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.
بل گیبسون یک جوان خوشحال استرالیایی بود. او در پرث زندگی میکرد و عاشق اسکیتسواری بود. اما در سال ۲۰۰۹ فهمید که تومور مغزی دارد و فقط چهار ماه دیگر زنده است. دو ماه شیمیدرمانی و رادیوگرافی هیچ اثری نداشت. اما بل مصمم بود. او در تمام زندگی یک مبارز بود. در شش سالگی مجبور بود برای برادرش که اوتیسم داشت و مادرش که اماس داشت غذا درست کند. پدرش اصلاً حضور نداشت. بنابراین بل با ورزش و مدیتیشن و با جایگزینی میوه و سبزیجات به جای گوشت جنگیدن را شروع کرد. و کاملاً بهبود یافت.
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.
داستان بل همه جا پخش شد. در موردش توییت و بلاگ شد و به گوش میلیونها نفر رسید. برمزایای پرهیز از درمان مرسوم و رو آوردن به رژیم غذایی و ورزش تأکید میشد. در آگوست ۲۰۱۳ بل یک اپلیکیشن سلامت غذایی راهاندازی کرد، به نام بوفه کامل، در ماه اول دویستهزار بار دانلود شد.
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.
اما داستان بل یک دروغ بود. بل اصلاً سرطان نداشت. افراد داستان او را بدون بررسی به اشتراک گذاشتند. این یک نمونه کلاسیک از تعصب تأیید شدن است. ما داستانی که اعتقادات ما را تأیید میکند بدون بررسی میپذیریم. و هر داستانی که اعتقاداتمان را نقض میکند رد میکنیم. چقدر این پدیده را در داستانهایی که به اشتراک میگذاریم و آنهایی که نادیده میگیریم مشاهده میکنیم؟ در سیاست، در کسب و کار و در توصیههای سلامت.
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?
لغت "post-truth" (پساحقیقت) در سال ۲۰۱۶ به لغتنامه آکسفورد اضافه شد. و دانستن اینکه اکنون داریم در یک دنیای پساحقیقت زندگی میکنیم به تمرکز بسیار بیشتر بر بررسی حقایق منجر شده است. لُب مطلب سخنرانی من این است که تنها بررسی حقایق کافی نیست. حتی اگر داستان بل راست بود، باز هم بیربط بود. چرا؟
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.
خب، بگذارید نگاهی به یکی از پایهای ترین فنون آمار بیندازیم. استنباط بیزی نام دارد. و یک بیان ساده از آن این است: برای ما مهم است که "آیا دادهها نظریه را تأیید میکند؟" آیا دادهها باور ما بر درست بودن نظریه را افزایش میدهد؟ اما به جای این ما میپرسیم: "آیا دادهها طبق نظریه هستند؟" اما مطابق نظریه بودن به این معنی نیست که دادهها نظریه را تأیید میکنند. چرا؟ بخاطر یک موضوع اساسی و فراموششده ثالث -- دادهها میتوانند مطابق نظریههای رقیب نیز باشند. اما به خاطر تعصب تأیید شدن ما هرگز نظریههای رقیب را در نظر نمیگیریم. چون به شدت محافظ تئوری خودمان هستیم.
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.
حالا، بیایید این موضوع را در مورد داستان بل ببینیم. خب، برای ما مهم است که: آیا داستان بل این تئوری را تأیید میکند که رژیم غذایی سرطان را درمان میکند؟ اما در عوض میپرسیم، "آیا داستان بل مطابق تئوری درمان سرطان با رژیم غذایی است؟" و پاسخ مثبت است. اگر رژیم غذایی سرطان را درمان کند داستانهای مشابه بل را خواهیم دید. اما حتی اگر رژیم غذایی سرطان را درمان نکند، ما همچنان شاهد داستانهای شبیه بل هستیم. یک تک داستان که ظاهراً در آن یک مریض پس از روش درمان غلط در وهله اول سپس خود را درمان کرده است. درست مثل این: حتی اگر دخانیات برای سلامتی مضر باشد، همچنان یک سیگاری را میبینید که بیش از صد سال عمر کرده است.
(Laughter)
(خنده)
Just like, even if education was good for your income, you'd still see one multimillionaire who didn't go to university.
درست مثل این: حتی اگر تحصیلات برای درآمد شما خوب است همچنان یک میلیونر وجود دارد که دانشگاه نرفته است.
(Laughter)
(خنده)
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.
پس بزرگترین ایراد داستان بل دروغ بودن آن نیست. بلکه این است که فقط یک واقعه است. ممکن است هزاران واقعه دیگری باشد که در آن رژیم غذایی جواب نداده است، اما هرگز در مورد آنها نمیشنویم.
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.
ما فقط موارد خاص را به اشتراک میگذاریم چون جدید هستند، و بنابراین خبر هستند. ما اصلاً موارد عادی را به اشتراک نمیگذاریم. چون خیلی معمولی هستند و اتفاقاتی هستند که بطور طبیعی رخ میدهند. و در این بین ۹۹ درصد موارد درست را نادیده میگیریم. درست مثل اینکه در اجتماع شما نمیتوانید فقط به حرف یک درصد یا موارد خاص گوش کنید، و ۹۹ درصد معمول را نادیده بگیرید.
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.
چون این نمونه دوم از تعصب تأیید شدن است. ما یک واقعه را بعنوان یک داده میپذیریم. بزرگترین مشکل این نیست که داریم در یک جهان پساحقیقت زندگی میکنیم؛ مشکل زندگی در یک جهان پساداده است. ما یک تک واقعه را به هزاران داده ترجیح میدهیم. داستانها قدرتمند هستند، روشن هستند و دارای حیات هستند. میگویند سخنرانی را با یک داستان شروع کن. من این کار را کردم. اما یک تک داستان بیمعنا و منحرفکننده است مگر اینکه توسط حجم زیادی از داده حمایت شود. اما حتی اگر حجم زیادی از داده داشته باشیم، ممکن است کافی نباشد. چون ممکن است همچنان مطابق نظریات رقیب هم باشند. بگذارید توضیح دهم.
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.
یک مطالعه کلاسیک توسط روانشناس پیتر ویسون به شما سه عدد میگوید و از شما میپرسد این اعداد طبق چه منطقی تولید شدهاند. خب اگر به شما، دو، چها و شش را بدهند، چه منطقی برقرار است؟ خب اکثر افراد فکر میکنند این توالی اعداد زوج است. چطور آزمایشش میکنید؟ خب، دستههای دیگری از اعداد زوج به شما عرضه میشود: ۴، ۶، ۸ یا ۱۲، ۱۴، ۱۶. و پیتر میگوید این دستهها هم از منطق پیروی میکنند. اما دانستن اینکه این دستهها تابع منطق هستند، شاید دانستن صدها دسته اعداد زوج که تابع منطق ما هستند، به شما هیچ چیز نمیگوید. چون این بر تئوریهای رقیب هم مطابقت میکند. شاید منطق هر گونه سه عدد زوج باشد. یا هر سه عدد در حال افزایش.
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.
و این است نمونه سوم از تعصب تأیید شدن: پذیرش دادهها به عنوان شاهد، حتی اگر مطابق نظریههای رقیب هم باشند. دادهها فقط مجموعهای از حقایق هستند. شاهد دادهایست که یک تئوری را حمایت و دیگر تئوریها را رد میکند. پس بهترین راه برای حمایت از تئوری خود این است که تلاش کنید آن را رد کنید و نقش یک وکیل مدافع شیطان را بازی کنید. بنابراین چیزی مثل ۴، ۱۲، ۲۶ را امتحان کنید. اگر پاسخ مثبت باشد تئوری شما مبنی بر توالی اعداد زوج رد میشود. این آزمایش قدرتمند است، چون اگر پاسخ منفی باشد، تئوری "هر گونه سه عدد زوج" و "هر سه عدد در حال افزایش" رد میشوند. تئوریهای دیگر را رد میکند اما تئوری شما را خیر. اما اکثر افراد از آزمایش ۴، ۱۲، ۲۶ به شدت میترسند، چون نمیخواهند با کسب جواب مثبت، تئوری خودشان رد شود. تعصب تأیید نه تنها باعث انصراف از جستجوی دادههای جدید میشود، بلکه هنگام دریافت دادهها موجب سوء تفسیر میشود.
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.
و این رویکرد در خارج از آزمایشگاه و در قبال مسائل واقعی جهان اتخاذ میشود. به راستی، توماس ادیسون جمله معروفی داشت، "من هرگز شکست نخوردهام، فقط ده هزار راهی را یافتهام که عمل نمیکند." دانستن اینکه دارید اشتباه میکنید تنها راه یافتن پاسخ درست است.
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.
فرض کنید شما مدیر پذیرش دانشگاه هستید و تئوری شما این است که فقط دانشجویان با نمرههای خوب از خانوادههای ثروتمند به درد میخورند. پس شما فقط چنین دانشجویانی را میپذیرید. و آنها خوب عمل میکنند. اما این با تئوری رقیب هم منطبق است. شاید همه دانشجویان با نمره خوب به درد میخورند، چه ثروتمند چه فقیر. اما شما هرگزاین تئوری را آزمایش نکردهاید چون هرگز دانشجویان فقیر را پذیرش نکردهاید. چون دوست ندارید اشتباهتان ثابت شود.
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?
خب چه یاد گرفتهایم؟ یک داستان یک حقیقت نیست چون ممکن است راست نباشد. حقیقت، داده نیست، اگر فقط یک داده خاص باشد قابل پذیرش نیست. و داده، شاهد نیست -- اگر بر تئوریهای رقیب هم منطبق باشد حامی تئوری ما نیست. پس چه کار میکنید؟ وقتی در نقطه عطف زندگی خود قرار دارید، برای تصمیمگیری در مورد استراتژی کسب و کارتان، فن تربیت کودکتان یا یک رژیم برای سلامتیتان، چطور مطمئن میشوید که شما یک داستان ندارید بلکه یک شاهد دارید؟
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.
بگذارید سه نکته عرض کنم. اولاً فعالانه دیگر دیدگاهها را جستجو کنید. نظر افرادی که بوضوح با شما مخالف هستند را بخوانید و بشنوید. نود درصد چیزی که میگویند ممکن است از نگاه شما غلط باشد. اما اگر ده درصد درست باشد چه؟ به قول ارسطو، "علامت یک فرد باسواد این است که میتواند از یک تفکر لذت ببرد گرچه لزوماً آن را نپذیرفته باشد." اطراف خود را با افرادی که شما را به چالش میکشانند پر کنید، و فرهنگی را خلق کنید که فعالانه مخالفت را تشویق میکند. برخی بانکها از گروه همفکران رنج میبرند، وقتیکه کارمندان به شدت میترسندکه تصمیمات وامدهی مدیریت را به چالش بکشند، و در بحرانهای مالی مشارکت کنند. در یک جلسه، یک نفر را به عنوان وکیل مدافع شیطان علیه ایده خودتان تعیین کنید. و نه تنها نظر مخالف را بشنوید -- بلکه به خوبی به آن گوش دهید.
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.
استفان کوی بعنوان یک روانشناس میگوید، "به قصد فهمیدن گوش کنید، نه به هدف جواب دادن." یک دیدگاه مخالف برای یاد گرفتن است نه برای مبارزه علیه آن. که ما را به بخش فراموش شده سوم استنباط بیزی میرساند. چون دادهها به شما امکان یادگیری میدهند، ولی یادگیری فقط به نقطه شروع ارتباط دارد. اگر با اطمینان کامل از درستی تئوری خودتان آغاز کنید، دیدگاه شما تغییر نخواهد کرد -- صرف نظر از اینکه با چه دادههایی مواجه میشوید.
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.
تنها در صورتی که واقعاً احتمال اشتباه خود را بدهید میتوانید یاد بگیرید. همانگونه که لئو تولستوی مینویسد، "سختترین مفاهیم میتواند برای کندذهنترین انسان توضیح داده شود اگر وی از قبل باوری تشیکل نداده باشد. اما سادهترین چیز را نمیتوان برای باهوشترین انسان روشن کرد در صورتی که وی از پیش معتقد باشد که میداند." نکته دوم این است: "به متخصصین گوش بده." حالا، این شاید ناخوشایندترین نصیحتی باشد که میتوانم به شما بکنم.
(Laughter)
(خنده)
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 --
سیاستمدار انگلیسی مایکل گو جمله مشهوری دارد: مردم این کشور به اندازه کافی از متخصصان کشیدهاند. یک نظرسنجی اخیر نشان داد که اکثر افراد به آرایشگرشان --
(Laughter)
(خنده)
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.
یا یک شخص در خیابان بیش از رهبران کسب و کار، خدمات درمانی و حتی خیریهها اعتماد دارند. برای همین به یک فرمول سفیدکننده دندان توسط مادر احترام میگذاریم، یا به دیدگاه یک بازیگر در مورد واکسیناسیون گوش میکنیم. ما هر چرندی که توسط افراد گفته شود را دوست داریم و آن گفتهها را معتبر مینامیم. ولی چرندیات میتواند شما را منحرف کند. چرندیات به شما میگوید به یک بچه دارای اسهال آب ندهید، چون از سمت دیگر خارج میشود. اما متخصصین به شما چیز دیگری میگویند. شما هیچوقت جراح خود را با یک شخص معمولی در خیابان عوض نمیکنید. شما خواستار متخصصی هستید که سالها جراحی کرده و بهترین فنون را میداند. اما این قضیه باید در همه موضوعات اعمال شود. سیاست، کسب و کار و سلامت مثل جراحی به تخصص نیاز دارند.
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.
خب پس چرا افراد اینقدر به متخصصین بیاعتماد هستند؟ خب یک دلیل این است که این متخصصین در دسترس نیستند. یک مدیرعامل میلیونر قاعدتاً نمیتواند با یک فرد معمولی در خیابان صحبت کند. اما تخصص واقعی با شواهد یافت میشود. و شواهد در دفاع از افراد معمولی و علیه متخصصین قرار دارد. چون شواهد شما را مجبور به پذیرش میکند. شواهد از عرضه شدن دیدگاه متخصصین بدون اثبات جلوگیری میکند.
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.
دلیل دومی که به متخصصین اعتماد نمیشود این است که متخصصین مختلف چیزهای متفاوتی میگویند. یک متخصص میگوید خروج از اتحادیه اروپا برای انگلیس بد است، یکی دیگر میگوید خوب است. نصف این به اصطلاح متخصصین اشتباه میکنند. و باید بپذیرم که بیشتر مقالات نوشته شده توسط متخصصین اشتباه هستند. یا در بهترین حالت، ادعا میشود که شواهد این موضوع را تأیید نمیکنند. پس نمیتوانیم به این سادگی عنوان متخصص را برای آن به کار ببریم.
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.
در نوامبر ۲۰۱۶ یک تحقیق در مورد حق اجرا به صدر رسانهها آمد. اگر چه هیچ یک از روزنامههایی که این مطالعه را پوشش دادند حتی این تحقیق را ندیده بودند. هنوز حتی منتشر نشده بود. آنها فقط حرف نویسنده را قبول کردند، درست مثل قضیه بل. قرار نیست که ما هر تحقیقی را که بر حسب اتفاق باور ما را تأییید میکند، انتخاب کنیم -- این هم یک تعصب تأیید است. قرار نیست اگر هفت تحقیق نتیجه الف را بدهد و سه تحقیق نتیجه ب پس نتیجه الف درست باشد. آنچه مهم است کیفیت است نه کمیت در یک حوزه تخصص.
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
پس باید دو کار بکنیم. اولاً باید منتقدانه میزان اعتبار نویسندگان را بسنجیم. همانگونه که میزان اعتبار یک جراح را میسنجید. آیا واقعاً در موضوع مورد نظر متخصص هستند، یا اینکه منافع خاصی را دنبال میکنند؟ دوماً باید به مقالات چاپ شده در مجلات علمی معتبر توجه ویژه داشته باشیم. حالا، معمولاً افراد دانشگاهی به این متهم میشوند که از دنیای واقعی فاصله دارند. اما این فاصله، فرصت صرف کردن چندین سال در یک زمینه علمی برای حصول یک نتیجه خاص را در اختیار گذاشته تا آن نظریات رقیب را خلق کنند و علیت را از مغالطه تمیز دهند. و مجلات علمی بررسی دقیقی انجام میدهند و یک مقاله به دقت موشکافی میشود
(Laughter)
(خنده)
by the world's leading minds. The better the journal, the higher the standard. The most elite journals reject 95 percent of papers.
و این کار توسط اذهان پیشرو جهانی انجام میشود. هر چه مجله بهتر باشد سطح استانداردها بالاتر است. برترین مجلات علمی ۹۵ درصد مقالات را رد میکنند.
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.
البته، شواهد علمی همه چیز نیست. تجربیات جهان واقعی هم حیاتی است. و بررسی دقیق کامل نیست و اشتباهات رخ میدهد. اما بهتر است با چیزی که بررسی شده ادامه دهیم تا چیزی که بررسی نشده است. اگر به یک تحقیق بچسبیم چون یافتههای آن را دوست داریم، بدون اینکه ببینیم توسط چه کسی یا اینکه اصلا بازبینی شده است، احتمال زیادی وجود دارد که این تحقیق گمراهکننده باشد. و آنهایی از ما که ادعای تخصص دارند باید محدودیتهای آنالیزهای ما را درک کنند. امکان اثبات قطعی یک موضوع خیلی سخت است، اما اظهار یک ادعای فریبنده و فاقد صلاحیت خیلی وسوسهانگیز است. به صدر رسانهها آمدن و از زبان ۱۴۰ شخصیت معروف توییت شدن سادهتر است. اما شواهد هم ممکن است به معنی اثبات نباشد. شاید جهانی نباشند یا در مورد هر چیزی صدق نکنند. پس نگویید، "شراب قرمز موجب افزایش طول عمر میشود،" وقتی تنها شاهدی که دارید این است که طول عمر افرادی که شراب قرمز میخورند بیشتر است ولی فقط آنهایی که خوب ورزش میکنند.
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.
نکته سوم "توقف قبل از به اشتراکگذاری هر چیزی" است. سوگند بقراط میگوید، "اولاً هیچ آسیبی نزنید." چیزی که به اشتراک میگذاریم بطور بالقوه مسری است، پس کاملاً دقت کنید که چه به اشتراک میگذارید. هدف ما نباید دریافت لایک یا ریتوییت باشد. در این صورت ما فقط چیزهایی که همه دوست دارند را به اشتراک میگذاریم و اصلاً تفکر کسی را به چالش نمیکشیم و فقط چیزهای ظاهراً خوب را فارغ از اینکه آیا یک شاهد است به اشتراک میگذاریم؛
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?
در عوض باید اینها را بپرسیم: اگر یک داستان است آیا واقعی است؟ اگر واقعی است آیا با حجم زیادی از شواهد پشتیبانی میشود؟ اگر بله توسط چه کسانی و با چه اعتباری؟ آیا چاپ شده؟ درجه اعتبار مجله علمی چقدر است؟ و از خودتان سوال میلیون دلاری را بپرسید: اگر مطالعه مشابهی توسط نویسندگان مشابه با درجه اعتبار مشابه نوشته شده اما نتایج متضاد گزارش شده باشد، آیا باز هم آن را باور کرده و به اشتراک میگذارید؟
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.
با همه مسائل همین کار را بکنید -- یک مسئله اقتصادی ملی یا مسئله سلامت یک فرد مشکل است. پس مجبوریم برای راهنمایی، بهترین شاهد را بپذیریم. فقط اگر راست باشد میتواند یک حقیقت باشد. فقط اگر یک داده خاص نباشد قابل پذیرش است. فقط اگر قابل پشتیبانی علمی باشد یک شاهد است. و تنها با شواهد میتوانیم از این دنیای پساحقیقت به سوی دنیای حقیقت واقعی حرکت کنیم.
Thank you very much.
خیلی متشکرم.
(Applause)
(تشویق)