یکی از خطاهای خیلی مشهور و فراگیر شناختی، که معمولا وقتی شما در کتابهای در واقع cognitive illusions یا cognitive bias نگاه می کنید تحت عنوان غفلت از شیوع پایه هست یا base-rate neglect. و معمولا توی این کتابها این بعنوان بحث های مقدماتی مطرح میشه و اشاره میشه که یکی از شایع ترین خطاهای شناختیه که مردم از اون رنج میبرن. و در واقع اساس این خطای شناختی اینه، که هنگامی که انسانها میخوان احتمالات را بررسی کنند، احتمال یک واقعه رو بررسی کنن، حدس بزنن که چقدر یک اتفاق محتمله که رخ بده خیلی به خود اون اتفاق میپردازند و احتمالات قبلی و پیشین یا پایه رو در محاسبات خودشون لحاظ نمیکنن. به عبارت دیگر base-rate یا اون وقوع پایه رو مدنظر قرار نمیدن و فقط به خود اون واقعه میپردازند. این Base-rate چیه؟ Biserrate در واقع یک احتمال apriority هست برای وقوع یک واقعه یا حصول یک نتیجه. حالا برای اینکه روشن تر بشه من یه مثالی خدمت تون بزنم. مثلا این مثال به این صورت هست که Gordon Pennycook در واقع در chapter خودش که در کتاب cognitive illusions هست به این اشاره میکنه. میگه فکر کنید شما در شهر تورنتو هستید و یک آدم درشت هیکلی با یک تیشرت لباس هاکی توی خیابون میبینید. چقدر شما احتمال می دید که او عضو در واقع تیم هاکی کانادا باشه؟ national hockey league یا NHL. و صحبتی که میکنه در واقع اینه که اون NHL player در تورنتو چقدر احتمالش هست. منتها میگه مردم خیلی میان خیلی نگاه میکنن خب آره لباس هاکی پوشیده، نمیدونم چوب هاکی هم ممکنه داشته باشه خیلی هم هیکلی هست پس این به احتمال خیلی زیاد عضو NHL هست. منتها وقتی ما میگیم base-rate رو ازش غفلت میکنن داستان اینه. میگه شما فکر کن مگر کلا چند نفر ممکنه عضو یک تیم باشن وقتی یه مسابقه در شهر در جریانه. میگه یک تیم هاکی در کانادا مثلا Toronto…list حالا من تیم های هاکی اونهارو نمیشناسم ولی یه نمونه عکسشو اینجا گذاشتم اینی که این برگ افرا، این سمبل پرچم کانادا رو روی پیراهنش داره و عضو تیم ملی شون هست national hockey league هست میگه هر تیمش ۱۹ تا عضو داره. حالا فکر کنیم که مسابقه در شهر در جریان باشه دوتا ۱۹ نفر یعنی ۳۸ نفر عضو NHL در تورنتو هستند. در صورتی که در تورنتو دو و نیم میلیون جمعیت وجود داره. و وقتی شما یه محاسبه ساده انجام بدید این داستان هست که هر چقدر هم این یارو قیافه ش که تو خیابون دیدید به عضو NHL بخوره تیشرتNHL پوشیده باشه و این آرم Toronto man.. list روی بدنش باشه با این حال باید در نظر بگیرید که اون احتمال پایه یا احتمال base-rate خیلی پایین هست و در واقع ۳۸ تقسیم بر دو و نیم میلیون میشه به عبارت دیگر ۰.۰۰۱۵۲ ٪ یک احتمال بسیار کم هست. پس در واقع وقتی شما اینو میبینی درسته که خیلی قیافه و تیپش میخوره که عضو تیم هاکی باشه ولی باید فکر کنی توی این شهر مگه کلا چند نفر عضو تیم هاکی هستن؟ ۳۵ نفر. خب اگه همچین چیزی هست صحبتش بر سر اینه که مردم معمولا این base-rate رو لحاظ نمیکنن و اون احتمالات پایه رو در محاسبات خودشون دخیل نمیکنن. حالا یه مقدار من بحث رو بیشتر توضیح بدم و مثال های بیشتری بزنم روشن تر میشه. خب اینجا Gordon Pennycookیه مثال دیگه میزنه. من فکر کنم یه مقدار دل پری از ماشین Fiat داشته و خیلی با ماشین Fiat خوب نبوده. میگه شما فکر کنید که دو ماشین رو میخواید با هم مقایسه کنید. یه دونه Subaru و یه دونه Fiat. منتها در تمام ارزیابی ها که بین چند صد نفر صورت گرفته مشتریا گفتن که ماشین Fiat بیشتر خراب میشه و بیشتر شما خرج مکانیک باید برای اون انجام بدید. ولی شما وقتی میآید تصمیم گیری کنید مثلا اگه فامیل شما دایی شما عموی شما بیاد بگه آره من Subaru داشتم. Subaru خیلی ماشین بدیه Subaru من چند بار خراب شد، با وجود اینکه اون یکباره و یک احتمالا و یک واقعه ست ولی شما اون یک بار رو خیلی برجسته میبینید و اون صدها یا هزارها بار یا اون base-rate یا اون احتمال پایه رو در واقع توی محاسبات خودتون لحاظ نمیکنید. این رو متخصصین علوم شناختی میگن که در واقع base-rate neglect و اساس تئوری ش بر اینه که در base-rate neglect شما از اطلاعاتی که کمتر ارزش دارن کمتر آگاه کننده هستند less informative هستن مثلا شما فرض کن اینی که دایی شما میگه Subaru ماشین بدیه. این less informative هست برای اینکه این نتیجه ی نظر یک نفره. در تجربه یک نفر در یک زمان محدود هست . شما به این بیشتر بها میدید در مقایسه با انبوهی از شواهدی که در واقع بایستی که بسیار ارزشمند باشن و در واقع اونهارو شما لحاظ کنید. پس شما از تجارب less informative که بیشتر جنبه ی شهودی و جنبه ی احساسی دارند استفاده میکنید و از انبوه اطلاعاتی که نقش پایه رو دارن رد میکنید. یعنی به عبارت دیگر وقتی ما میخوایم در محاسبات خودمون در مورد احتمال وقوع یک پدیده که چقدر یک پدیده محتمل هست بحث کنیم شما می آید این کارو میکنید یه سری چیزهایی که به ذهنت خیلی مهم میاد خیلی احساس جذب کنندگی داره یه احساس * داره بها میدید و اون باعث میشه که محاسبه شما یا تخمین شما بشدت دستخوش تغییر بشه و به یک عدد نامناسب برسید.حالا برای روشن تر شدن قضیه base-rate neglect من چند مطالعه کلاسیک و مشهور رو خدمت تون میگم و بعد که شما این مطالعات رو در واقع به نوعی بهش فکر کردید شاید بهتر متوجه این پدیده بشید. اومدن به یه تعداد گفتن که بیاید این متن رو براتون میخونیم در مورد یه آقایی به نام پاول که این پاول این مشخصات هست و ما میخوایم که شما در مورد او قضاوت کنید. این رو فرض کنید از آزمودنی ها پرسیدن.گفتن در یک مطالعه ۱۰۰۰ نفر رو بررسی کردن در بین اون ها ۵ نفر پزشک و ۹۹۵ نفر پرستار بودند. پاول به طور تصادفی از میان این گروه انتخاب شده است. پس از یه گروهی که ۱۰۰۰ نفر جمعیتش بوده ۵ تا توش پزشک بوده ۹۹۵ تا پرستار توش بوده یه آقایی به نام پاول رو کشیدن بیرون و داره حالا مشخصاتش رو میگه. وی ۳۴ سال دارد. در خانه ای زیبا در محله ای مرفه زندگی میکند. خوش سخن است و به سیاست علاقه مند است. خوش سخن رو ترجمه well spoken گذاشتم یعنی منظور من این نیست که خوش حرف و خوش صحبت هست بلکه معنیش اینه که حرفای سنجیده و علمی میزنه ترجمه well spoken هست نه آدم مثلا خوش مشربی که خیلی با همه شوخی میکنه. به سیاست علاقه منده او زمان زیادی در حرفه خود صرف میکند. پاول بیشتر احتمال دارد که پزشک باشد یا پرستار؟ جوابی که اینجا دادن اینه 24% گفتن این احتمال داره پرستار باشه احتمال زیاد پرستاره و 76% گفتن به احتمال زیاد پزشک هست. اینو از دانشجویان و از آزمودنی ها در این مطالعه سوال کردن. حالا شما نگاه کنید من یه عذر خواهی هم از جمع میکنم در شنونده های این متن هم میتونه دانشجوهای پزشکی باشه هم دانشجوهای پرستاری. من نمیخوام به طرحواره ای دامن بزنم یا باورهای فرهنگی خاصی رو برجسته کنم و تازه اینم در نظر بگیرد که این مطالعه مختص کشورهای غربیه. پس خدایی نکرده تقابل بین پرستار و پزشک اینجا شکل نگیره. ولی داستان به این صورته که افراد که حالا ممکنه شما بگید توی ایرانم دیگه این صحت نداره .الحمدالله دیگه این در ایران هم این سوال رو بکنی باز جواب بهم خواهد ریخت ولی فرض بر اینه که خب آدمهایی که در 34 سالگی صاحب یه خونه زیبا بشن توی یه محله مرفه زندگی کنن اینا بیشتر بهشون میاد پزشک باشن چون تحصیلاتشون بیشتر بوده درآمد بیشتری دارن و معمولا پزشک ها هم خیلی بیشتر درگیر حرفه خودشونن و خب بحث های سیاسی اینام شرکت میکنن. یعنی احتمالا توی ذهن شرکت کننده ها این بوده. حتی در کشورهای غربی این سوءگیری وجود داره که خب پزشک جماعت مثلا خیلی بحث سیاسی بیشتر میکنن تا پرستاران عزیز یا مثلا توی سن کمتر صاحب امکانات رفاهی بیشتری اند که هرچند که تو کشور ما اصلا فکر نمیکنم کسی توی 34 سالگی بتونه خانه ای زیبا در محله ای مرفه داشته باشه و به همین دلیل اکثریت گفتن این بیشتر احتمال دارد پزشک باشد تا پرستار. ببنید تقریبا سه به یک شده. منتها اون چیزی که من میگم تحت عنوان base rate neglect یا در واقع عدم لحاظ اطلاعات پایه اینه. توی این sample توی این نمونه فقط ۵ نفر پزشک بودن و ۹۹۵ نفرشون پرستار بودن. پس درسته که ممکنه شما اینجوری احساس کنی که این بیشتر به تیپش میاد پزشک باشه ولی فراموش نکن از حجم نمونه ای برهواسته که در اون اکثریت قاطع یعنی ۹۹.۵٪ شون پرستار بودن. این base-rate هست و وقتی ما میگیم base-rate neglect که یک خطای شناختی ست یعنی انسان ها وقتی دارن احتمالات یک واقعه رو بررسی میکنن این میزان پایه رو لحاظ نمیکنن. و در واقع میدونی این تفاوت خیلی فاحش ایجاد خواهد کرد. یعنی شما میبینی نه تنها باید جواب برعکس باشه بلکه خیلی خیلی بیشتر باید برعکس باشه. یعنی افراد بگن درسته که اره این بیشتر به کاراکتر پزشک میخوره ولی چون تعداد پرستارها توی این نمونه زیادتر بوده به احتمال حالا ۹۹.۵٪ نه ولی به احتمال حدود ۹۰٪ این فرد پرستار هست. یا یه مورد دیگه. خب در اینجا دیدیم که ما base-rate رو اعلام کرده بودن. یعنی حتی base-rate رو جلوی چشم افراد گذاشته بودن که شما یک تعادل نابرابر ۵ نفر در مقابل ۹۹۵ نفر مواجه اید و همچین جوابی داده بودن. البته این رو هم لحاظ کنید که این جوابارو تازه افراد تحصیل کرده دانشجو و in Telle دادن . یعنی بنظر میاد حتی تحصیل کرده ها هم از base-rate در واقع غافل اند. آزمون دیگه. فرد الف بصورت تصادفی از میان دانشجویان هنر و یا آمار دانشگاه واترلو نتخاب شد. این رو حالا از کیا پرسیده بودن؟ از دانشجویان خود دانشگاه واترلو یعنی شرکت کننده ها توی این آزمون خود دانشجویان دانشگاه واترلو بودن. او فردی دقیق منظم واقع بین و منضبط است. یعنی چند صفت براش معرفی کردن. آدم منظم ایه خیلی واقع بینه خیلی منضبط هست. این فرد بیشتر ممکن است دانشجوی هنر باشد یا رشته ی آمار؟ خب شما باز این حس رو خواهی داشت که آدم هایی که با آمار طرفند با ریاضیات با اعداد اینا طرف هستند خب احتمالا بیشتر این صفت هارو دارند تا دانشجویان هنر که ممکنه یک مقدار منظم نباشند. مشهورن به اینی که نظم ندارند و خیلی منطق احساسی دارند تا منطق analytic. ولی توی این قضیه یه پدیده مستتره میگه اونایی که تو دانشگاه واترلو هستن میدونن که دانشجویان هنر خیلی به مراتب بیشتر از دانشجويان آمار هستند. با این حال وقتی از افراد پرسیدن احتمال اینکه این فرد بیشتر دانشجوی هنر باشه یا رشته آمار در واقع 79% گفتن دانشجوی آمار و 21% گفتن دانشجوی رشته ی هنر. درصورتیکه در واقع یک پدیده ای که ممکنه در این بحث مطرح نشده ولی در واقع مستتر هست اینه که افرادی که در رشته هنر تحصیل میکنند به مراتب بیشتر از اونایی هستن که در رشته آمار تحصیل میکنند. در واقع در دانشگاه واترلو این نسبت ۲۴ به ۱ هست. خب حالا این سوال مطرح میشه. حالا ممکنه شما بگید توی این مسئله این رو نگفته ولی شاید یه مقداری به اطلاعات عمومی افراد برگرده. که افراد میدونن بابا رشته هنر یه رشته ی خیلی بزرگتریه اصلا یه دانشکده جدا داره. دانشکده آمار نداریم این یه زیر گروهه و افرادی که در اون رشته هستن خیلی کمتر اند. با این حال اکثریت این تصور رو داشتن که این فرد در رشته ی آمار در واقع داره تحصیل می کنه نه رشته ی هنر. و باز در واقع این پدیده اینو میگه که اونها در این محاسبه احتمالات شون base-rate و در نظر نگرفتن. باز مثال دیگه خدمت تون بگم. یه مثال دیگه هست که این رو حتی پزشکان هم توش خطا میکنند و به مسئله ماموگرافی معروفه. این مسئله ماموگرافی یکی از مسئله های مشهور هست که فردی بنام Gerd Gigerenzer در واقع اول بار اینو ابداع کرد و به سنجش احتمالات اون پرداخت و در واقع متوجه شد که خیلی از افراد حتی پزشکان متخصص توی این خطا میکنن Gerd Gigerenzer رو من مختصرا معرفی کنم یکی از روانشناسان خیلی مشهور هست کارهای بسیار برجسته ای در زمینه ی HEURISTICS و مسائل شناختی داره ویه کتاب کلاسیک مشهور داره به نام SIMPLE HEURISTICS THAT MAKE US SMART در واقع یافتارهای ساده ای که مارا هوشمند میکنند ما از Gerd Gigerenzer بیشتر مطلب خواهیم شنید و بیشتر خدمت تون عرض خواهم کرد. که او در واقع صحبتش بر سر اینه که خیلی مواقع اون محاسبات analytic ما ممکنه به خطا برن و اون احساسات شهودی ما بهتر جواب بدن. Gerd Gigerenzer جزو اونایی هست که به شهود و ..*..خیلی بها میده و معتقده که اونا مسیر خطا لزوما ندارن و باید اونهارو در محاسبات مون لحاظ کنیم. حالا البته الان فعلا جاش نیست میخوایم معمای ماموگرافی یا مسئله ماموگرافی رو در واقع باهم مرور کنیم. یک چند لحظه خواهش میکنم در مورد این مسئله یک مقدار تامل کنید. مسئله ش اینه، میگه احتمال سرطان سینه در زنان ۴۰ ساله که در غربالگری معمول ماموگرافی شرکت میکنند حدود ۱٪ هست. یعنی خانمهای های ۴۰ ساله هی که میان میرن اسکرین میشن از نظر ماموگرافی میشن حدود ۱ درصدشون سرطان سینه دارند. Breast cancer*. و اگر خانمی مبتلا به سرطان باشه احتمال ۸۰٪ در ماموگرافی مشخص میشه. پس در واقع یه تستی هست که ۸۰٪ مواقع اون سرطان رو توی اون ۱٪ شناسایی میکنه. اگر فردی سرطان نداشته باشه حدود ۹.۶٪ ممکن هست کماکان دارای ماموگرافی مثبت باشند. یعنی غربالگری ماموگرافی در واقع یک خطای مثبت کاذب ۹.۵٪ داره. حالا یه خانمی حدودا ۴۰ ساله یعنی توی همون رنجی که که شیوع سرطان سینه در آنها ۱٪ هست برای غربالگری ماموگرافی مراجعه کرده و جوابش مثبت شده. یه خانم ۴۰ ساله اومده گفته من رفتم ماموگرافی گرافی و حالا جواب من مثبته توی اسکرین غربالگری. یعنی علامت دیگه ای نداشته و فقط داشتن اون اسکرین غربالگری رو میکردن. حالا شما چقدر احتمال میدی ایشون مبتلا به سرطان باشه؟ یه مسئله پزشکی ست و برای همکاران دانشجوی پزشکی و پرستاری فکر میکنم خیلی مهمه. خب حالا در واقع ما میخواهیم ببینیم که جوابی که افراد میدن چی هست Gerd Gigerenzer متوجه شده که در بهترین شرایط ۱/۶ شرکت کننده ها جواب درست دادن یعنی میبینی یه چیزی شاید حدود ۵/۶ یا بالای ۸۰٪ در واقع جوابی که دادند خیلی از حقیقت دور بوده و در واقع رقم های نامعقولی رو مطرح کردند. یعنی درک درست از این مسئله رو فقط ۱/۶ افراد داشتند. بیاین ببینیم احتمال چقدره. خب شما میدونید این یک مسئله ساده ی آمار هست احتمال اینکه شما مبتلا به سرطان باشی و تستت مثبت باشه برای یه خانم ۴۰ ساله. ۰.۰۱ یا ۱٪ اون احتما پایه هست و گفتیم ۸۰٪ یا ۰.۸ تست مثبت واقعا نشون میده اون حالت رو. پس احتمال اینکه شما هم تستت مثبت باشه و هم سرطان داشته باشی ۰.۰۰۸ هست. اما چرا به این معما میگن جزو معما های base-rate neglect یا غفلت از اون شیوع پایه؟ برای اینکه افراد حواسشون نیست که اگر شما ابتلا به سرطان نداشته باشی و تست مثبت داشته باشی گفتیم ۱٪ سرطان دارند پس ۹۹٪ سرطان ندارند و گفتیم توی اون جمعیت ۹.۶٪ یا ۰.۰۹۶ تست شون مثبت کاذب هست. پس در میان تست هایی که مثبت هست ولی طرف سرطان نداره یک چیزی حدود در واقع 0.09504 یا میتونیم بگیم ۹.۵٪ شاید افراد تست شون مثبته و سرطان دارند. حالا اگر کل موارد یعنی جمع اونایی که تست مثبت دارند و سرطان دارند و اونهایی که تست مثبت دارند و سرطان ندارند رو جمع کنیم به عدد 0.10304 میرسیم حالا نخوایم خورده ش رو بگیم. و از این ۰.۱۰۳ فقط ۰.۰۰۸ هست که هم مثبته و هم در واقع میشه گفت سرطان داره. پس اگر نسبت ۰.۰۰۸ رو بر ۰.۱۰۳ تقسیم کنیم عدد ۰.۰۷۸ یا ۷.۸٪ رو بدست میاریم. پس در واقع اگر خانمی ۴۰ ساله رفت غربالگری سرطان و بهش گفتن تست ماموگرافی شما متاسفانه مثبته با این حال اون فرد فقط ۷.۸٪ حدود ۸٪ هست که امکان داره سرطان داشته باشه. در صورتیکه خیلیا که وقتی اینو نگاه میکنند میگن اوه شما گفتی ۸۰٪ رو تشخیص میده. گفتیم آره ۸۰٪ رو تشخیص میده ولی فراموش نکن عده ای زیادی هستند که سرطان ندارند و اون به غلط تشخیص میده و اون عده زیاد رو معمولا توی محاسبات شما لحاظ نمی کنید. چیز جالبی که هست اینه که خیلی از پزشکان متخصص، گفتیم فقط ۱/۶ جواب درست دادند در بهترین شرایط. ۵/۶ غلط گفتند. حالا نمیخوایم سرزنش کنیم همکاران متخصص رو ولی خیلی از اونا تا ازشون پرسیدن خب فکر میکنید این خانم چقدر امکانش هست سرطان داشته باشه گفت ۷۰ یا ۸۰ درصد. وقتی ماموگرافی مثبت شده و این ۸۰٪ رو تشخیص میده پس شما به احتمال ۸۰ درصد سرطان دارید. در صورتی که شما غافل از اون شیوع بالای عدم مبتلا به سرطان و تست مثبت هستند. باز مثال دیگری داریم که افراد در اون base-rate رو لحاظ نمیکنند. خب پژوهش های مختلفی رو دیدیم و فکر میکنم تا الان شما متوجه شدید که منظور ما از عدم لحاظ base-rate چی هست. یعنی افرادی که در واقع میخوان یه احتمالی رو مطرح کنند اون انبوه اون اطراف پدیده رو مدنظر قرار نمیدن. اولین کسی که به این مسئله پرداخت دانیل.* بودند و مقاله مشهورشون در جولای ۱۹۷۳ در ژورنال معتبر psychological review چاپ شد. اسم اون مقاله هست Of the psychology of prediction در اون مقاله Daniel Kahneman که شما میدونید بعدها جایزه نوبل رو در اقتصاد به او دادند به همراه Amos Tversky مطالعات جالبی میکنه که در این مطالعات نشون میده برای اولین بار که چطور مردم در لحاظ کردن base-rate کور و نابینا هستند. اینجا میاد از case خیالی به نام تام دبلیو یاد میکنه حالا اگر موافقید من این سرگذشت و ویژگی های تام دبلیو رو از مقاله استخراج کردم و براتون میخونم و ببینید اساس مطالعه اصلی که بر اساس اون base-rate neglect ساخته شد چی بود. میگه تام دبلیو خوب گوش بدید میتونید یه لحظه چشم تونم ببندید و تجسم کنید تام رو. تام دبلیو فردیست با هوش بالا که البته فاقد خلاقیت واقعی ست. اون نیاز خاصی به نظم و شفافیت و سیستم های دقیق و مرتب که در آن هر چیزی در جای خود باشد دارد. نوشته های او کسل کننده و مکانیکی هستند. هرچند گاهی توسط طنزهای سطح پایین یا بارقه های از تخیلات و تصورات علمی-تخیلی قدری روح میابد. او انگیزه زیادی برای افزودن توانمندی و کارآمدی خود دارد. اینجا لغت اصلی competence هست. میگه در رقابت هست تا competence خودش رو افزایش بده. بنظر میرسد احساس همدلی و همدردی کمی با بقیه مردم داره sympathy ش کمه و از معاشرت با دیگران چندان لذت نمیبرد. فردی خودمحور است اما با این وجود حس عمیق اخلاقی دارد. حالا یه سری اینجا ببنید رشته گذاشته. رشته مدیریت بازرگانی مثلا. کامپیوتر ،مهندسی، علوم انسانی و تعلیم و تربیت ، حقوق، علوم کتابداری، پزشکی فیزیک و علوم در واقع طبیعی و علوم اجتماعی و مددکاری. خب این رشته هارو اینجا نام برده توی این پژوهش ش. و در مورد تام سه تا سوال کرده. درمورد تام و این رشته ها. پس این رشته هارو در نظر بگیرید. رشته هایی که اینجا هست. سوال اول How similar is Tom w to typical graduate student in your country? چقدر تام شبیه یکی از دانشجویان این رشته هاست؟ میگه تو کشور خودتون دانشجویان این رشته هارو تجسم کنید و بگید که تام به هر کدوم از اینا چقدر شبیه هست. مثلا به دانشجوی مهندسی خیلی شبیه هست. به دانشجوی حقوق کم شبیه هست به دانشجوی پزشکی متوسط شبیهه و غیره و غیره. یعنی یه مقدار بیایم شباهت تام رو به در واقع هر یک از این دانشجویان رشته تون بگید. یعنی بنظر شما بهش میخوره؟ به کدوم یک از تیپ این دانشجوها شبیه باشه . ببنید اینجا صحبت از احتمال نکرده. گفته یعنی مثلا این ویژگی هایی که من خوندم تو کشور شما این چقدر به دانشجوی مهندسی شما میخوره. چقدر به دانشجوی طب شما میخوره این مشخصاتی که مورد تام گفتم. دومین سوال. اینجا ازشون پرسیده که حالا احتمالات این رو بگید در واقع likelihood رو بگید که تام توی هر کدوم از این رشته ها داره تحصیل میکنه. پس در اینجا اومده probability یا احتمال رو خواسته. اونجا شباهت رو خواسته اینجا احتمال رو خواسته و در واقع در مورد سومین سوال اینه که گفته فکر میکنید کشور شما تو دانشگاه شما دانشجویان این رشته های مختلفی که شما اینجا میبینید هر کدومشون چند درصد دانشجویان رو تشکیل میدهند. پس شما میبینید که ما سه تا سوال کردیم چقدر این ویژگی های تام به هر کدوم از این دانشجوها شبیه هست یا شبیه نیست. سوال دوم که سوال احتمالاته. چند درصد احتمال میدید که مثلا تام توی این رشته باشه یا توی این رشته باشه و سوم اینه که به نظر شما شیوع دانشجویان این رشتهها در کشور شما یا دانشگاه های شما چقدر هست؟ جوابش رو توی این نمودار اشاره کرده. و البته اینجا من بهتون توضیح بدم. اینجا اومده اینارو rank کرده. بر اساس ترتیب گذاشته یعنی اگه مثلا یه کسی یه مقداری گفته شبیه اینه و اون بالاتر این نمره رو توی میانگین آورده مثلا دانشجوی مهندسی شده rank اول و مثلا دانشجوی پزشکی شده rank پنجم. پس در اینجا رشتههای مختلف رو ما داریم. اینجا rank شباهت هست و اینجا rank احتمالات هست و اینجا هم شیوع پایه ای که افراد برای وجود اون دانشجویان توی اون رشته ها در واقع مطرح کردند. جیز جالبی که این در آورد اینه . ببینید اون میزان likelihood یا احتمال اینکه این فرد دانشجوی هر یک از این رشته ها باشه از نظر ترتیب چقدر شبیه similarity ست. میبینید؟ یعنی rank اینا رتبه اینا چقدر شبیهه و هیچ تناسبی بین این ها و این وجود نداره. به عبارت دیگر واضحا وقتی افراد اومدن در مورد احتمال اینی که تام خیالی ما در کدام یک از این رشته ها مشغول تحصیل باشه، فقط شباهت دانشجوی typic اون رشته روبا تام لحاظ کردن. یعنی شما میبینی این ستون با این ستون. و تقریبا، یا تقریبا که نه ، تحقیقا هیچ گونه اعمال نظری از جانب شیوع پایه ارائه ندادن. به عبارت دیگر اصلا مطرح نکردن که وقتی شما راجع به تام داری قضاوت میکنی و شما میگی که به احتمال مثلا ، اون رنک بالاتر اونیه که در واقع به عدد ۱ نزدیکتره. یعنی توی این جدول شما نگاه کنید به احتمال زیاد گفتن این جزو دانشجوی رشته مهندسی یا رشته کامپیوتر هست. ۲.۵ و ۲.۶ هست و از همه کمتر مثلا اینه که دانشجوی رشته مددکاری باشه یا رشته علوم اجتماعی. در صورتی که وقتی شما نگاه میکنید شیوع این رشته ها نسبتا زیاد نیست. مثلا شیوع رشته انسانی که اونم یه rank خیلی پایین آورده یعنی گفتن خیلی نامحتمله عض اون باشه و مددکاری مجموع این دوتا. شما در نظر بگیرید ۳۷٪ sample رومیسازه. در صورتی که اینا اصلا اینو لحاظ نکردن. که درسته که این بهش نمیخوره به دانشجوی typic رشته ی مددکاری یا علوم انسانی ولی دانشجویان مددکاری و علوم انسانی شیوع شون بیشتره و این حتی اون چیزیه که خودتون گفتید نه اینی که ما گفته باشیم. ولی شما این base-rate رو اصلا توی محاسبات تون لحاظ نکردید. پس در واقع یافته قشنگی که اینجا هست اینه. مردم وقتی یه چیزی ب یه چیزی شبیهه ،به سمبل اون شبیهه دیگه کار به اون ندارن که در واقع میزان پایه اون چیز چقدره و حتی کم باشه یا زیاد باشه…..اینجا توضیح میده یک مطالعه دیگریست اینجا گه میبینید مطالعه خود Gordon k* که در واقع نویسنده chapter base-rate neglect در کتاب cognitive illusion هست. این نشون داده که شیوع یا توزیع افراد یه حالت دوگانه داره. یه تعدادی هستند که کاملا حواسشون به base-rate هست در اینگونه موارد base-rate رو لحاظ میکنند. و یه عده هستند که اصلا به base-rate توجه ندارند. و میرن صرفا به شباهت ظاهری این دوتا میپردازن. و این یافته قشنگی هست. در صورتی که اگر اون مسئله base-rate با مسئله اون case که گفتن همخوان باشه اون اتفاق نمی افته. همخوان باشه یعنی چی؟ یعنی شما اینجارو نگاه کنید. ببینید، تام ویژگی هایی که داره میگه از خیلیا بپرسی بچه های رشته مهندسی و رشته کامپیوتر میخوره. تو درون خودشه خیلی اجتماعی نیست خیلی معاشرتی نیست ولی در عین حال symbolism یا شباهتش به رشته کامپیوتر زیاده یک تناقض یا منافاتی ما داریم که در واقع اون رشته ها شیوع شون کم اند. یعنی اون رشته هایی که افراد گفتن خیلی شبیهه ، شیوع شون کمه. اصطلاحا در این حالت گفته میشه که این …* یعنی طرف شباهت به یک پدیده یا گروه یا دسته داره ولی اون گروه یا دسته در اقلیت اند به اینها میگن Incongruent problems توی این **میبینید یه عده این مسئله رو میگیرن و درست نظر میدن و یه عده مسئله رو اصلا نمیگیرن و base-rate رو لحاظ نمیکنند. حالا اگر ما بیایم مشکلات رو بصورت * در بیاریم یعنی شما شباهت به یک گروه دارید و اون گروه هم در اکثریت اند. اون موقع دیگه این مشکل طبیعتا حل میشه. و شما میبینید که ما دیگه اون حالت دوگانه رو نداریم و همه در واقع به اون سمت حرکت میکنند. خب حالا سوال سر اینه که base-rate neglect در واقع از کجا میاد. چرا انسانها دچار این خطا میشن؟ خب در اینجا بحثی که صورت گرفته بیشتر بر میگرده به خود اون نظریه اشاره ای که میکنن اینه میگن ما دوتا سیستم پردازش داریم. یکی پردازش شهودی یا.*. یا سریع و دیگری سیستم پردازش کند analytic یا تحلیلی. و نکته جالبی که هست اینه که وقتی شما مثلا ویژگی های تام رو میخونید شما از نظر شهودی میگید ها ها این بهش میاد رشته ریاضی باشه این به اون بچه های ریاضی میخوره. اینجا T1 سریع محاسبه میکنه ولی T2 که سیستم analytic هست با تاخیر وارد عمل میشه. و میگه درسته که این خیلی typic میخوره به بچه های ریاضی باشن خیلی به نظم و انضباط و دقت و کارآمدی و اینا اهمیت میدن تا روابط انسانی. اما اون نمونه ای که شما تام رو از اون استخراج کردی یا انتخاب کردی شیوع بچه های اون رشته کمتره. پس تو آنالیز و تحلیل داده ها بایستی شما اینو لحاظ کنید. T1 سریع jump میکنه به conclusion میپره به پاسخ، در صورتی که T2 سعی داره که یک ترمز بذاره و به طرف بگه که نه نه نه اشتباه نکن. همین مسئله در مورد ماموگرافی هم درسته. همین مسئله در مورد پاول هم درسته. طرف با T1 خودش سریعا اشاره میکنه که پاول اوه این به دکترا میخوره خونه شیک داره توی محله شیک ولیT2 میگه این درسته که به دکترا میخوره کلی فراموش نکن توی محاسبات شما توی مسئله شما شیوع پزشک ها هم ۰.۵ درصد هست در صورتی که پرستارها ۹۹.۵٪ درصده. پس شما باید اونو لحاظ کنید و تخمین خودت رو به اون سو حرکت بدی. ودر واقع خیلیا معتقدند base-rate neglect ناشی از تقابل دو سیستم T1 و T2 هست. که یکی شون سیستم پردازش سریعه و دیگری سیستم پردازش کند ولی analytic هست. البته بعضی شواهد هست که میگه اینگونه نیست و یه ذره داستان باید عمیق تر باشه. من خدمت تون گفتم که این chapter رو گوردن..* نوشته. من یه کتابی از ایشون قبلا معرفی کردم هم توی سخنرانی های بازتاب هم توی اینستاگرام و بهتون گفتم که این کتاب واقعا خواندنی هست و در مورد پدیده The new reflectionist in cognitive psychology که افراد چگونه شهودی به یه نتیجه میرسن ولی نتیجه ممکنه غلط باشه و لازمه که از نظر analytic و غیر شهودی اون رو بسنجند. گوردون این نظریه رو در این کتاب و همچنین کتاب cognitive illusions که رفرنس این درسنامه و بحث ما هست به خوبی اشاره کرده. پس شاید ما بتونیم base-rate neglect رو محصول سیستم T1 و T2 یا سیستم fast و slow بدونیم. البته یه عده ی دیگه ای گفتن نه. لزوما اینجور نیست برای اینکه چیز عجیبی که متوجه شدن اینه که زمانیکه تفاوت شیوع ها خیلی فاحشه مثل اون مسئله پزشک و پرستار. شما خاطرتون هست. ۹۹.۵ درصد بود در مقابل ۰.۵ درصد. یک حالتی هست که متفاوت از اونیه که زمانیکه مثلا ما بیایم شیوع ها رو تعدیل بکنیم مثلا بجای ۹۹.۵ درصد و ۰.۵ درصد بیایم بگیم ۷۰٪ و ۳۰٪ اون موقع فرایند پردازش خیلی فرق خواهد کرد. برای همین عده ی دیگه اومدن اینجوری گفتن. گفتن نخیر اتفاقا ما با دو سیستم شهودی در تماسیم و بعضی از افراد وقتی که دارن آنالیز شهودی انجام میدن یه شهود.tip rim ..یه شهود دیگه هم میاد سراغ شون که در واقع میگه هی هی حواست باشه درسته که این خیلی شبیهه دکتراست ولی دکترا توی این sample خیلی نادرند و در واقع استدلال اونها برای این قضیه اینه. نکته جالبی که متوجه شدند اینه، که حتی مواردی که افراد جواب رو غلط میدن دوستان عزیز دقت بفرمایید. یعنی جواب غلط میدن یعنی که بر میگردن میگن این پزشکه در صورتیکه باید بگن به احتمال زیاد این پرستاره. وقتی که جواب غلط در مقوله های این .confluent*..میدن در واقع شیوع پایه با میزان شباهت اون فرد و اون sample نمیخوره درسته جوابشون غلطه ولی با تاخیر بیشتر جواب میدن یعنی یه جایی مکث میکنن یه جایی وایمیستن یعنی درسته که جواب غلط رو میدن ولی یه ترمزی توی ذهن شون هست یه چیز شهودی هم بهشون میگه این جوابی که دادی درست نیست و در واقع یه خطا مرتکب شدی. به همین دلیل بعضیا میگن که سیستم پردازش ناخودآگاه ما ممکنه بیشتر به این صورت شبیه باشه که شما یه T1 داشته باشی یه سیستم..*T3* داشته باشی این دوتا شهودی عمل میکنن و یه سیستم T2 داشته باشی که این سیستم خیلی analytic و خیلی حسابگرانه عمل میکنه و برآیند و تقابل اینها هست که باعث میشه در واقع غلبه سیستم شهودی بخصوص در مواردی که در واقع سریع به ذهن شما میپره جواب اینه که این فرد پزشکه غلبه پیدا بکنه و جواب غلط بدی ولی با این حال ترمزهای توسط T1 و T2 اعمال میشه و باعث میشه که شما اگر مثلا قراره توی ۱۰ ثانیه جواب بدی اون موقع در ۱۴ ثانیه جواب بدی. حدود ۴۰٪ زمان پاسخ شما افزایش پیدا میکنه. خب امیدوارم خسته نشده باشید این یک بحث مختصری بود در مورد یکی از شایع ترین خطاهای شناختی که تحت عنوان در واقع base-rate neglect یا base-rate fallacy یا خطای شناختی شیوع پایه بود اینجا من جلسه رو ختم میکنم ادامه مبحث رو در جلسه بعد در session بعد دنبال خواهیم کرد.