகுப்புகளில் ஏற்படும் புள்ளிவிவர தற்செயல் காரணம் என்பதற்கு சான்றாகாது. போஸ்ட்-ஹாக் பகுப்பாய்வுக்கு அதீத எச்சரிக்கை தேவை. நீதிமன்றங்களுக்கு நிகழ்தகவு சான்றுகளின் சுயாதீன புள்ளிவிவர ஆய்வு தேவை.

வழக்கு ஆய்வு 3: ராபர்ட் வில்லியம்ஸ்—முக அங்கீகாரத் தோல்வி

• சூழல்: ஜனவரி 2020 இல், டெட்ராய்டைச் சேர்ந்த ராபர்ட் வில்லியம்ஸ் என்ற கறுப்பின மனிதர், திருட்டுச் சம்பவத்தின் கண்காணிப்புக் காட்சிகளுடன் அவரது ஓட்டுநர் உரிமப் புகைப்படத்தை முக அங்கீகார அல்காரிதம் பொருத்திய பிறகு, அவரது குடும்பத்தின் முன்னிலையில் அவரது வீட்டில் கைது செய்யப்பட்டார்.

• என்ன நடந்தது: துப்பறியும் நபர்கள் வில்லியம்ஸிடம் கண்காணிப்புப் படத்தைக் காட்டி, "கணினி அது நீங்கள்தான் என்று கூறுகிறது" என்றனர். அவர் விடுவிக்கப்படுவதற்கு முன்பு 30 மணி நேரம் காவலில் வைக்கப்பட்டார்.

• செயல்பட்ட சார்பு:

  1. தவறான நேர்மறை முரண்பாடு: 99% துல்லியமான முக அங்கீகார அமைப்பு கூட, மில்லியன் கணக்கான முகங்களின் தரவுத்தளங்களைத் தேடும் போது, ஆயிரக்கணக்கான தவறான பொருத்தங்களை உருவாக்குகிறது
  2. ஆட்டோமேஷன் சார்பு: விசாரணையாளர்கள் அல்காரிதத்தின் "பொருத்தத்தை" ஆதாரங்கள் தேவைப்படும் நிகழ்தகவு பரிந்துரையாகக் கருதாமல் உறுதியான ஆதாரமாகக் கருதினர்
  3. சீரற்ற பொருத்தங்களின் அடிப்படை வீதம்: வாடகைக் கார் சிக்கலைப் போலவே, "சாட்சி" (அல்காரிதம்) பிழை விகிதத்தைக் கொண்டுள்ளது, மேலும் "அப்பாவி மக்கள் தொகை" மிகப்பெரியது - பல தவறான நேர்மறைகளை உருவாக்குகிறது

• விளைவுகள்: வில்லியம்ஸ் தவறாகக் கைது செய்யப்பட்டு, தடுத்து வைக்கப்பட்டு, அவரது டிஎன்ஏ, கைரேகைகள் மற்றும் முகச்சாயல் ஆகியவை குற்றவியல் தரவுத்தளங்களில் உள்ளிடப்பட்டன. அவர் டெட்ராய்ட் காவல் துறை மீது வழக்குத் தொடர்ந்தார். சட்ட அமலாக்கத்தில் அல்காரிதமிக் சார்புக்கு இந்த வழக்கு ஒரு முக்கிய எடுத்துக்காட்டாக அமைந்தது.

• கற்றுக்கொண்ட பாடங்கள்: அல்காரிதம் சான்றுகள் நிகழ்தகவு ரீதியாக மதிப்பிடப்பட வேண்டும், தவறாதவையாக கருதப்படக்கூடாது. தவறான பொருத்தங்களின் அடிப்படை வீதங்கள் முடிவெடுப்பவர்களுக்குத் தெரிவிக்கப்பட வேண்டும். அல்காரிதம் பொருத்தங்களின் அடிப்படையிலான கைதுகளுக்கு முன்பு ஆதாரங்களை உறுதிப்படுத்துவது தேவைப்பட வேண்டும்.

வரலாற்று உதாரணம்: லாங்-டெர்ம் கேபிட்டல் மேனேஜ்மென்ட் சரிவு

1998 இல், நோபல் பரிசு பெற்ற மைரான் ஸ்கோல்ஸ் (Myron Scholes) மற்றும் ராபர்ட் மெர்டன் (Robert Merton) ஆகியோரால் நடத்தப்பட்ட ஹெட்ஜ் நிதியான லாங்-டெர்ம் கேபிட்டல் மேனேஜ்மென்ட் (LTCM), கண்கவர் சரிவைக் கண்டது, இது உலகளாவிய நிதி அமைப்பை ஏறக்குறைய சீர்குலைத்தது.

LTCM இன் அதிநவீன வேல்யூ-அட்-ரிஸ்க் (VaR) மாதிரிகள் குறைந்த சந்தை நிலையற்ற தன்மையைக் காட்டும் சமீபத்திய வரலாற்றுத் தரவுகளை நம்பியிருந்தன. பெரும் இழப்புகள் "10-சிக்மா நிகழ்வுகள்"—புள்ளியியல் ரீதியாக சாத்தியமற்றவை என்று அவர்கள் கணக்கிட்டனர். நிதி பீதிகளின் வரலாற்று அடிப்படை வீதத்தை—சந்தை விநியோகங்களின் "ஃபேட் டெயில்ஸ்" மாதிரிகள் புறக்கணித்தன. அமைப்புரீதியான தொடர்பின் அடிப்படை வீதத்தையும் அவர்கள் புறக்கணித்தனர்: நெருக்கடிகளில், பீதிகள் பரவும்போது அனைத்து தொடர்புகளும் 1 க்கு செல்கின்றன.

ஆகஸ்ட் 1998 இல் ரஷ்யா தனது கடனைத் திருப்பிச் செலுத்தத் தவறியபோது, "சாத்தியமற்றது" நடந்தது. LTCM நான்கு மாதங்களுக்குள் $4.6 பில்லியனை இழந்தது, பரந்த நிதி தொற்றுநோயைத் தடுக்க பெடரல் ரிசர்வ்-ஒருங்கிணைந்த பிணை எடுப்பு தேவைப்பட்டது.

பாடம்: அரிய நிகழ்வுகளின் வரலாற்று அடிப்படை வீதங்களைப் புறக்கணிக்கும் அதிநவீன மாதிரிகள் பேரழிவு தரும் குருட்டுப் புள்ளிகளை உருவாக்குகின்றன. சமீபத்திய காலத்தின் குறிப்பிட்ட நிலைமைகள் வால் ஆபத்துகளுக்கு (tail risks) நம்பகமான வழிகாட்டிகளாக இல்லை.

6. இந்த சார்பின் விலை

6.1. தனிப்பட்ட செலவுகள்

• பயமும் பதட்டமும்: அரிதான அச்சுறுத்தல்களை (விமான விபத்துக்கள், வன்முறைக் குற்றங்கள், நோய்) அதிகமாக மதிப்பிடுவது நாள்பட்ட மன அழுத்தத்தை உருவாக்குகிறது, அதே நேரத்தில் அதிக சாத்தியமான அபாயங்களைப் புறக்கணிக்கிறது
• உறவு சேதம்: நிலையான நடத்தை அடிப்படை வீதத்திற்குப் பதிலாகத் தெளிவான ஒற்றை சம்பவங்களால் மக்களை மதிப்பிடுவது நியாயமற்ற தீர்ப்புகளுக்கும் உடைந்த நம்பிக்கைகளுக்கும் வழிவகுக்கிறது
• தவறவிடப்பட்ட வாய்ப்புகள்: வெற்றியின் அடிப்படை வீதங்களைப் புறக்கணிக்கும் அதே வேளையில் தெளிவான தோல்விக் கதைகள் காரணமாக நன்மை பயக்கும் நடவடிக்கைகளை (பறப்பது, அறுவை சிகிச்சை, தொழில் மாற்றங்கள்) தவிர்ப்பது
• நிதி இழப்புகள்: புள்ளிவிவர சான்றுகளுக்குப் பதிலாக நிர்ப்பந்திக்கும் கதைகளின் அடிப்படையில் முதலீட்டு முடிவுகளை எடுப்பது
• மருத்துவ கவலை: தவறான நேர்மறை அடிப்படை வீதங்களைப் புரிந்து கொள்ளாமல் ஸ்கிரீனிங் முடிவுகளை தவறாகப் புரிந்துகொள்வது

6.2. தொழில்முறை செலவுகள்

• தொழில் தவறான தீர்ப்புகள்: புள்ளிவிவர வாழ்க்கைப் பாதைகளுக்குப் பதிலாக குறிப்பிட்ட வியத்தகு விளைவுகளின் அடிப்படையில் வேலை முடிவுகளை அமைப்பது
• திட்டத் தோல்விகள்: "இந்த திட்டம் வேறுபட்டது" என்ற சிந்தனை செலவுகள் மற்றும் காலக்கெடுவை மீண்டும் மீண்டும் குறைத்து மதிப்பிட வழிவகுக்கிறது
• பணியமர்த்தல் பிழைகள்: முன்கணிப்பு அடிப்படை வீதங்களுக்குப் பதிலாக நேர்காணல் செயல்திறன் ஸ்டீரியோடைப்களின் அடிப்படையில் வேட்பாளர்களைத் தேர்ந்தெடுப்பது
• மூலோபாய தவறுகள்: தொழில் புள்ளிவிவரங்களுக்குப் பதிலாக போட்டியாளர் கதைகளால் இயக்கப்படும் வணிக முடிவுகள்
• கணிப்புத் தோல்விகள்: ஒத்த சூழ்நிலைகளின் வரலாற்று அடிப்படை வீதங்களைப் புறக்கணிக்கும் தற்போதைய கதைகளின் அடிப்படையிலான கணிப்புகள்

6.3. சமூக செலவுகள்

• தவறான தண்டனைகள்: சாலி கிளார்க் மற்றும் லூசியா டி பெர்க் வழக்குகளில் காணப்படுவது போல, சட்ட நடவடிக்கைகளில் அடிப்படை வீதப் புறக்கணிப்பு அப்பாவி உயிர்களை அழிக்கிறது
• கொள்கை தவறான ஒதுக்கீடு: தெளிவான ஆனால் அரிதான அச்சுறுத்தல்களை நோக்கி (பயங்கரவாதம்) வளங்கள் செலுத்தப்படுகின்றன, அதே நேரத்தில் சாத்தியமான பாதிப்புகள் (போக்குவரத்து இறப்புகள், நோய்கள்) புறக்கணிக்கப்படுகின்றன
• அல்காரிதமிக் அநீதி: சார்புடைய தரவுகளில் பயிற்சியளிக்கப்பட்ட AI அமைப்புகள் அடிப்படை வீதப் பிழைகளை நிலைநிறுத்துகின்றன மற்றும் பெருக்குகின்றன, இது பாரபட்சமான காவல், கடன் வழங்கல் மற்றும் பணியமர்த்தலுக்கு வழிவகுக்கிறது
• பொது சுகாதாரத் தோல்விகள்: ஸ்கிரீனிங் புள்ளிவிவரங்கள் பற்றிய தவறான புரிதல், অনুপयुक्तமான (பொருத்தமற்ற) சோதனை மற்றும் சிகிச்சை முடிவுகளுக்கு வழிவகுக்கிறது
• நிதி நெருக்கடிகள்: மதிப்பீட்டு அடிப்படை வீதங்களைப் புறக்கணிக்கும் சந்தைகள் குமிழிகளை உருவாக்குகின்றன, அவை தவிர்க்க முடியாமல் வெடிக்கும்போது மில்லியன் கணக்கானவர்களுக்கு தீங்கு விளைவிக்கும்

6.4. புள்ளிவிவர தாக்கம்

அடிப்படை வீதப் புறக்கணிப்பின் அளவிடக்கூடிய தாக்கம் குறித்த ஆராய்ச்சி முடிவுகள்:

• மருத்துவ முடிவெடுத்தல்: நோய் அடிப்படை வீதங்கள் குறைவாக இருக்கும்போது நேர்மறையான சோதனை முடிவுகளை ~15% மருத்துவர்கள் மட்டுமே சரியாக விளக்குகிறார்கள் என்று ஆய்வுகள் காட்டுகின்றன, இது பாரிய அதிகப்படியான நோயறிதலுக்கு வழிவகுக்கிறது
• நடுவர் மன்ற முடிவுகள்: தெளிவான சாட்சியம் வழங்கப்படும் போது அடிப்படை வீதத் தகவல்கள் பெரும்பாலும் புறக்கணிக்கப்படுகின்றன என்று போலி நடுவர் மன்ற ஆய்வுகள் கண்டறிந்துள்ளன
• கணிப்பு துல்லியம்: அடிப்படை வீதப் புறக்கணிப்பை சமாளிக்கும் "சூப்பர் ஃபோர்காஸ்டர்கள்" நிபுணர்களை விட 30%+ சிறப்பாக செயல்படுவதாக பிலிப் டெட்லாக்கின் ஆராய்ச்சி கண்டறிந்துள்ளது
• அல்காரிதம் செயல்திறன்: COMPAS ரெசிடிவிசம் அல்காரிதத்தின் ProPublica இன் பகுப்பாய்வு, அதன் அடிப்படை வீதச் சார்பு வெள்ளை பிரதிவாதிகளை விட கறுப்பின பிரதிவாதிகளுக்கு இரண்டு மடங்கு அதிகமான தவறான நேர்மறை விகிதங்களை உருவாக்கியது என்பதைக் கண்டறிந்தது

7. மறைக்கப்பட்ட நன்மைகள்

அடிப்படை வீதப் போலி என்பது முற்றிலும் ஒரு அறிவாற்றல் குறைபாடு அல்ல - அடிப்படை வழிமுறைகள் முக்கியமான தகவமைப்பு செயல்பாடுகளுக்குச் சேவை செய்கின்றன.

விரைவான அச்சுறுத்தல் கண்டறிதல்: வேட்டையாடும் விலங்கைக் காணத் தவறினால் மரணம் என்ற சூழ்நிலைகளில், மக்கள் தொகை புள்ளிவிவரங்களை கவனமாகக் கணக்கிடுவதை விட குறிப்பிட்ட ஆபத்து குறிப்புகளுக்கு அதிகமாக பதிலளிப்பது நல்லது. தவறான எதிர்மறையின் விலையுடன் (சாப்பிடப்படுவது) ஒப்பிடும்போது, தவறான நேர்மறையின் விலை (தேவையற்ற விழிப்புணர்வு) குறைவு.

சமூக நுண்ணறிவு: மனித நடத்தை பற்றிய மக்கள்தொகை-நிலை புள்ளிவிவரங்களை அறிவதை விட, குறிப்பிட்ட தனிநபர்களின் நோக்கங்களைப் படிப்பது சமூக வெற்றிக்கு அதிக முக்கியத்துவம் வாய்ந்தது. உங்களுக்கு முன்னால் இருப்பவர் சராசரி மனிதர் அல்ல - நீங்கள் புரிந்து கொள்ள வேண்டிய குறிப்பிட்ட நோக்கங்களைக் கொண்ட ஒரு குறிப்பிட்ட நபர்.

கதைகள் மூலம் கற்றல்: மனிதர்கள் தலைமுறைகள் முழுவதும் அறிவை எவ்வாறு கடத்துகிறார்கள் என்பதே கதைகள். புள்ளிவிவரங்களை விட தெளிவான வழக்குகளை நோக்கிய "சார்பு" தான் அனுபவத்திலிருந்தும் மற்றவர்களின் அனுபவங்களிலிருந்தும் கற்றுக்கொள்வதை சாத்தியமாக்குகிறது.

ஆற்றல் திறன்: கவனமான பேயஸ் பகுத்தறிவு வளர்சிதை மாற்ற ரீதியாக அதிக செலவாகும். பெரும்பாலான அன்றாட முடிவுகளுக்கு, விரைவான வடிவப் பொருத்தம் அறிவாற்றல் செலவில் ஒரு பகுதியிலேயே போதுமான நல்ல விளைவுகளை உருவாக்குகிறது.

வர்த்தக பரிமாற்றம் (The trade-off): அடிப்படை வீதப் புறக்கணிப்பை முற்றிலுமாக அகற்றுவதற்கு முடிவெடுப்பதை முடக்கும் நிலையான முயற்சிமிக்க கணக்கீடு தேவைப்படும். இலக்கு ஹியூரிஸ்டிக்கை அகற்றுவது அல்ல, மாறாக புள்ளியியல் சிந்தனை எப்போது தேவை என்பதை அங்கீகரிப்பதே ஆகும் - குறிப்பாக சட்டம், மருத்துவம், நிதி மற்றும் கொள்கை களங்களில் அடிப்படை வீதங்கள் அதிகம் முக்கியம்.

8. சுய மதிப்பீடு: உங்களுக்கு இந்த சார்பு இருக்கிறதா?

8.1. எச்சரிக்கை அறிகுறிகளின் சரிபார்ப்புப் பட்டியல்

• கடந்த கால சூழ்நிலைகளுடனான புள்ளிவிவர ஒற்றுமைகளை சரிபார்க்காமல் "இந்த நிலைமை வேறுபட்டது" என்று நீங்கள் அடிக்கடி நினைக்கிறீர்கள்
• புள்ளிவிவரச் சுருக்கங்களை விட குறிப்பிட்ட எடுத்துக்காட்டுகள் மிகவும் உறுதியானவை என்று நீங்கள் காண்கிறீர்கள்
• தரவுகளை கலந்தாலோசிப்பதற்குப் பதிலாக மறக்கமுடியாத கதைகளின் அடிப்படையில் நீங்கள் முடிவுகளை எடுத்துள்ளீர்கள்
• ஒரு மருத்துவப் பரிசோதனை முடிவு தவறான நேர்மறையாக இருக்கலாம் என்று நம்ப நீங்கள் சிரமப்படுகிறீர்கள்
• ஒரு விளைவை நீங்கள் எவ்வளவு எளிதாக கற்பனை செய்யலாம் என்பதன் மூலம் நிகழ்தகவுகளை மதிப்பிடுகிறீர்கள்
• முதல் பதிவுகள் அல்லது ஒற்றை நடத்தைகளின் அடிப்படையில் மக்களை நீங்கள் விரைவாக மதிப்பிடுகிறீர்கள்
• குறிப்பிட்ட விவரங்களை விட குறைவான பொருத்தமாகத் தோன்றியதால் "பின்னணித் தகவலை" நீங்கள் புறக்கணித்துள்ளீர்கள்
• விவாதங்களில் அடிப்படை வீதப் புள்ளிவிவரங்களை "குளிரானவை" (cold) அல்லது "முக்கியமான புள்ளியை தவறவிடுபவை" என்று நீங்கள் காண்கிறீர்கள்
• புள்ளிவிவர கணிப்புகள் உங்கள் உள்ளுணர்விலிருந்து வேறுபட்டால் நீங்கள் ஆச்சரியப்பட்டீர்கள்
• நீங்கள் சதவீதங்களில் சிந்திப்பதை எதிர்க்கிறீர்கள் மற்றும் ஆம்/இல்லை என்ற தீர்ப்புகளை விரும்புகிறீர்கள்

மதிப்பெண்:

• 0-2 சரிபார்க்கப்பட்டது: குறைந்த உணர்திறன் (Low susceptibility)
• 3-5 சரிபார்க்கப்பட்டது: மிதமான உணர்திறன்
• 6-8 சரிபார்க்கப்பட்டது: அதிக உணர்திறன்
• 9-10 சரிபார்க்கப்பட்டது: மிக அதிக உணர்திறன்

8.2. சுய-பிரதிபலிப்பு கேள்விகள்

1. ஒரு கட்டாயமான கதை அல்லது உதாரணத்திற்குப் பதிலாக புள்ளிவிவர சான்றுகள் காரணமாக உங்கள் மனதை கடைசியாக எப்போது மாற்றினீர்கள்?
2. நீங்கள் சமீபத்தில் எடுத்த ஒரு பெரிய முடிவைப் பற்றி சிந்தியுங்கள்—இதேபோன்ற முடிவுகளுக்கான வெற்றி/தோல்வியின் அடிப்படை வீதங்களை நீங்கள் ஆராய்ச்சி செய்தீர்களா?
3. தொடர்புடைய புள்ளிவிவரங்கள் உங்கள் குறிப்பிட்ட சூழ்நிலைக்கு பொருத்தமானதாக உணரவில்லை என்பதால் அவற்றை நீங்கள் எப்போதாவது நிராகரித்திருக்கிறீர்களா?
4. யாராவது ஒரு கதையைச் சொல்லும்போது, அந்த அனுபவம் எவ்வளவு வழக்கமானது அல்லது வழக்கத்திற்கு மாறானது என்று நீங்கள் உள்ளுணர்வாக ஆச்சரியப்படுகிறீர்களா?
5. தனிப்பட்ட எடுத்துக்காட்டுகளுக்கு அதிக எடையைக் கொடுக்கிறீர்கள் அல்லது தரவுகளுக்கு போதுமானதாக இல்லை என்று மற்றவர்கள் எப்போதாவது உங்களிடம் கூறியிருக்கிறார்களா?

8.3. விரைவான கண்டறியும் காட்சி

காட்சி: ஒரு தீவிர நோய்க்கான புதிய மருத்துவ பரிசோதனை உருவாக்கப்பட்டுள்ளது. சோதனையானது 99% துல்லியமானது (நோய் இருக்கும்போது அதைக் கண்டறிவதிலும், ஆரோக்கியமான மக்களைச் சரியாக அழிப்பதிலும்). பொது மக்கள் தொகையில், 1,000 பேரில் 1 நபருக்கு இந்த நோய் உள்ளது. உங்கள் சோதனை நேர்மறையாக வருகிறது. உங்களுக்கு உண்மையில் நோய் வருவதற்கான நிகழ்தகவு என்ன?

நீங்கள் எப்படி பதிலளிப்பீர்கள்?

• A) சுமார் 99% → அதிக உணர்திறன் (அடிப்படை வீதத்தைப் புறக்கணித்து, சோதனைத் துல்லியத்துடன் பதிலை பொருத்துகிறீர்கள்)
• B) சுமார் 50% → மிதமான உணர்திறன் (ஏதோ தவறாக இருப்பதை நீங்கள் உணர்கிறீர்கள் ஆனால் உண்மையான நிகழ்தகவைக் கணக்கிட முடியவில்லை)
• C) சுமார் 9% → குறைந்த உணர்திறன் (நீங்கள் அடிப்படை வீதத்தை சரியாக ஒருங்கிணைத்துள்ளீர்கள்; பரிசோதிக்கப்பட்ட 1,000 பேரில் ~10 உண்மையான நேர்மறைகள் மற்றும் ~100 தவறான நேர்மறைகள்)

9. மற்றவர்களில் இந்த சார்பை அடையாளம் காணுதல்

9.1. நடத்தை குறிகாட்டிகள்

• தனிப்பட்ட கதைகளுக்கு ஆதரவாக புள்ளிவிவர வாதங்களை "குளிரானவை" (cold) அல்லது "முக்கியமான புள்ளியை தவறவிடுபவை" என நிராகரித்தல்
• பொதுவான உரிமைகோரல்களைச் செய்யும்போது "என் அனுபவத்தில்" அல்லது "எனக்குத் தெரிந்த ஒருவருக்கு..." போன்ற சொற்றொடர்களை அடிக்கடி பயன்படுத்துதல்
• தனிப்பட்ட வழக்குகளை பரந்த வடிவங்களுக்கான உறுதியான சான்றுகளாகக் கருதுதல்
• புள்ளிவிவர பொதுமைப்படுத்தல்கள் தங்களது குறிப்பிட்ட சூழ்நிலைக்கு பொருந்தும் என்பதை ஏற்றுக்கொள்வதில் சிரமம்
• நிகழ்தகவுகளை மதிப்பிடும் போது சமீபத்திய அல்லது மறக்கமுடியாத நிகழ்வுகளுக்கு அதிக முக்கியத்துவம் அளித்தல்
• அடிப்படை வீதத் தரவு வழங்கப்படும் போது கருத்துக்களை மாற்றுவதற்கான எதிர்ப்பு

9.2. உரையாடல் அபாயக் கொடிகள் (Red Flags)

இந்த சார்புக்கு ஆளாகும்போது மக்கள் கூறும் சொற்றொடர்கள்:

• "ஆனால் இந்த வழக்கு வேறுபட்டது..."
• "புள்ளிவிவரங்கள் முழு கதையையும் சொல்வதில்லை"
• "எண்கள் என்ன சொல்கின்றன என்று எனக்குத் தெரியும், ஆனால்..."
• "எனக்குத் தெரிந்த ஒருவரைப் பற்றி சொல்கிறேன்..."
• "நீங்கள் புள்ளிவிவரங்கள் மூலம் எதையும் நிரூபிக்க முடியும்"

அவர்கள் செய்யும் வாதங்களின் வகைகள்:

• பொதுவான உத்திகளுக்கான சான்றாக தனிப்பட்ட வெற்றி/தோல்விக் கதைகளை மேற்கோள் காட்டுதல்
• விதிவிலக்கான வழக்குகளை வழக்கமான விளைவுகளின் பிரதிநிதியாகக் கருதுதல்

அவர்கள் கேட்பதைத் தவிர்க்கும் கேள்விகள்:

• "இது பொதுவாக எவ்வளவு அடிக்கடி நடக்கும்?"
• "இதுபோன்ற சூழ்நிலைகளுக்கான வெற்றி விகிதம் என்ன?"

9.3. சூழ்நிலைத் தூண்டுதல்கள்

• உணர்ச்சிப் பங்குகள் (Emotional stakes): முடிவுகள் ஆழமாக முக்கியத்துவம் பெறும்போது, குறிப்பிட்ட வழக்குத் தகவல்கள் மிகவும் அழுத்தமானதாக மாறும்
• தெளிவான எடுத்துக்காட்டுகள்: சமீபத்திய, வியத்தகு அல்லது தனிப்பட்ட முறையில் அனுபவித்த நிகழ்வுகள் புள்ளிவிவர அடிப்படைகளை மூழ்கடிக்கின்றன
• சிக்கலானது: புள்ளிவிவர பகுப்பாய்வு கடினமாக இருக்கும்போது, மக்கள் பிரதிநிதித்துவ எடுத்துக்காட்டுகளுக்கு இயல்புநிலைக்கு வருகிறார்கள்
• நேர அழுத்தம்: விரைவான முடிவுகள் நிகழ்தகவு கணக்கீட்டை விட வடிவப் பொருத்தத்திற்கு சாதகமாக இருக்கும்
• கதைச் சூழல்: தகவல்கள் புள்ளிவிவரங்களாக அல்லாமல் கதைகளாக வரும்போது
• நிபுணர் கட்டமைத்தல்: அதிகாரிகள் அடிப்படை வீத சூழல் இல்லாமல் வழக்குத் தகவல்களை வழங்கும்போது

10. அறிவாற்றல் சார்பு நீக்கும் உத்திகள் (Cognitive Debiasing Strategies)

10.1. உடனடி நுட்பங்கள்

• "எவ்வளவு அடிக்கடி?" என்று கேளுங்கள்: தனிப்பட்ட தகவலை ஏற்றுக்கொள்வதற்கு முன், அடிப்படை வீதத்தைப் பற்றி வெளிப்படையாகக் கேளுங்கள். "பொதுவாக இந்த விளைவு எவ்வளவு பொதுவானது?"
• "100 நபர்கள்" மறுசீரமைப்பு: ஒரு நிகழ்தகவு கொடுக்கப்பட்டால், அந்த சூழ்நிலையில் 100 பேரை கற்பனை செய்து பாருங்கள். ஒவ்வொரு விளைவையும் எத்தனை பேர் கொண்டிருப்பார்கள்?
• மாற்றீட்டைக் கருதுங்கள்: போட்டியிடும் கருதுகோளின் அடிப்படை வீதம் என்ன? (இரட்டை-SIDS விகிதங்களை இரட்டைக் கொலை விகிதங்களுடன் ஒப்பிடுவது போல)
• குறிப்பு வகுப்பு முன்கணிப்பு (Reference class forecasting): உங்கள் சூழ்நிலைக்கு பொருத்தமான குறிப்பு வகுப்பை அடையாளம் கண்டு வரலாற்று விளைவுகளைச் சரிபார்க்கவும்
• செய்தித்தாள் சோதனை: இது அசாதாரணமானது என்பதால் இந்த குறிப்பிட்ட வழக்கு செய்தியாக மாறுமா? அப்படியானால், அது அநேகமாக பிரதிநிதித்துவம் அல்ல

10.2. நீண்ட கால உத்திகள்

• பேயஸ் சிந்தனையைப் பயிற்சி செய்யுங்கள்: அடிப்படை வீதங்களை ஒருங்கிணைக்க வேண்டிய நிகழ்தகவு சிக்கல்கள் மூலம் தொடர்ந்து வேலை செய்யுங்கள்
• கணிப்புப் பதிவேட்டைப் பராமரிக்கவும்: கூறப்பட்ட நிகழ்தகவுகளுடன் கணிப்புகளைப் பதிவுசெய்து, பின்னர் உங்கள் உள்ளுணர்வை அளவீடு செய்ய விளைவுகளைச் சரிபார்க்கவும்
• புள்ளிவிவரப் பயிற்சியைத் தேடுங்கள்: நிகழ்தகவு மற்றும் புள்ளிவிவரங்களில் முறையான கல்வி போலிக்கான எதிர்ப்பை மேம்படுத்துகிறது
• அடிப்படை வீத நூலகங்களை உருவாக்குங்கள்: முக்கியமான களங்களுக்கு (சுகாதாரம், தொழில், நிதி), தொடர்புடைய அடிப்படை வீதங்களை ஆராய்ந்து மனப்பாடம் செய்யுங்கள்
• புள்ளிவிவர நண்பர்களை வளர்த்துக் கொள்ளுங்கள்: நிகழ்தகவு ரீதியாக சிந்திக்கும் மற்றும் உங்கள் பகுத்தறிவுக்கு சவால் விடும் நபர்களுடன் உறவுகளை வளர்த்துக் கொள்ளுங்கள்

10.3. சுற்றுச்சூழல் வடிவமைப்பு

• இயற்கை அதிர்வெண் வடிவங்களைப் பயன்படுத்தவும்: மூளை மிகவும் உள்ளுணர்வாகச் செயலாக்கும் நிகழ்தகவுகளை "Y இல் X" வடிவங்களுக்கு மாற்றவும்
• முடிவு சரிபார்ப்புப் பட்டியல்களை உருவாக்குங்கள்: முக்கியமான முடிவுகளில் கட்டாயப் படிகளாக அடிப்படை வீதக் கேள்விகளைச் சேர்க்கவும்
• ஐகான் வரிசைகளைப் பயன்படுத்தவும்: நிகழ்தகவுகளின் காட்சிப் பிரதிநிதித்துவங்கள் வகுப்பான் புறக்கணிப்பைக் குறைக்கின்றன
• புள்ளிவிவர அளவுகோல்களுக்கு முன்கூட்டியே உறுதியளிக்கவும்: குறிப்பிட்ட தகவல்களை எதிர்கொள்வதற்கு முன், என்ன புள்ளிவிவரங்கள் உங்கள் மனதை மாற்றும் என்பதை வரையறுக்கவும்
• தகவல் காட்சிகளை வடிவமைக்கவும்: தனிப்பட்ட தகவல்களுக்கு முன்பாகவும் வெளிப்படையாகவும் அடிப்படை வீதங்களை முன்வைக்கவும்

10.4. வெளிப்புற உள்ளீட்டை எப்போது தேட வேண்டும்

• அதிக ஆபத்துள்ள முடிவுகள்: மருத்துவ நோயறிதல்கள், சட்டத் தீர்ப்புகள், முக்கிய முதலீடுகள், பணியமர்த்தல் முடிவுகள்
• உங்களுக்கு வலுவான உள்ளுணர்வுகள் இருக்கும்போது: வலுவான உணர்வுகள் அமைப்பு 1 மீறலைக் குறிக்கலாம்—ஒரு புள்ளிவிவரச் சரிபார்ப்பைப் பெறுங்கள்
• சிக்கலான நிகழ்தகவு சூழ்நிலைகள்: பல நிபந்தனை நிகழ்தகவுகள் தொடர்பு கொள்ளும்போது
• உணர்ச்சிபூர்வமான ஈடுபாடு: தனிப்பட்ட பங்குகள் குறிக்கோள் பகுத்தறிவை கடினமாக்கும் போது
• நிபுணத்துவ பொருந்தாமை: முடிவெடுப்பதற்கு உங்களிடம் இல்லாத புள்ளிவிவர நிபுணத்துவம் தேவைப்படும்போது

11. நடைமுறைப் பயிற்சிகள்

பயிற்சி 1: ஸ்கிரீனிங் டெஸ்ட் கால்குலேட்டர்

• நோக்கம்: மருத்துவ ஸ்கிரீனிங் காட்சிகள் மூலம் பேயஸ் பகுத்தறிவிற்கான உள்ளுணர்வை உருவாக்குதல்
• தேவைப்படும் நேரம்: 20 நிமிடங்கள்
• தேவையான பொருட்கள்: கால்குலேட்டர், காகிதம்
• சிரம நிலை: இடைநிலை
• வழிமுறைகள்:
  1. ஒரு மருத்துவ நிலையைத் தேர்ந்தெடுத்து, உங்கள் மக்கள்தொகையில் அதன் பரவலை (அடிப்படை வீதம்) பார்க்கவும்
  2. அந்த நிலைக்கான பொதுவான ஸ்கிரீனிங் சோதனைகளின் உணர்திறன் மற்றும் தனித்தன்மையைப் பாருங்கள்
  3. நேர்மறை முன்கணிப்பு மதிப்பைக் கணக்கிடுங்கள்: நேர்மறையான சோதனைகளில் எத்தனை சதவீதம் உண்மையான நேர்மறைகள்?
  4. எதிர்மறை முன்கணிப்பு மதிப்பைக் கணக்கிடுங்கள்: எதிர்மறையான சோதனைகளில் எத்தனை சதவீதம் உண்மையான எதிர்மறைகள்?
  5. 10,000 மக்கள் தொகை கொண்ட 2x2 அட்டவணை மூலம் இதைக் காட்சிப்படுத்துங்கள்
• பிரதிபலிப்பு கேள்விகள்:
  • நேர்மறை முன்கணிப்பு மதிப்பைக் கண்டு நீங்கள் ஆச்சரியப்பட்டீர்களா?
  • மருத்துவப் பரிசோதனையைப் பற்றி நீங்கள் நினைக்கும் விதத்தை இது எவ்வாறு மாற்றுகிறது?
  • பரிசோதனை முடிவுகளைப் பெற்ற பிறகு உங்கள் மருத்துவரிடம் என்ன கேள்விகளைக் கேட்க வேண்டும்?
• அதிர்வெண்: மாதந்தோறும், வெவ்வேறு மருத்துவ நிலைமைகளைப் பயன்படுத்தி

பயிற்சி 2: குறிப்பு வகுப்பு முன்கணிப்பு

• நோக்கம்: கணிப்புகளைச் செய்வதற்கு முன் தொடர்புடைய அடிப்படை வீதங்களைக் கண்டறியும் பழக்கத்தை உருவாக்குதல்
• தேவைப்படும் நேரம்: 30 நிமிடங்கள்
• தேவையான பொருட்கள்: இணைய அணுகல், விரிதாள் (spreadsheet)
• சிரம நிலை: இடைநிலை
• வழிமுறைகள்:
  1. நீங்கள் எடுக்க வேண்டிய வரவிருக்கும் முடிவை அல்லது கணிப்பை அடையாளம் காணவும்
  2. குறிப்பு வகுப்பை வரையறுக்கவும்: என்ன ஒத்த சூழ்நிலைகள் உள்ளன?
  3. அந்தக் குறிப்பு வகுப்பில் உள்ள விளைவுகளின் அடிப்படை வீதத்தை ஆராயுங்கள்
  4. உங்கள் நிலைமையை வேறுபடுத்தும் குறிப்பிட்ட காரணிகளின் அடிப்படையில் அடிப்படை வீதத்தைச் சரிசெய்யவும்
  5. உங்கள் பகுத்தறிவு மற்றும் இறுதி நிகழ்தகவு மதிப்பீட்டை ஆவணப்படுத்தவும்
• பிரதிபலிப்பு கேள்விகள்:
  • அடிப்படை வீதத்தைக் கண்டறிந்தது உங்களின் ஆரம்ப மதிப்பீட்டை எவ்வாறு மாற்றியது?
  • எந்தக் குறிப்பிட்ட காரணிகள் அடிப்படை வீதத்திலிருந்து சரிசெய்தலை நியாயப்படுத்தின?
  • சான்றுகள் இல்லாமல் உங்கள் நிலைமையை "வேறுபட்டதாகக்" கருத நீங்கள் ஆசைப்பட்டீர்களா?
• அதிர்வெண்: எந்தவொரு பெரிய முடிவுக்கும் முன்பு

பயிற்சி 3: அதிர்வெண் மறுசீரமைப்பு

• நோக்கம்: நிகழ்தகவு அறிக்கைகளை இயற்கையான அதிர்வெண் வடிவங்களாக மாற்றுவதைப் பயிற்சி செய்யுங்கள்
• தேவைப்படும் நேரம்: 15 நிமிடங்கள்
• தேவையான பொருட்கள்: நிகழ்தகவு அறிக்கைகளின் பட்டியல் (செய்தி கட்டுரைகள், ஆய்வுக் கட்டுரைகளிலிருந்து)
• சிரம நிலை: ஆரம்பநிலை
• வழிமுறைகள்:
  1. சமீபத்திய செய்திகளிலிருந்து 5 நிகழ்தகவு அறிக்கைகளைச் சேகரிக்கவும் (எ.கா., "5% சிக்கல் ஏற்படும் அபாயம்")
  2. ஒவ்வொன்றையும் இயற்கையான அதிர்வெண்ணாக மறுசீரமைக்கவும் (எ.கா., "ஒவ்வொரு 100 நோயாளிகளிலும் 5 பேர்")
  3. ஒவ்வொன்றிற்கும், மற்ற 95 (அல்லது தொடர்புடைய எண்) பேருக்கு என்ன நடக்கிறது என்பதை எழுதுங்கள்
  4. நிகழ்தகவு பற்றிய உங்கள் உள்ளுணர்வை இது எவ்வாறு மாற்றுகிறது என்பதைக் கவனியுங்கள்
  5. அதிர்வெண் பதிப்பை வேறொருவருக்கு விளக்குவதற்குப் பயிற்சி செய்யுங்கள்
• பிரதிபலிப்பு கேள்விகள்:
  • எந்த வடிவம் நிகழ்தகவுகளைப் புரிந்துகொள்வதை எளிதாக்கியது?
  • அதிர்வெண் வடிவமைப்பில் ஏதேனும் நிகழ்தகவுகள் அதிகமாகவோ அல்லது குறைவாகவோ கவலையளிப்பதாக உணர்ந்தீர்களா?
  • அன்றாட வாழ்வில் இந்த மறுசீரமைப்பை நீங்கள் எவ்வாறு பயன்படுத்தலாம்?
• அதிர்வெண்: வாரந்தோறும்

தினசரி பயிற்சி

அடிப்படை வீதக் கேள்வி: ஒவ்வொரு நாளும், நீங்கள் ஒரு கருத்தை உருவாக்கும் போது அல்லது கணிப்பைச் செய்யும்போது, இடைநிறுத்தி: "அடிப்படை வீதம் என்ன?" என்று கேளுங்கள். உங்களுக்குத் தெரியாவிட்டால், அதை ஆராய 60 வினாடிகள் செலவிடுங்கள்.

• பரிந்துரைக்கப்பட்ட காலம்: ஒவ்வொரு நிகழ்விற்கும் 1-2 நிமிடங்கள்
• நாளின் சிறந்த நேரம்: நாள் முழுவதும் முடிவுகள் அல்லது தீர்ப்புகளை வழங்கும்போது
• முன்னேற்றத்தை எப்படிக் கண்காணிப்பது: நீங்கள் கேட்க நினைவில் வைத்திருந்ததையும், நீங்கள் கற்றுக்கொண்டதையும் ஒரு பத்திரிகையில் (journal) குறித்துக் கொள்ளுங்கள்

வாராந்திர சவால்

கணிப்புத் தணிக்கை: ஒவ்வொரு வாரமும், நீங்கள் செய்த 3 கணிப்புகள் அல்லது தீர்ப்புகளை மதிப்பாய்வு செய்யவும். ஒவ்வொன்றிற்கும்:

1. நீங்கள் அடிப்படை வீதத்தைக் கருத்தில் கொண்டீர்களா என்பதை அடையாளம் காணவும்
2. உண்மையில் அடிப்படை வீதம் என்னவாக இருந்தது என்பதை ஆராயுங்கள்
3. அடிப்படை வீதத் தகவல் உங்கள் தீர்ப்பை மாற்றியிருக்குமா என்பதை மதிப்பிடுங்கள்

• 4 வாரங்களுக்குப் பிறகு எதிர்பார்க்கப்படும் முடிவுகள்: உங்கள் சொந்த சிந்தனையில் அடிப்படை வீதப் புறக்கணிப்பு பற்றிய விழிப்புணர்வு அதிகரிப்பு; அடிப்படை வீதங்களின் மிகவும் தானியங்கி பரிசீலனை
• பிரதிபலிப்புக்கான ஜர்னலிங் தூண்டுதல்கள்:
  • எந்த வகையான முடிவுகள் பெரும்பாலும் எனக்கு அடிப்படை வீதப் புறக்கணிப்பைத் தூண்டுகின்றன?
  • அடிப்படை வீதங்களைச் சரிபார்க்க நினைவில் கொள்ள எந்த உத்திகள் எனக்கு உதவுகின்றன?
  • நான் பயிற்சி செய்யும்போது எனது முடிவின் தரம் எவ்வாறு மாறியுள்ளது?

12. குறிப்பிட்ட பார்வையாளர்களுக்கு

தலைவர்கள் மற்றும் மேலாளர்களுக்கு

தெளிவான வெற்றிகளும் தோல்விகளும் முறையான பகுப்பாய்வை விட உத்தியை அதிக அளவில் இயக்கும் நிறுவன அமைப்புகளில் அடிப்படை வீதப் போலி குறிப்பாக ஆபத்தானது.

முக்கிய பாதிப்புகள்:

• வேட்பாளரின் அடிப்படை வீதங்களை விட நேர்காணல் பதிவுகளின் அடிப்படையில் பணியமர்த்தல் முடிவுகள்
• நிலையான அளவீடுகளுக்குப் பதிலாக மறக்கமுடியாத சம்பவங்களில் தொகுக்கப்பட்ட செயல்திறன் மதிப்புரைகள்
• தொழில் புள்ளிவிவரங்களுக்குப் பதிலாக போட்டியாளர்களின் கதைகளால் உந்தப்பட்ட மூலோபாய திட்டமிடல்
• வரலாற்று வெற்றி விகிதங்களுக்குப் பதிலாக சமீபத்திய திட்ட விளைவுகளின் அடிப்படையில் வள ஒதுக்கீடு

உத்திகள்:

• தனிப்பட்ட பதிவுகளின் தாக்கத்தைக் குறைக்க தரப்படுத்தப்பட்ட மதிப்பெண்ணுடன் கட்டமைக்கப்பட்ட நேர்காணல்களைச் செயல்படுத்தவும்
• திட்ட தோல்வியின் அடிப்படை வீதங்களை வெளிப்படையாகக் கருதும் "பிரீமார்ட்டம்" (premortem) பயிற்சிகளை உருவாக்கவும்
• முக்கிய முயற்சிகளுக்கு குறிப்பு வகுப்பு முன்கணிப்பு தேவை
• தனிப்பட்ட வழக்குகளுடன் அடிப்படை வீதங்களை முன்னிலைப்படுத்தும் டாஷ்போர்டுகளை (dashboards) உருவாக்குங்கள்
• தெளிவான வழக்கு பகுத்தறிவை சவால் செய்ய அதிகாரம் பெற்ற "புள்ளிவிவர சந்தேக நபர்களை" உருவாக்குங்கள்

பெற்றோர் மற்றும் கல்வியாளர்களுக்கு

குழந்தைகள் உலகைப் பற்றி முக்கியமாக எடுத்துக்காட்டுகள் மற்றும் கதைகள் மூலம் கற்றுக்கொள்வதால், அடிப்படை வீதப் புறக்கணிப்புக்கு எளிதில் பாதிக்கப்படுகின்றனர்.

கற்பித்தல் அணுகுமுறைகள்:

• அடிப்படை வீதங்களுக்கான உள்ளுணர்வை உருவாக்க நிகழ்தகவு (பகடை, அட்டைகள்) சம்பந்தப்பட்ட விளையாட்டுகளைப் பயன்படுத்தவும்
• அபாயங்களைப் பற்றி (அந்நியர் ஆபத்து, நோய், விபத்துக்கள்) விவாதிக்கும் போது, ஒவ்வொன்றும் உண்மையில் எவ்வளவு பொதுவானது என்பது பற்றிய சூழலை வழங்கவும்
• செய்திக் கதைகள் அரிதானவை என்பதால் செய்தியாக்கப்படும் நிகழ்வுகளைச் சுட்டிக்காட்டுங்கள்
• மாதிரி புள்ளியியல் சிந்தனை: "இது ஒரு சுவாரஸ்யமான எடுத்துக்காட்டு. இது எவ்வளவு வழக்கமானது என்று நான் ஆச்சரியப்படுகிறேன்?"
• "இது நடந்தது" மற்றும் "இது வழக்கமாக நடக்கிறது" ஆகியவற்றுக்கு இடையேயான வித்தியாசத்தைக் கற்பிக்கவும்

வயதுக்கு ஏற்ற விளக்கங்கள்:

• வயது 6-10: "சில விஷயங்கள் அதிகமாக நடக்கும், சில விஷயங்கள் அரிதானவை. ஆச்சரியமாக இருப்பதால் கதைகள் பெரும்பாலும் அரிதான விஷயங்களைப் பற்றியவை."
• வயது 11-14: "விஷயங்கள் உண்மையில் எவ்வளவு அடிக்கடி நடக்கின்றன என்பதை எண்கள் நமக்குச் சொல்ல முடியும், இது அவற்றைப் பற்றி நாம் எவ்வளவு அடிக்கடி கேட்கிறோம் என்பதிலிருந்து வேறுபட்டது."
• வயது 15+: நிகழ்தகவு கருத்துகளுக்கான அறிமுகம், பேயஸ் தேற்றம் மற்றும் முறையான பகுத்தறிவு

சுகாதாரப் பராமரிப்பு நிபுணர்களுக்கு

நோயறிதல், ஸ்கிரீனிங் மற்றும் நோயாளி தொடர்பாடல் ஆகியவற்றில் அடிப்படை வீதப் புறக்கணிப்பு ஆழமான தாக்கங்களைக் கொண்டுள்ளது.

மருத்துவத் தாக்கங்கள்:

• நோயின் பரவல் தரவை அறிகுறிகளைப் பொருத்துவது மீறும்போது அரிதான நோய்கள் அதிகமாகக் கண்டறியப்படுகின்றன
• ஸ்கிரீனிங் நிரலின் செயல்திறன் சோதனைத் துல்லியத்தை மட்டுமல்ல, மக்கள்தொகை அடிப்படை வீதங்களையும் பொறுத்தது
• நேர்மறையான ஸ்கிரீனிங் முடிவுகளிலிருந்து ஏற்படும் நோயாளியின் கவலை பெரும்பாலும் தகுந்த அக்கறையை மீறுகிறது
• சிகிச்சை முடிவுகள் மருத்துவ பரிசோதனை புள்ளிவிவரங்களை விட வியத்தகு வழக்கு ஆய்வுகளுக்கு அதிக முக்கியத்துவம் கொடுக்கக்கூடும்

உத்திகள்:

• நோயாளிகளுக்கு சோதனை முடிவுகளைத் தெரிவிக்கும் போது இயற்கையான அதிர்வெண் வடிவங்களைப் பயன்படுத்தவும்
• தொடர்புடைய அடிப்படை வீதங்களை வெளிப்படுத்தும் மருத்துவ முடிவெடுக்கும் ஆதரவைச் செயல்படுத்தவும்
• கண்டறியும் சரிபார்ப்புப் பட்டியல்களில் வெளிப்படையான அடிப்படை வீதப் பரிசீலனை தேவை
• நேர்மறை முன்கணிப்பு மதிப்பை விளக்க ஐகான் வரிசைகள் மற்றும் காட்சி எய்ட்ஸ் பயன்படுத்தவும்
• மருத்துவக் கல்வியின் ஒரு பகுதியாக பேயஸ் பகுத்தறிவில் பயிற்சி அளிக்கவும்

நிதி நிபுணர்களுக்கு

சந்தைகள் கதைகளால் இயக்கப்படுகின்றன, முதலீட்டு வெற்றிக்கு அடிப்படை வீத ஒழுக்கம் அவசியமாகிறது.

முக்கிய பாதிப்புகள்:

• குமிழி மதிப்பீடுகளில் "இந்த முறை வேறுபட்டது" என்ற சிந்தனை
• இடர் மாதிரிகளில் சமீபத்திய சார்பு (சமீபத்திய நிலையற்ற தன்மையை அடிப்படை வீதமாகக் கருதுதல்)
• துறை அடிப்படை வீதங்களை விட குறிப்பிட்ட ஆய்வாளர் பரிந்துரைகளுக்கு அதிக முக்கியத்துவம் அளிப்பது
• வெற்றிகரமான நிதி மேலாளர் சாதனைப் பதிவுகளை வாய்ப்பைக் காட்டிலும் திறமையாகக் கருதுதல்

உத்திகள்:

• நீண்ட கால மதிப்பீட்டு அடிப்படை வீத குறிப்பு வரைபடங்களை பராமரித்தல் (P/E விகிதங்கள், இயல்புநிலை விகிதங்கள் போன்றவை)
• சராசரி மீள்தல் அனுமானங்களைச் செயல்படுத்தும் முறையான மறுசீரமைப்பைச் செயல்படுத்தவும்
• வரலாற்று-அளவீடு செய்யப்பட்ட விநியோகங்களுடன் மான்டே கார்லோ (Monte Carlo) உருவகப்படுத்துதல்களைப் பயன்படுத்தவும்
• முதலீட்டு ஆய்வறிக்கைகளுக்கு வெளிப்படையான அடிப்படை வீத ஆவணப்படுத்தல் தேவை
• எதிர்பார்ப்புகளை அளவீடு செய்ய வரலாற்று குமிழிகள் மற்றும் சரிவுகளைப் படிக்கவும்

13. பிற சார்புகளுடனான தொடர்புகள்

இதை பெருக்கும் சார்புகள்

இதை எதிர்க்கும் சார்புகள்

பொதுவான சார்பு சங்கிலிகள்

சங்கிலி 1: தெளிவான உதாரணம் (கிடைக்கும் தன்மை) → வடிவப் பொருத்தம் (பிரதிநிதித்துவம்) → அடிப்படை வீதப் புறக்கணிப்பு → நம்பிக்கையான தவறான தீர்ப்பு (அதீத நம்பிக்கை) → பிழையை உறுதிப்படுத்துதல் (உறுதிப்படுத்தல் சார்பு)

சங்கிலி 2: குறிப்பிட்ட வழக்கின் மீது நங்கூரம் → மக்கள் தொகை தரவைப் புறக்கணித்தல் → ஆதரவு கதையை உருவாக்குதல் (கதைப் போலி) → திருத்தச் சான்றுகளை எதிர்த்தல்

அடுக்கை குறுக்கிடுதல்: தெளிவான உதாரணம் கவனத்தை ஈர்ப்பதற்கு முன்பே, ஆரம்ப கட்டத்தில் குறுக்கிடுவதே மிகவும் பயனுள்ள புள்ளியாகும். அடிப்படை வீதத் தகவல்களை முன்கூட்டியே ஏற்றுவது, அதிர்வெண் வடிவங்களைப் பயன்படுத்துவது மற்றும் வெளிப்படையான அடிப்படை வீத-சரிபார்ப்புப் பழக்கங்களை உருவாக்குவது அடுக்கைத் தொடங்குவதைத் தடுக்கலாம்.

14. கலாச்சாரக் கண்ணோட்டங்கள்

அடிப்படை வீதப் பயன்பாட்டில் உள்ள கலாச்சார மாறுபாடுகள் குறித்த ஆராய்ச்சி சுவாரஸ்யமான வடிவங்களை வெளிப்படுத்துகிறது, இருப்பினும் புறக்கணிப்பை நோக்கிய முக்கிய போக்கு உலகளாவியதாகத் தோன்றுகிறது.

குறுக்கு கலாச்சார கண்டுபிடிப்புகள்:

• மேற்கத்திய, ஆசிய மற்றும் பிற கலாச்சாரச் சூழல்கள் முழுவதும் அடிப்படை வீதப் புறக்கணிப்பை ஆய்வுகள் தொடர்ந்து கண்டறிகின்றன
• கிழக்கு ஆசிய பங்கேற்பாளர்கள் சில சூழல்களில் சற்று சிறந்த அடிப்படை வீதப் பயன்பாட்டைக் காட்டுகிறார்கள் என்று சில சான்றுகள் கூறுகின்றன, இது முழுமையான அறிவாற்றல் பாணிகளுடன் தொடர்புடையதாக இருக்கலாம்
• கலாச்சாரப் பின்னணியைப் பொருட்படுத்தாமல் நிகழ்தகவு மற்றும் புள்ளிவிவரங்களை வலியுறுத்தும் கல்வி அமைப்புகள் சிறந்த அடிப்படை வீத ஒருங்கிணைப்பை உருவாக்குகின்றன
• புள்ளிவிவர சான்றுகளை சட்ட அமைப்புகள் கையாளும் விதம் கலாச்சாரத்தைப் பொறுத்து கணிசமாக வேறுபடுகிறது

உலகளாவிய அம்சங்கள்: சுருக்கமான புள்ளிவிவர அடிப்படைகளை விட குறிப்பிட்ட தெளிவான தகவல்களை விரும்புவது என்ற முக்கிய நிகழ்வு - கலாச்சார வேறுபாட்டிற்கு முந்தைய அறிவாற்றல் கட்டமைப்பில் வேரூன்றிய மனிதகுலத்திற்கு உலகளாவியதாகத் தோன்றுகிறது.

குறுக்கு கலாச்சார தாக்கங்கள்: புள்ளிவிவர சான்றுகளுக்கு கலாச்சாரச் சூழல்கள் முழுவதும் கவனமாக கட்டமைத்தல் தேவை. ஒரு சட்ட அல்லது மருத்துவ அமைப்பில் செயல்படுவது நேரடியாக மற்றொரு அமைப்புக்கு மாற்றப்படாமல் போகலாம்.

15. கட்டுக்கதைகள் மற்றும் தவறான எண்ணங்கள்

16. நிபுணர் நுண்ணறிவு

"பொதுவானவற்றிலிருந்து குறிப்பிட்டதைக் கழிக்கப் பாடங்களில் விருப்பமின்மை, குறிப்பிட்டதிலிருந்து பொதுவானதைக் கழிக்க அவர்கள் காட்டிய விருப்பத்தால் மட்டுமே பொருந்திப் போனது." — அமோஸ் ட்வெர்ஸ்கி & டேனியல் கானமேன், 1973

"ஒற்றுமை அடிப்படை வீதங்களால் பாதிக்கப்படுவதில்லை, இருப்பினும் உள்ளுணர்வு நிகழ்தகவு தீர்ப்புகள் ஒற்றுமையால் ஆதிக்கம் செலுத்துகின்றன." — டேனியல் கானமேன், திங்கிங், ஃபாஸ்ட் அண்ட் ஸ்லோ (Thinking, Fast and Slow), 2011

"பிரச்சனை என்னவென்றால், மக்கள் புள்ளிவிவர ரீதியாகப் பகுத்தறிய இயலாதவர்கள் என்பதல்ல, ஆனால் பெரும்பாலான பிரச்சினைகள் மனித மனம் பகுத்தறிய பரிணாம வளர்ச்சியடைந்த வடிவத்துடன் ஒத்திருக்காத ஒரு வடிவத்தில் வழங்கப்படுகின்றன." — கெர்ட் கிகெரென்சர், 2002

"உளவியலாளர்கள் பணிக்கேற்காத ஒரு தரத்தின் மூலம் பாடங்களின் பகுத்தறிவை மதிப்பிடுகிறார்கள்." — எல்.ஜே. கோஹன், 1981

17. முக்கிய குறிப்புகள்

1. அடிப்படை வீதப் புறக்கணிப்பு உலகளாவியது: குறிப்பிட்ட தகவல்கள் கிடைக்கும்போது அனைத்து மனிதர்களும் புள்ளிவிவர அடிப்படை வீதங்களைக் குறைத்து மதிப்பிடுகிறார்கள் - இது மனித அறிவாற்றல் கட்டமைப்பின் ஒரு அம்சம், தனிப்பட்ட தோல்வி அல்ல.

2. பிரதிநிதித்துவ ஹியூரிஸ்டிக் தான் வழிமுறை: மக்கள்தொகையில் உள்ள அதிர்வெண்ணைக் காட்டிலும் முன்மாதிரிகளுக்கான ஒற்றுமையின் மூலம் நிகழ்தகவை மதிப்பிடுகிறோம்.

3. வடிவம் பெரிதும் முக்கியமானது: தகவலை நிகழ்தகவுகளை விட இயற்கையான அதிர்வெண்களாக (Y இல் X) வழங்குவது போலியைக் கணிசமாகக் குறைக்கிறது.

4. சூழல் அடிப்படை வீதப் பயன்பாட்டை இயக்குகிறது: மக்கள் அடிப்படை வீதங்கள் காரண ரீதியாகப் பொருத்தமானதாகத் தோன்றும்போது அவற்றைப் பயன்படுத்துகிறார்கள்; அவை "வெறும் புள்ளிவிவரமாக" தோன்றும் போது அவர்கள் அவற்றைப் புறக்கணிக்கிறார்கள்.

5. விளைவுகள் பேரழிவை ஏற்படுத்துகின்றன: தவறான தண்டனைகள் (சாலி கிளார்க், லூசியா டி பெர்க்) முதல் நிதி நெருக்கடிகள் (LTCM, டாட்-காம்) மற்றும் அல்காரிதம் பாகுபாடு வரை, அடிப்படை வீதப் புறக்கணிப்பு முக்கிய சமூக தோல்விகளை வடிவமைக்கிறது.

6. சார்பு நீக்குதலுக்கு வடிவமைப்பு தேவை: அடிப்படை வீதங்களை மதிக்க நாம் வெறுமனே "முடிவு" செய்ய முடியாது - அடிப்படை வீதங்களை காணக்கூடியதாகவும் பொருத்தமானதாகவும் மாற்றும் தகவல் கட்டமைப்புகள், சரிபார்ப்புப் பட்டியல்கள் மற்றும் முடிவெடுக்கும் செயல்முறைகள் நமக்குத் தேவை.

7. சார்பு நன்மைகளைக் கொண்டுள்ளது: பல அன்றாடச் சூழல்களில், அடிப்படை வீதங்களைப் புறக்கணிக்கும் விரைவான வடிவப் பொருத்தம் தகவமைப்பு மற்றும் திறமையானது - புள்ளியியல் சிந்தனை உண்மையாக எப்போது தேவை என்பதை அங்கீகரிப்பதே குறிக்கோள்.

18. மேலும் வளங்கள்

கல்விசார் கட்டுரைகள்

• ட்வெர்ஸ்கி, ஏ., & கானமேன், டி. (1973). ஆஃப் தி சைக்காலஜி ஆஃப் பிரிடிக்‌ஷன் (On the psychology of prediction). உளவியல் விமர்சனம் (Psychological Review), 80(4), 237-251.
• கிகெரென்சர், ஜி., & ஹாஃப்ரேஜ், யு. (1995). ஹவ் டு இம்ப்ரூவ் பேயசியன் ரீசனிங் வித்தவுட் இன்ஸ்ட்ரக்‌ஷன்: ஃப்ரீக்வென்சி ஃபார்மேட்ஸ் (How to improve Bayesian reasoning without instruction: Frequency formats). உளவியல் விமர்சனம், 102(4), 684-704.
• பார்-ஹில்லெல், எம். (1980). தி பேஸ்-ரேட் ஃபாலசி இன் ப்ராபபிலிட்டி ஜட்ஜ்மென்ட்ஸ் (The base-rate fallacy in probability judgments). ஆக்டா சைக்காலஜிகா (Acta Psychologica), 44(3), 211-233.
• கானமேன், டி., & ஃபிரடெரிக், எஸ். (2002). ரெப்ரசன்டேடிவ்னஸ் ரீவிசிடட்: அட்ரிபியூட் சப்ஸ்டிடியூஷன் இன் இன்ட்யூட்டிவ் ஜட்ஜ்மென்ட் (Representativeness revisited: Attribute substitution in intuitive judgment). ஹியூரிஸ்டிக்ஸ் அண்ட் பயாஸஸ் (Heuristics and Biases) இல் (பக். 49-81). கேம்பிரிட்ஜ் பல்கலைக்கழக அச்சகம்.
• கோஹ்லர், ஜே. ஜே. (1996). தி பேஸ் ரேட் ஃபாலசி ரீகன்சிடர்ட்: டெஸ்கிரிப்டிவ், நார்மேட்டிவ், அண்ட் மெதடாலஜிகல் சேலஞ்சஸ் (The base rate fallacy reconsidered: Descriptive, normative, and methodological challenges). நடத்தை மற்றும் மூளை அறிவியல் (Behavioral and Brain Sciences), 19(1), 1-17.

புத்தகங்கள்

• கானமேன், டி. (2011). திங்கிங், ஃபாஸ்ட் அண்ட் ஸ்லோ (Thinking, Fast and Slow). ஃபாரர், ஸ்ட்ராஸ் அண்ட் கிரோக்ஸ் (Farrar, Straus and Giroux).
• கிகெரென்சர், ஜி. (2002). கால்குலேட்டட் ரிஸ்க்ஸ்: ஹவ் டு நோ வென் நம்பர்ஸ் டிசீவ் யூ (Calculated Risks: How to Know When Numbers Deceive You). சைமன் & ஸ்கஸ்டர் (Simon & Schuster).
• கிகெரென்சர், ஜி., டாட், பி. எம்., & ஏபிசி ரிசர்ச் குரூப். (1999). சிம்பிள் ஹியூரிஸ்டிக்ஸ் தட் மேக் அஸ் ஸ்மார்ட் (Simple Heuristics That Make Us Smart). ஆக்ஸ்போர்டு பல்கலைக்கழக அச்சகம்.
• டெட்லாக், பி. ஈ., & கார்ட்னர், டி. (2015). சூப்பர்ஃபோர்காஸ்டிங்: தி ஆர்ட் அண்ட் சயின்ஸ் ஆஃப் பிரிடிக்‌ஷன் (Superforecasting: The Art and Science of Prediction). கிரவுன்.
• மீல், பி. ஈ. (1954). கிளினிக்கல் vs. ஸ்டாட்டிஸ்டிக்கல் பிரிடிக்‌ஷன் (Clinical vs. Statistical Prediction). மினசோட்டா பல்கலைக்கழக அச்சகம்.

புத்தக அத்தியாயங்கள்

• மீல், பி. ஈ., & ரோசன், ஏ. (1955). ஆன்டிசிடென்ட் ப்ராபபிலிட்டி அண்ட் தி எஃபிஷியன்சி ஆஃப் சைக்கோமெட்ரிக் சயின்ஸ், பேட்டர்ன்ஸ், ஆர் கட்டிங் ஸ்கோர்ஸ் (Antecedent probability and the efficiency of psychometric signs, patterns, or cutting scores). உளவியல் புல்லட்டின் (Psychological Bulletin), 52(3), 194-216.
• ஹட்டோரி, எம்., & நிஷிடா, ஒய். (2009). ஒய் டஸ் தி பேஸ் ரேட் அப்பியர் டு பி இக்னோர்ட்? தி ஈக்விப்ராபபிலிட்டி ஹைபோதெசிஸ் (Why does the base rate appear to be ignored? The equiprobability hypothesis). சைகோனோமிக் புல்லட்டின் & ரிவியூ (Psychonomic Bulletin & Review), 16(6), 1065-1070.

19. சுருக்க அட்டை

20. பயன்படுத்தப்பட்ட சொற்களின் களஞ்சியம்

21. விவாதக் கேள்விகள்

புத்தகக் கழகங்கள், வகுப்பறைகள் அல்லது சுய பிரதிபலிப்புக்கு:

1. உங்கள் வாழ்க்கையில் அடிப்படை வீதத்தை நீங்கள் புறக்கணித்தீர்கள் என்பதை பின்னர் உணர்ந்த ஒரு பெரிய முடிவைப் பற்றி உங்களால் சிந்திக்க முடியுமா? நீங்கள் எதை வித்தியாசமாகச் செய்வீர்கள்?

2. அடிப்படை வீதப் புறக்கணிப்பு மனித அறிவாற்றலின் "குறைபாடா" அல்லது "அம்சமா" என்று பகுத்தறிவுப் போர்கள் கேட்கின்றன. உங்கள் பார்வை என்ன, மற்றும் அதன் தாக்கங்கள் என்ன?

3. நடுவர் மன்றங்களில் அடிப்படை வீதப் புறக்கணிப்பு பற்றி நாம் அறிந்திருப்பதைக் கருத்தில் கொண்டு நீதிமன்றங்கள் புள்ளிவிவர சான்றுகளை எவ்வாறு கையாள வேண்டும்? சிறப்புப் பயிற்சி அல்லது நிபுணத்துவத் தேவைகள் இருக்க வேண்டுமா?

4. தகவல்களை இயற்கையான அதிர்வெண்களில் வழங்குவது பெரும்பாலும் அடிப்படை வீதப் புறக்கணிப்பை "தீர்க்கிறது" என்று கிகெரென்சர் வாதிடுகிறார். இது உண்மையானால், தகவலை சரியான வடிவத்தில் வழங்குவதற்கு யார் பொறுப்பு - தனிநபர்களா, நிறுவனங்களா அல்லது கல்வியாளர்களா?

5. மனித வாழ்க்கையைப் பாதிக்கும் முடிவுகளை AI அமைப்புகள் அதிகளவில் எடுப்பதால், அல்காரிதம்களில் உள்ள அடிப்படை வீதச் சார்பை நிவர்த்தி செய்வதற்கு என்ன கடமைகள் உள்ளன? அல்காரிதமிக் நேர்மையை எவ்வாறு வரையறுக்க வேண்டும்?