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.
בל גיבסון הייתה אוסטרלית צעירה ושמחה. היא גרה בפרת' ואהבה לגלוש בסקייטבורד. אבל ב-2009, גילתה שיש לה סרטן המוח ונותרו לה 4 חודשים לחיות. חודשיים של כימותרפיה והקרנות לא עזרו. אבל בל הייתה נחושה בדעתה. היא הייתה לוחמת מאז ומתמיד. מגיל שש היא בישלה עבור אחיה האוטיסט, ואימה שחולה בטרשת נפוצה. אבא שלה לא היה בתמונה כל חייה. אז בל נלחמה, בעזרת פעילות גופנית ומדיטציה הפסיקה לאכול בשר, אכלה רק פירות וירקות. והיא החלימה.
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.
הסיפור של בל התפשט ברשת כמו אש בשדה קוצים. הוא סופר שוב ושוב בטוויטר ובבלוגים והגיע למיליוני אנשים. הוא הציג את היתרונות שבזניחת הרפואה המסורתית עבור תזונה נכונה ופעילות גופנית. באוגוסט 2013, בל השיקה אפליקציה לתזונה נכונה, המזווה השלם, שהורדה ע"י 200,000 משתמשים בחודש הראשון.
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.
אבל הסיפור של בל היה שקר. בל מעולם לא חלתה בסרטן. אנשים שיתפו את הסיפור שלה, בלי לבדוק בכלל אם הוא אמיתי. זו דוגמא קלאסית, להטיית אישוש. אנחנו מאמינים לסיפור אם הוא מתאים למה שאנחנו מאמינים בו. ואנחנו דוחים כל סיפור שסותר אותו. באיזו תדירות אנחנו רואים זאת בסיפורים שאנחנו משתפים ובאלה שאנחנו מתעלמים מהם? בפוליטיקה, בעסקים, בעצות בנושא בריאות.
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?
המילה הנבחרת של מילון אוקספורד עבור 2016 הייתה "פוסט-אמת". וההכרה בכך, שהעולם שבו אנו חיים כיום הוא עולם של פוסט-אמת, הובילה להכרה נחוצה ביותר בחשיבות של בדיקת עובדות. אבל שורת המחץ של השיחה שלי, היא שבדיקה של העובדות אינה מספיקה. אפילו אם הסיפור של בל היה אמיתי, הוא היה לא רלוונטי באותה מידה. למה?
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.
ובכן, בואו נסתכל על אחת השיטות הבסיסיות ביותר בסטטיסטיקה. היא נקראת הסקה בייסיאנית. הגרסה המופשטת היא זאת: אכפת לנו "האם הנתונים תומכים בתיאוריה?" האם הנתונים מחזקים את אמונתנו שהתיאוריה נכונה? במקום זאת, אנחנו שואלים "האם הנתונים מתאימים לתיאוריה?" אבל גם אם הם מתאימים לתיאוריה, לא אומר שהנתונים תומכים בתיאוריה. למה? בגלל עובדה מכריעה שלישית שאנחנו נוטים לשכוח - אותם נתונים יכולים לתמוך גם בתיאוריות מתחרות. בגלל הטיית האישוש, אנחנו אף פעם לא חושבים על התיאוריות האחרות, כי אנחנו כל כך מגוננים כלפי התיאוריה שלנו.
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.
בואו נבחן את זה עבור הסיפור של בל. מה שאכפת לנו ממנו: האם הסיפור של בל תומך בתיאוריה שתזונה נכונה יכולה לרפא סרטן? אבל במקום זה, אנחנו שואלים, "האם הסיפור של בל תומך בהנחה שתזונה יכולה לרפא סרטן?" והתשובה היא כן. אם תזונה הייתה יכולה לרפא סרטן, היינו רואים סיפורים כמו של בל. אבל אפילו אם תזונה לא יכולה לרפא סרטן, עדיין היינו רואים סיפורים כמו של בל. סיפורים בודדים שבהם נראה שחולה מתרפא ללא עזרה רפואית, רק בגלל שהוא אובחן לא נכון מלכתחילה. בדיוק כמו שאפילו אם עישון מזיק לבריאות, עדיין תוכלו למצוא מעשן אחד שחי עד גיל 100.
(Laughter)
(צחוק)
Just like, even if education was good for your income, you'd still see one multimillionaire who didn't go to university.
בדיוק כמו שאפילו אם חינוך טוב הוא אינדיקציה להצלחה כלכלית, עדיין תוכלו למצוא מיליונר אחד שלא הלך לאוניברסיטה.
(Laughter)
(צחוק)
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.
אז הבעיה הגדולה ביותר עם הסיפור של בל היא לא, שהוא היה שקר. הבעיה היא שזה רק סיפור אחד. יכולים להיות אלפי סיפורים אחרים, שבהם שינוי התזונה לא הועיל. אבל לעולם לא נשמע עליהם.
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.
אנחנו משתפים את המקרים הקיצוניים, כי הם חדשים, ולכן הם חדשות. אנחנו אף פעם לא משתפים את המקרים הרגילים. הם רגילים מדי, הם מה שבדרך כלל קורה. ואלו ה-99% האמיתיים שמהם אנחנו מתעלמים. בדיוק כמו שבחברה, אי אפשר להקשיב רק לאחוז אחד, לחריג, ולהתעלם מ-99% האחרים, הרגילים.
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.
כי זו הדוגמה השנייה להטיית האישוש. אנחנו מתייחס לעובדה כאל מידע. הבעיה הגדולה ביותר אינה שאנחנו חיים בעולם של פוסט-אמת; הבעיה היא שאנחנו חיים בעולם של פוסט-נתונים. אנחנו מעדיפים סיפור בודד על פני טונות של נתונים. לסיפורים יש כוח, הם חיים, הם מפיחים חיים בעובדות. אומרים שצריך לפתוח כל הרצאה בסיפור. זה מה שאני עשיתי. אבל סיפור אחד הוא חסר משמעות ומטעה כל עוד הוא אינו מגובה במידע בקנה מידה גדול. ואפילו אם יש לנו מידע בקנה מידה גדול, זה עלול עדיין לא להספיק. כי המידע עדיין יכול להתיישב עם תיאוריות מתחרות. אני אסביר.
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.
במחקר קלאסי שנערך על ידי הפסיכולוג פיטר ווסון נותנים לנחקר רצף של שלושה מספרים ומבקשים ממנו לחשוב על הכלל שיצר את הרצף. אז אם קיבלת 2, 4, 6 מה הכלל? רוב האנשים יחשבו שהכלל הוא מספרים זוגיים עוקבים. איך תבדקו אם זה נכון? תציעו רצפים אחרים של מספרים זוגיים עוקבים: 4, 6, 8 או 12, 14, 16. ופיטר יענה שגם הרצפים הללו טובים, אבל הידיעה שהרצפים הללו עונים על הכלל, ושייתכן שמאות רצפים של מספרים זוגיים עוקבים עונים על הכלל, לא אומרת כלום. כי המידע הזה עדיין מתיישב עם תיאוריות מתחרות. אולי הכלל הוא 'כל שלושה מספרים זוגיים'. או כל רצף עולה של מספרים.
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.
וזוהי הדוגמה השלישית של הטיית האישור: הנטייה לקבל מידע כראיה, גם אם הוא מתיישב עם תיאוריות מתחרות. מידע הוא רק אוסף של עובדות. ראיה היא מידע שתומך בתיאוריה אחת ופוסל את המתחרות. ולכן הדרך הטובה ביותר לאשש את התיאוריה שלכם היא לנסות להפריך אותה, לשחק את פרקליטו של השטן. נסו משהו כמו 4, 12, 26. אם קיבלתם תשובה חיובית, היא תפריך את התיאוריה שלכם לגבי מספרים זוגיים עוקבים. אבל הכוח האמיתי של הבדיקה הזו, הוא בכך שאם התשובה שלילית, היא שוללת את "כל שלושה מספרים זוגיים" ואת "כל רצף עולה של מספרים." היא תשלול את התיאוריות המתחרות אבל לא את התיאוריה שלכם. אבל רוב האנשים פוחדים מכדי לנסות את 4, 12, 26, כי הם לא רוצים לקבל תשובה חיובית ולהוכיח שהתיאוריה שלהם לא נכונה. הטיית האישור אינה נובעת רק מכך שלא מחפשים אחר מידע נוסף, היא נובעת גם מפירוש מוטעה של המידע שאנחנו מקבלים.
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.
וזה נכון גם מחוץ למעבדה, בחיים האמיתיים שלנו. ציטוט מפורסם של תומאס אדיסון אומר, "לא נכשלתי, הצלחתי למצוא 10,000 דרכים שלא עובדות." הגילוי שאתה טועה הוא הדרך היחיד למצוא את מה שנכון.
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.
נגיד שאתם אחראים על הקבלה לאוניברסיטה ואתם חושבים שרק סטודנטים עם ציונים טובים ממשפחות עשירות, יצליחו בלימודים. אז אתם מקבלים רק סטודנטים כאלו. והם מצליחים בלימודים. אבל זה גם מתיישב עם דעות מתחרות. אולי כל הסטודנטים שיש להם ציונים טובים יצליחו בלימודים, בלי קשר לעושר או עוני. אבל אתם לעולם לא בודקים את התיאוריה הזו, כי אתם לא מקבלים סטודנטים עניים. כי אתם לא רוצים להוכיח שאתם טועים.
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?
אז, מה למדנו? סיפור אינו עובדה, כי הוא עלול להיות שקר. עובדה אחת אינה מידע, אולי היא אינה מייצגת את הכלל אם היא עובדה בודדת. ומידע אינו ראיה -- הוא לא תומך בתיאוריה שלכם, אם הוא בו-זמנית מתיישב עם תיאוריות מתחרות. אז, מה תעשו? כשאתם בנקודות צומת בחייכם, מחליטים על אסטרטגיה חדשה לעסק שלכם, סגנון הורות לילד שלכם, או משטר בריאות חדש, איך תוודאו שאתם מסתמכים על ראיות ולא על סיפור?
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.
אתן לכם שלוש עצות. הראשונה היא תמיד לחפש נקודות מבט אחרות. קראו והאזינו לאנשים שאתם ממש לא מסכימים איתם. 90% ממה שהם אומרים עלול להיות שגוי, לדעתכם. אבל מה אם 10% הם דברי טעם? כמו שאמר אריסטו, "הסימן לאדם משכיל הוא היכולת לחשוב לעומק על דעה בלי לקבל אותה." הקיפו את עצמכם באנשים שמאתגרים אתכם, וצרו תרבות שמעודדת מחלוקות. כמה בנקים סבלו מתמימות דעים, העובדים שלהם פחדו לחלוק על ההוראות שהונחתו מלמעלה, שתרמו למשבר הכלכלי. בכל פגישה, מנו מישהו להיות פרקליטו של השטן שיתנגד לרעיונות שלכם. ואל תסתפקו בשמיעת דעות מנוגדות. האזינו להן היטב.
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.
כמו שאמר הפסיכולוג סטיבן קובי, "הקשיבו במטרה להבין, לא במטרה לענות." דעה מנוגדת היא משהו שצריך ללמוד ממנו, לא להתווכח איתו. מה שמחזיר אותנו לעוד מושג נשכח בהסקה הבייסיאנית. כיוון שמידע מאפשר לכם ללמוד, אבל הלמידה היא יחסית לנקודת ההתחלה. אם התחלתם בוודאות מוחלטת שהתיאוריה שלכם נכונה, דעתכם לא תשתנה -- ולא משנה איזה מידע יוצג בפניכם.
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.
רק אם אתם באמת פתוחים לאפשרות שאתם טועים תוכלו ללמוד. כמו שכתב לב טולסטוי, "ניתן ללמד את הרעיונות המסובכים ביותר לאיש קשה-התפיסה ביותר כל עוד הוא לא גיבש דעה עליהם. אך הפשוטים שברעיונות לא יוכלו להיות נהירים אף לאדם החכם ביותר אם הוא משוכנע בדעתו שהוא כבר יודע." עצתי השנייה היא להקשיב למומחים. זו כנראה העצה הכי פחות פופולרית שיכולתי לתת לכם.
(Laughter)
(צחוק)
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 --
הפוליטיקאי הבריטי מייקל גוב מפורסם באמירתו שלאנשים במדינה הזו נמאס ממומחים. סקר שנערך לאחרונה הראה שיותר אנשים יאמינו לספר שלהם --
(Laughter)
(צחוק)
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.
או לאדם אקראי ברחוב מאשר למובילים בתחומי העסקים, הבריאות ואפילו לראשי ארגוני צדקה. אז אנחנו נותנים כבוד לנוסחת הלבנת שיניים שהתגלתה על ידי אמא, ומקשיבים לדעתה של שחקנית על חיסונים. אנחנו אוהבים אנשים שאומרים את האמת בפרצוף, שסומכים על תחושת הבטן שלהם, ואנחנו אומרים שהם אמיתיים, כנים. אבל עם אינטואיציה לא תגיעו רחוק. אינטואיציה תגיד לכם לא לתת מים לתינוק משלשל, כי הם יצאו ישר מהצד השני. המומחים יגידו ההפך. לא תבטחו באדם מהרחוב שינתח אתכם. בוודאי תרצו מומחה, מנתח בעל ניסיון של שנים שמכיר את הטכניקות הטובות ביותר. אבל הכלל הזה צריך להיות תקף לכל החלטה משמעותית שאתם עושים. בפוליטיקה, בעסקים, בבריאות יש צורך במומחים, בדיוק כמו בחדר הניתוח.
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.
אז, למה אנשים לא בוטחים במומחים? סיבה אחת היא שהם נראים מנותקים. מנכ"ל שמרוויח מיליונים לא יכול לדבר בשם האדם הפשוט ברחוב. אבל המומחיות האמיתית נמדדת על ידי ראיות. והראיות ניצבות לצד האדם הפשוט לא לצד האליטות. כי ראיות מכריחות אותך להוכיח. הראיות מונעות מהאליטות לכפות עליך את דעתן בלי הוכחה.
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.
סיבה נוספת לכך שאיננו בוטחים במומחים היא שמומחים שונים אומרים דברים שונים. על כל מומחה שטוען שעזיבת האיחוד האירופי תזיק לבריטניה, יש מומחה אחר שטוען שהמהלך יועיל לבריטניה. חצי מהמומחים הולכים לטעות. ואני חייב להודות שרוב המאמרים שנכתבים על ידי מומחים הם שגויים. או לכל הפחות, מסיקים מסקנות שאינן נתמכות על ידי הראיות המוצגות. אז אי אפשר להאמין למומחים רק כי הם מומחים.
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.
בנובמבר 2016 מחקר על שכר המנכ"לים עשה כותרות בכל הארץ. אפילו שאף אחד מהעיתונים שסיקרו את המחקר לא קראו אותו. הוא עוד לא פורסם אפילו. הם פשוט סמכו על מה שהמחבר סיפר להם, בדיוק כמו מה שקרה עם בל. זה לא אומר שאפשר פשוט לבחור איזה מחקר שנרצה שבמקרה תומך בדעתנו -- זה, שוב, חלק מהטיית האישור. זה גם לא אומר שאם שבעה מחקרים אומרים א' ושלושה אומרים ב', אז א' נכון. מה שמשנה הוא האיכות, ולא כמות המומחים.
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
אז עלינו לעשות שני דברים. ראשית, עלינו לבחון בעין ביקורתית את מידת הסמכות והמקצועיות של הכותבים. בדיוק כמו שתבדקו בדקדקנות את המקצועיות של מנתחים פוטנציאליים, האם הם באמת מומחים בתחום, או שיש להם אינטרס שמונע מהם להיות אובייקטיביים שנית, עלינו לתת תשומת לב מיוחדת למאמרים שפורסמו בכתבי עת אקדמיים מובילים. אנשי אקדמיה מואשמים לרוב בהיותם מנותקים מהעולם האמיתי. אבל הניתוק הזה מאפשר להם לבזבז שנים בעריכת מחקר אחד. לבחון לעומק את התוצאות, להפריך ביסודיות תיאוריות מתחרות, ולהבדיל בין מתאם לסיבה. בנוסף, בכתבי עת אקדמיים נערכת ביקורת עמיתים, בה המאמר נבדק בדקדקנות ובטרחנות
(Laughter)
(צחוק)
by the world's leading minds. The better the journal, the higher the standard. The most elite journals reject 95 percent of papers.
על ידי המוחות המובילים בעולם. ככל שכתב העת טוב יותר, הסטנדרטים שהוא מציב גבוהים יותר. כתבי העת הנחשבים ביותר דוחים 95% מהמאמרים שנשלחים אליהם.
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.
הוכחות אקדמיות אינן הכל. ידע מהעולם האמיתי חשוב גם הוא. וביקורת עמיתים אינה מושלמת, טעויות קורות. אבל עדיף לסמוך על משהו שנבדק מאשר על משהו שלא. אם נאחז במחקר בגלל שאנחנו אוהבים את המסקנות, בלי לבדוק מי הכותב והאם המידע בכלל אומת, יש סיכוי גדול שהמחקר מטעה. ואלו מאיתנו המתיימרים להיות מומחים צריכים להכיר במגבלות של יכולת הניתוח שלנו. לעיתים נדירות ביותר אפשר להוכיח או לנבא משהו בוודאות. אבל זה כל כך מפתה לצאת בהכרזה סוחפת שאינה מבוססת כראוי. קל יותר לכתוב זאת בכותרת, או בציוץ בן 140 תווים. אבל אפילו ראיות הן לא תמיד הוכחה. הן עלולות לא להיות כלליות מספיק, אולי אי אפשר להחיל אותן לכל מצב. אז אל תגידו, "יין אדום מאריך את החיים," כשהראיות אומרות רק שיש מתאם בין שתיית יין אדום לתוחלת חיים ארוכה. ורק אצל אנשים שמקפידים על התעמלות.
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.
עצה מס' שלוש, היא "עצרו לפני שאתם משתפים." שבועת היפוקרטס אומרת, "ראשית, אל תזיק," מה שאנחנו משתפים עלול להיות מידבק, אז היו זהירים במידע שאתם מפיצים. מטרתנו לא צריכה להיות לקבל לייקים או שיתופים. אחרת, נשתף רק את מה שכולנו מסכימים עליו, לא נאתגר את החשיבה של אחרים. אחרת, נשתף רק את מה שנשמע טוב, בלי לבדוק במה תומכות הראיות.
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?
במקום זאת, עלינו לשאול את עצמנו: אם זה סיפור, האם הוא אמת? אם זו אמת, האם היא מגובה בכמות מספקת של ראיות? אם יש מספיק ראיות, מי הכותב, מה ההסמכה שלו? האם זה פורסם, עד כמה כתב העת דקדקן? ושאלו את עצמכם את שאלת מיליון הדולר: אם אותו מאמר היה נכתב על ידי אותו כותב, עם אותה הסמכה אבל היה מוצא תוצאות הפוכות, האם עדיין הייתם מוכנים להאמין לתוצאות ולשתף אותן?
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.
לגשת לכל בעיה -- בעיה כלכלית של אומה שלמה או בעיה בריאותית של אדם אחד, זו משימה קשה. אז עלינו לוודא שאנחנו מונחים על ידי הראיות הטובות ביותר. רק אם זו אמת זו יכולה להיות עובדה. רק אם זה מייצג, זה יכול להיות מידע. רק אם זה תומך בתיאוריה זה יכול להוות ראיה. ורק בעזרת ראיות, נוכל לעבור מעולם של פוסט-אמת לעולם שתומך באמת.
Thank you very much.
תודה רבה לכם.
(Applause)
(מחיאות כפיים)