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 was een gelukkige jonge Australische. Ze woonde in Perth en ze was gek van skateboarden. Maar in 2009 vernam Belle dat ze hersenkanker had en vier maanden te leven. Twee maanden chemo en bestraling hadden geen effect. Maar Belle was vastbesloten. Ze was haar hele leven een vechter geweest. Als zesjarige moest ze al koken voor haar broer met autisme en haar moeder die multiple sclerose had. Haar vader was er niet. Dus vocht Belle terug, met oefeningen, met meditatie en door vlees in te ruilen voor groenten en fruit. Ze herstelde volledig.
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.
Belle's verhaal ging viraal. Het werd getweet, geblogd, gedeeld en bereikte miljoenen mensen. Het toonde de voordelen van het mijden van traditionele geneeskunde tegenover dieet en lichaamsbeweging. In augustus 2013 startte Belle een gezonde-voeding-app, The Whole Pantry, die binnen een maand 200.000 keer werd gedownload .
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.
Maar Belle's verhaal was een leugen. Belle had nooit kanker gehad. Mensen deelden haar verhaal zonder ooit te checken of het waar was. Dit is een klassiek voorbeeld van een bevestigingvooroordeel. Wij aanvaarden een verhaal kritiekloos als het bevestigt wat wij vinden dat waar zou moeten zijn. En we verwerpen ieder verhaal in tegenspraak ermee. Hoe vaak zien we dit niet in de verhalen die wij delen en negeren? In de politiek, in het bedrijfsleven, bij gezondheidszorg-advies.
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?
In 2016 was ‘post-waarheid’ het woord van het jaar van The Oxford Dictionary. En de erkenning dat we nu in een post-waarheid-wereld leven, heeft geleid tot een broodnodige nadruk op het controleren van de feiten. Maar de clou van mijn lezing is dat alleen het controleren van de feiten niet volstaat. Zelfs als Belle's verhaal waar zou zijn, dan was het net zo irrelevant. Waarom?
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.
We kijken eens naar een van de meest fundamentele technieken in de statistiek. Hij heet Bayesiaanse gevolgtrekking. De zeer eenvoudige versie is dit: Waar we om geven is: "Ondersteunen de data de theorie?" Verhogen de data onze overtuiging dat de theorie waar is? Maar in plaats daarvan vragen we: "Zijn de gegevens in overeenstemming met de theorie?" Maar het in overeenstemming zijn met de theorie betekent niet dat de gegevens de theorie ondersteunen. Waarom? Door een cruciaal, maar vergeten derde punt: de data kunnen ook overeenstemmen met rivaliserende theorieën. Maar door het bevestigingsvooroordeel overwegen we die rivaliserende theorieën nooit, daarvoor koesteren we onze eigen lievelingstheorie te zeer.
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.
Laten we dit eens toepassen op het verhaal van Belle. Wat we willen weten is: ondersteunt Belle's verhaal de theorie dat diëten kanker geneest? Maar in plaats daarvan vragen we: "Is Belle's verhaal consistent met de theorie dat dieet kanker geneest?" En het antwoord is: ja. Als dieet kanker genas, zouden we verhalen als dat van Belle tegenkomen. Maar zelfs als dieet geen kanker geneest, zouden we nog steeds verhalen als dat van Belle tegenkomen. Eén enkel verhaal waarbij een patiënt schijnbaar zichzelf genas doordat er in de eerste plaats een verkeerde diagnose werd gesteld. Net als dit: zelfs al was roken slecht voor je gezondheid, toch vind je altijd wel één roker die 100 werd.
(Laughter)
(Gelach)
Just like, even if education was good for your income, you'd still see one multimillionaire who didn't go to university.
Ook dit: zelfs al was onderwijs goed voor je inkomen, dan vind je altijd nog één multimiljonair die niet naar de universiteit ging.
(Laughter)
(Gelach)
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.
Het grootste probleem met het verhaal van Belle is niet dat het vals was. Het is dat het slechts één verhaal is. Er kunnen duizenden andere verhalen zijn waar alleen diëten mislukte, maar die we nooit horen.
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.
Wij delen de uitschieters omdat ze nieuw zijn, en daardoor nieuws. We hebben het nooit over de alledaagse gevallen. Ze zijn te gewoon, ze zijn wat normaliter gebeurt. Dat is de ware 99 procent die we negeren. Net als in de samenleving mag je niet enkel kijken naar die één procent uitschieters, en de 99 procent, de alledaagse, negeren.
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.
Want dat is het tweede voorbeeld van bevestigingsvooroordeel. Wij aanvaarden een feit als data. Het grootste probleem is niet dat we leven in een post-waarheid-wereld; het is dat we leven in een post-data-wereld. Wij verkiezen één enkel verhaal boven hopen data. Verhalen zijn krachtig en brengen dingen tot leven. Men raadt aan elke talk met een verhaal te beginnen. Ik deed het ook. Maar één enkel verhaal is zinloos en misleidend, tenzij het wordt ondersteund door een massa data. Maar zelfs die massa data kan nog steeds niet genoeg zijn. Het kan nog steeds consistent zijn met rivaliserende theorieën. Ik leg het uit.
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.
Een klassiek onderzoek van psycholoog Peter Wason geeft je een set van drie getallen en vraagt je om te denken aan de regel die ze genereerde. Als je krijgt: 2, 4, 6, wat is dan de regel? De meeste mensen zouden denken aan opeenvolgende even getallen. Hoe zou je het testen? Nou, je kon andere sets van opeenvolgende even getallen voorstellen: 4, 6, 8 of 12, 14, 16. En Peter zou zeggen deze sets ook werken. Maar weten dat deze sets ook werken en weten dat misschien honderden sets van opeenvolgende even getallen ook werken, vertelt je niets. Want dit is nog steeds in overeenstemming met rivaliserende theorieën. Misschien is de regel: eender welke drie even getallen. Of elke drie oplopende getallen.
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.
Dat is het derde voorbeeld van het bevestigingsvooroordeel: data aanvaarden als bewijs, ook al zijn ze in overeenstemming met rivaliserende theorieën. Data zijn alleen maar een verzameling van feiten. Het bewijs is data die één theorie ondersteunen en andere theorieën uitsluiten. De beste manier om jouw theorie te ondersteunen, is proberen ze te weerleggen, door advocaat van de duivel te spelen. Dus test iets als 4, 12, 26. Als je nu een ja krijgt, zou dat je theorie weerleggen van opeenvolgende even getallen. Toch is deze test krachtig, want als je een nee kreeg, sloot dat de regel ‘elke drie even getallen’ uit, evenals ‘elke drie oplopende getallen’ Het zou de rivaliserende theorieën, maar niet uit de jouwe uitsluiten. Maar de meeste mensen zijn te bang om 4, 12, 26 te testen omdat ze geen ja willen krijgen, wat zou bewijzen dat hun lievelingstheorie niet klopte. Bevestigingsvooroordeel gaat niet alleen over het niet zoeken naar nieuwe data, maar ook over een verkeerde interpretatie van reeds verzamelde data.
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.
En dat geldt buiten het lab voor belangrijke, echte-wereld-problemen. Hier is Thomas Edisons beroemde uitspraak: "Ik heb niet gefaald, ik heb 10.000 manieren gevonden die niet werken." Erachter komen dat je fout zit, is de enige manier om erachter te komen wat juist is.
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.
Stel dat je toelatingen tot de universiteit moet beheren en het jouw theorie is dat alleen studenten met goede cijfers uit rijke families het goed doen. Dus laat je alleen deze studenten toe. En ze doen het ook goed. Maar dat is ook in overeenstemming met de rivaliserende theorie. Misschien doen alle studenten met goede cijfers het goed, rijk of arm. Maar je test die theorie nooit, omdat je nooit arme studenten toelaat omdat je je ongelijk niet wil bewezen hebben.
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?
Wat hebben we geleerd? Een verhaal is geen feit, omdat het misschien niet waar is. Een feit is geen data, het kan niet representatief zijn als het om slechts één datapunt gaat. En data zijn geen bewijs -- ze geven misschien geen ondersteuning als ze consistent zijn met rivaliserende theorieën. Dus, wat doe je dan? Je staat op een keerpunt van je leven, je moet beslissen over een strategie voor jouw bedrijf, of hoe jouw kind op te voeden of over een regime voor jouw gezondheid, hoe zorg je ervoor dat je geen verhaal, maar wel bewijs hebt?
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.
Ik geef jullie drie tips. De eerste is om actief te zoeken naar andere gezichtspunten. Lees en luister naar mensen waar je het flagrant niet mee eens bent. 90 procent van wat ze zeggen kan naar jouw mening verkeerd zijn. Maar wat als 10 procent juist is? Zoals Aristoteles zei: "Het kenmerk van een goed opgeleide man is de mogelijkheid om met een gedachte te spelen zonder die te moeten accepteren." Omring jezelf met mensen die je uitdagen, en creëer een cultuur die actief dissidentie aanmoedigt. Sommige banken hadden last van groepsdenken: personeel dat de leningsbeslissingen van het management niet durfde aanvechten, wat bijdroeg aan de financiële crisis. Duid in een vergadering iemand aan om advocaat van de duivel te zijn tegen jouw lievelingsidee. En hóór niet alleen een ander gezichtspunt -- luister er ook naar.
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.
Zoals psycholoog Stephen Covey zei: "Luister met de bedoeling om te begrijpen, niet met de bedoeling om te antwoorden." Een afwijkend standpunt is iets om van te leren, niet iets om tegen in te gaan. Wat ons brengt bij de andere vergeten punten in de Bayesiaanse gevolgtrekking. Want van data kun je leren, maar leren is slechts ten opzichte van een beginpunt. Als je uitging van de volledige zekerheid dat jouw lievelingstheorie waar moet zijn, dan zal je standpunt niet veranderen -- ongeacht welke data je te zien krijgt.
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.
Alleen als je echt openstaat voor de mogelijkheid dat je het fout kan hebben, kun je ooit leren. Zoals Leo Tolstoj schreef: "De moeilijkste onderwerpen kunnen worden verklaard aan de domste man als hij er zich nog geen idee over heeft gevormd. Maar het eenvoudigste ding kan niet duidelijk worden gemaakt aan de meest intelligente man als hij er vast van overtuigd is dat hij het al weet." Tip nummer twee is ‘luisteren naar experts’. Nu is dat misschien wel het meest impopulaire advies dat ik je kan geven.
(Laughter)
(Gelach)
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 --
De Britse politicus Michael Gove deed de beroemde uitspraak dat de mensen in dit land genoeg hadden van experts. Een recente opiniepeiling toonde aan
(Laughter)
dat meer mensen hun kapper zouden vertrouwen -- (Gelach)
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.
of de man in de straat dan de leiders van bedrijven, gezondheidszorg en zelfs goede doelen. Zo prefereren we een door een mama ontdekt recept om tanden wit te maken, of luisteren we naar de ideeën van een actrice over vaccinatie. We houden van mensen die er geen doekjes om winden, mensen met buikgevoel. Die noemen we authentiek. Maar met buikgevoel alleen kom je niet ver. Buikgevoel zou je vertellen om nooit water te geven aan een baby met diarree, omdat het er de andere kant toch maar zou uitlopen. Expertise vertelt je wat anders. Je zou nooit je operatie toevertrouwen aan de man in de straat. Je wil een expert die jarenlang bezig was met operaties en de beste technieken kent. Maar dat moet dan gelden voor elke belangrijke beslissing. Politiek, het bedrijfsleven, gezondheidsadvies vereisen deskundigheid, net als chirurgie.
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.
Waarom worden dan experts zo gewantrouwd? Nou, een van de redenen is dat men ze ziet als wereldvreemd. Een CEO-miljonair kan onmogelijk spreken voor de man in de straat. Maar ware kennis is te vinden bij bewijs. En bewijs komt op vóór de man in de straat en tegen de elites. Omdat bewijs je dwingt om het te bewijzen. Bewijs voorkomt dat de elites hun eigen visie opleggen zonder bewijs.
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.
Een tweede reden waarom deskundigen niet worden vertrouwd, is dat de mening van deskundigen vaak uiteenloopt. Voor elke expert die beweerde dat het verlaten van de EU slecht zou zijn voor Groot-Brittannië, vindt een andere dat het juist goed zou zijn. De helft van de zogenaamde deskundigen zit dan verkeerd. En ik moet toegeven dat de meeste door deskundigen geschreven papers fout zijn. Of op zijn best dingen beweren die niet echt ondersteund worden door bewijs. Dus kunnen we een deskundige niet zomaar geloven op zijn woord.
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.
In november 2016 haalde een studie over de wedde van bestuurders de nationale krantenkoppen. Hoewel geen van de kranten die de studie vermeldden de studie zelfs gezien had. Ze was zelfs nog niet gepubliceerd. Ze geloofden de auteur enkel op zijn woord, net zoals met Belle. Het betekent ook niet dat we zomaar een studie kunnen uitkiezen die ons standpunt ondersteunt -- wat weer bevestigingsvooroordeel zou zijn. Het betekent ook niet dat als zeven studies A geven en drie B geven, dat A waar moet zijn. Waar het om gaat is de kwaliteit, en niet de kwantiteit van deskundigheid.
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
Dus moeten we twee dingen doen. Ten eerste moeten we kritisch kijken naar de geloofsbrieven van de auteurs. Net zoals je de geloofsbrieven van een chirurg ook kritisch zou onderzoeken. Zijn ze echt deskundig in de zaak of hebben ze een persoonlijk belang? Ten tweede moeten we bijzondere aandacht besteden aan papers gepubliceerd in de top-wetenschappelijke tijdschriften. Wetenschappers worden er vaak van beschuldigd niet met beide voeten op de grond te staan. Maar deze onthechting laat je toe jaren te besteden aan een studie. Om een resultaat echt vast te spijkeren, de rivaliserende theorieën uit te sluiten, en correlatie en causaliteit te onderscheiden. En wetenschappelijke tijdschriften werken met peer review, waarbij een paper rigoureus onderzocht wordt --
(Laughter)
(Gelach)
by the world's leading minds. The better the journal, the higher the standard. The most elite journals reject 95 percent of papers.
door 's werelds grootste geesten. Hoe beter het tijdschrift, hoe hoger de lat. De meest elite-tijdschriften verwerpen 95 procent van de papers.
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.
Nu is academisch bewijs niet alles. Ervaring in de echte wereld is ook van cruciaal belang. En peer review is niet perfect, fouten worden gemaakt. Maar iets dat gecheckt werd, is beter te vertrouwen dan iets ongecontroleerds. Als we een studie accepteren omdat we de bevindingen leuk vinden, zonder rekening te houden van wie ze is en of ze werd doorgelicht, is er een enorme kans dat die studie misleidend is. Degenen die beweren deskundig te zijn, moeten de beperkingen van ons analyseren doorhebben. In zeer zeldzame gevallen kan iets bewezen of met zekerheid voorspeld worden, maar het is zo verleidelijk om een ongenuanceerde, ongegronde bewering te doen. Het is makkelijker ze in een krantenkop of in een tweet van 140 tekens te steken. Maar zelfs bewijs is soms geen bewijs. Het is misschien niet universeel, het is misschien niet in alle omstandigheden toepasselijk. Zeg dus niet: "Van rode wijn leef je langer.", wanneer bewijs laat zien dat rode wijn alleen maar gecorreleerd is met een langere levensduur. En dan alleen bij mensen die ook nog sporten.
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.
Tip nummer drie is: "Pauzeer voordat je iets deelt." De eed van Hippocrates zegt: "Ten eerste, doe geen kwaad." Wat we delen is potentieel besmettelijk, dus wees heel voorzichtig met wat je rondstrooit. Ons doel moet niet zijn om likes of retweets te krijgen. Anders delen we alleen de consensus; we dagen iemands denken niet uit. Anders delen we alleen wat goed klinkt, ongeacht of het bewijs is.
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?
In plaats daarvan moeten we het volgende vragen: Als het een verhaal is, is het dan waar? Als het waar is, is het dan ook ondersteund door solide bewijs? Zo ja, van wie komt het, wat zijn hun geloofsbrieven? Is het gepubliceerd, en hoe streng is het tijdschrift? En stel jezelf dan de hamvraag: als dezelfde studie werd geschreven door dezelfde auteurs met dezelfde referenties maar met een tegenovergestelde conclusie, zou je dan nog steeds bereid zijn om het te geloven en te delen?
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.
Het behandelen van elk probleem -- zij het de economie van een land of het gezondheidsprobleem van een individu -- is moeilijk. Daarom moeten we ervoor zorgen dat we het allerbeste bewijs hebben om ons te leiden. Alleen als het waar is, kan het een feit zijn. Alleen als het representatief is, kunnen het data zijn. Alleen als het ondersteunend is, kan het bewijs zijn. En alleen met bewijs kunnen we van een post-waarheid-wereld naar een pro-waarheid wereld gaan.
Thank you very much.
Dank je wel.
(Applause)
(Applaus)