Η Μπελ Γκίμπσον ήταν μια χαρούμενη νεαρή Αυστραλέζα. Ζούσε στο Περθ και αγαπούσε το σκέιτμπορντ. Αλλά το 2009 η Μπελ έμαθε πως είχε καρκίνο στον εγκέφαλο και τέσσερις μήνες ζωής. Δύο μήνες χημειοθεραπείας και ακτινοθεραπείας δεν έφεραν αποτέλεσμα. Αλλά η Μπελ ήταν αποφασιστική. Υπήρξε πάντα μαχήτρια. Από έξι χρονών μαγείρευε για τον αυτιστικό αδελφό της και για τη μητέρα της με σκλήρυνση κατά πλάκας. Ο πατέρας της ήταν άφαντος. Κι έτσι η Μπελ πάλεψε, με γυμναστική, διαλογισμό, κι αντικαθιστώντας το κρέας με φρούτα και λαχανικά. Και θεραπεύτηκε πλήρως. Η ιστορία της Μπελ εξαπλώθηκε. Διαδόθηκε σε εκατομμύρια άτομα στο Twitter και στα ιστολόγια. Έδειχνε τα οφέλη της αντικατάστασης της παραδοσιακής ιατρικής με διατροφή και γυμναστική. Τον Αύγουστο 2013 η Μπελ παρουσίασε μια εφαρμογή υγιούς διατροφής, «The Whole Pantry». Είχε 200.000 λήψεις τον πρώτο μήνα.
Belle Gibson was a happy young Australian. She lived in Perth, and she loved skateboarding. But in 2009, Belle learned that she had brain cancer and four months to live. Two months of chemo and radiotherapy had no effect. But Belle was determined. She'd been a fighter her whole life. From age six, she had to cook for her brother, who had autism, and her mother, who had multiple sclerosis. Her father was out of the picture. So Belle fought, with exercise, with meditation and by ditching meat for fruit and vegetables. And she made a complete recovery. Belle's story went viral. It was tweeted, blogged about, shared and reached millions of people. It showed the benefits of shunning traditional medicine for diet and exercise. In August 2013, Belle launched a healthy eating app, The Whole Pantry, downloaded 200,000 times in the first month.
Αλλά η ιστορία της Μπελ ήταν ένα ψέμα. Δεν είχε ποτέ καρκίνο. Ο κόσμος μοιράστηκε την ιστορία της χωρίς να την επαληθεύσει. Είναι ένα κλασικό παράδειγμα της προκατάληψης επιβεβαίωσης: δεχόμαστε επιπόλαια μια ιστορία εάν επιβεβαιώνει κάτι που θα θέλαμε να είναι αληθές. Και απορρίπτουμε κάθε ιστορία που την αντικρούει. Πόσο συχνά συμβαίνει αυτό στις ιστορίες που μοιραζόμαστε και που αγνοούμε; Στην πολιτική, στη δουλειά και στo θέμα της υγείας. Η λέξη του 2016 στο λεξικό της Οξφόρδης ήταν η «μετα-αλήθεια». Η παραδοχή πως τώρα ζούμε σε έναν κόσμο μετα-αλήθειας μας αναγκάζει να επαληθεύουμε πιο πολύ τα γεγονότα. To κύριο θέμα της ομιλίας μου είναι ότι η επαλήθευση και μόνο δεν αρκεί. Ακόμη κι αν αλήθευε η ιστορία της Μπελ, θα παρέμενε εξίσου άσχετη. Γιατί; Ας δούμε λοιπόν ένα από τα βασικά εργαλεία της στατιστικής. Ονομάζεται συμπέρασμα του Μπέυζ. Και η απλούστερη εκδοχή του είναι η εξής: μας ενδιαφέρει εάν τα δεδομένα υποστηρίζουν τη θεωρία; Ενισχύουν τα δεδομένα την εμπιστοσύνη μας σε μια θεωρία; Αντ' αυτού, αναρωτιόμαστε τελικά εάν τα δεδομένα ταιριάζουν με τη θεωρία. Η αντιστοιχία όμως με τη θεωρία δεν σημαίνει πως τα δεδομένα την υποστηρίζουν. Γιατί; Εξαιτίας ενός βασικού αλλά ξεχασμένου τρίτου όρου: ότι τα δεδομένα μπορεί να ταιριάζουν με αντίθετες θεωρίες. Αυτές όμως τις αγνοούμε λόγω της προκατάληψης επιβεβαίωσης, διότι θέλουμε να διαφυλάξουμε τη δική μας προσφιλή θεωρία. Ας δούμε λοιπόν την ιστορία της Μπελ. Μας ενδιαφέρει εάν η ιστορία της υποστηρίζει τη θεωρία ότι η διατροφή θεραπεύει τον καρκίνο. Αντ' αυτού, αναρωτιόμαστε τελικά εάν η ιστορία της ταιριάζει με την ιδέα πως η διατροφή θεραπεύει τον καρκίνο. Και η απάντηση είναι θετική. Εάν η διατροφή θεραπεύει τον καρκίνο, θα ψάξουμε ιστορίες σαν της Μπελ. Αλλά ακόμη κι αν δεν θεράπευε τον καρκίνο, πάλι θα ψάξουμε ιστορίες σαν της Μπελ. Ένα μόνο περιστατικό μιας ασθενούς που δήθεν θεραπεύτηκε από μόνη της, ενώ της είχαν κάνει λάθος διάγνωση ευθύς εξαρχής. Δηλαδή, ακόμα κι αν το κάπνισμα βλάπτει την υγεία σας και πάλι θα δείτε έναν καπνιστή που έφτασε τα 100.
But Belle's story was a lie. Belle never had cancer. People shared her story without ever checking if it was true. This is a classic example of confirmation bias. We accept a story uncritically if it confirms what we'd like to be true. And we reject any story that contradicts it. How often do we see this in the stories that we share and we ignore? In politics, in business, in health advice. The Oxford Dictionary's word of 2016 was "post-truth." And the recognition that we now live in a post-truth world has led to a much needed emphasis on checking the facts. But the punch line of my talk is that just checking the facts is not enough. Even if Belle's story were true, it would be just as irrelevant. Why? Well, let's look at one of the most fundamental techniques in statistics. It's called Bayesian inference. And the very simple version is this: We care about "does the data support the theory?" Does the data increase our belief that the theory is true? But instead, we end up asking, "Is the data consistent with the theory?" But being consistent with the theory does not mean that the data supports the theory. Why? Because of a crucial but forgotten third term -- the data could also be consistent with rival theories. But due to confirmation bias, we never consider the rival theories, because we're so protective of our own pet theory. Now, let's look at this for Belle's story. Well, we care about: Does Belle's story support the theory that diet cures cancer? But instead, we end up asking, "Is Belle's story consistent with diet curing cancer?" And the answer is yes. If diet did cure cancer, we'd see stories like Belle's. But even if diet did not cure cancer, we'd still see stories like Belle's. A single story in which a patient apparently self-cured just due to being misdiagnosed in the first place. Just like, even if smoking was bad for your health, you'd still see one smoker who lived until 100.
(Γέλια)
(Laughter)
Ακόμα κι αν η εκπαίδευση ήταν καλή για το εισόδημά σας, πάλι θα βλέπατε έναν μεγιστάνα που δεν πήγε στο πανεπιστήμιο.
Just like, even if education was good for your income, you'd still see one multimillionaire who didn't go to university.
(Γέλια)
(Laughter)
Άρα, το μεγαλύτερο πρόβλημα με την ιστορία της Μπελ δεν είναι ότι ήταν ψευδής, μα ότι είναι απλώς μια ιστορία. Θα έχει χιλιάδες άλλες ιστορίες στις οποίες η διατροφή απέτυχε, αλλά ποτέ δεν τις ακούμε. Μοιραζόμαστε τις ασυνήθιστες περιπτώσεις επειδή είναι νέες, άρα αποτελούν είδηση. Ποτέ δεν μοιραζόμαστε τις συνήθεις περιπτώσεις. Είναι πολύ συνήθεις. Τέτοιες συμβαίνουν κατά κανόνα. Αποτελούν όμως το πραγματικό 99% που αγνοούμε. Όπως και στην κοινωνία, δεν γίνεται να ακούσεις μόνο το 1%, τα ασυνήθιστα, και να αγνοείς το 99%, τα συνηθισμένα.
So the biggest problem with Belle's story is not that it was false. It's that it's only one story. There might be thousands of other stories where diet alone failed, but we never hear about them. We share the outlier cases because they are new, and therefore they are news. We never share the ordinary cases. They're too ordinary, they're what normally happens. And that's the true 99 percent that we ignore. Just like in society, you can't just listen to the one percent, the outliers, and ignore the 99 percent, the ordinary.
Διότι αυτό είναι το δεύτερο παράδειγμα προκατάληψης επιβεβαίωσης. Δεχόμαστε τα γεγονότα ως δεδομένα. Το μεγαλύτερο πρόβλημα δεν είναι πως ζούμε σε έναν κόσμο μετα-αλήθειας, αλλά σε έναν κόσμο μετα-δεδομένων. Προτιμούμε μία μόνο ιστορία παρά μια σωρεία δεδομένων. Οι ιστορίες είναι δυνατές, έντονες, ζωντανεύουν τα πάντα. Λένε να ξεκινάς κάθε ομιλία με μια ιστορία. Αυτό έκανα εγώ. Αλλά μια μοναδική ιστορία είναι ανούσια και παραπλανητική εάν δεν την υποστηρίζει μια πληθώρα δεδομένων. Αλλά ακόμα κι αν διαθέταμε μια πληθώρα δεδομένων, αυτό δεν θα αρκούσε. Διότι μπορεί να ταιριάζουν και με αντίπαλες θεωρίες. Ας το εξηγήσω.
Because that's the second example of confirmation bias. We accept a fact as data. The biggest problem is not that we live in a post-truth world; it's that we live in a post-data world. We prefer a single story to tons of data. Now, stories are powerful, they're vivid, they bring it to life. They tell you to start every talk with a story. I did. But a single story is meaningless and misleading unless it's backed up by large-scale data. But even if we had large-scale data, that might still not be enough. Because it could still be consistent with rival theories. Let me explain.
Μια κλασική μελέτη του ψυχολόγου Πίτερ Γουέισον μας προσφέρει μια σειρά με τρεις αριθμούς και μας ζητάει να σκεφτούμε τον κανόνα που τους παράγει. Δηλαδή, εάν οι αριθμοί ήταν το δύο, το τέσσερα και το έξι, ποιος είναι ο κανόνας; Η πλειοψηφία θα σκέφτονταν ότι είναι διαδοχικοί ζυγοί αριθμοί. Πώς θα το ελέγχαμε; Θα προτείναμε άλλη μια σειρά διαδοχικών ζυγών αριθμών: 4, 6, 8 ή 12, 14, 16. Και ο Πίτερ θα έλεγε πως κι αυτή η σειρά θα ήταν λειτουργική. Όμως μ' αυτή τη γνώση της σειράς, ότι ίσως εκατοντάδες τέτοιες σειρές ενδεχομένως να λειτουργούν, δεν μας λέει τίποτα. Επειδή αυτή ταιριάζει επίσης με τις αντίπαλες θεωρίες. Ίσως ο κανόνας να είναι οποιαδήποτε τρία ζεύγη αριθμών, ή οποιοιδήποτε τρεις αυξανόμενοι αριθμοί.
A classic study by psychologist Peter Wason gives you a set of three numbers and asks you to think of the rule that generated them. So if you're given two, four, six, what's the rule? Well, most people would think, it's successive even numbers. How would you test it? Well, you'd propose other sets of successive even numbers: 4, 6, 8 or 12, 14, 16. And Peter would say these sets also work. But knowing that these sets also work, knowing that perhaps hundreds of sets of successive even numbers also work, tells you nothing. Because this is still consistent with rival theories. Perhaps the rule is any three even numbers. Or any three increasing numbers.
Αυτό είναι και το τρίτο παράδειγμα της προκατάληψης επιβεβαίωσης: η αποδοχή των δεδομένων ως τεκμήρια, ακόμη και όταν ταιριάζουν με αντίπαλες θεωρίες. Τα δεδομένα είναι μόνο μια συλλογή γεγονότων. Τα τεκμήρια υποστηρίζουν μια θεωρία ως δεδομένα, ενώ απορρίπτουν τις άλλες. Ο καλύτερος τρόπος για να υποστηρίξετε τη θεωρία σας είναι να την απορρίψετε, παίζοντας τον δικηγόρο του διαβόλου. Δοκιμάστε κάτι λοιπόν. Όπως το 4, το 12, και το 26. Εάν έχετε αποτέλεσμα, τότε η θεωρία σας διαψεύδεται στους διαδοχικούς ζυγούς αριθμούς. Όμως, η δοκιμασία αυτή είναι δυνατή, διότι εάν δεν βγει αποτέλεσμα θα διαψεύσει το «κάθε ζεύγος τριών αριθμών» ή των «αυξανόμενων αριθμών». Θα απορρίψει τις αντίπαλες θεωρίες, αλλά όχι τη δική σας. Οι πιο πολλοί άνθρωποι όμως φοβούνται να δοκιμάσουν το 4, το 12, και το 26, επειδή δεν θέλουν να βγει λανθασμένη η προσφιλή θεωρία τους. H προκατάληψη επιβεβαίωσης δεν αφορά μόνο την αποτυχία να ψάχνουμε για νέα δεδομένα, αλλά και την παρερμηνεία των δεδομένων που λαμβάνουμε.
And that's the third example of confirmation bias: accepting data as evidence, even if it's consistent with rival theories. Data is just a collection of facts. Evidence is data that supports one theory and rules out others. So the best way to support your theory is actually to try to disprove it, to play devil's advocate. So test something, like 4, 12, 26. If you got a yes to that, that would disprove your theory of successive even numbers. Yet this test is powerful, because if you got a no, it would rule out "any three even numbers" and "any three increasing numbers." It would rule out the rival theories, but not rule out yours. But most people are too afraid of testing the 4, 12, 26, because they don't want to get a yes and prove their pet theory to be wrong. Confirmation bias is not only about failing to search for new data, but it's also about misinterpreting data once you receive it.
Κι αυτό ισχύει σε σημαντικά, υπαρκτά προβλήματα εκτός εργαστηρίου. Όπως είπε και ο Τόμας Έντισον, «Δεν απέτυχα, βρήκα 10.000 τρόπους που δεν λειτουργούν». Το να βρεις πως κάνεις λάθος είναι ο μόνος τρόπος να βρεις το σωστό.
And this applies outside the lab to important, real-world problems. Indeed, Thomas Edison famously said, "I have not failed, I have found 10,000 ways that won't work." Finding out that you're wrong is the only way to find out what's right.
Ας πούμε ότι είστε ο υπεύθυνος εγγραφών σε ένα πανεπιστήμιο και θεωρείτε πως μόνο οι φοιτητές με καλούς βαθμούς των εύπορων οικογενειών διαπρέπουν. Άρα, δέχεστε μόνο τέτοιους φοιτητές. Κι όντως διαπρέπουν. Αλλά κι αυτό ταιριάζει με την αντίπαλη θεωρία: ίσως όλοι οι φοιτητές με καλούς βαθμούς διαπρέπουν, είτε είναι πλούσιοι είτε φτωχοί. Ποτέ όμως δεν δοκιμάζετε τη θεωρία διότι ποτέ δεν δέχεστε φτωχούς φοιτητές, γιατί δεν θέλετε να σας διαψεύσουν. Τι μάθαμε λοιπόν; Ένα περιστατικό δεν αποτελεί γεγονός, διότι μπορεί να μην είναι αληθές. Ένα γεγονός δεν αποτελεί δεδομένο. Ίσως να μην είναι αντιπροσωπευτικό αν είναι ένα μεμονωμένο σημείο δεδομένων. Και τα δεδομένα δεν αποτελούν τεκμήριο εάν ταιριάζουν με τις αντίπαλες θεωρίες και δεν είναι υποστηρικτικά. Τι κάνουμε λοιπόν; Όποτε βρίσκεστε σε κρίσιμα σημεία της ζωής σας, επιλέγοντας μια στρατηγική για την επιχείρησή σας, μια τεχνική ανατροφής για το παιδί σας ή μια διατροφή για την υγεία σας. Πώς διασφαλίζετε ότι δεν έχετε ένα αφήγημα, αλλά τεκμήρια; Θα σας δώσω τρεις συμβουλές. Το πρώτο είναι να ψάχνετε ενεργά για άλλες απόψεις. Διαβάστε και ακούστε άτομα με τα οποία διαφωνείτε κάθετα. Το 90% όσων λένε ίσως να σας φανεί λάθος. Αλλά τι γίνεται εάν το 10% είναι σωστό; Όπως είπε ο Αριστοτέλης, «Το χαρακτηριστικό ενός εξελιγμένου νου είναι να φιλοξενεί μια σκέψη έστω και αν δεν την αποδέχεται». Να έχετε έναν περίγυρο που να σας αμφισβητεί και δημιουργήστε μια κουλτούρα που επιδοκιμάζει ενεργά τη διαφωνία. Κάποιες τράπεζες έπασχαν από ομαδική σκέψη: το προσωπικό δεν τολμούσε να διαφωνήσει με τις αποφάσεις της διοίκησης, και έτσι συνέδραμε την οικονομική κρίση. Διορίστε κάποιον για δικηγόρο του διαβόλου σε μια συνάντηση ενάντια στη δική σας προσφιλή γνώμη. Και μην ακούσετε μια άλλη άποψη. Προσέξτε την επίσης. Όπως είπε ο ψυχολόγος Στίβεν Κόβεϊ: «Ακούστε με σκοπό να κατανοήσετε και όχι την απαντήσετε». Μια αντίθετη άποψη υπάρχει για να μάθεις, όχι για να αντιταχθείς. Κι αυτό μας πάει σε άλλους ξεχασμένους όρους του συμπεράσματος του Μπέυζ. Διότι τα δεδομένα σας βοηθούν να μαθαίνετε, αλλά αυτό σχετίζεται με ένα σημείο εκκίνησης. Εάν ξεκινήσετε με την απόλυτη πεποίθηση πως η προσφιλή θεωρία σας είναι σωστή, τότε η άποψή σας δεν θα αλλάξει, ανεξάρτητα από τα δεδομένα που έχετε. Μόνο εάν δεχτείτε τη δυνατότητα να κάνετε λάθος γίνεται να μάθετε. Όπως έγραψε ο Λέων Τολστόι: «Τα πιο δύσκολα θέματα μπορείς να τα εξηγήσεις στο πιο αργόστροφο άτομο, έαν δεν έχει διαμορφώσει κάποια άποψη για αυτά. Τα πιο απλά πράγματα όμως δεν μπορείς να τα ξεκαθαρίσεις στον πιο έξυπνο άνθρωπο εάν πιστεύει ακράδαντα πως ήδη τα ξέρει». Δεύτερη συμβουλή: «Ακούστε τους ειδικούς». Αυτή ίσως να είναι η λιγότερο δημοφιλής συμβουλή που μπορώ να σας δώσω.
Say you're a university admissions director and your theory is that only students with good grades from rich families do well. So you only let in such students. And they do well. But that's also consistent with the rival theory. Perhaps all students with good grades do well, rich or poor. But you never test that theory because you never let in poor students because you don't want to be proven wrong. So, what have we learned? A story is not fact, because it may not be true. A fact is not data, it may not be representative if it's only one data point. And data is not evidence -- it may not be supportive if it's consistent with rival theories. So, what do you do? When you're at the inflection points of life, deciding on a strategy for your business, a parenting technique for your child or a regimen for your health, how do you ensure that you don't have a story but you have evidence? Let me give you three tips. The first is to actively seek other viewpoints. Read and listen to people you flagrantly disagree with. Ninety percent of what they say may be wrong, in your view. But what if 10 percent is right? As Aristotle said, "The mark of an educated man is the ability to entertain a thought without necessarily accepting it." Surround yourself with people who challenge you, and create a culture that actively encourages dissent. Some banks suffered from groupthink, where staff were too afraid to challenge management's lending decisions, contributing to the financial crisis. In a meeting, appoint someone to be devil's advocate against your pet idea. And don't just hear another viewpoint -- listen to it, as well. As psychologist Stephen Covey said, "Listen with the intent to understand, not the intent to reply." A dissenting viewpoint is something to learn from not to argue against. Which takes us to the other forgotten terms in Bayesian inference. Because data allows you to learn, but learning is only relative to a starting point. If you started with complete certainty that your pet theory must be true, then your view won't change -- regardless of what data you see. Only if you are truly open to the possibility of being wrong can you ever learn. As Leo Tolstoy wrote, "The most difficult subjects can be explained to the most slow-witted man if he has not formed any idea of them already. But the simplest thing cannot be made clear to the most intelligent man if he is firmly persuaded that he knows already." Tip number two is "listen to experts." Now, that's perhaps the most unpopular advice that I could give you.
(Γέλια)
(Laughter)
Ο Βρετανός πολιτικός Μάικλ Γκόουβ είπε ότι ο κόσμος στη χώρα αυτή βαρέθηκε τους ειδικούς. Σε μια πρόσφατη δημοσκόπηση ο κόσμος θα εμπιστευόταν τον κομμωτή
British politician Michael Gove famously said that people in this country have had enough of experts. A recent poll showed that more people would trust their hairdresser --
(Γέλια)
(Laughter)
ή έναν περαστικό παρά τους επικεφαλής του εμπορίου, της υγείας, ακόμη και της φιλανθρωπίας. Εκτιμούμε τη φόρμουλα λεύκανσης δοντιών που ανακάλυψε μια μάνα ή ακούμε την άποψη μιας ηθοποιού για τον εμβολιασμό. Μας αρέσουν όσοι λένε ό,τι σκέφτονται, που πράττουν ενστικτωδώς, και λέμε πως είναι γνήσιοι. Το ένστικτο από μόνο του δεν θα σας πάει μακριά. Αλλά θα σας πει να μην δώσετε νερό σε ένα μωρό με διάρροια, επειδή θα το αποβάλει. Ένας ειδικός σας λέει το αντίθετο. Ποτέ δεν θα εμπιστευόσασταν να σας χειρουργήσει ένας περαστικός. Θέλετε έναν χειρουργό με πολυετή εμπειρία και να γνωρίζει τις καλύτερες τεχνικές. Αυτό όμως θα έπρεπε να ισχύει για κάθε κρίσιμη απόφαση. Η πολιτική, η εργασία και η υγεία χρειάζονται ειδικούς όπως η χειρουργική.
or the man on the street than they would leaders of businesses, the health service and even charities. So we respect a teeth-whitening formula discovered by a mom, or we listen to an actress's view on vaccination. We like people who tell it like it is, who go with their gut, and we call them authentic. But gut feel can only get you so far. Gut feel would tell you never to give water to a baby with diarrhea, because it would just flow out the other end. Expertise tells you otherwise. You'd never trust your surgery to the man on the street. You'd want an expert who spent years doing surgery and knows the best techniques. But that should apply to every major decision. Politics, business, health advice require expertise, just like surgery.
Γιατί υπάρχει τέτοια δυσπιστία προς τους ειδικούς; Ένας λόγος είναι πως δεν έχουν επαφή με την πραγματικότητα. Ένας εκατομμυριούχος επιχειρηματίας δύσκολα εκφράζει τον μέσο άνθρωπο. Η πραγματική ειδημοσύνη όμως βασίζεται σε τεκμήρια, κι αυτό συμφέρει τον μέσο άνθρωπο ενάντια στην ελίτ. Διότι τα τεκμήρια πρέπει να τα αποδείξεις. Τα τεκμήρια δεν επιτρέπουν στην ελίτ να επιβάλλει τη γνώμη της χωρίς αποδείξεις. Ένας δεύτερος λόγος αμφισβήτησης των ειδικών είναι πως δεν λένε τα ίδια. Για κάθε ειδικό που έλεγε πως η αποχώρηση από την ΕΕ θα έβλαπτε τη Βρετανία, ένας άλλος έλεγε το αντίθετο. Οι μισοί εξ αυτών των ειδικών θα κάνουν λάθος. Και πρέπει να παραδεχτώ ότι πολλές δημοσιεύσεις τους είναι λανθασμένες. Ή στην καλύτερη οι ισχυρισμοί τους που δεν υποστηρίζονται από τα τεκμήρια. Άρα, δεν πρέπει απλά να τους εμπιστευόμαστε.
So then, why are experts so mistrusted? Well, one reason is they're seen as out of touch. A millionaire CEO couldn't possibly speak for the man on the street. But true expertise is found on evidence. And evidence stands up for the man on the street and against the elites. Because evidence forces you to prove it. Evidence prevents the elites from imposing their own view without proof. A second reason why experts are not trusted is that different experts say different things. For every expert who claimed that leaving the EU would be bad for Britain, another expert claimed it would be good. Half of these so-called experts will be wrong. And I have to admit that most papers written by experts are wrong. Or at best, make claims that the evidence doesn't actually support. So we can't just take an expert's word for it.
Τον Νοέμβριο του 2016 μια έρευνα για τον μισθό των στελεχών έγινε πρωτοσέλιδο, παρόλο που καμία εφημερίδα που κάλυψε την έρευνα δεν την είχε δει. Ακόμα δεν είχε δημοσιευτεί. Απλά βασίστηκαν στα λόγια του αρθρογράφου όπως συνέβη με την Μπελ. Ούτε σημαίνει πως πρέπει να πιάσουμε κάποια έρευνα που τυχαίνει να στηρίζει την άποψή μας. Κι αυτό θα ήταν προκατάληψη επιβεβαίωσης. Ούτε σημαίνει ότι επτά μελέτες που αποδεικνύουν το Α και τρεις το Β δεν κάνει σωστό το Α. Αυτό που μετράει είναι η ποιότητα κι όχι η ποσότητα της ειδημοσύνης.
In November 2016, a study on executive pay hit national headlines. Even though none of the newspapers who covered the study had even seen the study. It wasn't even out yet. They just took the author's word for it, just like with Belle. Nor does it mean that we can just handpick any study that happens to support our viewpoint -- that would, again, be confirmation bias. Nor does it mean that if seven studies show A and three show B, that A must be true. What matters is the quality, and not the quantity of expertise.
Θα έπρεπε να κάνουμε δύο πράγματα. Πρώτον, να εξετάσουμε προσεκτικά τα προσόντα των αρθρογράφων. Όπως ακριβώς θα εξετάζαμε τα προσόντα ενός πιθανού χειρουργού. Είναι όντως ειδήμονες στο θέμα ή έχουν προσωπικό συμφέρον; Δεύτερον, θα έπρεπε να δώσουμε ιδιαίτερη σημασία σε δημοσιεύσεις στα κορυφαία ακαδημαϊκά περιοδικά. Κατηγορούμε συχνά τους ακαδημαϊκούς ότι είναι εκτός πραγματικότητας. Αλλά αυτό ακριβώς τους επιτρέπει να αφιερώσουν χρόνια στην έρευνα, ώστε να καταφέρουν ένα αποτέλεσμα, να απορρίπτουν τις αντίπαλες θεωρίες και να κάνουν διάκριση μεταξύ συσχέτισης και αιτιότητας. Και τα ακαδημαϊκά περιοδικά αξιολογούνται από ομότιμους, οι οποίοι ελέγχουν εξονυχιστικά κάθε έρευνα,
So we should do two things. First, we should critically examine the credentials of the authors. Just like you'd critically examine the credentials of a potential surgeon. Are they truly experts in the matter, or do they have a vested interest? Second, we should pay particular attention to papers published in the top academic journals. Now, academics are often accused of being detached from the real world. But this detachment gives you years to spend on a study. To really nail down a result, to rule out those rival theories, and to distinguish correlation from causation. And academic journals involve peer review, where a paper is rigorously scrutinized
(Γέλια)
(Laughter)
από τα κορυφαία μυαλά παγκοσμίως. Όσο καλύτερο το περιοδικό τόσο υψηλότερο το επίπεδο. Τα πιο κορυφαία περιοδικά απορρίπτουν το 95% των ερευνών.
by the world's leading minds. The better the journal, the higher the standard. The most elite journals reject 95 percent of papers.
Ωστόσο, το ακαδημαϊκό τεκμήριο δεν αρκεί. Κι η εμπειρία της καθημερινότητας μετράει επίσης. Και η αξιολόγηση από ομότιμους δεν είναι τέλεια, γίνονται λάθη. Αλλά είναι προτιμότερο να εξετάζεται κάτι από το να μην εξετάζεται. Εάν προσκολλούμαστε σε μια έρευνα επειδή μας αρέσουν τα ευρήματα, χωρίς να λάβουμε υπόψη τον αρθρογράφο ή εάν έχει αξιολογηθεί, υπάρχει μια μεγάλη πιθανότητα η έρευνα να είναι παραπλανητική. Κι όσοι από εμάς δηλώνουμε ότι είμαστε ειδικοί θα έπρεπε να δεχόμαστε τα όρια των αναλύσεων μας. Πολύ σπάνια γίνεται να αποδείξουμε ή να προβλέψουμε κάτι με βεβαιότητα, αλλά είναι πολύ δελεαστικό να κάνουμε μια γενικευμένη και επιπόλαιη δήλωση. Πιο εύκολα θα γίνεις πρωτοσέλιδο ή θέμα στο Twitter. Αλλά ακόμα και τα τεκμήρια μπορεί να μην αποτελούν απόδειξη. Μπορεί να μην είναι καθολικά ή να μην εφαρμόζονται σε κάθε πεδίο. Ας μη λέμε λοιπόν: «Το κόκκινο κρασί φέρνει τη μακροζωΐα», εφόσον τα τεκμήρια λένε πως συσχετίζεται με τη μακροζωΐα, και μόνο σε άτομα που γυμνάζονται. Τρίτη συμβουλή: «Περιμένετε πριν μοιραστείτε οτιδήποτε». Ο όρκος του Ιπποκράτη λέει: «Πρώτον, μην βλάψω». Αυτά που μοιραζόμαστε είναι δυνάμει μεταδοτικά, γι' αυτό προσέξτε καλά τι μοιράζεστε. Δεν πρέπει να αποβλέπουμε στα like ή τα retweet. Διαφορετικά μοιραζόμαστε μόνο τη συναίνεση και δεν αμφισβητούμε το σκεπτικό κανενός. Διαφορετικά μοιραζόμαστε μόνο ό, τι μας ακούγεται σωστό είτε αποτελεί τεκμήριο είτε όχι.
Now, academic evidence is not everything. Real-world experience is critical, also. And peer review is not perfect, mistakes are made. But it's better to go with something checked than something unchecked. If we latch onto a study because we like the findings, without considering who it's by or whether it's even been vetted, there is a massive chance that that study is misleading. And those of us who claim to be experts should recognize the limitations of our analysis. Very rarely is it possible to prove or predict something with certainty, yet it's so tempting to make a sweeping, unqualified statement. It's easier to turn into a headline or to be tweeted in 140 characters. But even evidence may not be proof. It may not be universal, it may not apply in every setting. So don't say, "Red wine causes longer life," when the evidence is only that red wine is correlated with longer life. And only then in people who exercise as well. Tip number three is "pause before sharing anything." The Hippocratic oath says, "First, do no harm." What we share is potentially contagious, so be very careful about what we spread. Our goal should not be to get likes or retweets. Otherwise, we only share the consensus; we don't challenge anyone's thinking. Otherwise, we only share what sounds good, regardless of whether it's evidence.
Αντιθέτως, θα έπρεπε να αναρωτηθούμε το εξής: Εάν είναι μια ιστορία, αληθεύει; Εάν αληθεύει, υποστηρίζεται από πληθώρα τεκμηρίων; Εάν ναι, ποιος τα βρήκε και ποια είναι τα προσόντα του; Δημοσιεύτηκε; Πόσο σχολαστικό είναι το περιοδικό; Και κάντε την πιο κρίσιμη ερώτηση: εάν η ίδια έρευνα είχε την υπογραφή των ίδιων αρθρογράφων με τα ίδια προσόντα μα είχε τα αντίθετα αποτελέσματα, θα θέλατε ακόμα να την πιστέψετε και να τη μοιραστείτε;
Instead, we should ask the following: If it's a story, is it true? If it's true, is it backed up by large-scale evidence? If it is, who is it by, what are their credentials? Is it published, how rigorous is the journal? And ask yourself the million-dollar question: If the same study was written by the same authors with the same credentials but found the opposite results, would you still be willing to believe it and to share it?
Η αντιμετώπιση οποιουδήποτε προβλήματος, είτε είναι της εθνικής οικονομίας είτε της προσωπικής μας υγείας, είναι δύσκολη. Άρα, πρέπει να βεβαιωθούμε πως έχουμε τα καλύτερα τεκμήρια για να πορευτούμε. Μόνο εάν είναι αλήθεια αποτελεί γεγονός. Μόνο εάν είναι αντιπροσωπευτικό αποτελεί δεδομένο. Μόνο εάν είναι υποστηρικτικό αποτελεί τεκμήριο. Και μόνο με τεκμήρια θα μεταφερθούμε από έναν κόσμο μετα-αλήθειας σε έναν κόσμο υπέρ της αλήθειας.
Treating any problem -- a nation's economic problem or an individual's health problem, is difficult. So we must ensure that we have the very best evidence to guide us. Only if it's true can it be fact. Only if it's representative can it be data. Only if it's supportive can it be evidence. And only with evidence can we move from a post-truth world to a pro-truth world.
Σας ευχαριστώ πολύ.
Thank you very much.
(Χειροκρότημα)
(Applause)