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 mutlu, genç bir Avustralyalıydı. Perth'te yaşıyor ve kaykay yapmayı seviyordu. Fakat 2009 yılında Belle, beyin kanseri olduğunu ve dört ayı kaldığını öğrendi. İki aylık kemoterapi ve radyoterapinin hiç etkisi olmadı. Fakat Belle azimliydi. Bütün hayatı boyunca bir savaşçı olmuştu. Otizmli erkek kardeşi ve çoklu skleroz hastası annesi için altı yaşından beri yemek yapmak zorundaydı. Babası bu fotoğrafın dışındaydı. Belle, egzersiz ve meditasyon yaparak ve et yemeyi terk edip meyve ve sebze tüketerek mücadele etti. Ve o, tamamen iyileşti.
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'in hikâyesi hızla yayıldı. Konu tvit edildi, blog tutuldu, paylaşıldı ve milyonlarca insana ulaştı. Geleneksel tıptan uzaklaşıp diyet ve egzersiz yapmanın faydalarını gösterdi. Ağustos 2013'te Belle, bir sağlıklı beslenme uygulaması yayınladı. Adı "The Whole Pantry" olan uygulama ilk ayda 200.000 kez indirildi.
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.
Fakat Belle'in hikâyesi bir yalandı. Belle hiçbir zaman kanser olmadı. İnsanlar onun hikâyesini, doğruluğunu teyit etmeden paylaştılar. Bu, doğrulama yanlılığının klasik bir örneği. Bir hikâye doğru olmasını istediğimiz şeyi teyit ediyorsa sorgulamadan kabul ederiz. Ve teyit etmeyen hikâyeleri reddederiz. Paylaştığımız ve görmezden geldiğimiz hikâyelerde bunu ne sıklıkla görüyoruz? Politikada, iş hayatında ve sağlık tavsiyelerinde.
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?
2016'da Oxford Sözlüğü tarafından yılın kelimesi "hakikat ötesi" seçildi. Ve hakikat ötesi bir dünyada yaşadığımızı kabul etmemiz gerçekleri kontrol etmenin üzerinde çok daha fazla durulmasına yol açtı. Ama konuşmamın vurucu noktası şu ki sadece gerçekleri kontrol etmek yeterli değil. Belle'in hikâyesi doğru bile olsa aynı derecede alakasız olurdu. Neden mi?
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.
İstatistikteki en temel tekniklerden birine bakalım. Bayesçi sonuç çıkarımı deniyor. Ve çok basitleştirirsek Bizim önemsediğimiz sorular "Veri teoriyi destekliyor mu?" Veri, teorinin doğruluğuna olan inancımızı arttırıyor mu? Ama işin sonunda "Veri teoriyle uyumlu mu?" diye bakıyoruz. Fakat teoriyle uyumlu olması verinin teoriyi desteklediği anlamına gelmez. Neden mi? Unutulan ama elzem bir üçüncü terim yüzünden -- veri aynı zamanda muhalif teorilerle de uyumlu olabilir. Fakat doğrulama yanlılığı yüzünden muhalif teorileri hesaba katmıyoruz çünkü ilgilendiğimiz kendi teorimize çok bağlıyız.
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.
Şimdi bu duruma Belle'in hikâyesinde bakalım. Bizim baktığımız şey: "Belle'in hikâyesi, diyetin kanseri iyileştirdiği teorisini destekliyor mu?" Bunun yerine "Belle'in hikâyesi diyetin kanseri iyileştirmesiyle uyumlu mu?" diye soruyoruz. Ve cevap evet. Eğer diyet kanseri iyileştirseydi, Belle'inki gibi hikâyeler görürdük. Ama diyet kanseri iyileştirmeseydi bile yine Belle'ninki gibi hikâyeler görürdük. En başta yanlış teşhis konulduğu için kendi kendine iyileşen birinin hikâyesi. Tıpkı, sigara içmek sağlığa zararlı olsa da 100 yaşına kadar yaşayan bir sigara içicisi bulunabileceği gibi.
(Laughter)
(Gülüşmeler)
Just like, even if education was good for your income, you'd still see one multimillionaire who didn't go to university.
Aynı şekilde eğitim, geliriniz için iyi olsa da üniversiteye gitmeyen bir milyoner bulunabileceği gibi.
(Laughter)
(Gülüşmeler)
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.
Dolayısıyla Belle'in hikâyesindeki en büyük sorun doğru olmaması değil. Sadece bir hikâyeden ibaret olması. Tek başına diyetin işe yaramadığı binlerce başka hikâye olabilir ama onları hiç duymayız.
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.
Biz uç vakalara bakarız çünkü yenilerdir dolayısıyla haber değerleri vardır. Hiçbir zaman sıradan vakaları paylaşmayız. Onlar çok sıradandır, normalde olan şeylerdir. Bunlar görmezden geldiğimiz gerçek yüzde 99. Aynı toplumda olduğu gibi, sadece yüzde 1'i aykırıları dinleyip sıradan olanları, yüzde 99'u ihmal edemezsiniz.
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.
Çünkü bu da doğrulama yanlılığının ikinci örneğidir. Bir gerçeği veri olarak kabul ederiz. En büyük problem hakikat ötesi bir dünyada yaşamamız değil; veri-ötesi bir dünyada yaşamamız. Tek bir hikâyeyi tonlarca veriye tercih ediyoruz. Hikâyeler güçlüdür, canlıdır ve bir şeyi hayata geçirir. Her konuşmaya bir hikâyeyle başlamamız söylenir. Ben öyle yaptım. Ama tek bir hikâye, büyük ölçekli bir veri tarafından desteklenmiyorsa değersiz ve yanıltıcıdır. Ancak büyük ölçekli bir verimiz olsa bile bu, hâlâ yeterli olmayabilir. Çünkü veriler yine de muhalif teorilerle uyumlu olabilir. Açıklamama izin verin.
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.
Psikayatrist Peter Wason tarafından düzenlenen klasik bir deneyde size üçlü bir rakam dizisi verilir ve bunları oluşturan kural sorulur. Mesela, iki, dört, altı verilmişse kural nedir? Çoğu insan ardışık çift sayılar olduğunu düşünür? Bunu nasıl test edersiniz? Başka ardışık çift sayı seti verirsiniz. 4, 6, 8 veya 12, 14, 16. Ve Peter bu setlerin de kurala uyduğunu söyler. Fakat bu setlerin kurala uyduğunu bilmek, belki de yüzlerce ardışık çift sayı setinin uyduğunu bilmek size bir şey kanıtlamaz. Çünkü bu, muhalif teorilerle de uyumludur. Belki kural herhangi üç çift sayıdır. Veya artan üç sayı.
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.
Ve bu da doğrulama sapmasının üçüncü örneğidir: muhalif teorilerle uyumlu olsa bile veriyi kanıt olarak kabul etmek. Veri yalnızca bir olgular toplamı. Kanıt ise bir teoriyi destekleyip diğerini reddeden veridir. Dolayısıyla teorinizi desteklemenin en iyi yolu şeytanın avukatını oynayıp teorinizin aksini ispat etmektir. O zaman 4, 12, 26 gibi bir diziyi test edin. Eğer buna doğru cevabı gelirse ardışık çift sayılara ilişkin teoriniz çürütülmüş olur. Evet, bu test etkili çünkü eğer cevap hayır olursa "herhangi üç çift sayı" ya da "artan herhangi üç sayı" teorileri çürür. Muhalif teorileri eler ama sizinkini elemez. Ama çoğu insan 4, 12, 26'yı test etmeye korkar çünkü evet cevabı alıp teorilerini yanlış çıkarmak istemezler. Doğrulama yanlılığı sadece yeni veri araştırmayı ihmal etmek değil, aynı zamanda veriye ulaşınca onu yanlış yorumlamakla ilgili.
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.
Bu laboratuvar dışında yer alan, önemli, gerçek problemler için de geçerli. Thomas Edison'ın söylediği gibi: "Ben başarısız olmadım, işe yaramayan 10.000 yol buldum." Hatalı olduğunuzu keşfetmek neyin doğru olduğunu bulmanın tek yolu.
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.
Mesela bir üniversitenin öğrenci kabul yöneticisisiniz ve teoriniz sadece zengin ailelerden gelen ve notları iyi olan öğrencilerin başarılı olduğu yönünde. Dolayısıyla sadece öyle öğrencileri alıyorsunuz. Ve başarılı oluyorlar. Ama bu, muhalif teoriyle de uyumlu. Belki notları iyi tüm öğrenciler başarılı, zengin veya yoksul olsun. Ama bu teoriyi asla test etmezsiniz çünkü fakir öğrenci hiç kabul etmiyorsunuz çünkü haksız çıkmak istemiyorsunuz.
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?
Peki, ne öğrendik? Bir hikâye gerçek değildir çünkü doğru olmayabilir. Bilgi veri değildir, eğer sadece veri göstergesiyse bütünü temsil etmiyor olabilir. Ve veri bir kanıt değildir-- eğer karşıt teorilerle uyumlu ise teoriyi destekleyici olmayabilir. Peki, ne yapabiliriz? Hayatın dönüm noktalarında, işiniz için bir strateji belirlemek, çocuğunuz için yetiştirme tekniği veya sağlığınız için bir rejim gibi bir hikâye yerine bir kanıtınız olduğundan nasıl emin olursunuz.
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.
Size üç tüyo vermeme izin verin. İlki aktif olarak farklı bakış açıları aramaktır. Alenen sizden farklı görüşleri olan insanları okuyun ve dinleyin. Sizin nazarınızda dediklerinin yüzde doksanı yanlış olabilir. Ama ya yüzde 10'u doğruysa? Aristo'nun dediği gibi, "Eğitimli bir adamın göstergesi bir düşünceyi kabul etmeden onu aklında bulundurma yeteneğidir." Etrafınızı size meydan okuyan insanlarla donatın ve karşı olmayı destekleyen bir kültür oluşturun. Bazı bankalar, grup olarak düşünemedi, çalışanlar, yönetimin kredi kararlarına karşı çıkmaya çok çekindiler bu da ekonomik krizin sebeplerinden biri oldu. Bir toplantıdayken fikrinize karşı şeytanın avukatlığını yapması için birini belirleyin. Ve sadece farklı bir görüş duymayın, aynı zamanda dinleyin.
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.
Psikayatrist Stephen Covey'in dediği gibi: "Anlama niyetiyle dinleyin, yanıt verme niyetiyle değil." Karşıt bir bakış açısı, kendisinden öğrenebileceğimiz bir şeydir; tartışacağımız değil. Bu da bizi Bayesci sonuç çıkarımının diğer unutulmuş terimlerine getiriyor. Çünkü veri, bir şey öğrenmenizi sağlar ama öğrenme sadece bir başlangıç noktasına bağlıdır. Eğer kendi teorinizin doğru olduğuna kesinkes inanarak yola koyulduysanız o zaman bakış açınız değişmez -- hangi veriyi kullanırsanız kullanın.
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.
Sadece hatalı olma olasılığına açık olduğunuzda öğrenebilirsiniz. Leo Tolstoy'un yazdığı üzere, "En zor konular en basit zekalı adama anlatılabilir. eğer henüz bir fikir oluşturmadıysa. Ama en basit şey, eğer doğru bildiği konusunda kararlıysa en zeki adama açıklanamaz." İkinci tüyo: "Uzmanları dinleyin." Sanırım bu size sunabileceğim en popüler olmayan tavsiye.
(Laughter)
(Gülüşmeler)
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 --
İngiliz politikacı Michael Gove'un bilinen deyişi bu ülkedeki insanların uzmanlara doyduğu yönündeydi. Yakın zamanda yapılan bir anket gösterdi ki insanlar kuaförüne
(Laughter)
(Gülüşmeler)
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.
ya da sokaktaki adama, iş liderleri, sağlık sektörü ve hatta hayır kurumlarından daha çok güveniyor. Yani, bir anne tarafından geliştirilen bir diş beyazlatıcı formüle güveniyoruz ya da aşı konusunda bir oyuncunun görüşlerini dinliyoruz. İnsanların açık ve net konuşmasını, içgüdülerine uymasını seviyoruz ve onlara sahici diyoruz. Ama içgüdü sizi bir yere kadar götürebilir. İçgüdü ishal olmuş bir bebeğe su vermemeyi söyler çünkü diğer taraftan çıkacaktır. Uzmanlık ise tersini söyler. Ameliyatınız için hiçbir zaman sokaktaki adama güvenmezsiniz. Yıllarını ameliyat yaparak geçirmiş ve en iyi teknikleri bilen birini istersiniz. Fakat bu her büyük kararda uygulanmalı. Politika, iş ve sağlık tavsiyesi de tıpkı ameliyat gibi uzmanlık ister.
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.
Peki o zaman, uzmanlara duyulan güven neden bu kadar az? Bir neden, uzak görünmeleri. Milyoner bir CEO'nun sokaktaki adam için konuşması mümkün bile değil. Fakat gerçek uzmanlık bulguda bulunur. Ve bulgu elitlere karşı sokaktaki adam için dik durur. Çünkü bulgular sizi kanıtlamaya zorlar. Bulgular elitlerin kanıt olmadan kendi görüşlerini dayatmalarını engeller.
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.
Uzmanlara güvenilmemesinin ikinci nedeni uzmanların farklı şeyler söylemeleri. AB'den ayrılmanın Birleşik Krallık için kötü olacağını söyleyen her uzmana karşı iyi olacağını iddia eden bir uzman vardı. Bu uzman addedilenlerin yarısı hatalı çıkacak. Ve kabul etmeliyim ki, uzmanlar tarafından yazılan birçok makale yanlış. Ya da en azından kanıtların desteklemediği iddialarda bulunmakta. Dolayısıyla sadece bir uzmanın lafına güvenemeyiz.
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.
Kasım 2016'da yönetici tazminatlarına ilişkin bir çalışma manşetlerde yer aldı. Üstelik bu çalışmayı haber yapan gazetelerin hiçbiri çalışmayı görmemiş olmasına rağmen. Çalışma daha çıkmamıştı bile. Yalnızca yazarın sözlerine inandılar, aynı Belle'le yaptıkları gibi. Bu kendi bakış açımızı destekleyen çalışmaları seçip inanabileceğimiz anlamına da gelmez, bu doğrulama yanlılığı olur. Yedi çalışma A'yı gösterirken üç çalışma B'yi gösteriyorsa bu A'nın doğru olduğu anlamına da gelmez. Uzmanlığın niceliği değil niteliği önemlidir.
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
O yüzden iki şey yapmalıyız. Öncelikle, yazarların ehliyetlerini eleştirel bir şekilde incelemeliyiz. Aynı bir cerrahın ehliyetini eleştirel bir şekilde inceleyeceğiniz gibi. Gerçekten konuda uzmanlar mı veya kendilerinin maddi bir çıkarı var mı? İkinci olarak üst düzey akademik dergilerde yayınlanan makalelere bakmalıyız. Akademisyenler genelde gerçek dünyadan kopuk olmakla suçlanırlar. Ama bu kopukluk bir çalışmaya yılları adamaya vesile olur. Gerçekten bir sonuca varmak, karşıt teorileri çürütmek ve korelasyonla neden sonuç ilişkisini ayırt etmek için. Ve akademik dergiler, bir makalenin dünyanın önder zihinleri tarafından titizlikle incelendiği
(Laughter)
(Gülüşmeler)
by the world's leading minds. The better the journal, the higher the standard. The most elite journals reject 95 percent of papers.
bir hakemlik sürecinden geçer. Dergi ne kadar iyiyse standart o kadar yüksektir. En elit dergiler makalelerin yüzde 95'ini reddeder.
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.
Akademik bulgular her şey değildir. Gerçek dünya deneyimleri de önemlidir. Hakem denetimi kusursuz değildir hatalar yapılmaktadır. Ancak kontrol edilmiş bir şeyi desteklemek kontrol edilmemiş bir şeyi desteklemekten daha iyidir. Bir çalışmayı kim tarafından onaylandığını hatta onaylanıp onaylanmadığını göz önünde bulundurmaksızın sadece bulguları beğendiğimiz için kabul edersek bu çalışmanın yanıltıcı olma ihtimali çok yüksektir. Uzman olduğunu iddia edenler analizlerinin sınırlılığının farkında olmalı. Bir şeyi kesin olarak kanıtlamak veya öngörmek çok nadiren mümkün ve fazlasıyla genel niteliksiz bir açıklamada bulunmak çok cezbedici. Bunu bir başlığa çevirmek veya 140 karakter bir tvit atmak daha kolay. Ancak bulgu bile kanıt olmayabilir. Evrensel olmayabilir ya da her ortamda geçerli olmayabilir. Bulgu sadece kırmızı şarap ve uzun yaşamın ilişkilendirildiğine dair ise ''Kırmızı şarap ömrü uzatır'' demeyin. Ancak o zaman insanlar egzersiz de yaparlar.
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.
Üç numaralı tavsiye ise bir şeyi paylaşmadan önce durup bir düşünün. Hipokrat yemini şöyle der, ''Önce, zarar verme.'' Paylaştığımız şeyler bulaşıcı olabilir bu nedenle yaydığımız şeylere çok dikkat etmeliyiz. Hedefimiz beğenilmek ya da retvitlenmek olmamalı. Aksi takdirde yalnızca hemfikir oluruz ve kimseyi düşünmeye davet etmeyiz. Aksi takdirde yalnızca kulağa hoş geleni paylaşmış oluruz, kanıt olsun ya da olmasın.
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?
Bunun yerine şunları sormalıyız: Bu bir hikâye ise doğru mu? Eğer doğruysa bunu destekleyen geniş ölçekli bulgu var mı? Eğer var ise kim tarafından sağlanıyor ve onların ehliyeti nedir? Yayımlanmış mı, yayımlandığı dergi ne kadar titiz ve tutarlı? Ve kendinize şu önemli soruyu sorun: Eğer aynı çalışma aynı akademik geçmişe sahip aynı yazarlar tarafından yazılmış ancak zıt sonuçlara ulaşılmış olsa hâlâ ona inanmak ve onu paylaşmak ister miydiniz?
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.
Bir problemi çözmek zordur bu ister bir ulusun ekonomik problemi ister bir bireyin sağlık problemi olsun. Bu nedenle bize en iyi kanıtların rehberlik ettiğinden emin olmalıyız. Ancak doğru ise gerçek olabilir. Ancak temsil edici özelliğe sahipse veri olabilir. Ancak destekleyici ise kanıt olabilir. Ve ancak kanıtlar ile hakikat ötesi dünyadan hakikat yanlısı dünyaya ilerleyebiliriz.
Thank you very much.
Teşekkürler.
(Applause)
(Alkış)