कितने लोग लिंक का अनुसरण करते हैं और स्रोतों की जांच करते हैं?

बहुत बार एक बयान में आ सकता है कि कुछ मेम द्वारा किए गए बयान "शोध" या "विज्ञान" द्वारा समर्थित हैं। लेकिन जब मैं स्वयं अध्ययन पढ़ना शुरू करता हूं, तो आमतौर पर यह पता चलता है कि डेटा बयानों का खंडन करता है। यहाँ कुछ ताज़ा उदाहरण दिए गए हैं, जो मेरे सामने आए हैं।

धूर्तता-क्रुएगर प्रभाव

Dunning-Krueger प्रभाव का लोकप्रिय विज्ञान संस्करण इसलिए लगता है कि कोई व्यक्ति किसी चुने हुए विषय पर कुछ जानता है, उतना ही उसका ज्ञान उसे लगता है। वास्तव में, Dunning और Kruger का बयान इतना मजबूत नहीं है। मूल वैज्ञानिक कार्य अब इसके अधिकांश गलत लोकप्रिय विज्ञान व्याख्याओं से अधिक नहीं है, और आप लेख के चार आंकड़ों का अध्ययन करके वैज्ञानिकों के बयानों का अनुमान लगा सकते हैं। इन ग्राफ़ में, कथित क्षमता या कथित क्षमता, व्यक्तिपरक रेटिंग को इंगित करती है, और वास्तविक क्षमता, या वास्तविक क्षमता, परीक्षण का परिणाम है।





चार में से दो मामलों में, कथित कौशल और वास्तविक लोगों के बीच एक सकारात्मक सहसंबंध स्पष्ट है, जो डिंगी-क्रुएगर प्रभाव के लोकप्रिय विज्ञान की अवधारणा का विरोध करता है। कथित कौशल का संक्षिप्त विवरण, विशेष रूप से ग्राफ के तल पर संक्षिप्त है, यह है कि कुछ लोग अपने कौशल को औसत से नीचे या सर्वोत्तम के रूप में रेट करना चाहते हैं। दो अन्य मामलों में, सहसंबंध लगभग शून्य है। यह संभव है कि यह प्रभाव अलग-अलग कार्यों के लिए अलग-अलग तरीके से काम करता है, या यह कि नमूना बहुत छोटा है और विभिन्न कार्यों के बीच अंतर शोर के भीतर है। साथ ही, यह प्रभाव विषयों के नमूने की बारीकियों के कारण हो सकता है (कॉर्नेल छात्र, जो कई क्षेत्रों में औसत कौशल से अधिक प्रदर्शन करने की संभावना रखते हैं)। यदि आप विकिपीडिया पर प्रभाव के विवरण की तलाश करते हैं, तो यह कहेंगे कि पूर्वी एशिया में इस अनुभव के प्रजनन ने विपरीत परिणाम दिया (माना जाता है कि कौशल वास्तविक लोगों की तुलना में कम हैं, और कौशल जितना अधिक होगा, अंतर उतना ही अधिक होगा), और यह कि यह प्रभाव अमेरिकी संस्कृति की सबसे अधिक संभावना है - लेकिन एक ही समय में, लिंक पूर्वी एशियाई आत्मविश्वास के एक मेटा-विश्लेषण का उल्लेख करते हुए एक लेख की ओर जाता है, इसलिए यह गलत उद्धरण का एक और उदाहरण हो सकता है। या यह सिर्फ गलत लिंक है। किसी भी मामले में, इस प्रभाव का मतलब यह नहीं है कि अधिक लोग जानते हैं, कम, उनकी राय में, उनका ज्ञान।

आय और खुशी

यह आमतौर पर स्वीकार किया जाता है कि पैसा लोगों को खुश नहीं करता है। कितना पैसा पर्याप्त होना चाहिए - यह इस बात पर निर्भर करता है कि आप किससे पूछते हैं, लेकिन आमतौर पर वे $ 10, $ 30, $ 40 और $ 75 हजार की आय की बात करते हैं। फिलहाल, Google पर एक खोज से पता चलता है कि वह राशि जिसके बाद आय में वृद्धि नहीं होती है, खुशी को प्रभावित करती है $ 75,000 प्रति वर्ष।

लगभग। perev।: उनकी आय को हमारी वास्तविकताओं में स्थानांतरित करना मुश्किल है। आप बिग मैक इंडेक्स के रूप में एक काफी लोकप्रिय विधि द्वारा क्रय शक्ति का मूल्यांकन कर सकते हैं, और फिर अनुमानित अनुमान इस प्रकार होगा। यदि आप ऑनलाइन कैलकुलेटर पर विश्वास करते हैं, तो प्रति वर्ष $ 75,000 की आय के हाथों में, एक व्यक्ति को औसतन $ 53,500 डॉलर प्राप्त होंगे। बिगमैक्स में, यह मोटे तौर पर मासिक (जैसा कि हम अधिक सोचने के आदी हैं) 130,000 रूबल "स्वच्छ" की आय के अनुरूप होगा।



लेकिन यह केवल गलत नहीं है - यह गलतियाँ अध्ययन किए गए सभी देशों के लिए बनी रहती हैं ।



खुशी और आय का एक संबंध मौजूद है, और यह किसी एक विशेष रूप से चयनित अध्ययन का परिणाम नहीं है। परिणाम 1981-1984, 1989-1993, 1994-1999, 2000-2004 और 2005-2009 के बीच लगातार पांच विश्व सर्वेक्षण सर्वेक्षणों के बाद सहेजे गए हैं, और प्यू ग्लोबल एटिट्यूड सर्वे सर्वेक्षणों के तीन पुनरावृत्ति 2002, 2007, 2010, 1991, 1998, 2001, 2007, 2008 के लिए अंतर्राष्ट्रीय सामाजिक सर्वेक्षण कार्यक्रम के पांच पुनरावृत्ति और एक बड़े गैलप अध्ययन।

ऊपर दिए गए ग्राफ़ में, राजस्व एक लघुगणकीय पैमाने पर प्रदर्शित होता है। यदि आप एक देश का चयन करते हैं और एक रेखा ग्राफ बनाते हैं, तो आपको निम्न जैसा कुछ मिलेगा:



सभी लॉगरिदमिक रेखांकन के साथ, धारणा यह है कि वक्र बस संरेखित होना चाहिए और कुछ इस तरह से आना चाहिए:



यह एक लेख से एक वास्तविक तस्वीर है जिसमें दावा किया गया है कि आय लोगों को खुश नहीं करती है। लॉगरिदमिक के समान, समय के साथ संरेखित ग्राफ काफी सामान्य हैं। वाक्यांश " खुशी आय " को देखने का प्रयास करें। मेरा पसंदीदा लेख वह है जिसमें पर्याप्त पैसा कमाने वाले लोग बड़े पैमाने पर शीर्ष पर हैं। जाहिरा तौर पर, ऐसी धनराशि है जो न केवल आपको खुश करती है, बल्कि आपको किसी व्यक्ति के लिए यथासंभव खुश भी करती है।

जैसा कि Dunning-Krueger के मामले में, आप वैज्ञानिक पत्रों में रेखांकन देख सकते हैं और देख सकते हैं कि क्या है। इस मामले में, यह समझना आसान है कि लोग गलत जानकारी क्यों फैला रहे हैं, क्योंकि यह रैखिक पैमाने पर निर्मित डेटा को गलत समझने में आसान है।

हेडोनिक अनुकूलन और खुशी

यह विचार कि लोग परेशानियों (और सकारात्मक भावनाओं से) से दूर चले जाते हैं और खुशी के एक निश्चित स्तर पर लौट आते हैं, डैनियल गिल्बर्ट ने इसे एक लोकप्रिय पुस्तक में वर्णित करने के बाद लोकप्रिय चेतना में प्रवेश किया।

लेकिन प्रतिकूल घटनाओं के अनुकूलन पर साहित्य का अध्ययन किए बिना, लेख के पिछले भाग में पहले से ही इस विचार के लिए कुछ प्रश्न उठाए जा सकते हैं। यदि लोग अप्रिय और सुखद घटनाओं से दूर चले जाते हैं, तो बढ़ती आय से व्यक्ति की खुशी कैसे बढ़ जाती है?

यह पता चला है कि अप्रिय घटनाओं को स्वीकार करने और खुशी के पिछले स्तर पर लौटने का विचार एक मिथक है। यद्यपि घटना की प्रकृति, विकलांगता , तलाक , साथी की हानि, काम के नुकसान के आधार पर विशिष्ट प्रभाव अलग-अलग होते हैं जो खुशी के स्तर पर स्थायी प्रभाव डालते हैं। नौकरी खोना तय करना आसान है, लेकिन इस घटना का असर लोगों के दोबारा काम करने पर भी बना रहता है। यहां मैंने केवल चार अध्ययनों का हवाला दिया, लेकिन साहित्य के एक मेटा-विश्लेषण से पता चलता है कि सभी ज्ञात अध्ययनों में परिणामों की पुष्टि की जाती है।

सुखद घटनाओं के लिए भी यही सच है। हालांकि यह आमतौर पर स्वीकार किया जाता है कि लॉटरी जीतने से लोग खुश नहीं होते हैं, यह पता चला है कि ऐसा नहीं है ।

दोनों ही मामलों में, प्रारंभिक क्रॉस-सेक्शनल रिसर्च ने संभावना व्यक्त की कि चरम मामले, जैसे लॉटरी जीतना या विकलांगता प्राप्त करना, खुशी पर स्थायी प्रभाव नहीं डालते हैं। लेकिन लंबे समय तक अध्ययन जो कुछ व्यक्तित्वों का अध्ययन करते हैं और एक व्यक्ति की खुशी को मापते हैं, जबकि विभिन्न घटनाएं उसके साथ होती हैं, विपरीत परिणाम दिखाती हैं - जो घटनाएं घटित होती हैं, वे खुशी को प्रभावित करती हैं। ये परिणाम अधिकांश भाग के लिए नए नहीं हैं (उनमें से कुछ डैनियल गिल्बर्ट की पुस्तक के विमोचन से पहले भी दिखाई दिए थे), लेकिन पुराने परिणाम कम कठोर शोध पर आधारित हैं, नए को सही करने की तुलना में तेजी से फैलते रहते हैं।

सिस्टम टाइप करें

दुर्भाग्य से, अनुसंधान और साक्ष्य के बारे में गलत बयान लोकप्रिय विज्ञान मीम तक सीमित नहीं हैं। वे सॉफ्टवेयर और हार्डवेयर विकास में भी पाए जाते हैं।


प्रोग्रामर टाइप सिस्टम के मूल्य पर संदेह करते हुए टीकाकरण विरोधियों के तकनीकी समकक्ष हैं

मैं हफ्ते में कम से कम एक बार ऐसी चीजें देखता हूं। मैंने इस उदाहरण को नहीं चुना क्योंकि यह विशेष रूप से अहंकारी है, लेकिन क्योंकि यह विशिष्ट है। यदि आप ट्विटर पर कार्यात्मक प्रोग्रामिंग के सबसे मजबूत समर्थकों में से कुछ को पढ़ते हैं, तो आप समय-समय पर गंभीर अनुभवजन्य साक्ष्य और व्यापक अध्ययनों के अस्तित्व के बारे में बयान दे सकते हैं जो टाइप सिस्टम की प्रभावशीलता का समर्थन करते हैं।

हालाँकि, अनुभवजन्य साक्ष्यों की समीक्षा से पता चलता है कि ये साक्ष्य अधूरे और अधिकांश मामलों में अस्पष्ट हैं। सभी मिथकों में से, यह, मेरी राय में, यह समझना सबसे मुश्किल है। अन्य मामलों में, मैं एक प्रशंसनीय तंत्र की कल्पना कर सकता हूं कि इन परिणामों की गलत व्याख्या कैसे की जा सकती है। "संचार अपेक्षा से कमज़ोर है" "संचार अपेक्षा के विपरीत हो सकता है" में बदल सकता है, लघुगणक एक स्पर्शोन्मुख समारोह की तरह लग सकता है, और संदिग्ध तरीकों से प्राप्त प्रारंभिक परिणाम बाद के और बेहतर अध्ययनों की तुलना में तेजी से प्रचार कर सकते हैं। लेकिन मुझे यकीन नहीं है कि इस मामले में सबूत और राय के बीच क्या संबंध है।

क्या इससे बचा जा सकता है?

कोई यह समझ सकता है कि झूठे मेमे इतनी जल्दी क्यों फैलते हैं, भले ही वे सीधे एक विश्वसनीय स्रोत के विपरीत हों। वैज्ञानिक कागजात पढ़ना एक कठिन काम की तरह लग सकता है। कभी-कभी होता है। लेकिन अक्सर ऐसा नहीं होता है। विशुद्ध रूप से गणितीय कार्य पढ़ना आमतौर पर एक कठिन काम है। अनुभवजन्य कार्य पढ़ना जो एक कार्यप्रणाली की विश्वसनीयता निर्धारित करता है, मुश्किल हो सकता है। उदाहरण के लिए, बायोस्टैटिस्टिक्स और इकोनोमेट्रिक्स पूरी तरह से अलग-अलग तरीकों का उपयोग करते हैं, और किसी विशेष क्षेत्र में उपयोग किए जाने वाले तरीकों के सेट को अच्छी तरह से समझना शुरू करना काफी कठिन होता है ताकि वे समझ सकें कि उन्हें कहां लागू किया जा सकता है और उनके नुकसान क्या हैं। लेकिन अनुभवजन्य कार्यों को पढ़ने के लिए बस समझने के लिए कि वे क्या कह रहे हैं आमतौर पर काफी आसान है

यदि आप अंश और निष्कर्ष पढ़ते हैं, और फिर दिलचस्प बिंदुओं (रेखांकन, तालिकाओं, कार्यप्रणाली खामियों, आदि) की तलाश में काम के माध्यम से स्क्रॉल करते हैं, तो ज्यादातर मामलों में यह समझने के लिए पर्याप्त होगा कि क्या लोकप्रिय कथन लिखे गए के साथ मेल खाते हैं काम में। मेरी आदर्श दुनिया में, यह केवल अंश को पढ़कर समझा जा सकता है, लेकिन अक्सर काम के अंशों में बहुत मजबूत बयानों का संकेत मिलता है जो काम के शरीर में दिए गए हैं, इसलिए आपको काम के माध्यम से कम से कम स्क्रॉल करने की आवश्यकता है।

शायद मैं अनुभवहीन हूं, लेकिन मुझे लगता है कि झूठे मेमों की उपस्थिति का मुख्य कारण यह है कि स्रोतों की जांच करना वास्तव में जितना अधिक जटिल और डरावना लगता है। इसका एक उल्लेखनीय उदाहरण प्रौद्योगिकी क्षेत्रों में वेतन में लिंग अंतर की अनुपस्थिति पर क्वार्ट्ज पत्रिका में एक लेख है, जिसमें कई स्रोतों को उद्धृत किया गया था जो सटीक विपरीत बताया गया था । ट्विटर ने लोगों से यह कहते हुए हामी भर दी कि लिंग भेद गायब हो गया था। जब मैंने एक पोस्ट प्रकाशित की, जिसमें मैंने केवल संदर्भित किए गए बहुत कामों को उद्धृत किया, तो इनमें से कई लोगों ने कहा कि उनका प्रारंभिक बयान गलत था। यह अच्छा है कि वे अपने शब्दों में एक सुधार लिखने के लिए तैयार हैं, लेकिन जहां तक ​​मैं बता सकता हूं, उनमें से कोई भी स्वयं डेटा नहीं गया और पढ़ता है, हालांकि यह ग्राफ़ और तालिकाओं से स्पष्ट था कि क्वार्ट्ज पर मूल लेख के लेखक ने कैसे भी परवाह किए बिना अपनी राय को बढ़ावा दिया। इसके लिए उपयुक्त लेखों के चयन पर।