تجزیه دروغ
د تحلیل تعصب
مارک ټوین په بحث کې داسې یو څه وویل: "دروغونه درې ډوله دي: دروغ، لعنت دروغ او تحلیل. "
موږ دا په پام کې نیسو چې تحلیلونه موږ ته ګټور ، د عمل وړ لیدونه راکوي. هغه څه چې موږ ډیری وختونه نه پوهیږو دا دي چې څنګه زموږ خپل تعصبونه او د نورو هغه ځوابونه اغیزه کوي چې موږ یې حتی د خورا پیچلي سافټویر او سیسټمونو لخوا ورکول کیږي. ځینې وختونه، موږ ممکن په بې ایمانۍ سره کار وکړو، مګر، په عمومي توګه، دا ممکن فرعي او غیر شعوري تعصبونه وي چې زموږ تحلیلونو ته ځي. د متعصب تحلیلونو تر شا انګیزه څو چنده ده. ځینې وختونه هغه بې طرفه پایلې چې موږ یې له ساینس څخه تمه کوو د 1) د معلوماتو وړاندې کولو څرنګوالي کې فرعي انتخابونو لخوا اغیزمن کیږي، 2) متضاد یا غیر نمایشي ډاټا، 3) د AI سیسټمونه څنګه روزل کیږي، 4) ناپوهي، د څیړونکو نیمګړتیا یا نور هڅه کوي د کیسې ویلو لپاره، 5) پخپله تحلیل.
پریزنټشن تعصب دی
ځینې دروغ د نورو په پرتله پیژندل اسانه دي. کله چې تاسو پوهیږئ چې څه شی په لټه کې شئ تاسو ممکن په اسانۍ سره احتمالي کشف کړئ ګمراه کونکي ګرافونه او چارټونه.
لږترلږه شتون لري په غلط ډول د معلوماتو ښودلو پنځه لارې: 1) د محدود معلوماتو سیټ ښکاره کړئ، 2). غیر اړونده اړیکې وښایاست، 3) ډاټا په ناسمه توګه وښایاست، 4) په غیر دودیز ډول ډاټا ښکاره کړئ، یا 5). ډیټا ډیر ساده ښودل.
د محدود معلوماتو سیټ وښایاست
د معلوماتو محدودول، یا لاس د معلوماتو غیر تصادفي برخې غوره کول اکثرا یوه کیسه بیانوي چې د لوی عکس سره مطابقت نلري. ناسم نمونه اخیستل، یا د چیری غوره کول، هغه وخت دی چې شنونکی د لوی ګروپ استازیتوب لپاره غیر نمایندګي نمونه کاروي.
په مارچ کې 2020، د جورجیا د عامې روغتیا ریاست دا چارټ د خپل ورځني وضعیت راپور د یوې برخې په توګه خپور کړ. دا واقعیا د ځوابونو په پرتله ډیرې پوښتنې راپورته کوي.
یو له هغه شیانو څخه چې ورک دي شرایط دي. د مثال په توګه، دا به ګټور وي چې پوه شي چې د هر عمر ګروپ لپاره د نفوس سلنه څومره ده. د ساده ښکاري پائی چارټ سره بله مسله د نا مساوي عمر ګروپونه دي. 0-17 18 کاله لري، 18-59 42 لري، 60+ خلاص پای لري، مګر شاوخوا 40 کاله لري. پایله، یوازې دې چارټ ته ورکړل شوې، دا ده چې ډیری قضیې د 18-59 کلن عمر ګروپ کې دي. داسې ښکاري چې د 60+ کلن عمر ګروپ د COVID قضیو لخوا لږ سخت اغیزمن شوی. مګر دا ټوله کیسه نه ده.
د پرتله کولو لپاره، دا مختلف معلومات په دې ترتیب شوي د CDC ویب پاڼه د کوویډ قضیې د عمر ګروپ له مخې د متحده ایالاتو د نفوس سلنه په اړه اضافي معلوماتو سره چې د هر عمر په حد کې دي چارټ کوي.
دا غوره ده. موږ نور شرایط لرو. موږ وینو چې د عمر ګروپونه 18-29، 30-39، 40-49 ټول په نفوس کې د عمر ګروپ سلنې په پرتله د قضیې لوړه سلنه لري. د عمر ځینې نابرابرې ډلې لاهم شتون لري. ولې 16-17 یو جلا عمر ګروپ دی؟ بیا هم دا ټوله کیسه نه ده، مګر پوهانو کالمونه لیکلي، وړاندوینې یې کړې او د دې څخه لږ څه حکمونه یې کړي دي. په ښکاره ډول ، د COVID سره ، د عمر سربیره ډیری متغیرونه شتون لري چې د مثبتې قضیې په توګه شمیرل کیدو اغیزه کوي: د واکسین وضعیت ، د ازموینو شتون ، د ازموینو شمیر ، کموربیډیټس او ډیری نور. د قضیو شمیر، پخپله، یو نیمګړتیا انځور وړاندې کوي. ډیری ماهرین د مړینو شمیر ، یا په هر 100,000 نفوس کې د مړینې سلنه ، یا د پیښې تلفاتو ته هم ګوري ترڅو وګوري چې COVID څنګه د هر عمر ګروپ اغیزه کوي.
بې تړاوه اړیکې ښکاره کړئ
په ښکاره ډول، شتون لري قوي اړیکه په ساینس، فضا او ټیکنالوژۍ باندې د متحده ایالاتو د لګښتونو او د ځړولو، مردار کولو او ساه اخیستلو له لارې د ځان وژنې شمیر ترمنځ. اړیکه 99.79٪ ده، نږدې یو بشپړ میچ.
که څه هم، څوک به دا قضیه رامینځته کړي چې دا یو څه پورې تړاو لري، یا یو د بل لامل کیږي؟ نور لږ افراطي مثالونه شتون لري، مګر لږ جعل نه دي. د Scripps National Spelling Bee د ګټلو کلمه کې د لیکونو او د زهرو سپیډرانو لخوا د وژل شویو خلکو شمیر ترمنځ ورته قوي اړیکه شتون لري. تصادف؟ ته پریکړه وکړه.
د دې معلوماتو د چارټ کولو بله لاره چې ممکن لږ ګمراه کونکي وي د Y-axes په دواړو کې صفر شاملول دي.
معلومات په غلطه توګه ښکاره کړئ
له د معلوماتو په خراب ډول ښودلو څرنګوالی، د متحده ایالاتو جورجیا ایالت د COVID-5 تایید شوي ترټولو لوی شمیر سره د 19 غوره هیوادونه وړاندې کړل.
قانوني ښکاري، سمه ده؟ په ښکاره ډول د تایید شوي COVID-19 قضیو کې ښکته رجحان شتون لري. ایا تاسو کولی شئ ایکس محور ولولئ؟ ایکس محور د وخت استازیتوب کوي. عموما، نیټې به له کیڼ څخه ښیې ته لوړیږي. دلته، موږ په ایکس محور کې لږ وخت سفر ګورو:
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 ...
انتظار؟ څه؟ د ایکس محور په تاریخي ډول نه ترتیب شوی. نو، لکه څنګه چې د رجحان په څیر ښه ښکاري، موږ نشو کولی هیڅ پایلې ونه اخلو. که نیټې ترتیب شي، د قضیو د شمیر لپاره بارونه د هر ډول رجحان په پرتله د سیوټوت نمونه ښیې.
دلته اسانه حل د نیټې ترتیب کول دي لکه څنګه چې کیلنڈر کوي.
په غیر دودیز ډول ډاټا ښکاره کړئ
موږ ټول بوخت یو. زموږ مغز موږ ته درس راکړی چې د انګیرنو پراساس ګړندي قضاوت وکړو کوم چې زموږ په نړۍ کې ثابت دي. د مثال په توګه، هر هغه ګراف چې ما کله هم لیدلی دی د x- او y-axes ناسته په صفر، یا ټیټ ارزښتونو ښیي. دې چارټ ته په لنډه توګه کتل، تاسو د فلوریډا د اغیزې په اړه کومې پایلې ترلاسه کولی شئ "خپل اساسي قانون ودروئ."؟ زه شرمیږم چې دا ومنم، مګر دا ګراف په لومړي سر کې ما احمق کړ. ستاسو سترګې په اسانۍ سره د ګرافیک په مینځ کې متن او تیر ته راجع کیږي. په دې ګراف کې ښکته پورته دی. دا ممکن دروغ نه وي - ډاټا دلته سم دي. مګر، زه باید فکر وکړم چې دا د فریب لپاره دی. که تاسو دا لا نه وي لیدلی، په y-axis کې صفر په سر کې دی. نو ، لکه څنګه چې د معلوماتو رجحانات ټیټ دي ، پدې معنی چې ډیر مړینې. دا چارټ ښیې چې د اور وژنې په کارولو سره د وژنو شمیر زیاتوالی د 2005 وروسته، د روان رجحان لخوا اشاره شوې ښکته.
ډاټا په ساده ډول ښکاره کړئ
د معلوماتو د ډیر ساده کولو یوه بیلګه لیدل کیدی شي کله چې شنونکي د سمپسن پاراډکس څخه ګټه پورته کوي. دا یوه پدیده ده چې هغه وخت رامینځته کیږي کله چې راټول شوي معلومات د فرعي برخو څخه جلا کیدو په پرتله مختلف پایله ښیې. دا جال په اسانۍ سره مینځ ته راځي کله چې د لوړې کچې مجموعي فیصدو ته ګورئ. په کار کې د سمپسن پاراډوکس یوه روښانه بیلګه په دې پورې اړه لري د توپ وهنې اوسط.
دلته موږ ګورو چې ډیریک جیټر د 1995 او 1996 فصلونو لپاره د ډیویډ جسټس په پرتله د بیټینګ اوسط لوړ دی. تضاد هغه وخت راځي کله چې موږ پوهیږو چې عدالت په دې دواړو کلونو کې د بیټینګ اوسط کې جیټر غوره کړی. که تاسو په دقت سره وګورئ، دا معنی لري کله چې تاسو پوه شئ چې جیټر په 4 کې په .1996 ټیټ اوسط کې په 007 کې شاوخوا 1996 ځله ډیر at-bats درلود (ډینومینیټر). په 10 کې 003 لوړ اوسط.
پریزنټیشن مستقیم ښکاري، مګر د سمپسن پاراډکس، په اراده یا ناپوهۍ سره، د غلطو پایلو لامل شوی. په دې وروستیو کې، په خبرونو او ټولنیزو رسنیو کې د واکسینونو او COVID مړینې پورې اړوند سمپسن پاراډوکس مثالونه شتون لري. یو چارت یو کرښه ګراف ښیې چې د 10-59 کلونو عمر لرونکي خلکو لپاره د واکسین شوي او نه واکسین شوي ترمینځ د مړینې کچه پرتله کوي. چارټ ښیي چې غیر واکسین شوي په دوامداره توګه د مړینې ټیټه کچه لري. دلته څه روان دي؟
مسله هغه ته ورته ده چې موږ یې د بیټینګ اوسط سره ګورو. په دې قضیه کې د هر عمر ګروپ کې د اشخاصو شمیر دی. ګراف هغه ګروپونه سره یوځای کوي چې مختلفې پایلې لري. که موږ د عمر ګروپ، 50-59، په جلا توګه وګورو، موږ وینو چې واکسین شوي کرایه ښه ده. په ورته ډول، که موږ 10-49 ته وګورو، موږ دا هم وینو چې د واکسین شوي کرایه ښه ده. په متضاد ډول، کله چې ګډې سیټ ته وګورو، داسې ښکاري چې غیر واکسین شوي بدې پایلې ولري. په دې توګه، تاسو کولی شئ د معلوماتو په کارولو سره د مخالف دلیلونو لپاره قضیه جوړه کړئ.
ډاټا متعصبه ده
معلومات تل باور نشي کولی. حتی په ساینسي ټولنه کې، له دریمې برخې څخه زیاتو څیړونکو سروې کړې "د پوښتنې وړ څیړنې تمرینونه." بل د درغلۍ جاسوس تحقیق وايي: "په ډیټا کې ډیر احتمال شتون لري - جدولونه، لاین ګرافونه، د معلوماتو ترتیب کول [- په پرتله چې موږ واقعا کشف کوو]. هر څوک چې د پخلنځي په میز کې ناست وي کولی شي ځینې شمیرې په سپریډ شیټ کې واچوي او یو کرښه ګراف جوړ کړي چې د قناعت وړ ښکاري.
دا لومړی مثال په توګه داسې ښکاري چې یو چا دا کار کړی دی. زه دا نه وایم چې دا درغلۍ ده، مګر د یوې سروې په توګه، دا یوازې هیڅ معلومات نه تولیدوي چې د باخبره پریکړې سره مرسته کوي. داسې ښکاري چې سروې له ځواب ورکوونکو څخه د ګاز سټیشن کافي په اړه د دوی د نظر په اړه پوښتنه کړې، یا ځینې نور اړونده اوسني پیښې..
- جوړېږي
- غوره
- ډیر ښه
ما د ټویټر پوسټ فصل کړی ترڅو مجرم ګوند ته د حوالې لیرې کړي، مګر دا د سروې د وروستیو پایلو اصلي ټول چارټ دی. دا ډول سروې غیر معمولي ندي. په ښکاره ډول، د ځوابونو په پایله کې د معلوماتو څخه جوړ شوی چارټ به وښيي چې په پوښتنې کې کافي باید له لاسه ورنکړل شي.
ستونزه دا ده چې که تاسو ته دا سروې درکړل شوې وای او داسې ځواب مو ونه موند چې ستاسو د فکر سره سم وي، تاسو به سروې پریږدئ. دا کیدای شي یو خورا مثال وي چې څنګه د باور وړ ډاټا رامینځته کیدی شي. په هرصورت، د سروې ضعیف ډیزاین کولی شي لږ ځوابونه رامینځته کړي او هغه څوک چې ځواب ورکوي یوازې یو نظر لري، دا یوازې د درجې خبره ده. معلومات متعصب دي.
د ډیټا تعصب دا دوهم مثال د فایلونو څخه دی "ترټولو خراب COVID 19 ګمراه کونکي ګرافونه. "
بیا بیا، دا فرعي او په بشپړه توګه څرګند نه دی. د بار ګراف په فلوریډا کې د یوې کاونټي لپاره د وخت په تیریدو سره د مثبت COVID-19 قضیو فیصدي کې کمښت - نږدې خورا اسانه - ښیي. تاسو کولی شئ په اسانۍ سره دې پایلې ته ورسیږئ چې قضیې مخ په کمیدو دي. دا خورا ښه دی، لید په سمه توګه د معلوماتو استازیتوب کوي. ستونزه په ډاټا کې ده. نو، دا یو ډیر سپک تعصب دی ځکه چې تاسو یې نه شئ لیدلی. دا په ډاټا کې پخه شوې ده. هغه پوښتنې چې تاسو یې باید وپوښتئ، په کې شامل دي، څوک ازموینه کیږي؟ په بل عبارت، د هر څه شی دی، یا هغه نفوس چې موږ یې په سلو کې ګورو. انګیرنه دا ده چې دا ټول نفوس دی، یا لږترلږه، د نمایندګۍ نمونه.
په هرصورت، پدې موده کې، پدې هیواد کې، ازموینې یوازې یو محدود شمیر خلکو ته ورکړل شوي. دوی باید د COVID په څیر نښې ولري ، یا پدې وروستیو کې د ګرم ځایونو لیست کې یو هیواد ته سفر کړی وي. سربیره پردې د پایلو ګډوډول دا حقیقت دی چې هر مثبت ازموینه شمیرل شوې او هر منفي ازموینه شمیرل شوې. معمولا ، کله چې یو فرد مثبت ازموینه وکړي ، دوی به بیا ازموینه وکړي کله چې ویروس خپل کورس پرمخ وړي او منفي ازموینه وکړي. نو ، په یو معنی ، د هرې مثبتې قضیې لپاره ، د منفي ازموینې قضیه شتون لري چې دا لغوه کوي. د ازموینو لویه برخه منفي دي او د هر فرد منفي ازموینې شمیرل شوي. تاسو کولی شئ وګورئ چې ډاټا څنګه تعصب لري او په ځانګړې توګه د پریکړو کولو لپاره ګټور ندي.
د AI ان پټ او روزنه متعصبه ده
لږترلږه دوه لارې شتون لري چې AI کولی شي د متعصبو پایلو لامل شي: د متعصب معلوماتو سره پیل کول ، یا د باوري معلوماتو پروسس کولو لپاره د متعصب الګوریتم کارول.
متعصب ان پټ
زموږ څخه ډیری د دې انګیرنې لاندې دي چې AI د شمیرو کمولو لپاره باور کیدی شي ، د دې الګوریتم پلي کړي ، او د معلوماتو معتبر تحلیل توی کړي. مصنوعي هوښیارتیا یوازې هغومره هوښیار کیدی شي څومره چې روزل کیږي. که چیرې هغه معلومات چې په هغې کې روزل شوي نیمګړتیا وي، پایلې یا پایلې به د باور وړ نه وي. د سروې د تعصب پورتنۍ قضیې ته ورته، یو شمیر لارې شتون لري چې ډاټا کیدی شي تعصب په ماشین زده کړه کې:
- د نمونې تعصب - د روزنې ډیټاسیټ د ټول نفوس استازیتوب نه کوي.
- د اخراج تعصب - ځینې وختونه هغه څه چې بهر ته ښکاري په حقیقت کې د اعتبار وړ دي، یا، چیرته چې موږ د هغه څه په اړه کرښه راښکته کوو چې باید پکې شامل وي (زپ کوډونه، نیټې، او نور).
- د اندازه کولو تعصب - کنوانسیون تل د مینیسکوس له مرکز او ښکته څخه اندازه کول دي، د بیلګې په توګه، کله چې د حجمیتریک فلاسکس یا ټیسټ ټیوبونو کې د مایع اندازه کول (پرته له پارا.)
- د تعصب یادونه - کله چې څیړنه د برخه اخیستونکو په حافظه پورې اړه لري.
- د کتونکي تعصب - ساینس پوهان، لکه د ټولو انسانانو په څیر، د هغه څه لیدلو ته لیواله دي چې دوی یې د لیدلو تمه لري.
- جنسیتي او نژادي تعصب - جنس یا نژاد ممکن ډیر یا کم نمایش وي.
- د ټولنې تعصب - ډاټا سټیریوټایپونه پیاوړي کوي
د AI د باور وړ پایلو بیرته راستنیدو لپاره، د دې روزنې ډاټا ته اړتیا لري چې د ریښتینې نړۍ استازیتوب وکړي. لکه څنګه چې موږ په تیرو بلاګ مقاله کې بحث کړی، د معلوماتو چمتو کول مهم دي او د نورو معلوماتو پروژې په څیر. بې اعتباره ډاټا کولی شي د ماشین زده کړې سیسټمونو ته غلط درس ورکړي او پایله به یې غلطه پایله ولري. هغه وویل، "ټول معلومات متعصب دي. دا پارونیا نه ده. دا حقیقت دی.» – ډاکټر سنجیو ایم نارایند سټینفورډ پوهنتون د طب ښوونځي.
د روزنې لپاره د متعصبو معلوماتو کارول د AI یو شمیر د پام وړ ناکامیو لامل شوي. (مثالونه دلته او دلته، څیړنه دلته..)
متعصب الګوریتم
الګوریتم د قواعدو مجموعه ده چې د سوداګرۍ ستونزې ته د ځواب ویلو لپاره آخذه مني او محصول رامینځته کوي. دوی ډیری وختونه د ښه تعریف شوي پریکړې ونې دي. الګوریتمونه د تور بکسونو په څیر احساس کوي. هیڅوک ډاډه نه دي چې دوی څنګه کار کوي، ډیری وختونه، حتی نه هغه شرکتونه چې دوی یې کاروي. اوه، او دوی اکثرا ملکیت دي. د دوی پراسرار او پیچلي طبیعت یو له هغه دلیلونو څخه دی چې ولې متعصب الګوریتمونه خورا سپک دي. .
په طب، HR یا مالیه کې د AI الګوریتم په پام کې ونیسئ کوم چې ریس په پام کې نیسي. که نسل یو عامل وي، الګوریتم نشي کولی په نژادي توګه ړوند وي. دا نظري نه ده. د دې په څیر ستونزې په ریښتینې نړۍ کې د AI په کارولو سره کشف شوي د ګمارنې, د سواری شریکول, پور غوښتنهs، او د پښتورګو انتقال.
لاندینۍ کرښه دا ده چې که ستاسو ډاټا یا الګوریتمونه خراب وي، د بې ګټې څخه بد دي، دوی ممکن خطرناک وي. داسې یو شی شتون لري لکه "الګوریتمیک پلټنه" هدف د سازمانونو سره مرسته کول دي چې د الګوریتم پورې اړوند احتمالي خطرونه وپیژني ځکه چې دا د انصاف ، تعصب او تبعیض پورې اړه لري. بل ځای، فیسبوک په AI کې د تعصب سره د مبارزې لپاره AI کاروي.
خلک متعصب دي
موږ د مساوي دواړو خواوو خلک لرو. خلک تحلیل چمتو کوي او خلک معلومات ترلاسه کوي. څېړونکي شته او لوستونکي هم شته. په هر ډول مخابراتو کې، د لیږد یا استقبال کې ستونزې شتون لري.
د مثال په توګه، هوا واخلئ. د "باران چانس" څه معنی لري؟ لومړی، د هوا پوهانو څه معنی لري کله چې دوی وايي د باران امکان شتون لري؟ د امریکا د حکومت په وینا د هوا هوایی خدمتد باران چانس، یا هغه څه چې دوی یې د باران احتمال (PoP) بولي، د هوا په وړاندوینې کې یو له خورا لږ پوهیدلو عناصرو څخه دی. دا یو معیاري تعریف لري: "د اورښت احتمال په ساده ډول د 0.01 انچ [sic] د [sic] په ټاکل شوي وخت کې د وړاندوینې په ساحه کې په ورکړل شوي ساحه کې د اورښت ډیر احصایوي احتمال دی." " ورکړل شوې ساحه" د وړاندوینې ساحه ده، یا بroadد کاسټ ساحه دا پدې مانا ده چې د اورښت رسمي احتمال په دې باور پورې اړه لري چې دا به په سیمه کې په کوم ځای کې باران وکړي او د سیمې سلنه به لندبل شي. په بل عبارت، که د هوا پوهان ډاډه وي چې د وړاندوینې په ساحه کې به باران وي (باور = 100٪)، نو بیا PoP د سیمې هغه برخه استازیتوب کوي چې باران به پکې راشي.
د پاریس کوڅه؛ باراني ورځګوستاو کیلیبوټ (1848-1894) د شیکاګو هنر انسټیټیوټ عامه ډومین
د باران امکان دواړه په اعتماد او ساحه پورې اړه لري. زه په دې نه پوهېدم. زه شک لرم چې نور خلک هم نه پوهیږي. شاوخوا 75٪ نفوس په سمه توګه نه پوهیږي چې PoP څنګه محاسبه کیږي، یا دا د څه شی استازیتوب کوي. نو ایا موږ احمقان یو، یا دا د ادراک ستونزه ده. راځئ چې دې ته د باران احساس ووایو. ایا موږ د هوا وړاندوینه کونکي ملامت کوو؟ د عادلانه کیدو لپاره، یو څه شتون لري ګډوډی د هوا وړاندوینو ترمنځ هم. په یوه کې سروې43٪ د هوا پوهانو سروې کړې چې د PoP په تعریف کې خورا لږ مطابقت شتون لري.
تحلیل پخپله تعصب دی
د پنځو اغیزمنو فکتورونو څخه، تحلیل پخپله ممکن خورا حیرانتیا وي. په ساینسي څیړنو کې چې پایله یې بیاکتنه شوې مقاله خپریږي ، معمولا یوه تیوري فرضیه کیږي ، میتودونه د فرضیې ازموینې لپاره تعریف شوي ، ډاټا راټولیږي ، بیا ډاټا تحلیل کیږي. د تحلیل ډول چې ترسره کیږي او دا چې څنګه ترسره کیږي د دې په اړه چې دا څنګه پایلې اغیزه کوي کم تعریف شوی. په یوه کاغذ د دې کال په پیل کې (جنوري 2022) خپور شو، د سرطان په نړیوال ژورنال کې، لیکوالانو ارزونه وکړه چې ایا د تصادفي کنټرول شوي محاکمو پایلې او د بیاکتنې مشاهدې مطالعات. د دوی موندنو پایله وکړه چې،
د مقایسوي اغیزمنتیا څیړنې کې د مختلف تحلیلي انتخابونو په واسطه، موږ برعکس پایلې رامینځته کړې. زموږ پایلې وړاندیز کوي چې ځینې متقابل مشاهدې مطالعات ممکن د درملنې پایلې ومومي د ناروغانو لپاره ښه والی ، پداسې حال کې چې بله ورته څیړنه ممکن دا ونه موندل شي ، په ساده ډول د تحلیلي انتخابونو پراساس.
په تیرو وختونو کې، کله چې د ساینسي ژورنال مقالې لوستل، که تاسو زما په څیر یاست، تاسو شاید فکر کړی وي چې پایلې یا پایلې ټول د معلوماتو په اړه دي. اوس، داسې ښکاري چې پایلې، یا ایا لومړنۍ فرضیه تایید شوې یا رد شوې کیدای شي د تحلیل په طریقه پورې اړه ولري.
بل مطالعه ورته پایلې وموندلې. مقاله، ډیری شنونکي، یو ډیټا سیټ: شفاف کول څنګه په تحلیلي انتخابونو کې بدلونونه پایلې اغیزه کوي، تشریح کوي چې څنګه دوی ورته ډاټا 29 مختلف ټیمونو ته د تحلیل لپاره ورکړي. د معلوماتو تحلیل اکثرا د یو سخت، ښه تعریف شوي پروسې په توګه لیدل کیږي کوم چې د یوې پایلې لامل کیږي.
د میتودولوژیسټانو د څرګندونو سره سره، دا حقیقت له پامه غورځول اسانه دي چې پایلې ممکن په غوره شوي تحلیلي ستراتیژۍ پورې اړه ولري، کوم چې پخپله د تیوري، انګیرنې او انتخاب ټکي سره تړاو لري. په ډیرو مواردو کې، د معلوماتو ارزولو لپاره ډیری معقول (او ډیری غیر معقول) تګلارې شتون لري چې د څیړنې پوښتنې سره تړاو لري.
څیړونکو د ډیټا تحلیلونه راټول کړل او دې پایلې ته ورسیدل چې په ټولو څیړنو کې موضوعي پریکړې شاملې دي - پشمول د کوم ډول تحلیل کارول - کوم چې کولی شي د مطالعې وروستۍ پایلې اغیزه وکړي.
د بل سپارښتنه څیړونکی هغه څوک چې پورتنۍ مطالعه تحلیلوي باید محتاط وي کله چې د پریکړې کولو یا نتیجې په جوړولو کې د یوې کاغذ څخه کار واخلئ.
په تحلیلونو کې د تعصب حل کول
دا په ساده ډول د احتیاط کیسه ده. پوهه کولی شي موږ له درغلۍ څخه وژغوري. هرڅومره چې د ممکنه میتودونو څخه ډیر خبر وي چې یو سکینر ممکن زموږ د احمق کولو لپاره وکاروي ، هومره لږ امکان لري چې موږ د جیب د غلط لارښود ، یا د پونزي لوبې په ساده خبرو کې ونیول شو. نو دا د احتمالي تعصبونو د پوهیدو او پیژندلو سره دی چې زموږ تحلیلونه اغیزه کوي. که موږ د احتمالي تاثیراتو څخه خبر یو، موږ به وکولی شو کیسه ښه وړاندې کړو او بالاخره غوره پریکړې وکړو.
