خطای بازماندگان 

در طول جنگ جهانی دوم، نیروهای متفقین با مشکلی جدی مواجه بودن .  بسیاری از هواپیماهای اون‌ها در مأموریت‌ها سرنگون می‌شدند و بازگشتشون به پایگاه به‌شدت کاهش پیدا کرده بود . به همین دلیل، تصمیم گرفتند بررسی کنند کدوم بخش از هواپیما نیاز به تقویت زره داره تا شانس بقا و بازگشت خلبان‌ها افزایش پیدا کنه .

برای این کار، هواپیماهایی که از مأموریت‌ها برگشته بودند بررسی شدند تا نقاطی که بیشترین گلوله‌ها و آسیب‌ها رو دریافت کرده بودند مشخص بشه. بعد  از جمع‌آوری داده‌ها، متوجه شدند که بال‌ها، دم و بخش‌های خاصی از بدنه بیشتر مورد اصابت گلوله قرار گرفته‌اند. اگر شما باشید کدوم بخش از این هواپیماهارو تقویت می‌کنید؟ به نظر کاملا منطقی می‌رسه که زره اضافی رو 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 رو تغییر داد. اون به این نتیجه رسید که این رویکرد اشتباهه است. هواپیماهایی که به پایگاه برمیگردند، همون‌هایی هستند که علی‌رغم آسیب در نقاط ذکرشده تونستن پرواز کنند و به زمین برسند. بنابراین، نقاطی که آسیبی ندیده بودند، مثل موتور و کابین خلبان، در واقع بحرانی‌ترین قسمت‌ها هستند؛ چرا که هواپیماهایی که این بخش‌هایشان آسیب دیده بود، اصلاً برنگشته بودند.

بر اساس این تحلیل، تصمیم گرفته شد زره اضافی روی نقاطی که در داده‌ها کمتر مورد اصابت قرار گرفته بودند، مثل موتور و کابین خلبان، اضافه بشن . 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 هم  ترجمه شده، به شمار میره.

خطای بازماندگان یکی از اساسی‌ترین سوگیری‌های شناختیه ،که در تحلیل داده‌ها، تصمیم‌گیری‌ها و حتی درک ما از موفقیت و شکست نقش داره. این خطا زمانی رخ میده که ما تنها نمونه‌های موفق یا قابل مشاهده رو در نظر می‌گیریم و از داده‌های نامرئی، یعنی شکست‌خوردها، بی‌خبریم. در حقیقت، دلیل وقوع این خطا ریشه در نحوه‌ی پردازش اطلاعات توسط ذهن ما داره. مغز انسان و دیگر نخستیان به شکلی تکامل پیدا کرده که الگوهای ساده و معنادار در محیط خودش رو پیدا کنه  ، اما این کار رو بر اساس داده‌هایی انجام میشه که در دسترس هستند، نه بر اساس یک مجموعه‌ی جامع و بی‌طرفانه.

این داستان امروز ،در بسیاری از زمینه‌ها مثل  اقتصاد، فناوری و علوم داده وپزشکی و نوروساینس و فلسفه استفاده میشه تا یادآور کنیم که هنگام تحلیل داده‌ها، نباید فقط به مشاهدات موجود توجه کرد، بلکه اون چیزی که دیده نمیشه هم باید در نظر گرفت.

فرض کنید شما به‌طور کاملاً تصادفی یک درمان معجزه‌آسا برای یک زائده‌ی پوستی یا جوش صورت پیدا کرده‌اید که براتون بسیار مفید بوده و هیجان‌زده هستید تا این کشف شبه‌علمی خودتون رو در شبکه ها‌ی اجتماعی‌ به اشتراک بگذارید و کمی بیشتر توجه دریافت کنید.

شما توضیحاتتون رو  میدید و فالوئرهای از همه‌جا بی‌خبر ، طبق معمول، کارهایی که شما گفتید رو انجام میدند. فرض کنید ۱۰۰ هزار فالوئر دارید و ۱۰ هزارتاشون در نظرسنجی اعلام می‌کنند که فرمول جادویی و درمان قطعی شما براشون ثمربخش بوده. شما در پوست خود نمی‌گنجید و می‌خواید این کشف رو ثبت کنید. آیا می‌توان گفت که کشف شما واقعاً اثربخش بوده ؟

با تمام احترام به اکتشاف مهمه حضرت عالی٬ جواب منفیه. خطای بازماندگان!

اگر بر فرض مثال ۵۰ هزار نفر از فالوئرهای شما این متد رو امتحان کرده باشند و ۴۰ هزار نفر از اون‌ها 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 پیدا کرده باشن ، احتمالاً شما به زندان خواهید رفت!

حالا اگر همه‌ی ۱۰۰ هزار فالوئر شما در نظرسنجی بهبود رو اعلام کنند، چطور؟ باز هم آزمایش شما غیرعلمیه و رد میشه و نمیشه اون رو ثبت کرد!  چرا؟

چون شما گروه کنترلی نداشته‌اید که به اون‌ها دارونما بدید و اثر پلاسیبو رو بررسی کنید. از طرف دیگه، این آزمایش توسط شما و بدون روش‌های نمونه‌گیری آماری انجام شده. نمونه‌گیری آماری شامل روش‌های متعددیه که خطا رو تا حد زیادی کم میکنه و احتمال اینکه دارو واقعاً اثربخش باشه رو بررسی می‌کنه.

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 کنه ،این خطا در زندگی روزمره نیز به‌وفور دیده میشه.

وقتی در اینستاگرام یا لینکدین موفقیت افراد رو 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 بازماندگانه که باعث می‌شود واقعیت رو نادیده بگیریم.

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

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

این مثال در مصرف سایکودلیک‌ها هم دیده میشه. مشاهده‌ی کسانی که با مصرف سایکودلیک ها به موفقیت یا ثروت رسیده‌اند، در حالی که بسیاری از افرادی که نتیجه‌ای نگرفته‌اند یا حتی زندگی‌شون نابود شده، نادیده گرفته میشن.

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

مغز انسان برای تحلیل آماری جهان تکامل پیدا نکرده‌. بلکه یک سیستم پردازش بقا محوره که با داده‌های ناکامل و متکی بر استدلال‌های گذشته تصمیم‌گیری میکنه. این یعنی، سیستم شناختی ما برای بقا در محیط‌های غیردقیق و پر از عدم قطعیت تکامل یافته.

سیستم پاداش مغز که شامل ventral tegmental area – VTA و nucleus accumbens ، به‌گونه‌ای تنظیم شده که به داده‌های در دسترس وزن بیشتری بده. وقتی می‌شنویم که فردی با یک استراتژی خاص به موفقیت رسیده، مدارهای دوپامینرژیک فعال میشن و این اطلاعات در حافظه ما تثبیت میکنن . اما داده‌هایی که به ما نرسیده‌، مثل موارد شکست، این فرایند رو دریافت نمی‌کنه و بنابراین در پردازش شناختی ما حضور نداره.

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

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

اگر ما تنها داده‌هایی رو می‌بینیم که در دسترس هستند و داده‌های دیگه در هیچ نقطه‌ای از پردازش شناختی ما حضور ندارند، آیا واقعیت برای ما وجود داره؟ این دقیقاً همان نقطه‌ای هستش که بحث بین اول شخص و سوم شخص مطرح میشه . در سطح اول‌شخص، ما همیشه مشاهدات ناقص داریم. اما در سطح سوم‌شخص، می‌تونیم بگیم که هر مشاهده‌ای دچار محدودیته. این همون دلیلیه که باعث میشه هیچ گزاره‌ی مستقلی بدون در نظر گرفتن داده‌های ناپیدا یا نامرئی ، قابل اتکا نباشه.

فرض کنید که یک روش درمانی وجود دارد که 90٪ افراد رو میکشه، اما 10٪ رو نجات میده. بازماندگان از روش دفاع می‌کنند، مردگان سکوت کرده‌اند. حالا، آیا ما باید به توصیه‌ی بازماندگان گوش بدیم یا سکوت مردگان؟

خطای بازماندگان تنها در مورد تحلیل تجربیات فردی نیست، بلکه در فلسفه٬ علم و روش‌شناسی علمی هم دیده میشه. هر نظریه‌ی علمی که تنها بر مشاهدات موفق تکیه کنه و شکست‌ها رو نادیده بگیره، در واقع در دام همین سوگیری افتاده. روش علمی زمانی معتبره که نمونه‌گیری دقیق، کنترل متغیرها و امکان ابطال‌پذیری داشته باشه. این یعنی، تنها زمانی می‌توان ادعایی رو پذیرفت که هم موارد آشکار و هم موارد پنهان تا حد ممکن به‌طور سیستماتیک بررسی شده باشند.

درک ما از واقعیت، چه در سطح فردی و چه در سطح علمی، همیشه دچار محدودیته ، چرا که چیزی که مشاهده نشده، نمیشه در مدل شناختی ما ثبت بشه . بنابراین، آنچه ما “واقعیت” می‌نامیم، بیشتر یک توهم جمعیه که حاصل همون داده‌های ناپیدای از دست رفته است.

حالا ٬ 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 باشه آیا می‌تونیم با قطعیت بگیم که این نتایج قابل اطمینان و بدون خطا هستن ؟

من یک لینک آشنایی به پژوهش دو-سو کور براتون در توضیحات گذاشتم که باهاش آشنا بشید .

 مجددا جواب منفیه. همانطور که در فصل‌های قبل ذکر کردم در این جهان هیچ قطعیتی وجود نداره و همه چیز در یک بازه‌ی اطمینان معنی دار میشه .

از طرف دیگه با پیشرفت علم و تکنولوژی دقت پژوهش‌ها با سرعتی باور نکردنی در حال تغییره تا حدی که پژوهش‌های قبلی که با دقت بسیار بالا تایید شده بودند بعد از گذشت چند سال دیگه دقیق نیستند.

دیردریک استاپل، روان‌شناس اجتماعی هلندی، یکی از شناخته‌شده‌ترین موارد تقلب علمی در دهه گذشته رو رقم زده. اون 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.
اون در مقاله‌ای که در مجله‌ی علمی Science منتشر شد، ادعا کرد که محیط‌های نامرتب و شلوغ باعث افزایش تفکرات نژادپرستانه در افراد میشن.
این تحقیق در رسانه‌ها و سیاست‌گذاری‌های اجتماعی بازتاب گسترده‌ای داشت و بسیاری از اون 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 خودشون نشون میدن، درحالی‌که گیاه‌خواران رفتارهای اجتماعی و همدلانه‌تری دارند.
این تحقیق در رسانه‌ها به‌شدت تبلیغ شد و برخی گروه‌های حامی محیط زیست از اون برای ترویج گیاه‌خواری استفاده کردند. بعداً بررسی‌های مستقل نشون داد، که داده‌های این تحقیق هم دستکاری شده بودند و آزمایش‌ها به‌صورت واقعی انجام نشده بود.
اون 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 اون رو مبنای استراتژی‌های کاهش فقر قرار دادند. اما بعدها مشخص شد که این داده‌ها نیز کاملاً جعلی بوده‌اند.

در سال ۲۰۱۱، چند تن از دانشجوهای اون متوجه تناقضاتی در داده‌های پژوهشی اون شداند. برخی از داده‌ها بیش از حد دقیق و منظم به نظر می‌رسیدند، به‌گونه‌ای که در تحقیقات تجربی واقعی تقریباً غیرممکن بودن. پس از افشاگری داخلی، دانشگاه تیلبورگ تحقیقاتی رو شروع کرد و مشخص شد که استاپل در بسیاری از تحقیقاتش داده‌های جعلی رو منتشر کرده و حتی برخی از نتایج رو به‌طور کامل ساخته.

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

این اتفاق باعث شد که اعتماد به علم روان‌شناسی اجتماعی به‌شدت آسیب ببینه. بعد از اون بسیاری از مجلات علمی قوانین سخت‌گیرانه‌تری رو برای بررسی و انتشار مقالات وضع کردند . 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 نشون میده که وقتی انسان‌ها به چیزی باور پیدا می‌کنند، تغییر دادن اون باور تا چه حد دشواره ، موضوعی که در بخش باورها به‌تفصیل توضیح داده شده.

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

این دقیقا مثل اینکه به دلیل حوادث رانندگی و سقوط هواپیما اعتمادمون رو به تکنولوژی از دست بدیم و با کاروانی از شتر‌ها سفر کنیم. آیا به دلیل اینکه کامپیوتر‌ها هک میشن و ویروس‌های کامپیوتری همیشه خطراتی ایجاد می‌کنند محاسباتمان رو  با ماشین حساب و چرتکه انجام میدیم ؟معمولا ما این کار رو انجام نمیدیم بلکه تلاشمون رو برای ساخت خودروها و هواپیماها و کامپیوتر‌های امن‌تر افزایش میدیم و اعتماد از دست رفته رو  برمی‌گردونیم.

هرچند علم و تکنولوژی بی‌نقص نیستند، اما همچنان بهترین و دقیق‌ترین ابزار ما برای پاسخ به سؤالات کنجکاوانه‌ی انسانی ما هستن.
در علم، هیچ گزاره‌ای با قطعیت مطلق پذیرفته نمیشه ، بلکه در یک بازه‌ی اطمینان معنا پیدا میکنه. به‌عنوان مثال، اگر یک تحقیق علمی در سطح اطمینان ۹۵ درصد معتبر تلقی بشه ، روش‌های غیرعلمی و خرافی عملاً به صفر درصد میل می‌کنند. هر موردی که خارج از این چارچوب به‌نظر مؤثر میرسه، معمولاً ناشی از اثر پلاسیبو (placebo effect)، همبستگی‌های نادرست، یا سوگیری‌های شناختیه.

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

اعتماد کورکورانه به علم، بدون درک مکانیسم‌های اصلاحی اون، به همون میزان که رد کامل اون خطرناکه، میتونه خطر ناک باشه .  همانطور که در بخش قبل اشاره کردم٬ علم یک مکانیسم خوداصلاحگر (self-correcting mechanism) ؛ یعنی نه‌تنها اشتباهات رو انکار نمی‌کنه، بلکه اون‌ها رو شناسایی و اصلاح می‌کنه. {من در فصل ششم در بخش دموکراسی در مورد مکانیسم‌های خوداصلاحگر توضیحات مفصلی رو ارائه خواهم کرد}

همین ویژگی باعث شده که در طول تاریخ، بسیاری از نظریات علمی که زمانی پذیرفته‌شده بودند، کنار گذاشته بشن  یا اصلاح بشن. اما این نکته رو باید در نظر گرفت که چنین اصلاحاتی نه‌تنها ضعف علم رو نشون نمیده، بلکه دلیلی بر قدرت اون هستش. درحالی‌که باورهای خرافی و شبه‌علمی هرگز قابل بازنگری نیستند و در برابر تغییر مقاومت می‌کنند، علم دقیقاً به این دلیل معتبره که به‌طور مداوم از طریق آزمایش، تکرارپذیری، و بازبینی نقادانه پالایش میشه .