در طول جنگ جهانی دوم، نیروی هوایی متفقین با مشکلی جدی مواجه بود: بسیاری از هواپیماهای آن‌ها در مأموریت‌ها سرنگون می‌شدند و بازگشت آن‌ها به پایگاه به‌شدت کاهش یافته بود. به همین دلیل، تصمیم گرفتند بررسی کنند کدام بخش از هواپیما نیاز به تقویت زره دارد تا شانس بقا و بازگشت خلبان‌ها افزایش یابد.

برای این کار، هواپیماهایی که از مأموریت‌ها بازگشته بودند بررسی شدند تا نقاطی که بیشترین گلوله‌ها و آسیب‌ها را دریافت کرده بودند مشخص شود. پس از جمع‌آوری داده‌ها، متوجه شدند که بال‌ها، دم و بخش‌های خاصی از بدنه بیشتر مورد اصابت گلوله قرار گرفته‌اند. اگر شما باشید کدام بخش از این هواپیماهارو تقویت می‌کنید؟ به نظر کاملا منطقی می‌رسد که زره اضافی را روی همین نقاط اضافه کنند.

اما در اینجا بود که آبراهام والد، یک ریاضیدان برجسته، وارد ماجرا شد و با یک بینش ساده اما هوشمندانه جریان را تغییر داد. او به این نتیجه رسید که این رویکرد اشتباه است. هواپیماهایی که به پایگاه بازمی‌گردند، همان‌هایی هستند که علی‌رغم آسیب در نقاط ذکرشده توانسته‌اند پرواز کنند و به زمین برسند. بنابراین، نقاطی که آسیبی ندیده بودند، مانند موتور و کابین خلبان، در واقع بحرانی‌ترین قسمت‌ها هستند؛ چرا که هواپیماهایی که این بخش‌هایشان آسیب دیده بود، اصلاً بازنگشته بودند.

بر اساس این تحلیل، تصمیم گرفته شد زره اضافی روی نقاطی که در داده‌ها کمتر مورد اصابت قرار گرفته بودند، مانند موتور و کابین خلبان، اضافه شود. این تصمیم ساده ولی زیرکانه باعث کاهش چشمگیر تلفات هواپیماها شد و یکی از معروف‌ترین مثال‌ها در زمینه‌ی سوایورال بایس یا سوگیری بازماندگان، که در فارسی به خطای بازماندگان نیز ترجمه شده، به شمار می‌رود.

خطای بازماندگان یکی از اساسی‌ترین سوگیری‌های شناختی است که در تحلیل داده‌ها، تصمیم‌گیری‌ها و حتی درک ما از موفقیت و شکست نقش دارد. این خطا زمانی رخ می‌دهد که ما تنها نمونه‌های موفق یا قابل مشاهده را در نظر می‌گیریم و از داده‌های نامرئی، یعنی شکست‌خوردگان، بی‌خبر می‌مانیم. در حقیقت، دلیل وقوع این خطا ریشه در نحوه‌ی پردازش اطلاعات توسط ذهن ما دارد. مغز انسان و دیگر نخستیان به شکلی تکامل پیدا کرده که الگوهای ساده و معنادار در محیط خود بیابند، اما این کار را بر اساس داده‌هایی انجام می‌دهند که در دسترس هستند، نه بر اساس یک مجموعه‌ی جامع و بی‌طرفانه.

این داستان امروز هم در بسیاری از زمینه‌ها مانند اقتصاد، فناوری و علوم داده وپزشکی و نوروساینس و فلسفه استفاده می‌شود تا یادآور شود که هنگام تحلیل داده‌ها، نباید فقط به مشاهدات موجود توجه کرد، بلکه باید آنچه دیده نمی‌شود را هم در نظر گرفت.

فرض کنید شما به‌طور کاملاً تصادفی یک درمان معجزه‌آسا برای یک زائده‌ی پوستی یا جوش صورت پیدا کرده‌اید که برایتان بسیار مفید بوده و هیجان‌زده هستید تا این کشف شبه‌علمی خود را در شبکه‌ی اجتماعی‌تان به اشتراک بگذارید و کمی بیشتر توجه دریافت کنید.

شما توضیحات را می‌دهید و فالوئرهای از همه‌جا بی‌خبر هم، طبق معمول، کارهایی که شما گفته‌اید را انجام می‌دهند. فرض کنید ۱۰۰ هزار فالوئر دارید و ۱۰ هزار نفر از آن‌ها در نظرسنجی اعلام می‌کنند که فرمول جادویی و درمان قطعی شما برایشان ثمربخش بوده است. شما در پوست خود نمی‌گنجید و می‌خواهید این کشف را ثبت کنید. آیا می‌توان گفت که کشف شما واقعاً اثربخش بوده است؟

با تمام احترام به اکتشاف مهم حضرت عالی٬ جواب منفی است. خطای بازماندگان!

اگر بر فرض مثال ۵۰ هزار نفر از فالوئرهای شما این متد را امتحان کرده باشند و ۴۰ هزار نفر از آن‌ها به هر دلیلی دچار شوک، مسمومیت یا آلرژی شده و به سینه‌ی قبرستان نقل‌مکان کرده باشند، و ۱۰ هزار نفری که آلرژی نداشته‌اند هم تحت تأثیر اثر دارونما بهبود یافته باشند، احتمالاً شما به زندان خواهید رفت!

حال اگر همه‌ی ۱۰۰ هزار فالوئر شما در نظرسنجی بهبود را گزارش کنند چطور؟ باز هم آزمایش شما غیرعلمی بوده و رد خواهد شد و نمی‌توان آن را ثبت کرد! چرا؟

چون شما گروه کنترلی نداشته‌اید که به آن‌ها دارونما بدهید و اثر پلاسیبو را بررسی کنید. از طرف دیگر، این آزمایش توسط شما و بدون روش‌های نمونه‌گیری آماری انجام شده است. نمونه‌گیری آماری شامل روش‌های متعددی است که خطا را تا حد زیادی کاهش می‌دهد و احتمال اینکه دارو واقعاً اثربخش باشد را بررسی می‌کند.

به‌علاوه، جامعه‌ی شما همگن نیست، چون فقط ۱۰۰ هزار نفر از فالوئرهای شما هستند، یعنی افرادی که اهل شبکه‌های اجتماعی‌اند، در یک فرهنگ خاص زندگی می‌کنند و دارای پیش‌زمینه‌ی مشابهی هستند. یک نمونه‌ی دقیق آماری برای چنین آزمایشی باید نمونه‌هایی تصادفی از جوامع مختلف و به شکل ناهمگن ایجاد کند.

این خطا در زندگی روزمره نیز به‌وفور دیده می‌شود.

> Reihaneh: وقتی در اینستاگرام یا لینکدین موفقیت افراد را می‌بینیم (مثلاً سفرهای لوکس، شغل‌های عالی)، به اشتباه فکر می‌کنیم که همه موفق هستند. اما کسانی که شکست خورده‌اند یا مشکلات زندگی دارند، معمولاً پست نمی‌گذارند. این همان خطای بازماندگان است که باعث می‌شود واقعیت را نادیده بگیریم.

همین اتفاق در تبلیغات رژیم‌های غذایی نیز رخ می‌دهد. معمولاً داستان کسانی که وزن کم کرده‌اند نمایش داده می‌شود، اما کسانی که رژیم گرفته‌اند و نتیجه نگرفته‌اند یا حتی آسیب دیده‌اند، از دید خارج هستند. این خطا در موفقیت‌های کاری، روش‌های درمانی، کتاب‌های پرفروش، متدهای یادگیری زبان، تکنیک‌های مدیتیشن، و حتی در انرژی درمانی و توطئه‌های مختلف نیز به چشم می‌خورد.

در تمامی مثال‌های فوق، کسانی که صدایشان بلندتر است و نتیجه گرفته‌اند، در بسیاری از موارد تحت تأثیر تلقین یا اثر پلاسیبو بوده‌اند، اما صدای گروه مقابل به گوش کسی نرسیده است.

این مسئله در مصرف سایکودلیک‌ها هم دیده می‌شود. مشاهده‌ی کسانی که با مصرف سایکودلیک ها به موفقیت یا ثروت رسیده‌اند، در حالی که بسیاری از افرادی که نتیجه‌ای نگرفته‌اند یا حتی زندگی‌شان نابود شده، نادیده گرفته می‌شوند.

مطرح کردن این مسائل نه برای تخریب این حوزه‌ها، بلکه برای نگاه خردمندانه‌تر و چندوجهی به مسائل است تا از سطحی‌نگری فاصله بگیریم.

مغز انسان برای تحلیل آماری جهان تکامل پیدا نکرده‌است. بلکه یک سیستم پردازش بقا محور است که با داده‌های ناکامل و متکی بر استدلال‌های پسینی تصمیم‌گیری می‌کند. این یعنی، سیستم شناختی ما برای بقا در محیط‌های غیردقیق و مملو از عدم قطعیت تکامل یافته.

سیستم پاداش مغز که شامل ventral tegmental area – VTA و nucleus accumbens است، به‌گونه‌ای تنظیم شده که به داده‌های در دسترس وزن بیشتری بدهد. وقتی می‌شنویم که فردی با یک استراتژی خاص به موفقیت رسیده، مدارهای دوپامینرژیک فعال می‌شوند و این اطلاعات در حافظه ما تثبیت می‌شود. اما داده‌هایی که به ما نرسیده‌اند، مثل موارد شکست، این فرایند را دریافت نمی‌کنند و بنابراین در پردازش شناختی ما حضور ندارند.

هیپوکامپ نقش حیاتی در شکل‌دهی به برداشت ما از داده‌ها دارد و تمایل دارد داده‌های پرتکرار یا داده‌هایی که با هیجان بالا همراه هستند را بهتر ذخیره کند. این یعنی مغز ما نه‌تنها خطای بازماندگان را مرتکب می‌شود، بلکه این خطا را به‌عنوان یک “حقیقت ذهنی” در خود تثبیت می‌کند.

در حالت ایده‌آل، prefrontal cortex که مسئول مهار رفتارهای تکانشی و ارزیابی منطقی است، باید این خطا را اصلاح کند. اما مشکل اینجاست که مغز انسان برای تصمیم‌گیری سریع‌تر، به سیستم‌های میانبر وابسته است. نتیجه این است که تحلیل عمیق کنار گذاشته می‌شود و ما آنچه را می‌بینیم، واقعیت تلقی می‌کنیم، نه آنچه را که واقعا اتفاق افتاده.

اگر ما تنها داده‌هایی را می‌بینیم که در دسترس هستند و داده‌های دیگر در هیچ نقطه‌ای از پردازش شناختی ما حضور ندارند، آیا واقعیت برای ما وجود دارد؟ این دقیقاً همان نقطه‌ای است که بحث بین اول شخص و سوم شخص مطرح می‌شود. در سطح اول‌شخص، ما همیشه مشاهدات ناقص داریم. اما در سطح سوم‌شخص، می‌توانیم بگوییم که هر مشاهده‌ای دچار محدودیت است. این همان دلیلی است که باعث می‌شود هیچ گزاره‌ی مستقلی بدون در نظر گرفتن داده‌های ناپیدا، قابل اتکا نباشد.

فرض کن که یک روش درمانی وجود دارد که 90٪ افراد را می‌کشد، اما 10٪ را نجات می‌دهد. بازماندگان از روش دفاع می‌کنند، مردگان سکوت کرده‌اند. حال، آیا ما باید به توصیه‌ی بازماندگان گوش دهیم یا سکوت مردگان؟

خطای بازماندگان تنها در مورد تحلیل تجربیات فردی نیست، بلکه در فلسفه٬ علم و روش‌شناسی علمی نیز دیده می‌شود. هر نظریه‌ی علمی که تنها بر مشاهدات موفق تکیه کند و شکست‌ها را نادیده بگیرد، در واقع در دام همین سوگیری افتاده است. روش علمی زمانی معتبر است که نمونه‌گیری دقیق، کنترل متغیرها و امکان ابطال‌پذیری داشته باشد. این یعنی، تنها زمانی می‌توان ادعایی را پذیرفت که هم موارد آشکار و هم موارد پنهان تا حد ممکن به‌طور سیستماتیک بررسی شده باشد.

درک ما از واقعیت، چه در سطح فردی و چه در سطح علمی، همیشه دچار محدودیت است، چرا که چیزی که مشاهده نشده، نمی‌تواند در مدل شناختی ما ثبت شود. بنابراین، آنچه ما “واقعیت” می‌نامیم، بیشتر یک توهم جمعی است که حاصل همان داده‌های ناپیدای از دست رفته است.

حال٬ اگر یک پژوهش با همین روش‌های نمونه‌گیری دقیق آماری و به صورت کاملا علمی و با روش‌های تحقیقی دو-سو کور Double Blind Study انجام شده باشد آیا می‌توانیم با قطعیت بگوییم که این نتایج قابل اطمینان و بدون خطا است؟

مجددا جواب منفی است. همانطور که در فصل‌های قبل ذکر کردم در این جهان هیچ قطعیتی وجود ندارد و همه چیز در یک بازه‌ی اطمینان معنی دار می‌شود. > Reihaneh: از طرف دیگر با پیشرفت علم و تکنولوژی دقت پژوهش‌ها با سرعتی باور نکردنی در حال تغییر است تا حدی که پژوهش‌های قبلی که با دقت بسیار بالا تایید شده بودند پس از گذشت چند سال دیگر دقیق نخواهند بود.

دیردریک استاپل، روان‌شناس اجتماعی هلندی، یکی از شناخته‌شده‌ترین موارد تقلب علمی در دهه گذشته را رقم زد. او استاد دانشگاه تیلبورگ (Tilburg University) بود و در حوزه روان‌شناسی اجتماعی پژوهش‌های متعددی انجام داده بود که به‌شدت در رسانه‌ها، مقالات علمی، و حتی سیاست‌گذاری‌ها تأثیرگذار بودند.

استاپل در ده‌ها مقاله علمی ادعاهایی مطرح کرده بود که بعدها مشخص شد کاملاً ساختگی هستند.

او در مقاله‌ای که در مجله‌ی علمی Science منتشر شد، ادعا کرد که محیط‌های نامرتب و شلوغ باعث افزایش تفکرات نژادپرستانه در افراد می‌شود.
این تحقیق در رسانه‌ها و سیاست‌گذاری‌های اجتماعی بازتاب گسترده‌ای داشت و بسیاری از آن برای حمایت از استراتژی‌های بهبود طراحی شهری استفاده کردند. اما بعداً مشخص شد که داده‌های این تحقیق کاملاً جعلی بودند و هیچ‌یک از این آزمایش‌ها واقعاً انجام نشده بود.

استاپل ادعا کرده بود که افرادی که گوشت مصرف می‌کنند، بیشتر رفتارهای خودخواهانه از خود نشان می‌دهند، درحالی‌که گیاه‌خواران رفتارهای اجتماعی و همدلانه‌تری دارند.
این تحقیق در رسانه‌ها به‌شدت تبلیغ شد و برخی گروه‌های حامی محیط زیست از آن برای ترویج گیاه‌خواری استفاده کردند. بعداً بررسی‌های مستقل نشان داد که داده‌های این تحقیق نیز دستکاری شده بودند و آزمایش‌ها به‌صورت واقعی انجام نشده بودند.

او در مقاله‌ای دیگر ادعا کرده بود که افراد زمانی که گرسنه هستند، تصمیمات اخلاقی ضعیف‌تری می‌گیرند و تمایل بیشتری به فریب و تقلب دارند.
این تحقیق در حوزه اقتصاد رفتاری و روان‌شناسی تأثیرگذار بود و برخی از سیاست‌گذاران حتی آن را مبنای استراتژی‌های کاهش فقر قرار دادند. اما بعدها مشخص شد که این داده‌ها نیز کاملاً جعلی بوده‌اند.

در سال ۲۰۱۱، چند تن از دانشجویان دکتری او متوجه تناقضاتی در داده‌های پژوهشی‌اش شدند. برخی از داده‌ها بیش از حد دقیق و منظم به نظر می‌رسیدند، به‌گونه‌ای که در پژوهش‌های تجربی واقعی تقریباً غیرممکن بود. پس از افشاگری داخلی، دانشگاه تیلبورگ تحقیقاتی را آغاز کرد و مشخص شد که استاپل در بسیاری از تحقیقاتش داده‌های جعلی را منتشر کرده و حتی برخی از نتایج را به‌طور کامل ساخته است.

در نهایت، ۵۵ مقاله علمی او پس گرفته (Retract) شد و وی از سمت‌های دانشگاهی خود استعفا داد. او همچنین یک بیانیه عمومی منتشر کرد و به تقلب در پژوهش‌هایش اعتراف کرد.

افشای تقلب‌های استاپل باعث شد که اعتماد به علم روان‌شناسی اجتماعی به‌شدت آسیب ببیند. این اتفاق باعث شد که بسیاری از مجلات علمی قوانین سخت‌گیرانه‌تری را برای بررسی و انتشار مقالات وضع کنند. همچنین، اهمیت بازتولیدپذیری در پژوهش‌های علمی بیشتر مورد توجه قرار گرفت.

با اینکه سال‌ها از این اعترافات و افشاگری‌ها گذشته و مقالات مربوطه پس گرفته شده‌اند، همچنان بسیاری از افراد برای اثبات گفته‌های خود از این موارد استفاده می‌کنند. این نشان می‌دهد که زمانی که انسان‌ها به چیزی باور پیدا می‌کنند، تغییر دادن آن باور تا چه حد دشوار است، موضوعی که در بخش باورها به‌تفصیل توضیح داده شده است.

آیا با همه‌ی این تفاسیر نباید به علم اعتماد کنیم؟ آیا باید به عقب بازگردیم و به دام خرافات، شبه‌علم، و روش‌های غیرمستند مانند انرژی‌درمانی و درمان‌های فاقد پایه‌ی علمی که در شبکه‌های اجتماعی ترویج می‌شوند، بیفتیم؟

این دقیقا مثل این است که به دلیل حوادث رانندگی و سقوط هواپیما اعتمادمان را به تکنولوژی از دست داده و با کاروانی از شتر‌ها سفر کنیم. یا به دلیل اینکه کامپیوتر‌ها هک می‌شوند و ویروس‌های کامپیوتری همیشه خطراتی ایجاد می‌کنند محاسباتمان را با چرتکه انجام دهیم. معمولا ما این کار را انجام نمی‌دهیم بلکه تلاشمان را برای ساخت خودروها و هواپیماها و کامپیوتر‌های امن‌تر افزایش می‌دهیم و اعتماد از دست رفته را بازمی‌گردانیم.

هرچند علم و تکنولوژی بی‌نقص نیستند، اما همچنان بهترین و دقیق‌ترین ابزار ما برای پاسخ به سؤالات کنجکاوانه‌ی ما است.

در علم، هیچ گزاره‌ای با قطعیت مطلق پذیرفته نمی‌شود، بلکه در یک بازه‌ی اطمینان معنا پیدا می‌کند. به‌عنوان مثال، اگر یک تحقیق علمی در سطح اطمینان ۹۵ درصد معتبر تلقی شود، روش‌های غیرعلمی و خرافی عملاً به صفر درصد میل می‌کنند. هر موردی که خارج از این چارچوب به‌نظر مؤثر می‌رسد، معمولاً ناشی از اثر پلاسیبو (placebo effect)، همبستگی‌های نادرست، یا سوگیری‌های شناختی است.

اما پذیرش این که علم دقیق‌ترین ابزار ماست، به‌معنای پذیرش بی‌چون‌وچرای تمام نتایج علمی نیست.

اعتماد کورکورانه به علم، بدون درک مکانیسم‌های اصلاحی آن، همان‌قدر می‌تواند خطرناک باشد که رد کامل آن. همانطور که در بخش قبل اشاره کردم٬ علم یک مکانیسم خوداصلاحگر (self-correcting mechanism) است؛ یعنی نه‌تنها اشتباهاتش را انکار نمی‌کند، بلکه آن‌ها را شناسایی و اصلاح می‌کند. {من در فصل ششم در بخش دموکراسی در مورد مکانیسم‌های خوداصلاحگر توضیحات مفصلی را ارائه خواهم کرد}

همین ویژگی باعث شده که در طول تاریخ، بسیاری از نظریات علمی که زمانی پذیرفته‌شده بودند، کنار گذاشته شوند یا اصلاح شوند. اما این نکته را باید در نظر داشت که چنین اصلاحاتی نه‌تنها ضعف علم را نشان نمی‌دهند، بلکه دلیلی بر قدرت آن هستند. درحالی‌که باورهای خرافی و شبه‌علمی هرگز قابلیت بازنگری ندارند و در برابر تغییر مقاومت می‌کنند، علم دقیقاً به این دلیل معتبر است که به‌طور مداوم از طریق آزمایش، تکرارپذیری، و بازبینی نقادانه پالایش می‌شود.