ခွဲခြမ်းစိတ်ဖြာ လိမ်ညာခြင်း။
ခွဲခြမ်းစိတ်ဖြာမှု
Mark Twain က "မုသာသုံးမျိုးရှိတယ်၊ မုသာစကား၊ analytics။ "
ခွဲခြမ်းစိတ်ဖြာမှုများသည် ကျွန်ုပ်တို့အား အသုံးဝင်သော၊ လုပ်ဆောင်နိုင်သော ထိုးထွင်းသိမြင်မှုများကို ပေးသည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်။ အဆန်းပြားဆုံးသော ဆော့ဖ်ဝဲလ်နှင့် စနစ်များပင်လျှင် ကျွန်ုပ်တို့ပေးသော အဖြေများကို ကျွန်ုပ်တို့၏ကိုယ်ပိုင်ဘက်လိုက်မှုများနှင့် အခြားသူများ၏ သြဇာလွှမ်းမိုးမှုကို ကျွန်ုပ်တို့ မကြာခဏ နားမလည်နိုင်သည့်အရာဖြစ်သည်။ တစ်ခါတစ်ရံတွင် ကျွန်ုပ်တို့သည် မရိုးမသား ခြယ်လှယ်ခြင်းခံရနိုင်သော်လည်း ပုံမှန်အားဖြင့်၊ ၎င်းသည် ကျွန်ုပ်တို့၏ခွဲခြမ်းစိတ်ဖြာမှုအတွင်းသို့ စိမ့်ဝင်သွားသည့် မသိစိတ်နှင့် မသိစိတ်ဘက်လိုက်မှုများ ဖြစ်နိုင်သည်။ ဘက်လိုက်သော ခွဲခြမ်းစိတ်ဖြာမှု၏ နောက်ကွယ်တွင် လှုံ့ဆော်မှုမှာ များပြားလှသည်။ တစ်ခါတစ်ရံတွင် သိပ္ပံမှမျှော်လင့်ထားသော ဘက်မလိုက်သောရလဒ်များသည် 1) ဒေတာတင်ပြပုံတွင် သိမ်မွေ့သောရွေးချယ်မှုများ၊ 2) တသမတ်တည်းမဟုတ်သော သို့မဟုတ် ကိုယ်စားပြုမဟုတ်သောဒေတာ၊ 3) AI စနစ်များကို လေ့ကျင့်ပေးပုံ၊ 4) မသိနားမလည်မှု၊ အရည်အချင်းမရှိသော သုတေသီ သို့မဟုတ် အခြားသူများကြိုးစားနေခြင်းတို့ကြောင့် ဇာတ်လမ်းကို ပြောပြရန်၊ 5) ခွဲခြမ်းစိတ်ဖြာမှု ကိုယ်တိုင်။
တင်ပြချက်သည် ဘက်လိုက်ပါသည်။
အချို့သော အလိမ်အညာများသည် အခြားသူများထက် အလွယ်တကူ သိနိုင်သည်။ သင်ရှာရမည့်အရာကို သိသောအခါတွင် သင်ပိုမိုလွယ်ကူစွာ သိရှိနိုင်ချေရှိသည်။ လွဲမှားသောဂရပ်များနှင့်ဇယားများ။
အနည်းဆုံးရှိပါတယ် အချက်အလက်များကို လွဲမှားစွာဖော်ပြရန် နည်းလမ်းငါးခု: 1) ကန့်သတ်ဒေတာအစုံကို ပြပါ၊ 2)။ မသက်ဆိုင်သော ဆက်နွယ်မှုများကို ပြပါ၊ 3) ဒေတာကို မမှန်မကန်ပြပါ၊ 4) ဒေတာကို သမားရိုးကျမဟုတ် ပြသပါ သို့မဟုတ် 5)။ ဒေတာကို ပိုရိုးရှင်းအောင် ပြပါ။
ကန့်သတ်ဒေတာအစုံကို ပြပါ။
ဒေတာကို ကန့်သတ်ခြင်း သို့မဟုတ် ဒေတာ၏ ကျပန်းမဟုတ်သော အပိုင်းကို လက်ဖြင့် ရွေးချယ်ခြင်းသည် ပုံကြီးနှင့် မကိုက်ညီသော ဇာတ်လမ်းတစ်ပုဒ်ကို မကြာခဏ ပြောပြနိုင်သည်။ မကောင်းသောနမူနာ သို့မဟုတ် ချယ်ရီကောက်ခြင်းသည် ပိုကြီးသောအုပ်စုကိုကိုယ်စားပြုရန်အတွက် ခွဲခြမ်းစိတ်ဖြာသူမှ ကိုယ်စားလှယ်မဟုတ်သောနမူနာကို အသုံးပြုသောအခါဖြစ်သည်။
မတ်လ 2020 ခုနှစ်, ဂျော်ဂျီယာပြည်သူ့ကျန်းမာရေးဌာန ဤဇယားကို ၎င်း၏နေ့စဉ်အခြေအနေအစီရင်ခံစာ၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် ထုတ်ပြန်ခဲ့သည်။ တကယ်က အဖြေထက် မေးခွန်းတွေ ပိုထွက်လာတယ်။
လွဲမှားနေတဲ့ အရာတွေထဲက တစ်ခုကတော့ ဆက်စပ်မှုပါ။ ဥပမာအားဖြင့်၊ အသက်အုပ်စုတစ်ခုစီအတွက် လူဦးရေ၏ရာခိုင်နှုန်းသည် မည်မျှရှိသည်ကို သိရန် အထောက်အကူဖြစ်လိမ့်မည်။ ရိုးရှင်းသော ပုံသဏ္ဍာန်ပုံသဏ္ဍာန်ဇယား၏ နောက်ပြဿနာတစ်ခုမှာ မညီညာသော အသက်အုပ်စုများဖြစ်သည်။ 0-17 တွင် 18 နှစ်၊ 18-59 တွင် 42၊ 60+ သည် ပြီးဆုံးသွားသော်လည်း နှစ် 40 ဝန်းကျင်ရှိသည်။ ဤဇယားတစ်ခုတည်းဖြင့် နိဂုံးချုပ်ရသော် ဖြစ်ရပ်အများစုသည် 18-59 နှစ်ရှိ အသက်အုပ်စုတွင် ဖြစ်သည် ။ အသက် 60+ အသက်အုပ်စုသည် COVID ဖြစ်ပွားမှုများကြောင့် ထိခိုက်မှုနည်းပါးပုံရသည်။ ဒါပေမယ့် ဒါက ဇာတ်လမ်းတစ်ခုလုံးမဟုတ်ပါဘူး။
နှိုင်းယှဥ်ရန်၊ ဤကွဲပြားသော ဒေတာအစုံသည် ပေါ်ရှိ CDC ဝဘ်ဆိုက် အသက်အပိုင်းအခြားတစ်ခုစီရှိ US လူဦးရေ၏ ရာခိုင်နှုန်းအပေါ် ထပ်လောင်းဒေတာဖြင့် အသက်အုပ်စုအလိုက် COVID ရောဂါများကို ဇယားဆွဲပါ။
ဒါကပိုကောင်းတယ်။ ကျွန်ုပ်တို့တွင် နောက်ထပ်အကြောင်းအရာများရှိသည်။ အသက်အုပ်စု 18-29၊ 30-39၊ 40-49 အားလုံးတွင် လူဦးရေရှိ အသက်အုပ်စု၏ ရာခိုင်နှုန်းထက် ရောဂါဖြစ်ပွားမှု ရာခိုင်နှုန်း ပိုများသည်ကို ကျွန်ုပ်တို့ တွေ့နိုင်ပါသည်။ မညီမညာသော အသက်အုပ်စုများ ရှိပါသေးသည်။ 16-17 သည် အဘယ်ကြောင့် သီးခြားအသက်အုပ်စုဖြစ်သနည်း။ ဤသည်မှာ ဇာတ်လမ်းတစ်ခုလုံးမဟုတ်သေးသော်လည်း ပဏ္ဍိတများသည် ကော်လံများရေးသားကာ ခန့်မှန်းချက်များနှင့် လုပ်ပိုင်ခွင့်များကို ဤထက်နည်းအောင် ပြုလုပ်ထားသည်။ ထင်ရှားသည်မှာ၊ COVID နှင့်အတူ၊ အပြုသဘောဆောင်သောကိစ္စအဖြစ်ရေတွက်ခြင်းအပေါ်သက်ရောက်သည့်အသက်အရွယ်အပြင်ပြောင်းလဲနိုင်သောပြောင်းလဲမှုများစွာရှိသည်- ကာကွယ်ဆေးထိုးမှုအခြေအနေ၊ စမ်းသပ်မှုရရှိနိုင်မှု၊ စမ်းသပ်မှုအကြိမ်အရေအတွက်၊ comorbidities နှင့်အခြားများစွာရှိသည်။ အမှုအရေအတွက်၊ ကိုယ်တိုင်က မပြည့်စုံသောပုံကို ပေးသည်။ ကျွမ်းကျင်သူအများစုသည် သေဆုံးမှုအရေအတွက် သို့မဟုတ် လူဦးရေ 100,000 လျှင် သေဆုံးမှုရာခိုင်နှုန်းများ သို့မဟုတ် အသက်အုပ်စုတစ်ခုစီကို COVID မည်ကဲ့သို့ အကျိုးသက်ရောက်သည်ကို ကြည့်ရှုရန် case-dated သေဆုံးမှုများကိုလည်း ကြည့်ရှုသည်။
မသက်ဆိုင်သော ဆက်နွယ်မှုများကို ပြပါ။
သိသာထင်ရှားတဲ့အချက်တစ်ခုရှိပါတယ်။ ခိုင်မာသောဆက်စပ်မှု သိပ္ပံ၊ အာကာသနှင့် နည်းပညာအတွက် အမေရိကန်၏ အသုံးစရိတ်နှင့် ကြိုးဆွဲချ၊ လည်ပင်းညှစ်ခြင်းနှင့် အသက်ရှုကြပ်ခြင်းတို့ဖြင့် သေကြောင်းကြံစည်မှု အရေအတွက်တို့အကြား၊ Correlation သည် 99.79% ဖြစ်ပြီး ပြီးပြည့်စုံသော ကိုက်ညီမှုတစ်ခုဖြစ်သည်။
မည်သို့ပင်ဆိုစေကာမူ ဤအရာများသည် တစ်နည်းတစ်ဖုံ ဆက်စပ်နေသည် သို့မဟုတ် တစ်စုံတစ်ခုသော အကြောင်းတရားများကို မည်သူက ပြုလုပ်မည်နည်း။ အခြားသော လွန်ကဲသော သာဓကများ ရှိသည်၊ သို့သော် ယုတ်မာသော သတ္တိမရှိပါ။ Scripps National Spelling Bee ၏ Winning Word တွင် Letters နှင့် Venomous Spiders မှသတ်ခဲ့သော လူအရေအတွက်ကြားတွင် အလားတူ ခိုင်မာသော ဆက်စပ်မှုရှိပါသည်။ တိုက်ဆိုင်မှု? သင်ဆုံးဖြတ်။
လွဲမှားနိုင်ခြေနည်းသော ဤဒေတာကိုဇယားကွက်ပြုလုပ်ရန် အခြားနည်းလမ်းမှာ Y-axes နှစ်ခုလုံးတွင် သုညပါဝင်မည်ဖြစ်သည်။
အချက်အလက်ကို မမှန်မကန်ပြပါ။
မှ ဒေတာကို ဆိုးရွားစွာပြသနည်းအမေရိကန်ပြည်ထောင်စု ဂျော်ဂျီယာပြည်နယ်သည် COVID-5 ကူးစက်ခံရသူ အများဆုံးအရေအတွက်ဖြင့် ထိပ်တန်း 19 ခရိုင်ကို တင်ပြခဲ့သည်။
ကြည့်ရတာ တရားတယ်ဟုတ်လား။ အတည်ပြုထားသော COVID-19 ရောဂါဖြစ်ပွားမှု ကျဆင်းသွားကြောင်း ထင်ရှားသည်။ X-axis ကိုသင်ဖတ်နိုင်ပါသလား။ X-axis သည် အချိန်ကို ကိုယ်စားပြုသည်။ ပုံမှန်အားဖြင့် ရက်စွဲများသည် ဘယ်မှညာသို့ တိုးလာမည်ဖြစ်သည်။ ဤတွင်၊ ကျွန်ုပ်တို့သည် X-axis ပေါ်တွင် အချိန်အနည်းငယ်ခရီးသွားခြင်းကို တွေ့ရသည်-
4/28/2020
4/27/2020
4/29/2020
5/1/2020
4/30/2020
5/4/2020
5/6/2020
5/5/2020
5/2/22020 ...
စောင့်မလား? ဘာ? X-axis ကို အချိန်နှင့် တပြေးညီ စီထားခြင်း မရှိပါ။ ထို့ကြောင့်၊ လမ်းကြောင်းသစ်ပုံသဏ္ဍန်ကောင်းသလောက် ကျွန်ုပ်တို့ ကောက်ချက်မဆွဲနိုင်ပါ။ ရက်စွဲများကို မှာယူပါက၊ အမှုအရေအတွက်အတွက် ဘားများသည် လမ်းကြောင်းသစ်တစ်ခုထက် မျှော့ပုံစံကို ပိုမိုပြသသည်။
ဤနေရာတွင် လွယ်ကူသော ပြင်ဆင်ချက်မှာ ပြက္ခဒိန်တစ်ခုကဲ့သို့ ရက်စွဲများကို စီရန်ဖြစ်သည်။
အချက်အလက်ကို သမားရိုးကျမဟုတ်ပဲ ပြပါ။
ငါတို့အားလုံး အလုပ်ရှုပ်နေတယ်။ ကျွန်ုပ်တို့၏ ဦးနှောက်များသည် ကျွန်ုပ်တို့၏ကမ္ဘာတွင် တသမတ်တည်းရှိနေသည့် ယူဆချက်များအပေါ် အခြေခံ၍ လျင်မြန်စွာ စီရင်ဆုံးဖြတ်ရန် ကျွန်ုပ်တို့ကို သင်ကြားပေးပါသည်။ ဥပမာအားဖြင့်၊ ကျွန်တော်မြင်ဖူးသမျှ ဂရပ်တိုင်းတွင် x- နှင့် y- axes တွေ့ဆုံမှုကို သုည သို့မဟုတ် အနိမ့်ဆုံးတန်ဖိုးများကို ပြသသည်။ ဒီဇယားကို အတိုချုံးကြည့်လိုက်ရင် ဖလော်ရီဒါပြည်နယ်ရဲ့ အကျိုးသက်ရောက်မှုနဲ့ ပတ်သက်ပြီး ဘယ်လို ကောက်ချက်ချနိုင်မလဲ။ “မင်းရဲ့မြေပြင်ဥပဒေအတိုင်း ရပ်တည်ပါ။”? ဒါကို ဝန်ခံဖို့ ရှက်မိပေမယ့် ဒီဂရပ်က ပထမတော့ ငါ့ကို လှည့်စားခဲ့တယ်။ သင့်မျက်လုံးအား ဂရပ်ဖစ်၏အလယ်ရှိ စာသားနှင့်မြှားဆီသို့ အဆင်ပြေစွာဆွဲထားသည်။ အောက်သည် ဤဂရပ်တွင်တက်သည်။ ဒါဟာ လိမ်ညာခြင်းတော့ မဟုတ်ပါဘူး – ဒေတာတွေ အကုန်မှန်ပါတယ်။ ဒါပေမယ့် လှည့်စားဖို့ပဲလိုတယ်လို့ ထင်ပါတယ်။ မကြည့်ရသေးပါက၊ y ဝင်ရိုးပေါ်ရှိ သုညသည် ထိပ်ဆုံးတွင်ရှိသည်။ ထို့ကြောင့် ဒေတာလမ်းကြောင်းများ ကျဆင်းလာသည်နှင့်အမျှ သေဆုံးမှုများ ပိုများလာသည်ဟု ဆိုလိုသည်။ ဤဇယားတွင် သေနတ်အသုံးပြု၍ လူသတ်မှု အရေအတွက်ကို ပြသထားသည်။ တိုးမြှင့် 2005 ခုနှစ်နောက်ပိုင်းတွင် လမ်းကြောင်းပြောင်းသွားခြင်းကို ဖော်ပြသည်။ ဆင်း.
ဒေတာကို ပိုရိုးရှင်းအောင် ပြပါ။
Simpson's Paradox ကို ခွဲခြမ်းစိတ်ဖြာသူတွေက အခွင့်ကောင်းယူတဲ့အခါ ဒေတာကို ပိုရိုးရှင်းစေခြင်းရဲ့ ဥပမာတစ်ခုကို တွေ့မြင်နိုင်ပါတယ်။ စုစည်းထားသောဒေတာသည် ၎င်းအား အစုခွဲများအဖြစ် ခွဲလိုက်သည့်အခါထက် မတူညီသော ကောက်ချက်တစ်ခုကို သရုပ်ပြသောအခါ ဖြစ်ပေါ်လာသည့် ဖြစ်စဉ်တစ်ခုဖြစ်သည်။ အဆင့်မြင့်မားသော ပေါင်းစပ်ရာခိုင်နှုန်းများကို ကြည့်သောအခါ ဤထောင်ချောက်သည် အလွယ်တကူ ကျရောက်နိုင်သည်။ အလုပ်တွင် Simpson's Paradox ၏ အရှင်းလင်းဆုံး သရုပ်ဖော်ပုံများထဲမှ တစ်ခုသည် ဆက်စပ်နေသည်။ batting ပျမ်းမျှ.
ဤတွင် Derek Jeter သည် 1995 နှင့် 1996 ရာသီများအတွက် David Justice ထက် ယေဘုယျအားဖြင့် batting ပျမ်းမျှ ပိုမြင့်မားသည်ကို ကျွန်ုပ်တို့တွေ့မြင်ရပါသည်။ Justice သည် ထိုနှစ်နှစ်စလုံး၏ ပျမ်းမျှအား လုံးတွင် Jeter ကို အကောင်းဆုံး အနိုင်ယူခဲ့သည်ကို ကျွန်ုပ်တို့ သဘောပေါက်သောအခါ ဝိရောဓိဖြစ်လာသည်။ သေသေချာချာကြည့်လျှင် Jeter သည် ၁၉၉၆ ခုနှစ်တွင် .4 နိမ့်သောပျမ်းမျှအားဖြင့် 1996 တွင် အကြမ်းဖျင်းအားဖြင့် 007 ဆ ရှိကြောင်း သိရှိနားလည်လာသောအခါတွင် တရားမျှတမှု၌ လင်းနို့အရေအတွက် အကြမ်းဖျင်း 1996x သာရှိတော့သည်။ 10 သည် 003 ခုနှစ်တွင် ပျမ်းမျှ မြင့်မားသည်။
တင်ပြချက်သည် ရိုးရှင်းပုံပေါ်သော်လည်း Simpson ၏ Paradox သည် မရည်ရွယ်ဘဲ သို့မဟုတ် မရည်ရွယ်ဘဲ မှားယွင်းသော ကောက်ချက်များအား ဖြစ်ပေါ်စေခဲ့သည်။ မကြာသေးမီက၊ ကာကွယ်ဆေးများနှင့် COVID သေဆုံးမှုဆိုင်ရာ သတင်းများနှင့် လူမှုမီဒီယာများတွင် Simpson's Paradox ၏ နမူနာများ ရှိခဲ့သည်။ တစ်မျိုး ဇယား အသက် 10 မှ 59 နှစ်ကြား လူများအတွက် ကာကွယ်ဆေးထိုးနှံပြီး ကာကွယ်ဆေးမထိုးရသေးသူများကြား သေဆုံးမှုနှုန်းကို နှိုင်းယှဉ်သည့် မျဉ်းဂရပ်ကို ပြထားသည်။ ဇယားတွင် ကာကွယ်ဆေးမထိုးရသေးသူများသည် သေဆုံးမှုနှုန်း နည်းပါးကြောင်း ပြသထားသည်။ ဒီမှာဘာတွေဖြစ်နေတာလဲ?
ပြဿနာသည် batting averages ဖြင့်ကျွန်ုပ်တို့မြင်ရသောပြဿနာနှင့်ဆင်တူသည်။ ဤကိစ္စတွင် ပိုင်းခြေသည် အသက်အုပ်စုတစ်ခုစီရှိ တစ်ဦးချင်းအရေအတွက်ဖြစ်သည်။ ဂရပ်သည် မတူညီသောရလဒ်များရှိသည့် အုပ်စုများကို ပေါင်းစပ်ထားသည်။ အသက် ၅၀ မှ ၅၉ နှစ်ကြား အသက်ကြီးသောအုပ်စုကို ခွဲခြား၍ကြည့်လျှင် ကာကွယ်ဆေးထိုးသည့်နှုန်းက ပိုကောင်းသည်ကို တွေ့ရပါသည်။ အလားတူပဲ၊ 50-59 ကိုကြည့်မယ်ဆိုရင် ကာကွယ်ဆေးထိုးတဲ့နှုန်းက ပိုကောင်းတယ်ဆိုတာကိုလည်း တွေ့လာရပါတယ်။ ရှေ့နောက်မညီဘဲ ပေါင်းစပ်ထားသော အစုံကိုကြည့်သောအခါ ကာကွယ်ဆေးမထိုးရသေးသော ရလဒ်သည် ပိုဆိုးသွားပုံပေါ်သည်။ ဤနည်းအားဖြင့် သင်သည် ဒေတာကို အသုံးပြု၍ ဆန့်ကျင်ဘက်အငြင်းပွားမှုများကို ဖြစ်ရပ်တစ်ခု ပြုလုပ်နိုင်မည်ဖြစ်သည်။
Data သည် Biased ဖြစ်သည်။
ဒေတာကို အမြဲတမ်း ယုံကြည်လို့ မရပါဘူး။ သိပ္ပံပညာအသိုင်းအဝိုင်းတွင်ပင် စစ်တမ်းကောက်ယူခဲ့သော သုတေသီများ၏ သုံးပုံတစ်ပုံကျော်က လက်ခံခဲ့သည်။ "မေးခွန်းထုတ်စရာ သုတေသနပြုမှု" အခြား သုတေသန လိမ်လည်မှု စုံထောက် "ဒေတာ - ဇယားများ၊ မျဉ်းဂရပ်များ၊ စည်းမျဥ်းခြင်းဒေတာ [– ကျွန်ုပ်တို့အမှန်တကယ်ရှာဖွေတွေ့ရှိသည်ထက်] တွင် လိမ်လည်မှုပိုများနိုင်ဖွယ်ရှိသည်။ မီးဖိုချောင် စားပွဲမှာ ထိုင်နေတဲ့ ဘယ်သူမဆို နံပါတ်တချို့ကို စာရင်းဇယားတစ်ခုမှာ ထည့်နိုင်ပြီး ဆွဲဆောင်မှုရှိတဲ့ ပုံပေါ်တဲ့ လိုင်းဂရပ်တစ်ခုကို ဖန်တီးနိုင်ပါတယ်။”
ဒါဟာပထမဦးဆုံး နမူနာ တစ်စုံတစ်ယောက်က ဒီလိုလုပ်လိုက်ပုံရတယ်။ ဒါဟာ လိမ်လည်မှုလို့ မဆိုလိုပါဘူး၊ ဒါပေမယ့် စစ်တမ်းတစ်ခုအနေနဲ့ အသိဥာဏ်ရှိတဲ့ ဆုံးဖြတ်ချက်တစ်ခုအတွက် အထောက်အကူဖြစ်စေတဲ့ အချက်အလက်တွေကို မထုတ်ပေးပါဘူး။ ဓာတ်ဆီဆိုင်ကော်ဖီအပေါ် ၎င်းတို့၏ထင်မြင်ယူဆချက် သို့မဟုတ် အခြားသက်ဆိုင်ရာ လက်ရှိဖြစ်ရပ်အချို့ကို စစ်တမ်းဖြေဆိုသူများကို မေးမြန်းပုံရသည်။
- ထိပ်တန်း
- ကြီးမားသော
- အလွန်ကောင်းသည်
အပြစ်ရှိပါတီကို ရည်ညွှန်းချက်များကို ဖယ်ရှားရန် Twitter ပို့စ်ကို ဖြတ်တောက်ထားသော်လည်း ၎င်းသည် စစ်တမ်း၏ နောက်ဆုံးရလဒ်များ၏ တကယ့်ဇယားတစ်ခုလုံးဖြစ်သည်။ ဤကဲ့သို့သော စစ်တမ်းများသည် အဆန်းမဟုတ်ပေ။ သေချာသည်မှာ၊ တုံ့ပြန်မှုများမှထွက်ပေါ်လာသောဒေတာမှဖန်တီးထားသောဇယားသည်မေးခွန်းရှိကော်ဖီကိုလက်လွတ်မခံသင့်သည်ကိုပြသမည်ဖြစ်သည်။
ပြဿနာမှာ အကယ်၍ သင်သည် ဤစစ်တမ်းကို ခံယူပြီး သင့်တွေးခေါ်မှုနှင့် ကိုက်ညီသော တုံ့ပြန်မှုကို မတွေ့ရှိပါက စစ်တမ်းကို သင် ကျော်သွားလိမ့်မည်ဖြစ်သည်။ ၎င်းသည် ယုံကြည်စိတ်ချရသောဒေတာကို မည်သို့ဖန်တီးနိုင်သည်ဟူသော လွန်ကဲသော ဥပမာတစ်ခု ဖြစ်နိုင်သည်။ သို့သော် ညံ့ဖျင်းသော စစ်တမ်းပုံစံသည် တုံ့ပြန်မှုနည်းသွားစေရန် ဦးတည်နိုင်ပြီး တုံ့ပြန်သူများသည် ထင်မြင်ချက်တစ်ခုသာရှိကာ ၎င်းသည် အတိုင်းအတာတစ်ခုအထိသာဖြစ်သည်။ အချက်အလက်သည် ဘက်လိုက်ပါသည်။
ဤဒေတာဘက်လိုက်မှု၏ ဒုတိယဥပမာသည် “ဖိုင်များထံမှဖြစ်သည်။အဆိုးဆုံး COVID 19 အထင်မှားစေသော ဂရပ်ဖစ်များ။ "
တဖန်၊ ဤအရာသည် သိမ်မွေ့ပြီး လုံးလုံးသိသာထင်ရှားသည်မဟုတ်ပေ။ ဘားဂရပ်သည် ဖလော်ရီဒါရှိ ခရိုင်တစ်ခုအတွက် အချိန်ကြာလာသည်နှင့်အမျှ အပြုသဘောဆောင်သော COVID-19 ရောဂါဖြစ်ပွားမှု ရာခိုင်နှုန်းများ ကျဆင်းသွားသည် - ချောမွေ့လုနီးပါးနီးပါး ကျဆင်းသွားသည်ကို ပြသသည်။ အမှုအခင်းများ ကျဆင်းနေသည်ဟူသော ကောက်ချက်ကို အလွယ်တကူ ကောက်ချက်ဆွဲနိုင်သည်။ အလွန်ကောင်းသည်၊ စိတ်ကူးပုံဖော်မှုသည် ဒေတာကို တိကျစွာကိုယ်စားပြုသည်။ ပြဿနာက အချက်အလက်ထဲမှာ။ ဒီတော့ အဲဒါကို မင်းမမြင်နိုင်လို့ ယုတ်မာတဲ့ ဘက်လိုက်မှုတစ်ခုပါ။ ၎င်းသည် ဒေတာထဲသို့ မြှုပ်နှံထားသည်။ သင်မေးလိုသောမေးခွန်းများတွင် မည်သူပါဝင်သည်၊ စမ်းသပ်ခံနေရသနည်း။ တစ်နည်းအားဖြင့်ဆိုရသော် ပိုင်းခြေကဘာလဲ၊ သို့မဟုတ် ကျွန်ုပ်တို့ကြည့်နေသည့် ရာခိုင်နှုန်းတစ်ခုဖြစ်သည်။ ယူဆချက်မှာ ၎င်းသည် လူဦးရေတစ်ခုလုံး သို့မဟုတ် အနည်းဆုံး ကိုယ်စားလှယ်နမူနာဖြစ်သည်။
သို့သော်လည်း ဤကာလအတွင်း ဤခရိုင်တွင် စာမေးပွဲများကို လူအနည်းအကျဉ်းသာ ပေးခဲ့သည်။ ၎င်းတို့တွင် COVID နှင့်တူသော လက္ခဏာများ ရှိရမည်၊ သို့မဟုတ် မကြာသေးမီက နေရာများစာရင်းတွင် နိုင်ငံတစ်ခုသို့ ခရီးထွက်ခဲ့ရမည်။ ထို့အပြင် ရလဒ်များကို ရှုတ်ချသည်မှာ အပြုသဘောဆောင်သော စမ်းသပ်မှုတစ်ခုစီတိုင်းကို ရေတွက်ပြီး အနုတ်လက္ခဏာစမ်းသပ်မှုတိုင်းကို ရေတွက်သည့်အချက်ပင်ဖြစ်သည်။ ပုံမှန်အားဖြင့်၊ လူတစ်ဦးသည် အပြုသဘောဆောင်သောစမ်းသပ်မှုပြုလုပ်သောအခါတွင် ၎င်းတို့သည် ဗိုင်းရပ်စ်လမ်းကြောင်းကို လည်ပတ်ပြီးသည့်အခါတွင် ထပ်မံစမ်းသပ်ပြီး အနုတ်လက္ခဏာပြမည်ဖြစ်သည်။ ထို့ကြောင့် တစ်နည်းအားဖြင့် အပြုသဘောဆောင်သော ကိစ္စတစ်ခုစီအတွက်၊ ၎င်းကို ပယ်ဖျက်နိုင်သည့် အနုတ်လက္ခဏာ စမ်းသပ်မှုတစ်ခု ရှိပါသည်။ စစ်ဆေးမှုအများစုသည် အနုတ်လက္ခဏာဖြစ်ပြီး တစ်ဦးချင်းစီ၏ အနုတ်လက္ခဏာစစ်ဆေးမှုများကို ရေတွက်သည်။ ဒေတာသည် မည်ကဲ့သို့ ဘက်လိုက်သည်နှင့် ဆုံးဖြတ်ချက်များချရာတွင် အထူးအသုံးမဝင်ကြောင်း သင်တွေ့နိုင်ပါသည်။
AI Input နှင့် Training သည် ဘက်လိုက်ပါသည်။
AI သည် ဘက်လိုက်သောရလဒ်များဆီသို့ ဦးတည်နိုင်သည့် အနည်းဆုံး နည်းလမ်းနှစ်ခုရှိသည်- ဘက်လိုက်သောဒေတာဖြင့် စတင်ခြင်း သို့မဟုတ် မှန်ကန်သောဒေတာကို လုပ်ဆောင်ရန် ဘက်လိုက်သော အယ်လဂိုရီသမ်များကို အသုံးပြုခြင်း။
ဘက်လိုက်ထည့်သွင်းမှု
ကျွန်ုပ်တို့အများစုသည် AI သည် ကိန်းဂဏာန်းများကို ဖြတ်တောက်ရန်၊ ၎င်း၏ အယ်လဂိုရီသမ်များကို အသုံးချရန်နှင့် ဒေတာ၏ ယုံကြည်စိတ်ချရသော ခွဲခြမ်းစိတ်ဖြာမှုကို လွှင့်ပစ်ရန် AI ကို ယုံကြည်နိုင်သည်ဟု ထင်မြင်နေကြပါသည်။ Artificial Intelligence သည် လေ့ကျင့်ထားသလောက်သာ ထက်မြက်နိုင်သည်။ လေ့ကျင့်သင်ကြားထားသည့် အချက်အလက်သည် မပြည့်စုံပါက ရလဒ်များ သို့မဟုတ် ကောက်ချက်များအား ယုံကြည်နိုင်မည်မဟုတ်ပေ။ အထက်ဖော်ပြပါ စစ်တမ်း ဘက်လိုက်မှု နှင့် အလားတူ၊ အချက်အလက် ရရှိနိုင်မည့် နည်းလမ်းများစွာ ရှိပါသည်။ ဘက်လိုက် machine learning တွင်:.
- နမူနာဘက်လိုက်မှု - လေ့ကျင့်ရေးဒေတာအတွဲသည် လူဦးရေတစ်ခုလုံးကို ကိုယ်စားမပြုပါ။
- ချန်လှပ်ခြင်းဘက်လိုက်မှု – တစ်ခါတစ်ရံတွင် အစွန်းအထင်းများဟု ထင်ရသည့်အရာများသည် အမှန်တကယ် တရားဝင်သည် သို့မဟုတ် မည်သည့်နေရာတွင် ပါဝင်ရမည် (ဇစ်ကုဒ်များ၊ ရက်စွဲများ စသည်ဖြင့်) ကို မျဉ်းဆွဲပါသည်။
- တိုင်းတာမှုဘက်လိုက်မှု – ကွန်ဗင်းရှင်းသည် meniscus ၏ဗဟိုနှင့်အောက်ခြေမှအမြဲတမ်းတိုင်းတာရန်ဖြစ်သည်၊ ဥပမာအားဖြင့်၊ volumetric flasks သို့မဟုတ် test tubes (ဒါးမှလွဲ၍) အရည်များကိုတိုင်းတာသောအခါ၊
- ပါဝင်သူများ၏ မှတ်ဉာဏ်အပေါ် မူတည်သည့်အခါ ဘက်လိုက်မှုကို ပြန်လည်သတိရပါ။
- လေ့လာသူဘက်လိုက်မှု – လူသားအားလုံးကဲ့သို့ပင် သိပ္ပံပညာရှင်များသည် ၎င်းတို့မြင်ရမည့်အရာကို မြင်လိုစိတ်ပိုရှိကြသည်။
- လိင်ပိုင်းဆိုင်ရာ နှင့် လူမျိုးရေးခွဲခြားမှု ဘက်လိုက်မှု – လိင် သို့မဟုတ် လူမျိုးရေး ခွဲခြားမှု လွန်ကဲခြင်း သို့မဟုတ် ကိုယ်စားပြုမှု နည်းပါးနိုင်သည်။
- အသင်းအပင်းဘက်လိုက်မှု – ဒေတာသည် ပုံသေပုံစံများကို အားဖြည့်ပေးသည်။
ယုံကြည်စိတ်ချရသောရလဒ်များပြန်လာစေရန် AI သည် ၎င်း၏လေ့ကျင့်ရေးဒေတာသည် လက်တွေ့ကမ္ဘာကိုကိုယ်စားပြုရန် လိုအပ်သည်။ ယခင်ဘလော့ဂ်ဆောင်းပါးတွင် ကျွန်ုပ်တို့ ဆွေးနွေးခဲ့သည့်အတိုင်း၊ ဒေတာပြင်ဆင်မှုသည် အရေးကြီးပြီး အခြားဒေတာပရောဂျက်များကဲ့သို့ပင် ဖြစ်သည်။ ယုံကြည်စိတ်ချရမှုမရှိသောဒေတာသည် စက်သင်ယူမှုစနစ်များကို မှားယွင်းသောသင်ခန်းစာကို သင်ပေးနိုင်ပြီး မှားယွင်းသောကောက်ချက်ကိုလည်း ဖြစ်ပေါ်စေနိုင်သည်။ "အချက်အလက်အားလုံးသည် ဘက်လိုက်မှုဖြစ်သည်။ ဒါက အကြောက်လွန်ရောဂါ မဟုတ်ပါဘူး။ ဒါက အမှန်ပဲ။” – ဒေါက်တာ Sanjiv M. Narayanစတန်းဖို့ဒ် တက္ကသိုလ် ဆေးကျောင်း၊
လေ့ကျင့်မှုအတွက် ဘက်လိုက်သောဒေတာကိုအသုံးပြုခြင်းသည် ထင်ရှားသော AI ကျရှုံးမှုများစွာကို ဖြစ်စေသည်။ (ဥပမာ ဒီမှာ နှင့် ဒီမှာသုတေသန ဒီမှာ.. )
ဘက်လိုက်သော အယ်လ်ဂိုရီသမ်များ
အယ်လဂိုရီသမ်သည် လုပ်ငန်းတစ်ခု၏ပြဿနာတစ်ခုအား ဖြေရန် input တစ်ခုကိုလက်ခံပြီး output ကိုဖန်တီးပေးသည့် စည်းမျဉ်းအစုအဝေးတစ်ခုဖြစ်သည်။ သူတို့ဟာ မကြာခဏ ဆုံးဖြတ်ချက် ကောင်းကောင်းချတတ်ကြတယ်။ အယ်လဂိုရီသမ်များသည် အနက်ရောင်သေတ္တာများကဲ့သို့ ခံစားရသည်။ သူတို့ ဘယ်လိုအလုပ်လုပ်တယ်ဆိုတာ ဘယ်သူမှ သေချာမသိပါဘူး။ ၎င်းတို့ကိုအသုံးပြုသောကုမ္ပဏီများ. အိုး၊ သူတို့ဟာ မကြာခဏ သီးသန့်ဖြစ်ကြတယ်။ ၎င်းတို့၏ လျှို့ဝှက်ဆန်းကြယ်ပြီး ရှုပ်ထွေးသော သဘောသဘာဝသည် ဘက်လိုက်သည့် အယ်လဂိုရီသမ်များ အလွန်ဆိုးရွားသည့် အကြောင်းရင်းများထဲမှ တစ်ခုဖြစ်သည်။ .
ပြိုင်ပွဲအတွက် ထည့်သွင်းစဉ်းစားရမည့် ဆေး၊ HR သို့မဟုတ် ဘဏ္ဍာရေးဆိုင်ရာ AI algorithms များကို ထည့်သွင်းစဉ်းစားပါ။ လူမျိုးရေးအချက်တစ်ခုဖြစ်ပါက algorithm သည် လူမျိုးရေးအရ မျက်စိကန်းနိုင်မည်မဟုတ်ပေ။ ဒါက သီအိုရီမဟုတ်ပါဘူး။ ဤကဲ့သို့သောပြဿနာများကို AI in သုံးပြီး လက်တွေ့ကမ္ဘာတွင် ရှာဖွေတွေ့ရှိခဲ့သည်။ ငှားရမ်း, ride-share, ချေးငွေလျှောက်လွှာs ကိုနှင့် ကျောက်ကပ်အစားထိုး.
အဓိကအချက်မှာ သင်၏ဒေတာ သို့မဟုတ် အယ်လဂိုရီသမ်များ မကောင်းပါက အသုံးမကျသည်ထက် ပိုဆိုးပါက ၎င်းတို့သည် အန္တရာယ်ရှိနိုင်သည်။ ဒါမျိုးတွေရှိတယ်"algorithmic စာရင်းစစ်” ရည်မှန်းချက်မှာ တရားမျှတမှု၊ ဘက်လိုက်မှုနှင့် ခွဲခြားဆက်ဆံမှုတို့ ဆက်စပ်နေသောကြောင့် အယ်လဂိုရီသမ်နှင့် ပတ်သက်သည့် ဖြစ်နိုင်ခြေရှိသော အန္တရာယ်များကို အဖွဲ့အစည်းများအား ဖော်ထုတ်ရာတွင် ကူညီပေးရန်ဖြစ်သည်။ တခြားနေရာ၊ Facebook က AI တွင် ဘက်လိုက်မှုကို တိုက်ဖျက်ရန် AI ကို အသုံးပြုနေသည်။
လူတွေက ဘက်လိုက်ကြတယ်။
ညီမျှခြင်းရဲ့ နှစ်ဖက်စလုံးမှာ လူတွေရှိတယ်။ လူတွေက ခွဲခြမ်းစိတ်ဖြာဖို့ ပြင်ဆင်နေပြီး လူတွေက သတင်းအချက်အလက်ကို လက်ခံတယ်။ သုတေသီတွေရှိသလို စာဖတ်သူတွေလည်း ရှိတယ်။ မည်သည့်ဆက်သွယ်ရေးတွင်မဆို ထုတ်လွှင့်ခြင်း သို့မဟုတ် ဧည့်ခံခြင်းတွင် ပြဿနာများရှိနိုင်သည်။
ဥပမာ ရာသီဥတုကို ကြည့်ပါ။ “မိုးရွာနိုင်ခြေ” ဟူသည် အဘယ်နည်း။ ပထမဦးစွာ မိုးရွာနိုင်ခြေရှိသည်ဟု မိုးလေဝသပညာရှင်များက မည်သို့ဆိုလိုသနည်း။ အမေရိကန် အစိုးရ၏ ပြောကြားချက်အရ သိရသည်။ အမျိုးသားမိုးလေဝသဝန်ဆောင်မှုမိုးရွာနိုင်ခြေ သို့မဟုတ် Probability of Precipitation (PoP) သည် မိုးလေဝသခန့်မှန်းချက်တွင် နားလည်မှုအနည်းဆုံးအရာများထဲမှ တစ်ခုဖြစ်သည်။ ၎င်းတွင် စံအဓိပ္ပါယ်ဖွင့်ဆိုချက်တစ်ခုရှိသည်- "မိုးရွာနိုင်ခြေသည် သတ်မှတ်ထားသောအချိန်ကာလအတွင်း သတ်မှတ်ထားသောအချိန်ကာလအတွင်း ပေးထားသောခန့်မှန်းဧရိယာရှိ ပေးထားသောဧရိယာတွင် မိုးရွာသွန်းမှုပိုမိုများပြားသော 0.01" လက်မ [sic] လက်မ [sic] ၏ ကိန်းဂဏန်းဖြစ်နိုင်ခြေတစ်ခုဖြစ်သည်။" "ပေးထားသောဧရိယာ" သည် ခန့်မှန်းချက်ဧရိယာ သို့မဟုတ် ခroadcast ဧရိယာ။ ဆိုလိုသည်မှာ မိုးရွာသွန်းနိုင်ခြေ၏တရားဝင်ဖြစ်နိုင်ခြေသည် ဧရိယာအတွင်း တစ်နေရာနှင့် တစ်နေရာ မိုးရွာသွန်းမည်ဟု ယုံကြည်မှုနှင့် စိုစွတ်မည့်ဧရိယာ၏ ရာခိုင်နှုန်းအပေါ်တွင် မူတည်ပါသည်။ တစ်နည်းဆိုရသော် မိုးလေဝသပညာရှင်သည် ခန့်မှန်းချက်ဧရိယာတွင် မိုးရွာမည်ဟု ယုံကြည်ပါက (Confidence = 100%)၊ ထို့နောက် PoP သည် မိုးရွာမည့်ဧရိယာကို ကိုယ်စားပြုသည်။
ပဲရစ်လမ်း; မိုးရွာသည့်နေ့၊Gustave Caillebotte (1848-1894) Chicago Art Institute Public Domain
မိုးရွာနိုင်ခြေက ယုံကြည်မှုနဲ့ ဧရိယာနှစ်ခုလုံးပေါ်မှာ မူတည်ပါတယ်။ ငါအဲဒါကိုမသိခဲ့ဘူး။ တခြားလူတွေလည်း မသိဘူးလို့ သံသယရှိတယ်။ လူဦးရေ၏ 75% ခန့်သည် PoP ကို မည်ကဲ့သို့ တွက်ချက်သည်၊ သို့မဟုတ် ၎င်းကို ကိုယ်စားပြုရန် ဆိုလိုကြောင်း အတိအကျနားမလည်ပါ။ ဒီတော့ ငါတို့ အရူးလုပ်နေသလား ဒါမှမဟုတ် ဒါက ခံယူချက်ပြဿနာလား။ အဲဒါကို မိုးရွာတဲ့သညာလို့ခေါ်ကြပါစို့။ မိုးလေဝသခန့်မှန်းသူကို အပြစ်တင်သလား။ တရားမျှတစွာ ပြောရလျှင် အချို့သော အရာများ ရှိပါသည်။ ရှုပျထှေးခွငျး မိုးလေဝသခန့်မှန်းသူတွေကြားမှာလည်း တစ်ခုထဲမှာ စစ်တမ်းစစ်တမ်းကောက်ယူခဲ့သော မိုးလေဝသပညာရှင် ၄၃% က PoP ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်တွင် အလွန်အနည်းငယ်မျှသာတူညီကြောင်း ပြောကြားခဲ့သည်။
ခွဲခြမ်းစိတ်ဖြာခြင်းကိုယ်တိုင်က ဘက်လိုက်သည်
သြဇာလွှမ်းမိုးနိုင်သော အချက်ငါးချက်အနက်၊ ခွဲခြမ်းစိတ်ဖြာမှုကိုယ်တိုင်က အံ့သြစရာအကောင်းဆုံးဖြစ်နိုင်သည်။ ပြန်လည်သုံးသပ်ထားသော စာတမ်းတစ်စောင်ကို ထုတ်ဝေခြင်းတွင် ရလဒ်အဖြစ် သိပ္ပံနည်းကျ သုတေသနတွင် ယေဘုယျအားဖြင့် သီအိုရီတစ်ခုကို သီအိုရီတစ်ခုဟု ယူဆကာ၊ သီအိုရီကို စမ်းသပ်ရန် နည်းလမ်းများကို သတ်မှတ်ပေးသည်၊ ဒေတာကို စုဆောင်းပြီးနောက် ဒေတာကို ခွဲခြမ်းစိတ်ဖြာသည်။ ပြုလုပ်သော ခွဲခြမ်းစိတ်ဖြာမှု အမျိုးအစားနှင့် ၎င်းကို မည်သို့လုပ်ဆောင်သည် ဟူသော ကောက်ချက်အပေါ် အကျိုးသက်ရောက်ပုံတွင် တန်ဖိုးနည်းသည်။ တစ်ထဲမှာ စက္ကူ ယခုနှစ်အစောပိုင်း (ဇန်န၀ါရီလ 2022) တွင်ထုတ်ဝေခဲ့သော International Journal of Cancer တွင် စာရေးသူများသည် ကျပန်းထိန်းချုပ်ထားသောစမ်းသပ်မှုများ၏ရလဒ်များနှင့် နောက်ကြောင်းပြန်စူးစမ်းလေ့လာမှုများ ရှိ၊ မရှိ အကဲဖြတ်ခဲ့ကြသည်။ သူတို့ရဲ့ တွေ့ရှိချက် နိဂုံးချုပ်တာကတော့၊
နှိုင်းယှဉ်ထိရောက်မှု သုတေသနတွင် ခွဲခြမ်းစိတ်ဖြာမှုရွေးချယ်မှုများ ကွဲပြားခြင်းဖြင့် ကျွန်ုပ်တို့သည် ဆန့်ကျင်ဘက်ရလဒ်များကို ထုတ်ပေးပါသည်။ ကျွန်ုပ်တို့၏ ရလဒ်များက အချို့သော နောက်ကြောင်းပြန် စူးစမ်းလေ့လာမှုများသည် ကုသမှုသည် လူနာများအတွက် ရလဒ်များကို တိုးတက်ကောင်းမွန်စေကြောင်း တွေ့ရှိနိုင်သော်လည်း အခြားသော အလားတူလေ့လာမှုများက ခွဲခြမ်းစိတ်ဖြာမှုရွေးချယ်မှုများအပေါ် အခြေခံ၍ မတွေ့နိုင်ဟု ကျွန်ုပ်တို့ တွေ့ရှိနိုင်ပါသည်။
အရင်တုန်းကတော့ သိပ္ပံဂျာနယ် ဆောင်းပါးတစ်ပုဒ်ကို ဖတ်တဲ့အခါ မင်းက ငါလိုပါပဲ၊ ရလဒ်တွေ ဒါမှမဟုတ် ကောက်ချက်တွေက ဒေတာနဲ့ပတ်သက်တယ်လို့ မင်းထင်ကောင်းထင်နေလိမ့်မယ်။ ယခုရလဒ်များ၊ သို့မဟုတ် ကနဦးယူဆချက်အား အတည်ပြုခြင်း သို့မဟုတ် ငြင်းဆိုခြင်းရှိမရှိ ခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းပေါ်တွင်လည်းမူတည်နေပုံရသည်။
အခြား လေ့လာချက် အလားတူရလဒ်များကို တွေ့ရှိခဲ့သည်။ ဆောင်းပါး၊ လေ့လာသူအများအပြား၊ ဒေတာအစုံ- ခွဲခြမ်းစိတ်ဖြာရွေးချယ်မှုများတွင် ပြောင်းလဲမှုများသည် ရလဒ်များကို မည်ကဲ့သို့ ပွင့်လင်းမြင်သာအောင်ပြုလုပ်ခြင်း၊ ခွဲခြမ်းစိတ်ဖြာရန် မတူညီသောအဖွဲ့ ၂၉ ခုအား တူညီသောဒေတာအစုအဝေးကို မည်ကဲ့သို့ပေးသည်ကို ဖော်ပြသည်။ ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းကို တစ်ခုတည်းသော ကောက်ချက်ချခြင်းဆီသို့ ဦးတည်စေသည့် တင်းကျပ်ပြီး ကောင်းစွာသတ်မှတ်ထားသော လုပ်ငန်းစဉ်အဖြစ် မကြာခဏ ရှုမြင်ကြသည်။
နည်းစနစ်ပညာရှင်၏ သရုပ်ပြမှုများကြားမှ ရလဒ်များသည် သီအိုရီ၊ ယူဆချက်များနှင့် ရွေးချယ်မှုဆိုင်ရာ အချက်များကို ထည့်သွင်းထားသည့် ရွေးချယ်ထားသော ခွဲခြမ်းစိတ်ဖြာနည်းဗျူဟာအပေါ် မူတည်နိုင်သည်ဟူသော အချက်ကို အလွယ်တကူ လျစ်လျူရှုရန် လွယ်ကူသည်။ များစွာသော ကိစ္စများတွင်၊ သုတေသနမေးခွန်းတစ်ခုအပေါ် သက်ရောက်သည့် အချက်အလက်ကို အကဲဖြတ်ရန် ကျိုးကြောင်းဆီလျော်မှု (နှင့် များစွာသော ယုတ္တိမရှိသော) ချဉ်းကပ်မှုများ ရှိပါသည်။
သုတေသီများသည် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုကို လူစုလူဝေးဖြင့် အရင်းပြုပြီး သုတေသနအားလုံးတွင် မည်သည့် ခွဲခြမ်းစိတ်ဖြာမှုအမျိုးအစားကို အသုံးပြုရမည် အပါအဝင် သုတေသနအားလုံးတွင် အဆုံးအဖြတ်ရလဒ်ကို အကျိုးသက်ရောက်နိုင်သည်ဟု ကောက်ချက်ချခဲ့သည်။
နောက်တစ်ယောက်ရဲ့ အကြံပြုချက် သုတေသီ အထက်ဖော်ပြပါ လေ့လာမှုအား ခွဲခြမ်းစိတ်ဖြာသူသည် ဆုံးဖြတ်ချက်များချရာတွင် သို့မဟုတ် ကောက်ချက်ဆွဲရာတွင် စာရွက်တစ်ရွက်ကို အသုံးပြုသည့်အခါ သတိထားရမည်ဖြစ်သည်။
ပိုင်းခြားစိတ်ဖြာမှုတွင် ဘက်လိုက်မှုကို ဖြေရှင်းခြင်း။
ဤသည်မှာ သတိထားစရာ ပုံပြင်တစ်ခုအဖြစ် ရိုးရှင်းစွာဆိုလိုသည်။ အသိပညာသည် လှည့်စားမှုများမှ ကျွန်ုပ်တို့ကို အကာအကွယ်ပေးနိုင်သည်။ စကင်နာက ကျွန်တော်တို့ကို အရူးလုပ်မယ့် နည်းလမ်းတွေကို ပိုသိလေလေ၊ ခါးပိုက်နှိုက်ရဲ့ လမ်းကြောင်းလွဲမှားခြင်း ဒါမှမဟုတ် Ponzi ကစားခြင်းရဲ့ ချောမွေ့စွာ ပြောဆိုခြင်းတွေကို ခံရဖို့ ဖြစ်နိုင်ခြေနည်းလေလေပါပဲ။ ထို့ကြောင့် ကျွန်ုပ်တို့၏ ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် သက်ရောက်မှုရှိသော ဖြစ်နိုင်ချေရှိသော ဘက်လိုက်မှုများကို နားလည်ခြင်းနှင့် အသိအမှတ်ပြုခြင်းတို့ကြောင့် ဖြစ်ပါသည်။ ဖြစ်နိုင်ချေရှိသော လွှမ်းမိုးမှုများကို ကျွန်ုပ်တို့ သိရှိပါက၊ ကျွန်ုပ်တို့သည် ဇာတ်လမ်းကို ပိုမိုကောင်းမွန်စွာ တင်ပြနိုင်ပြီး နောက်ဆုံးတွင် ပိုမိုကောင်းမွန်သော ဆုံးဖြတ်ချက်များ ချနိုင်မည်ဖြစ်ပါသည်။
