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 là một cô gái Úc hạnh phúc. Cô sống ở Perth, và rất thích môn trượt ván. Nhưng vào năm 2009, Belle phát hiện cô bị ung thư não và chỉ sống được thêm 4 tháng. Hai tháng hóa trị và xạ trị không hề có hiệu quả. Nhưng Belle rất quyết tâm. Cô đã luôn chiến đấu trong suốt cuộc đời mình. Từ khi lên 6, cô đã phải nấu ăn cho anh trai, 1 người bị tự kỉ, và cho mẹ cô, 1 người mắc bệnh xơ cứng. Cha cô thì gần như bỏ mặc họ. Nên Belle đã chiến đấu, với việc tập luyện, ngồi thiền và bỏ hẳn việc ăn thịt để chuyển qua ăn trái cây và rau. Và cô đã hồi phục hoàn toàn.
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.
Câu chuyện của Belle đã nổi tiếng. Nó được tweet, viết trên blog, được chia sẻ và đến tai hàng triệu người. Nó cho thấy lợi ích của việc phớt lờ các phương thuốc cổ truyền để theo đuổi chế độ ăn và tập luyện. Tháng 8 2013, Belle đã ra mắt một app về ăn uống lành mạnh, Tên là The Whole Pantry, đã có đến 200,000 lượt tải về trong tháng đầu tiên.
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.
Nhưng câu chuyện của Belle chỉ là bịa đặt. Belle chưa từng mắc ung thư. Người ta đã lan truyền câu chuyện của cô ta mà không kiểm chứng gì về nó. Đây là một ví dụ điển hình của thiên kiến xác nhận. Ta chấp nhận 1 câu chuyện không xác thực nếu nó xác nhận điều ta muốn là thật. Và ta sẽ chối bỏ mọi câu chuyện mâu thuẫn lại nó. Ta đã thấy điều này bao nhiêu lần trong những câu chuyện mà ta đã chia sẻ và chối bỏ? Trong chính trị, kinh doanh, trong lời khuyên về sức khỏe.
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?
Từ điển Oxford năm 2016 gọi đấy là “sự thật chủ quan.” (post-truth) Và quan niệm rằng ta đang sống trong thế giới đầy những sự thật chủ quan đã dẫn đến việc những sự thật bị kiểm chứng gắt gao. Nhưng điểm nhấn trong bài nói của tôi đó là chỉ kiểm chứng sự thật thôi là chưa đủ. Thậm chí nếu chuyện của Belle là có thật, nó cũng có đầy thứ vô lí. Sao vậy?
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.
Vậy, hãy xem xét một trong những kỹ thuật cơ bản nhất trong thống kê. Gọi là suy luận Bayes. Và phiên bản đơn giản nhất sẽ là: Cái ta quan tâm là “Liệu dữ liệu có ủng hộ giả thuyết không?” Liệu dữ liệu có làm tăng sự tin cậy vào tính xác thực của giả thuyết? Nhưng thay vào đó, ta lại hỏi thế này, “Liệu dữ liệu có đồng nhất với giả định?” Nhưng việc đồng nhất với giả định không có nghĩa là dữ liệu ủng hộ giả định ấy. Tại sao? Vì một yếu tố thứ ba rất quan trọng mà ta hay bỏ qua -- dữ liệu cũng có thể đồng nhất với các giả thuyết đối lập. Nhưng vì thiên kiến xác nhận. ta không bao giờ nghĩ đến giả thuyết đối lập, vì ta đã quá bảo thủ với giả thuyết của riêng mình.
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.
Giờ, hãy thử ghép nó vào câu chuyện của Belle. Vậy, điều ta quan tâm: Liệu chuyện của Belle có ủng hộ giả thuyết rằng chế độ ăn chữa được ung thư không? Nhưng rồi, cuối cùng ta lại hỏi, “Liệu câu chuyện của Belle có đồng nhất với việc chữa ung thư nhờ chế độ ăn?” Và câu trả lời là có. Nếu chế độ ăn chữa được ung thư, ta sẽ thấy nhiều câu chuyện như của Belle. Nhưng kể cả khi chế độ ăn không chữa được ung thư, ta cũng vẫn sẽ thấy các câu chuyên như của Belle. Một câu chuyện mà trong đó bệnh nhân hình như đã tự chữa lành nhưng mà là do anh ta đã bị chuẩn đoán sai ngay từ đầu. Chẳng hạn, kể cả khi hút thuốc là không tốt cho sức khỏe, bạn vẫn có thể thấy một người hút thuốc sống thọ đến 100 tuổi.
(Laughter)
(Cười)
Just like, even if education was good for your income, you'd still see one multimillionaire who didn't go to university.
Chẳng hạn, kể cả khi giáo dục làm tăng thu nhập, bạn vẫn có thể thấy một siêu tỉ phú chưa từng học đại học.
(Laughter)
(Cười)
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.
Nên vấn đề lớn nhất về câu chuyện của Belle không phải là vì nó sai. Mà là vì nó chỉ là một câu chuyện đơn thuần. Vẫn có hàng ngàn câu chuyện khác rằng nếu chỉ có chế độ ăn thôi thì chưa đủ, nhưng ta chưa từng nghe về chúng.
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.
Ta chia sẻ các trường hợp ngoại lệ vì chúng quá mới mẻ, và vì thế mà chúng được lan truyền. Ta không bao giờ chia sẻ những vụ bình thường. Vì chúng quá tầm thường, chúng diễn ra hằng ngày. Và đó là cái sự thật mà 99% chúng ta đều chối bỏ. Như ngoài xã hội, bạn không thể chỉ nghe theo một phần trăm, những ngoại lệ, và bỏ qua 99% những điều bình thường.
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.
Vì đó chính là ví dụ thứ hai về thiên kiến xác nhận. Ta chấp nhận sự thật như một nguồn dữ liệu. Vấn đề lớn nhất không phải là vì ta sống trong một thế giới đầy sự thật chủ quan; mà là vì ta sống trong một thế giới đầy các dữ liệu chủ quan. Ta thích một câu chuyện đơn thuần hơn là cả tấn dữ liệu. Những câu chuyện thật quyền lực, gần gũi và sống động. Chúng giúp bạn gợi chuyện cho mọi cuộc diễn thuyết. Tôi đã làm nè. Nhưng nếu chỉ là một câu chuyện thì nó hoàn toàn vô nghĩa và sai lệch trừ khi nó được đảm bảo bằng một lượng dữ liệu khổng lồ. Nhưng kể cả khi ta có một lượng dữ liệu lớn, điều đó vẫn có thể chưa đủ. Vì nó vẫn có thể bị đồng nhất với các giả thuyết đối lập. Để tôi giải thích.
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.
Một nghiên cứu kinh điển của nhà tâm lí học Peter Wason đưa cho bạn bộ ba các con số và đề nghị bạn hãy nghĩ về quy luật đã chuyển hóa chúng. Nên nếu bạn được trao số 2, 4, 6, thì quy luật là gì? Thì hẳn nhiều người sẽ nghĩ đó chính là các số chẵn liên tiếp. Bạn kiểm tra thế nào đây? Hẳn các bạn sẽ đưa ra các bộ số chẵn khác như là: 4, 6, 8 hay 12, 14, 16. Và Peter sẽ nói các bộ số đó cũng đúng. Nhưng việc biết là các bộ số ấy cũng đúng, việc biết rằng có hàng trăm bộ số chẵn liên tiếp tương tự cũng đúng, không nói lên điều gì cả. Vì điều này vẫn đồng nhất với các giả thuyết đối lập. Quy luật cũng có thể là bất kì ba số chẵn nào. Hay bất kỳ ba số tăng dần nào.
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.
Và đó là ví dụ thứ ba về thiên kiến xác nhận: chấp nhận dữ liệu như một luận cứ, kể cả khi nó đồng nhất với các giả thuyết đối lập. Dữ liệu cũng chỉ là các sự thật được tổng hợp lại. Luận cứ là dữ liệu ủng hộ một giả thuyết hay các quy luật nằm ngoài. Nên cách tốt nhất để ủng hộ giả thuyết của bạn chính là cố gắng bác bỏ nó, biện hộ một cách cực đoan. Nên hãy kiểm tra nhé, như 4, 12, 26. Nếu bạn đồng ý với đáp án này, giả thuyết của bạn về các số chẵn liên tiếp sẽ hoàn toàn bị bác bỏ. Bài kiểm tra này thật lợi hại, vì nếu bạn trả lời không, tức là bạn đã bác bỏ quy luật “ba số chẵn bất kì” và “ba số tăng dần bất kì.” nó sẽ bác bỏ các quy luật đối lập, nhưng không bác bỏ quy luật của bạn. Nhưng nhiều người đều sợ việc kiểm định các số 4, 12, 26, vì họ không muốn có câu trả lời là có và chứng minh giả thuyết của họ sai. Thiên kiến xác nhận không chỉ là thất bại trong việc tìm nguồn dữ liệu mới, mà còn là về việc dữ liệu bị truyền đạt sai mỗi khi mà bạn nhận nó.
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.
Và điều này được ứng dụng ở cả ngoài đời với các vấn đề có thật và hệ trọng. Thật vậy, Thomas Edison từng có câu nói nổi tiếng: “Tôi không thất bại, chỉ là tôi vừa tìm ra được 10,000 cách mà nó không hoạt động.” Việc thấy được rằng bạn đã sai chính là cách duy nhất đề tìm ra cái đúng.
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.
Chẳng hạn bạn là giám đốc tuyển sinh của một trường đại học và bạn có giả thuyết là chỉ có các học sinh điểm tốt từ nhà giàu thì mới thành công. Vậy nên bạn chỉ tuyển những học sinh đấy thôi. Và chúng thành công thật. Nhưng điều đó cũng đồng nhất với giả thuyết đối lập Đó là mọi học sinh có điểm tốt đều thành công cả, bất kể là giàu hay nghèo. Nhưng bạn chưa bao giờ kiểm chứng điều ấy vì bạn không hề tuyển học sinh nghèo vì bạn không muốn giả thuyết của mình sai.
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?
Vậy, ta học được gì đây? Một câu chuyện không phải là sự thật, vì nó có thể không đúng. Một sự thật không phải là dữ liệu nó có thể không có tính đại diện nếu nó chỉ là một dữ liệu đơn thuần. Và dữ liệu không phải là căn cứ -- nó có thể không có tính ủng hộ nếu nó đồng nhất với các giả thuyết đối lập. Vậy, bạn làm gì đây? Khi bạn đứng ở những bước ngoặc trong đời, như quyết định chiến lược cho công ty bạn, một biện pháp để dạy dỗ con cái hoặc một chế độ dinh dưỡng cho sức khỏe, làm sao để đảm bảo là bạn không có một câu chuyện nhưng bạn có căn cứ?
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.
Để tôi chỉ bạn 3 mẹo này. Đầu tiên đó là chủ động tìm kiếm các góc nhìn khác. Hãy đọc và nghe từ những người mà bạn hoàn toàn không đồng tình. 90% là bạn sẽ thấy họ nói sai, ít nhất là ở góc nhìn của bạn. Nhưng nếu 10% là họ đúng thì sao? Như Aristotle đã nói, “Chiếc mặt nạ của một người có giáo dục chính là khả năng khuấy đảo cả một suy diễn mà không cần thiết phải chấp nhận nó.” Bị bao quanh bởi những người thách thức bạn, và tạo nên một nền văn hóa tích cực khuyến khích sự bất đồng ý kiến. Vài ngân hàng bị tổn thất vì những suy diễn nhóm, nơi mà nhân viên quá sợ hãi việc thách thức quyết định vay của quản lí, góp phần vào sự khủng hoảng tài chính. Trong cuộc họp, hãy chỉ định người có ý định phản biện với ý tưởng yêu thích của bạn. Và đừng chỉ nghe từ một phía -- lắng nghe nó, cẩn thận vào.
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.
Nhà tâm lí học Stephen Covey từng nói, “Hãy nghe với mục đích là để hiểu, chứ không phải để trả lời lại.” Việc bất đồng quan điểm vốn là để ta học hỏi chứ không phải để ta tranh cãi. Điều này cũng đưa ta đến yếu tố bị bỏ quên trong suy luận Bayes. Vì dữ liệu cho phép bạn được học, nhưng việc học hỏi chỉ xảy đến khi ta bắt đầu mà thôi. Nếu bạn bắt đầu với sự chắc nịch rằng giả thuyết yêu thích của bạn là đúng, thì góc nhìn của bạn sẽ không đổi -- bất chấp việc bạn có dùng bao nhiêu dữ liệu đi nữa.
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.
Chỉ khi nào bạn thật sự mở lòng với cái sai của chính mình thì bạn mới có thể học hỏi. Như Leo Tolstoy từng viết, “Những chủ đề khó nhất có thể được giải thích cho người ít hiểu biết nhất nếu anh ta chưa hình thành bất kỳ ý tưởng nào về chúng. Nhưng điều đơn giản nhất không thể được làm rõ cho người thông minh nhất nếu anh ấy vững tin rằng anh ấy đã biết rồi.” Mẹo thứ hai là “Hãy nghe từ các chuyên gia.” Giờ, đó hẳn là lời khuyên ít phổ biến nhất mà tôi có thể dành cho bạn.
(Laughter)
(Cười)
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 --
Chính Trị Gia người Anh Michael Gove từng nói rằng người ở quốc gia này đã có đủ những chuyên gia rồi. Một cuộc bầu chọn chỉ ra là người ta đặt niềm tin nhiều vào thợ cắt tóc
(Laughter)
(Cười)
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.
hoặc một gã trai lạ trên phố hơn là tin vào một người chủ doanh nghiệp, dịch vụ y tế hay thậm chí là tình nguyện. Vậy ta sẽ thích công thức làm trắng răng từ một bà mẹ hay sẽ nghe ý kiến của một nữ diễn viên về vaccine hơn ư. Ta thích người nói thẳng, những người nói theo trực giác, và ta gọi họ là người thật thà. Nhưng trực giác cũng đâu thể đưa bạn đi quá xa được. Trực giác nói bạn biết là đừng bao giờ đưa sữa cho một em bé bị tiêu chảy, vì điều đó chỉ khiến nó tiêu chảy nặng hơn. Các chuyên gia thì nói điều ngược lại. Bạn sẽ không bao giờ cả tin đến mức nhờ gã trai lạ trên phố phẫu thuật cho mình. Bạn sẽ cần đến một chuyên gia có nhiều kinh nghiệm về phẫu thuật và có hiểu biết về các kĩ thuật tốt nhất. Cơ mà điều đó nên được ứng dụng trong mọi lần mà bạn quyết định. Chính trị, kinh doanh, kiến nghị sức khỏe đều cần đến chuyên gia, cũng như phẫu thuật thôi.
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.
Vậy thì, tại sao các chuyên gia lại bị ngờ vực như vậy? Thì, một lí do đó là họ thường khó tiếp cận. Một tỉ phú CEO khó mà nói chuyện trực tiếp với gã đàn ông trên phố được. Nhưng chuyên môn thực sự thì cũng cần có luận cứ Và luận cứ thì lại đứng về phía gã trai lạ trên phố và điều đó chống lại các chuyên gia. Vì luận cứ buộc bạn phải chứng minh nó. Luận cứ ngăn các chuyên gia áp đặt góc nhìn của họ mà không có bằng chứng.
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.
Lí do thứ hai mà các chuyên gia bị ngờ vực đó là chuyên gia cũng có lúc bất đồng quan điểm. Có chuyên gia cho rằng việc rời bỏ EU sẽ khiến nước Anh tệ đi, nhưng cũng có chuyên gia bảo rằng điều đó là tốt. Thành ra là sẽ có một nửa các chuyên gia này bị sai. Và tôi phải thừa nhận là đa số các giấy tờ viết bởi các chuyên gia đều sai. Hay cùng lắm, là tuyên bố những luận cứ không có tính hỗ trợ. Nên ta không thể lấy những nhận định của chuyên gia ra bàn được.
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.
Vào tháng 11 2016, một nghiên cứu về lương của giám đốc đã gây tiếng vang lớn. Mặc dù không có tờ báo nào nói về nghiên cứu ấy thực sự tận mắt thấy nghiên cứu đó. Nó thậm chí còn chưa được công khai. Họ chỉ lấy vài câu từ tác giả của nó, như vụ của Belle vậy. Đâu phải là ta cứ lấy đại 1 nghiên cứu bất kì đem về làm luận điểm cho góc nhìn của ta được -- điều đó, lần nữa, là thiên kiến xác nhận. Điều đó đâu có phải là nếu có 3 nghiên cứu nói A và 3 nghiên cứu nói B, thì A chắc chắn đúng đâu. Vấn đề nằm ở chất lượng cơ, chứ không phải ở số lượng các chuyên gia.
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
Nên ta nên làm hai điều. Đầu tiên, ta nên nghiêm túc kiểm định tính xác thực của các tác giả. Như cách mà bạn kiểm định nghiêm túc tính xác thực của người sẽ phẫu thuật bạn á. Liệu họ có phải là chuyên gia thực sự trong lĩnh vực đó, hay liệu họ có thẩm quyền gì hay không? Thứ hai, ta nên đặc biệt tham khảo tới các văn bản công khai trên các tờ báo học thuật hàng đầu. Có quan điểm cáo buộc là học giả thường có cái nhìn xa rời thực tế. Nhưng sự xa rời ấy phải tốn của bạn cả năm trời nghiên cứu đấy. Đó là vì một kết quả chân thật, đó là để bác bỏ những giả thuyết đối lập, và là để và phân biệt mối tương quan từ nhân quả. Các tờ báo học thuật thường có quy trình bình duyệt gắt gao, là nơi có sự soi xét tỉ mĩ đến từng trang giấy
(Laughter)
(Cười)
by the world's leading minds. The better the journal, the higher the standard. The most elite journals reject 95 percent of papers.
bởi những nhân tài hàng đầu. Bài báo càng hay, tiêu chuẩn càng cao. Những tờ báo uy tín nhất từ chối 95% số văn bản.
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.
Thì, luận cứ học thuật vẫn chưa phải là tất cả. Trải nghiệm thực tế cũng quan trọng không kém. Nếu bình duyệt không chỉnh chu, sai phạm vẫn có. Nhưng việc sử dụng một thứ đã được kiểm định vẫn hơn là dùng thứ không được kiểm định. Nếu ta không có sự nghiên cứu mà cứ thích tìm tòi, không cần biết tác giả là ai hay liệu nó đã được hiệu đính chưa, thì nguy cơ nghiên cứu đó sai lầm là rất dễ xảy ra. Và những người tự nhận mình là chuyên gia như chúng ta nên nhận ra sự giới hạn trong phân tích của mình. Rất hiếm khi ta có thể chứng minh hoặc dự đoán điều gì đó với sự chắc chắn nhưng lại rất dễ để ta đưa ra 1 phát biểu lướt qua, không kiểm chứng. Rất dễ để ta đặt nó lên tiêu đề hoặc tweet ra thành 140 kí tự. Nhưng kể cả luận cứ cũng chưa hẳn là bằng chứng. Nó có thể không phổ quát, nó có thể không áp dụng được cho mọi thứ. Nên đừng có nói, “Rượu đỏ giúp ta sống thọ hơn,” khi mà tương quan giữa rượu đỏ và sống thọ là luận cứ duy nhất của bạn. Điều đó chỉ đúng khi người ta có tập thể dục thêm thôi.
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.
Mẹo thứ ba là “Hãy nghĩ trước khi chia sẻ bất cứ thứ gì.” Lời thề Hippocrates ghi, “Thứ nhất, không báo hại.” Mọi thứ ta chia sẻ đều có nguy cơ lây lan, nên hãy thật cẩn thận với thứ mà ta đang lan truyền. Mục tiêu của ta không phải là để có like hay được retweet. Trái lại, ta chỉ chia sẻ điều nhất trí; không đe dọa đến cách nghĩ của người khác. Mặt khác, ta chỉ chia sẻ những thứ có vẻ tốt, bất kể đó có phải là luận cứ hay không.
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?
Thay vào đó, ta nên hỏi câu này: Nếu nó là một câu chuyện, liệu nó có thật? nếu nó là thật, liệu những luận cứ của nó có xác thực không? Nếu có, thì nó là của ai, chuyên môn người đó thế nào? Liệu nó đã công khai chưa, tờ báo đó có uy tín không? Vã hãy tự hỏi mình một câu hỏi triệu đô: Nếu nghiên cứu y hệt được viết bởi tác giả tương tự với chuyên môn tương tự nhưng lại có kết quả trái ngược, liệu bạn có còn tin vào nó và chia sẻ nó nữa không?
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.
Việc giải đáp mọi vấn đề -- một vấn đề về kinh tế quốc gia hay vấn đề về sức khỏe cá nhân, là rất khó. Nên ta cần phải đảm bảo là mình có những luận cứ tốt nhất để dựa vào. Chỉ khi nào nó đúng thì nó mới thành sự thật. Chỉ khi nào nó có tính đại diện thì nó mới thành dữ liệu. Chỉ khi nào nó giàu tính hỗ trợ thì nó mới thành luận cứ. Và chỉ khi nào có luận cứ thì ta mới có thể đi từ một thế giới đầy sự thật chủ quan đến thế giới với đầy sự thật khách quan được.
Thank you very much.
Cám ơn các bạn.
(Applause)
(Vỗ tay)