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 Gibson era una feliz joven australiana. Vivía en Perth y le encantaba andar en patineta. Pero en 2009, Belle descubrió que tenía un tumor cerebral y cuatro meses de vida. Dos meses de quimioterapia y radioterapia no dieron resultado. Pero Belle estaba decidida. Había sido una luchadora toda la vida. Desde los seis años cocinaba para su hermano, que tenía autismo, y para su mamá, que tenía esclerosis múltiple. Su padre no estaba en la ecuación. Así que Belle luchó: se ejercitó, hizo meditación y cambió la carne por frutas y vegetales. Y se recuperó totalmente.
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.
La historia de Belle se hizo viral. Se compartió en Twitter, en blogs y llegó a millones de personas. Mostraba los beneficios de reemplazar la medicina tradicional por dieta y ejercicios. En agosto del 2013, Belle lanzó la aplicación sobre alimentación saludable: the Whole Pantry, que fue descargada unas 200 000 veces durante el primer mes.
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.
Pero la historia de Belle era mentira. Belle nunca tuvo cáncer. La gente compartió su historia sin corroborar si era verdadera. Esto es un ejemplo típico del 'sesgo de confirmación'. Aceptamos una historia sin pensar demasiado, si esta confirma lo que quisiéramos que fuera verdad. Y rechazamos toda historia que la contradiga. ¿Qué tan a menudo sucede esto con las historias que compartimos y con las que ignoramos? En el área de la política, los negocios y la salud.
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?
La nueva palabra del diccionario Oxford en el 2016 fue "posverdad". Y la aceptación de que actualmente vivimos en un mundo posverdad ha provocado una gran necesidad de corroborar los hechos. Pero lo importante de mi presentación es que simplemente corroborar los hechos no es suficiente. Incluso si la historia de Belle fuera verdadera, sería igualmente irrelevante. ¿Por qué?
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.
Veamos una de las técnicas más importantes de la estadística. Se denomina inferencia bayesiana. Y su versión más simple es la siguiente: Nos preocupamos por: "¿La información respalda la teoría? ¿La información aumenta nuestra creencia de que la teoría es verdadera?" En cambio, nos preguntamos: "¿Es la información consistente con la teoría?" Ser consistente con la teoría no significa que la información respalde la teoría. ¿Por qué? Debido a un tercer factor crucial pero olvidado: la información también podría ser consistente con teorías opuestas. Pero a causa del sesgo de confirmación nunca consideramos las teorías opuestas, por proteger nuestra teoría personal.
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.
Consideremos esto en relación a la historia de Belle. Nos preocupamos por: "La historia de Belle ¿respalda la teoría de que las dietas curan el cáncer?" En cambio, terminamos preguntándonos: "La historia de Belle ¿es consistente con que las dietas curan el cáncer?" La respuesta es sí. Si las dietas curaran el cáncer veríamos historias como la de Belle. Pero incluso si las dietas no curaran el cáncer veríamos historias como la de Belle. Una única historia en la que un paciente, aparentemente, se cura solo por haber sido mal diagnosticado. De forma similar, incluso si fumar es malo para la salud, aun así veríamos la historia de un fumador que vivió hasta los 100 años.
(Laughter)
(Risas)
Just like, even if education was good for your income, you'd still see one multimillionaire who didn't go to university.
De forma similar, si la educación es buena para el salario, aun así veríamos historias de algún multimillonario
(Laughter)
que no fue a la universidad.
(Risas)
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.
El principal problema con la historia de Belle no es que era falsa. Sino que es solamente una historia. Puede que haya miles de otras historias en las que la dieta no funcionó, pero no llegan a nosotros.
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.
Compartimos las historias atípicas porque son novedosas y, por ende, son noticia. Nunca compartimos los casos comunes. Son demasiado comunes, son lo que comúnmente sucede. Y ese es el verdadero 99 % que ignoramos. No deberían prestar atención solo al 1 % de las historias atípicas e ignorar el 99 % de las historias más frecuentes.
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.
Porque ese es el segundo ejemplo del sesgo de confirmación: aceptamos un hecho como información. El principal problema no es que vivamos en un mundo posverdad, sino que vivimos en un mundo posinformación. Preferimos una única historia, antes que toneladas de información. Las historias son poderosas, son vívidas, cobran vida. Se aconseja comenzar cada charla con una historia. Yo lo hice. Pero una única historia es absurda y engañosa a menos que sea respaldada por información a gran escala. Incluso si tenemos información a gran escala, puede que todavía no sea suficiente. Porque aún podría ser consistente con teóricas opuestas. Lo explicaré:
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.
Un estudio conocido, realizado por el psicólogo Peter Wason, presenta un grupo de tres números y pide determinar la regla que los generó. Entonces, si tenemos 2, 4 y 6, ¿cuál es la regla? La mayoría de la gente determinaría que se trata de números pares sucesivos. ¿Cómo se pondría a prueba? Se propone otro grupo de números pares sucesivos: 4, 6 y 8 o 12, 14 y 16. Y, según Peter, este segundo grupo también cumple la regla. Pero saber que este grupo también cumple la regla, que quizá cientos de grupos de números sucesivos cumplan la regla, no nos indica nada. Porque aún es consistente con teorías opuestas. Quizá la regla sea "cualquier grupo de 3 números pares". O "cualquier grupo de 3 números crecientes".
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.
Y ése es el tercer ejemplo del sesgo de confirmación: aceptar información como evidencia, incluso si es consistente con teorías opuestas. La información es un conjunto de hechos. La evidencia es información que respalda una teoría y descarta las demás. Por lo que la mejor forma de respaldar tu teoría es, de hecho, intentar refutarla, hacer de abogado del diablo. Pongan a prueba algo como 4, 12 y 26. Si la respuesta es 'sí', su teoría de números pares sucesivos sería refutada. Sin embargo, esta prueba es importante, porque si la respuesta es 'no', descartarían "cualquier grupo de 3 números pares" y "cualquier grupo de 3 números crecientes". Se descartarían las teorías opuestas, pero no la suya. Pero la mayoría de la gente teme poner a prueba algo como 4, 12 y 26, porque no quieren obtener un 'sí' y confirmar que su teoría no es verdadera. El sesgo de confirmación no solo refiere a no querer buscar nueva información, también refiere a la interpretación errónea de la información que se recibe.
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.
Esto se aplica fuera del laboratorio, a problemas importantes del mundo real. Thomas Edison dijo una vez: "No he fracasado, sino que he encontrado 10 000 formas en que eso no funciona". Admitir que estás equivocado es la única forma de descubrir qué es lo verdadero.
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.
Supongamos que eres el director del ingreso a la universidad y tu teoría es que únicamente a los alumnos con notas altas y de familias ricas les va bien. Limitas el ingreso a ese tipo de estudiantes y les va bien. Pero eso también es consistente con la teoría opuesta. Quizá a todos los estudiantes con buenas notas les va bien, ricos y pobres. Pero nunca pones a prueba esa teoría por no permitir el ingreso a alumnos pobres porque no quieres que se pruebe que estás equivocado.
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?
Entonces, ¿qué hemos aprendido? Una historia no constituye un hecho, ya que puede no ser verdadera. Un hecho no constituye información, ya que puede no ser representativo, si es un hecho atípico. Y la información no es evidencia, ya que puede no estar fundamentada si es consistente con teorías opuestas. Entonces, ¿qué hacer? Cuando atraviesan un momento importante en la vida, al decidir una estrategia para su negocio, cómo criar a sus hijos, o cómo mantener una buena salud, ¿cómo asegurarse de que no se están guiando por una historia sino por la evidencia?
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.
Permítanme darles tres pistas. En primer lugar: busquen otras opiniones. Lean y escuchen a gente con la que no estén de acuerdo en lo absoluto. 90 % de lo que ellos dicen será errado, según su postura personal. Pero ¿y si el 10 % es verdadero? Como dijo Aristóteles: "La característica de un hombre educado es la habilidad de considerar una idea, sin necesariamente aceptarla". Rodéense de gente que los motive y creen un ambiente que incentive el disenso. Algunos bancos padecieron el pensamiento de grupo, en el que los trabajadores tenían miedo de cuestionar las decisiones de la administración respecto a los préstamos, y esto contribuyó a la crisis financiera. En las reuniones, designen a alguien para que haga de defensor del diablo contra sus ideas personales. Y no es simplemente escuchar otras opiniones, hay que prestarles atención.
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.
Como el psicólogo Stephen Covey dijo: "Escucha con la intención de entender, no con la intención de responder". Un punto de vista contrario es algo de lo que puede aprenderse, no solamente discutirse. Esto nos lleva a otro factor olvidado de la inferencia bayesiana. La información te permite aprender, pero el aprendizaje es relativo a un punto de inicio. Si comienzan con total certeza de que su teoría personal debe ser verdadera, entonces su opinión no cambiará, independientemente de la información que encuentren.
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.
Solamente si están en verdad abiertos a la posibilidad de estar equivocados, podrán aprender. Como León Tolstói escribió: "Los temas más difíciles pueden explicársele al hombre más torpe si él no se ha formado todavía ninguna idea de ellos; pero ni aun lo más sencillo puede aclarársele al hombre más inteligente si él está firmemente convencido de que ya conoce todo". Segunda pista: escuchen a los expertos. Puede que este sea el consejo menos popular para dar.
(Laughter)
(Risas)
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 --
El político británico Michael Gove dijo que la gente en este país ya había escuchado suficiente a los expertos. Una encuesta reciente muestra que la gente confiaría más en sus peluqueros,
(Laughter)
(Risas)
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.
o en algún desconocido en la calle que en los líderes de industria, de la salud o, incluso, de entidades benéficas. Respetamos la fórmula de blanqueamiento dental descubierta por una mamá, escuchamos la opinión de una actriz respecto a la vacunación. Nos gusta la gente que explica en términos sencillos, les hacemos casos, y los llamamos 'auténticos'. Pero la intuición no es suficiente. La intuición sugería no dar agua a un bebé con diarrea, porque simplemente la expulsaría. El conocimiento experto indica lo contrario. Nunca le confiarían al extraño de la calle su cirugía. Querrían un experto, que ha pasado años realizando cirugías y conoce las mejores técnicas. Y debería ser así con todas sus decisiones. La política, los negocios, la salud requieren conocimiento experto, al igual que una cirugía.
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.
Entonces, ¿por qué desconfiamos tanto de los expertos? Una razón es que no se los considera involucrados: Un CEO millonario seguramente no sabe nada del hombre promedio. Pero el verdadero conocimiento experto se basa en la evidencia. Y la evidencia protege al hombre promedio de la élite. Porque la evidencia los obliga a corroborarla. La evidencia evita que la élite pueda imponerles sus ideas sin tener pruebas.
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.
Una segunda razón por la que no se confía en los expertos es que distintos expertos dicen cosas distintas. Por cada experto que afirmaba que dejar la UE sería malo para Gran Bretaña, aparecía otro que afirmaba que sería algo bueno. La mitad de estos supuestos expertos va a estar equivocado. Y debo admitir que la mayoría de los artículos escritos por expertos están equivocados. O, en el mejor de los casos, hacen afirmaciones que la evidencia no respalda. Así que no podemos confiar ciegamente en los expertos.
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.
En noviembre de 2016, un estudio sobre el salario de los ejecutivos llegó a los titulares nacionales, a pesar de que ninguno de los medios que escribió sobre el estudio lo había leído. Ni siquiera estaba publicado. Simplemente confiaron en la palabra del autor, como pasó con Belle. Esto tampoco significa que podemos escoger cualquier estudio que respalde nuestras opiniones; eso sería un sesgo de confirmación. Tampoco significa que si siete estudios presentan A y tres estudios, B, entonces A debe ser verdadero. Lo que importa es la calidad y no la cantidad del conocimiento experto.
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
Entonces deberíamos hacer dos cosas: primero, examinar críticamente las credenciales de los autores. Así como examinarían críticamente las credenciales de un potencial cirujano. ¿Son verdaderos expertos en la materia? ¿O tienen otros intereses prefijados? Segundo: deberíamos prestar especial atención a los trabajos publicados en las revistas científicas más prestigiosas. Es verdad que a los científicos usualmente se los acusa de estar divorciados del mundo real. Pero esa separación les otorga años para dedicarse a sus estudios, para realmente llegar a resultados, descartar todas las teorías opuestas y para distinguir la correlación de la causalidad. Las revistas científicas tienen revisión de pares. Esto significa que cada artículo es rigurosamente escrutado
(Laughter)
(Risas)
by the world's leading minds. The better the journal, the higher the standard. The most elite journals reject 95 percent of papers.
por los expertos en el área. Las mejores revistas científicas tienen altos estándares. Las revistas élite rechazan el 95 % de los artículos.
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.
La evidencia científica no es todo. La experiencia en el mundo real también es crítica. Y la revisión de pares no es perfecta, se comenten errores. Pero es mejor confiar en algo revisado que en algo no revisado. Si nos limitamos a un estudio porque nos gustan sus resultados y no consideramos quién lo escribió o si fue revisado, hay una gran probabilidad de que ese estudio sea engañoso. Y quienes afirmemos ser expertos deberíamos reconocer las limitaciones de nuestros análisis. Es muy raro poder predecir o probar algo con absoluta certeza, y aun así es tan tentador hacer una afirmación desinformada. Es más sencillo así llegar a los titulares o a los 140 caracteres de Twitter. Pero incluso la evidencia puede no ser prueba suficiente. Puede no ser generalizable, quizá no pueda aplicarse a otros contextos. Entonces no afirmen "los que toman vino tinto viven más", cuando la evidencia sugiere solamente que existe una correlación entre el vino tinto y una vida más larga, y únicamente en personas que se ejercitan.
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.
Tercer pista: haz una pausa antes de compartir algo. El juramento hipocrático dice: "No lastimaré a nadie". Lo que compartimos es potencialmente contagioso, por lo que hay que ser muy cuidadosos con lo que divulgamos. Nuestro objetivo no debería ser conseguir 'me gusta' y retuits. Porque así solo compartimos el consenso, no cuestionamos la mentalidad de nadie. De esa forma solo compartimos lo que suena lindo, sin importar si está sustentado con evidencia.
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?
En vez de eso, deberíamos preguntarnos: Si es una historia, ¿es verdad? Si es verdad, ¿está sustentada con evidencia a gran escala? Si es así, ¿quién la escribió? ¿Cuáles son sus credenciales? ¿Está publicada? ¿Qué tan rigurosa es la revista científica? Y háganse la pregunta del millón: si la misma historia fuera escrita por los mismos autores, con las mismas credenciales, pero arribase a resultados diferentes, ¿aún estarían dispuestos a creerla y a compartirla?
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.
Abordar cualquier problema, ya sea un problema económico de una nación o un problema de salud de una persona, es difícil. Debemos asegurarnos de que tenemos la mejor evidencia para orientarnos. Solamente si es verdadero puede considerarse un hecho. Solamente si es representativo puede considerarse información. Solamente si está sustentado puede considerarse evidencia. Y solamente con evidencia podemos avanzar de un mundo posverdad a un mundo proverdad.
Thank you very much.
Muchas gracias.
(Applause)
(Aplausos)