What to trust in a "post-truth" world | Alex Edmans

Translator: Mohammad Badsar Reviewer: sadegh zabihi

Belle Gibson was a happy young Australian.

بل گیبسون یک جوان خوشحال استرالیایی بود.

She lived in Perth, and she loved skateboarding.

او در پرث زندگی می‌کرد و عاشق اسکیت‌سواری بود.

But in 2009, Belle learned that she had brain cancer and four months to live.

اما در سال ۲۰۰۹ فهمید که تومور مغزی دارد و فقط چهار ماه دیگر زنده است.

Two months of chemo and radiotherapy had no effect.

دو ماه شیمی‌درمانی و رادیوگرافی هیچ اثری نداشت.

But Belle was determined.

اما بل مصمم بود.

She'd been a fighter her whole life.

او در تمام زندگی یک مبارز بود.

From age six, she had to cook for her brother, who had autism,

در شش سالگی مجبور بود برای برادرش که اوتیسم داشت

and her mother, who had multiple sclerosis.

و مادرش که ام‌اس داشت غذا درست کند.

Her father was out of the picture.

پدرش اصلاً حضور نداشت.

So Belle fought, with exercise, with meditation

بنابراین بل با ورزش و مدیتیشن

and by ditching meat for fruit and vegetables.

و با جایگزینی میوه و سبزیجات به جای گوشت جنگیدن را شروع کرد.

And she made a complete recovery.

و کاملاً بهبود یافت.

Belle's story went viral.

داستان بل همه جا پخش شد.

It was tweeted, blogged about, shared and reached millions of people.

در موردش توییت و بلاگ شد و به گوش میلیون‌ها نفر رسید.

It showed the benefits of shunning traditional medicine

برمزایای پرهیز از درمان مرسوم و رو آوردن به رژیم غذایی

for diet and exercise.

و ورزش تأکید می‌شد.

In August 2013, Belle launched a healthy eating app,

در آگوست ۲۰۱۳ بل یک اپلیکیشن سلامت غذایی راه‌اندازی کرد،

The Whole Pantry,

به نام بوفه کامل،

downloaded 200,000 times in the first month.

در ماه اول دویست‌هزار بار دانلود شد.

But Belle's story was a lie.

اما داستان بل یک دروغ بود.

Belle never had cancer.

بل اصلاً سرطان نداشت.

People shared her story without ever checking if it was true.

افراد داستان او را بدون بررسی به اشتراک گذاشتند.

This is a classic example of confirmation bias.

این یک نمونه کلاسیک از تعصب تأیید شدن است.

We accept a story uncritically if it confirms what we'd like to be true.

ما داستانی که اعتقادات ما را تأیید می‌کند بدون بررسی می‌پذیریم.

And we reject any story that contradicts it.

و هر داستانی که اعتقاداتمان را نقض می‌کند رد می‌کنیم.

How often do we see this

چقدر این پدیده را در داستان‌هایی

in the stories that we share and we ignore?

که به اشتراک می‌گذاریم و آنهایی که نادیده می‌گیریم مشاهده می‌کنیم؟

In politics, in business, in health advice.

در سیاست، در کسب و کار و در توصیه‌های سلامت.

The Oxford Dictionary's word of 2016 was "post-truth."

لغت "post-truth" (پساحقیقت) در سال ۲۰۱۶ به لغت‌نامه آکسفورد اضافه شد.

And the recognition that we now live in a post-truth world

و دانستن اینکه اکنون داریم در یک دنیای پساحقیقت زندگی می‌کنیم

has led to a much needed emphasis on checking the facts.

به تمرکز بسیار بیشتر بر بررسی حقایق منجر شده است.

But the punch line of my talk

لُب مطلب سخنرانی من این است

is that just checking the facts is not enough.

که تنها بررسی حقایق کافی نیست.

Even if Belle's story were true,

حتی اگر داستان بل راست بود،

it would be just as irrelevant.

باز هم بی‌ربط بود.

Why?

چرا؟

Well, let's look at one of the most fundamental techniques in statistics.

خب، بگذارید نگاهی به یکی از پایه‌ای ترین فنون آمار بیندازیم.

It's called Bayesian inference.

استنباط بیزی نام دارد.

And the very simple version is this:

و یک بیان ساده از آن این است:

We care about "does the data support the theory?"

برای ما مهم است که "آیا داده‌ها نظریه را تأیید می‌کند؟"

Does the data increase our belief that the theory is true?

آیا داده‌ها باور ما بر درست بودن نظریه را افزایش می‌دهد؟

But instead, we end up asking, "Is the data consistent with the theory?"

اما به جای این ما می‌پرسیم: "آیا داده‌ها طبق نظریه هستند؟"

But being consistent with the theory

اما مطابق نظریه بودن

does not mean that the data supports the theory.

به این معنی نیست که داده‌ها نظریه را تأیید می‌کنند.

Why?

چرا؟

Because of a crucial but forgotten third term --

بخاطر یک موضوع اساسی و فراموش‌شده ثالث --

the data could also be consistent with rival theories.

داده‌ها می‌توانند مطابق نظریه‌های رقیب نیز باشند.

But due to confirmation bias, we never consider the rival theories,

اما به خاطر تعصب تأیید شدن ما هرگز نظریه‌های رقیب را در نظر نمی‌گیریم.

because we're so protective of our own pet theory.

چون به شدت محافظ تئوری خودمان هستیم.

Now, let's look at this for Belle's story.

حالا، بیایید این موضوع را در مورد داستان بل ببینیم.

Well, we care about: Does Belle's story support the theory

خب، برای ما مهم است که: آیا داستان بل این تئوری را تأیید می‌کند که رژیم غذایی

that diet cures cancer?

سرطان را درمان می‌کند؟

But instead, we end up asking,

اما در عوض می‌پرسیم،

"Is Belle's story consistent with diet curing cancer?"

"آیا داستان بل مطابق تئوری درمان سرطان با رژیم غذایی است؟"

And the answer is yes.

و پاسخ مثبت است.

If diet did cure cancer, we'd see stories like Belle's.

اگر رژیم غذایی سرطان را درمان کند داستان‌های مشابه بل را خواهیم دید.

But even if diet did not cure cancer,

اما حتی اگر رژیم غذایی سرطان را درمان نکند،

we'd still see stories like Belle's.

ما همچنان شاهد داستان‌های شبیه بل هستیم.

A single story in which a patient apparently self-cured

یک تک داستان که ظاهراً در آن یک مریض پس از روش درمان غلط در وهله اول

just due to being misdiagnosed in the first place.

سپس خود را درمان کرده است.

Just like, even if smoking was bad for your health,

درست مثل این: حتی اگر دخانیات برای سلامتی مضر باشد،

you'd still see one smoker who lived until 100.

همچنان یک سیگاری را می‌بینید که بیش از صد سال عمر کرده است.

(Laughter)

(خنده)

Just like, even if education was good for your income,

درست مثل این: حتی اگر تحصیلات برای درآمد شما خوب است

you'd still see one multimillionaire who didn't go to university.

همچنان یک میلیونر وجود دارد که دانشگاه نرفته است.

(Laughter)

(خنده)

So the biggest problem with Belle's story is not that it was false.

پس بزرگترین ایراد داستان بل دروغ بودن آن نیست.

It's that it's only one story.

بلکه این است که فقط یک واقعه است.

There might be thousands of other stories where diet alone failed,

ممکن است هزاران واقعه دیگری باشد که در آن رژیم غذایی جواب نداده است،

but we never hear about them.

اما هرگز در مورد آن‌ها نمی‌شنویم.

We share the outlier cases because they are new,

ما فقط موارد خاص را به اشتراک می‌گذاریم چون جدید هستند،

and therefore they are news.

و بنابراین خبر هستند.

We never share the ordinary cases.

ما اصلاً موارد عادی را به اشتراک نمی‌گذاریم.

They're too ordinary, they're what normally happens.

چون خیلی معمولی هستند و اتفاقاتی هستند که بطور طبیعی رخ می‌دهند.

And that's the true 99 percent that we ignore.

و در این بین ۹۹ درصد موارد درست را نادیده می‌گیریم.

Just like in society, you can't just listen to the one percent,

درست مثل اینکه در اجتماع شما نمی‌توانید فقط به حرف یک درصد

the outliers,

یا موارد خاص گوش کنید،

and ignore the 99 percent, the ordinary.

و ۹۹ درصد معمول را نادیده بگیرید.

Because that's the second example of confirmation bias.

چون این نمونه دوم از تعصب تأیید شدن است.

We accept a fact as data.

ما یک واقعه را بعنوان یک داده می‌پذیریم.

The biggest problem is not that we live in a post-truth world;

بزرگترین مشکل این نیست که داریم در یک جهان پساحقیقت زندگی می‌کنیم؛

it's that we live in a post-data world.

مشکل زندگی در یک جهان پساداده است.

We prefer a single story to tons of data.

ما یک تک واقعه را به هزاران داده ترجیح می‌دهیم.

Now, stories are powerful, they're vivid, they bring it to life.

داستان‌ها قدرتمند هستند، روشن هستند و دارای حیات هستند.

They tell you to start every talk with a story.

می‌گویند سخنرانی را با یک داستان شروع کن.

I did.

من این کار را کردم.

But a single story is meaningless and misleading

اما یک تک داستان بی‌معنا و منحرف‌کننده است

unless it's backed up by large-scale data.

مگر اینکه توسط حجم زیادی از داده حمایت شود.

But even if we had large-scale data,

اما حتی اگر حجم زیادی از داده داشته باشیم،

that might still not be enough.

ممکن است کافی نباشد.

Because it could still be consistent with rival theories.

چون ممکن است همچنان مطابق نظریات رقیب هم باشند.

Let me explain.

بگذارید توضیح دهم.

A classic study by psychologist Peter Wason

یک مطالعه کلاسیک توسط روان‌شناس پیتر ویسون

gives you a set of three numbers

به شما سه عدد می‌گوید

and asks you to think of the rule that generated them.

و از شما می‌پرسد این اعداد طبق چه منطقی تولید شده‌اند.

So if you're given two, four, six,

خب اگر به شما، دو، چها و شش را بدهند،

what's the rule?

چه منطقی برقرار است؟

Well, most people would think, it's successive even numbers.

خب اکثر افراد فکر می‌کنند این توالی اعداد زوج است.

How would you test it?

چطور آزمایشش می‌کنید؟

Well, you'd propose other sets of successive even numbers:

خب، دسته‌های دیگری از اعداد زوج به شما عرضه می‌شود:

4, 6, 8 or 12, 14, 16.

۴، ۶، ۸ یا ۱۲، ۱۴، ۱۶.

And Peter would say these sets also work.

و پیتر می‌گوید این دسته‌ها هم از منطق پیروی می‌کنند.

But knowing that these sets also work,

اما دانستن اینکه این دسته‌ها تابع منطق هستند،

knowing that perhaps hundreds of sets of successive even numbers also work,

شاید دانستن صدها دسته اعداد زوج که تابع منطق ما هستند،

tells you nothing.

به شما هیچ چیز نمی‌گوید.

Because this is still consistent with rival theories.

چون این بر تئوری‌های رقیب هم مطابقت می‌کند.

Perhaps the rule is any three even numbers.

شاید منطق هر گونه سه عدد زوج باشد.

Or any three increasing numbers.

یا هر سه عدد در حال افزایش.

And that's the third example of confirmation bias:

و این است نمونه سوم از تعصب تأیید شدن:

accepting data as evidence,

پذیرش داده‌ها به عنوان شاهد،

even if it's consistent with rival theories.

حتی اگر مطابق نظریه‌های رقیب هم باشند.

Data is just a collection of facts.

داده‌ها فقط مجموعه‌ای از حقایق هستند.

Evidence is data that supports one theory and rules out others.

شاهد داده‌ایست که یک تئوری را حمایت و دیگر تئوری‌ها را رد می‌کند.

So the best way to support your theory

پس بهترین راه برای حمایت از تئوری خود

is actually to try to disprove it, to play devil's advocate.

این است که تلاش کنید آن را رد کنید و نقش یک وکیل مدافع شیطان را بازی کنید.

So test something, like 4, 12, 26.

بنابراین چیزی مثل ۴، ۱۲، ۲۶ را امتحان کنید.

If you got a yes to that, that would disprove your theory

اگر پاسخ مثبت باشد تئوری شما مبنی بر توالی اعداد زوج

of successive even numbers.

رد می‌شود.

Yet this test is powerful,

این آزمایش قدرتمند است،

because if you got a no, it would rule out "any three even numbers"

چون اگر پاسخ منفی باشد، تئوری "هر گونه سه عدد زوج"

and "any three increasing numbers."

و "هر سه عدد در حال افزایش" رد می‌شوند.

It would rule out the rival theories, but not rule out yours.

تئوری‌های دیگر را رد می‌کند اما تئوری شما را خیر.

But most people are too afraid of testing the 4, 12, 26,

اما اکثر افراد از آزمایش ۴، ۱۲، ۲۶ به شدت می‌ترسند،

because they don't want to get a yes and prove their pet theory to be wrong.

چون نمی‌خواهند با کسب جواب مثبت، تئوری خودشان رد شود.

Confirmation bias is not only about failing to search for new data,

تعصب تأیید نه تنها باعث انصراف از جستجوی داده‌های جدید می‌شود،

but it's also about misinterpreting data once you receive it.

بلکه هنگام دریافت داده‌ها موجب سوء تفسیر می‌شود.

And this applies outside the lab to important, real-world problems.

و این رویکرد در خارج از آزمایشگاه و در قبال مسائل واقعی جهان اتخاذ می‌شود.

Indeed, Thomas Edison famously said,

به راستی، توماس ادیسون جمله معروفی داشت،

"I have not failed,

"من هرگز شکست نخورده‌ام،

I have found 10,000 ways that won't work."

فقط ده هزار راهی را یافته‌ام که عمل نمی‌کند."

Finding out that you're wrong

دانستن اینکه دارید اشتباه می‌کنید

is the only way to find out what's right.

تنها راه یافتن پاسخ درست است.

Say you're a university admissions director

فرض کنید شما مدیر پذیرش دانشگاه هستید

and your theory is that only students with good grades

و تئوری شما این است که فقط دانشجویان با نمره‌های خوب

from rich families do well.

از خانواده‌های ثروتمند به درد می‌خورند.

So you only let in such students.

پس شما فقط چنین دانشجویانی را می‌پذیرید.

And they do well.

و آن‌ها خوب عمل می‌کنند.

But that's also consistent with the rival theory.

اما این با تئوری رقیب هم منطبق است.

Perhaps all students with good grades do well,

شاید همه دانشجویان با نمره خوب به درد می‌خورند،

rich or poor.

چه ثروتمند چه فقیر.

But you never test that theory because you never let in poor students

اما شما هرگزاین تئوری را آزمایش نکرده‌اید چون هرگز دانشجویان فقیر را پذیرش نکرده‌اید.

because you don't want to be proven wrong.

چون دوست ندارید اشتباهتان ثابت شود.

So, what have we learned?

خب چه یاد گرفته‌ایم؟

A story is not fact, because it may not be true.

یک داستان یک حقیقت نیست چون ممکن است راست نباشد.

A fact is not data,

حقیقت، داده نیست،

it may not be representative if it's only one data point.

اگر فقط یک داده خاص باشد قابل پذیرش نیست.

And data is not evidence --

و داده، شاهد نیست --

it may not be supportive if it's consistent with rival theories.

اگر بر تئوری‌های رقیب هم منطبق باشد حامی تئوری ما نیست.

So, what do you do?

پس چه کار می‌کنید؟

When you're at the inflection points of life,

وقتی در نقطه عطف زندگی خود قرار دارید،

deciding on a strategy for your business,

برای تصمیم‌گیری در مورد استراتژی کسب و کارتان،

a parenting technique for your child

فن تربیت کودکتان

or a regimen for your health,

یا یک رژیم برای سلامتی‌تان،

how do you ensure that you don't have a story

چطور مطمئن می‌شوید که شما یک داستان ندارید

but you have evidence?

بلکه یک شاهد دارید؟

Let me give you three tips.

بگذارید سه نکته عرض کنم.

The first is to actively seek other viewpoints.

اولاً فعالانه دیگر دیدگاه‌ها را جستجو کنید.

Read and listen to people you flagrantly disagree with.

نظر افرادی که بوضوح با شما مخالف هستند را بخوانید و بشنوید.

Ninety percent of what they say may be wrong, in your view.

نود درصد چیزی که می‌گویند ممکن است از نگاه شما غلط باشد.

But what if 10 percent is right?

اما اگر ده درصد درست باشد چه؟

As Aristotle said,

به قول ارسطو،

"The mark of an educated man

"علامت یک فرد باسواد

is the ability to entertain a thought

این است که می‌تواند از یک تفکر لذت ببرد

without necessarily accepting it."

گرچه لزوماً آن را نپذیرفته باشد."

Surround yourself with people who challenge you,

اطراف خود را با افرادی که شما را به چالش می‌کشانند پر کنید،

and create a culture that actively encourages dissent.

و فرهنگی را خلق کنید که فعالانه مخالفت را تشویق می‌کند.

Some banks suffered from groupthink,

برخی بانک‌ها از گروه همفکران رنج می‌برند،

where staff were too afraid to challenge management's lending decisions,

وقتیکه کارمندان به شدت می‌ترسندکه تصمیمات وام‌دهی مدیریت را به چالش بکشند،

contributing to the financial crisis.

و در بحران‌های مالی مشارکت کنند.

In a meeting, appoint someone to be devil's advocate

در یک جلسه، یک نفر را به عنوان وکیل مدافع شیطان

against your pet idea.

علیه ایده خودتان تعیین کنید.

And don't just hear another viewpoint --

و نه تنها نظر مخالف را بشنوید --

listen to it, as well.

بلکه به خوبی به آن گوش دهید.

As psychologist Stephen Covey said,

استفان کوی بعنوان یک روان‌شناس می‌گوید،

"Listen with the intent to understand,

"به قصد فهمیدن گوش کنید،

not the intent to reply."

نه به هدف جواب دادن."

A dissenting viewpoint is something to learn from

یک دیدگاه مخالف برای یاد گرفتن است

not to argue against.

نه برای مبارزه علیه آن.

Which takes us to the other forgotten terms in Bayesian inference.

که ما را به بخش فراموش شده سوم استنباط بیزی می‌رساند.

Because data allows you to learn,

چون داده‌ها به شما امکان یادگیری می‌دهند،

but learning is only relative to a starting point.

ولی یادگیری فقط به نقطه شروع ارتباط دارد.

If you started with complete certainty that your pet theory must be true,

اگر با اطمینان کامل از درستی تئوری خودتان آغاز کنید،

then your view won't change --

دیدگاه شما تغییر نخواهد کرد --

regardless of what data you see.

صرف نظر از اینکه با چه داده‌هایی مواجه می‌شوید.

Only if you are truly open to the possibility of being wrong

تنها در صورتی که واقعاً احتمال اشتباه خود را بدهید

can you ever learn.

می‌توانید یاد بگیرید.

As Leo Tolstoy wrote,

همانگونه که لئو تولستوی می‌نویسد،

"The most difficult subjects

"سخت‌ترین مفاهیم

can be explained to the most slow-witted man

می‌تواند برای کندذهن‌ترین انسان توضیح داده شود

if he has not formed any idea of them already.

اگر وی از قبل باوری تشیکل نداده باشد.

But the simplest thing

اما ساده‌ترین چیز را

cannot be made clear to the most intelligent man

نمی‌توان برای باهوش‌ترین انسان روشن کرد

if he is firmly persuaded that he knows already."

در صورتی که وی از پیش معتقد باشد که می‌داند."

Tip number two is "listen to experts."

نکته دوم این است: "به متخصصین گوش بده."

Now, that's perhaps the most unpopular advice that I could give you.

حالا، این شاید ناخوشایندترین نصیحتی باشد که می‌توانم به شما بکنم.

(Laughter)

(خنده)

British politician Michael Gove famously said that people in this country

سیاستمدار انگلیسی مایکل گو جمله مشهوری دارد: مردم این کشور

have had enough of experts.

به اندازه کافی از متخصصان کشیده‌اند.

A recent poll showed that more people would trust their hairdresser --

یک نظرسنجی اخیر نشان داد که اکثر افراد به آرایشگرشان --

(Laughter)

(خنده)

or the man on the street

یا یک شخص در خیابان

than they would leaders of businesses, the health service and even charities.

بیش از رهبران کسب و کار، خدمات درمانی و حتی خیریه‌ها اعتماد دارند.

So we respect a teeth-whitening formula discovered by a mom,

برای همین به یک فرمول سفیدکننده دندان توسط مادر احترام می‌گذاریم،

or we listen to an actress's view on vaccination.

یا به دیدگاه یک بازیگر در مورد واکسیناسیون گوش می‌کنیم.

We like people who tell it like it is, who go with their gut,

ما هر چرندی که توسط افراد گفته شود را دوست داریم

and we call them authentic.

و آن گفته‌ها را معتبر می‌نامیم.

But gut feel can only get you so far.

ولی چرندیات می‌تواند شما را منحرف کند.

Gut feel would tell you never to give water to a baby with diarrhea,

چرندیات به شما می‌گوید به یک بچه دارای اسهال آب ندهید،

because it would just flow out the other end.

چون از سمت دیگر خارج می‌شود.

Expertise tells you otherwise.

اما متخصصین به شما چیز دیگری می‌گویند.

You'd never trust your surgery to the man on the street.

شما هیچوقت جراح خود را با یک شخص معمولی در خیابان عوض نمی‌کنید.

You'd want an expert who spent years doing surgery

شما خواستار متخصصی هستید که سال‌ها جراحی کرده

and knows the best techniques.

و بهترین فنون را می‌داند.

But that should apply to every major decision.

اما این قضیه باید در همه موضوعات اعمال شود.

Politics, business, health advice

سیاست، کسب و کار و سلامت

require expertise, just like surgery.

مثل جراحی به تخصص نیاز دارند.

So then, why are experts so mistrusted?

خب پس چرا افراد اینقدر به متخصصین بی‌اعتماد هستند؟

Well, one reason is they're seen as out of touch.

خب یک دلیل این است که این متخصصین در دسترس نیستند.

A millionaire CEO couldn't possibly speak for the man on the street.

یک مدیرعامل میلیونر قاعدتاً نمی‌تواند با یک فرد معمولی در خیابان صحبت کند.

But true expertise is found on evidence.

اما تخصص واقعی با شواهد یافت می‌شود.

And evidence stands up for the man on the street

و شواهد در دفاع از افراد معمولی

and against the elites.

و علیه متخصصین قرار دارد.

Because evidence forces you to prove it.

چون شواهد شما را مجبور به پذیرش می‌کند.

Evidence prevents the elites from imposing their own view

شواهد از عرضه شدن دیدگاه متخصصین بدون اثبات

without proof.

جلوگیری می‌کند.

A second reason why experts are not trusted

دلیل دومی که به متخصصین اعتماد نمی‌شود

is that different experts say different things.

این است که متخصصین مختلف چیزهای متفاوتی می‌گویند.

For every expert who claimed that leaving the EU would be bad for Britain,

یک متخصص می‌گوید خروج از اتحادیه اروپا برای انگلیس بد است،

another expert claimed it would be good.

یکی دیگر می‌گوید خوب است.

Half of these so-called experts will be wrong.

نصف این به اصطلاح متخصصین اشتباه می‌کنند.

And I have to admit that most papers written by experts are wrong.

و باید بپذیرم که بیشتر مقالات نوشته شده توسط متخصصین اشتباه هستند.

Or at best, make claims that the evidence doesn't actually support.

یا در بهترین حالت، ادعا می‌شود که شواهد این موضوع را تأیید نمی‌کنند.

So we can't just take an expert's word for it.

پس نمی‌توانیم به این سادگی عنوان متخصص را برای آن به کار ببریم.

In November 2016, a study on executive pay hit national headlines.

در نوامبر ۲۰۱۶ یک تحقیق در مورد حق اجرا به صدر رسانه‌ها آمد.

Even though none of the newspapers who covered the study

اگر چه هیچ یک از روزنامه‌هایی که این مطالعه را پوشش دادند

had even seen the study.

حتی این تحقیق را ندیده بودند.

It wasn't even out yet.

هنوز حتی منتشر نشده بود.

They just took the author's word for it,

آن‌ها فقط حرف نویسنده را قبول کردند،

just like with Belle.

درست مثل قضیه بل.

Nor does it mean that we can just handpick any study

قرار نیست که ما هر تحقیقی را که بر حسب اتفاق

that happens to support our viewpoint --

باور ما را تأییید می‌کند، انتخاب کنیم --

that would, again, be confirmation bias.

این هم یک تعصب تأیید است.

Nor does it mean that if seven studies show A

قرار نیست اگر هفت تحقیق نتیجه الف را بدهد

and three show B,

و سه تحقیق نتیجه ب

that A must be true.

پس نتیجه الف درست باشد.

What matters is the quality,

آنچه مهم است کیفیت است

and not the quantity of expertise.

نه کمیت در یک حوزه تخصص.

So we should do two things.

پس باید دو کار بکنیم.

First, we should critically examine the credentials of the authors.

اولاً باید منتقدانه میزان اعتبار نویسندگان را بسنجیم.

Just like you'd critically examine the credentials of a potential surgeon.

همانگونه که میزان اعتبار یک جراح را می‌سنجید.

Are they truly experts in the matter,

آیا واقعاً در موضوع مورد نظر متخصص هستند،

or do they have a vested interest?

یا اینکه منافع خاصی را دنبال می‌کنند؟

Second, we should pay particular attention

دوماً باید به مقالات چاپ شده در مجلات علمی معتبر

to papers published in the top academic journals.

توجه ویژه داشته باشیم.

Now, academics are often accused of being detached from the real world.

حالا، معمولاً افراد دانشگاهی به این متهم می‌شوند که از دنیای واقعی فاصله دارند.

But this detachment gives you years to spend on a study.

اما این فاصله، فرصت صرف کردن چندین سال در یک زمینه علمی برای حصول

To really nail down a result,

یک نتیجه خاص را در اختیار گذاشته

to rule out those rival theories,

تا آن نظریات رقیب را خلق کنند

and to distinguish correlation from causation.

و علیت را از مغالطه تمیز دهند.

And academic journals involve peer review,

و مجلات علمی بررسی دقیقی انجام می‌دهند

where a paper is rigorously scrutinized

و یک مقاله به دقت موشکافی می‌شود

(Laughter)

(خنده)

by the world's leading minds.

و این کار توسط اذهان پیشرو جهانی انجام می‌شود.

The better the journal, the higher the standard.

هر چه مجله بهتر باشد سطح استانداردها بالاتر است.

The most elite journals reject 95 percent of papers.

برترین مجلات علمی ۹۵ درصد مقالات را رد می‌کنند.

Now, academic evidence is not everything.

البته، شواهد علمی همه چیز نیست.

Real-world experience is critical, also.

تجربیات جهان واقعی هم حیاتی است.

And peer review is not perfect, mistakes are made.

و بررسی دقیق کامل نیست و اشتباهات رخ می‌دهد.

But it's better to go with something checked

اما بهتر است با چیزی که بررسی شده ادامه دهیم

than something unchecked.

تا چیزی که بررسی نشده است.

If we latch onto a study because we like the findings,

اگر به یک تحقیق بچسبیم چون یافته‌های آن را دوست داریم،

without considering who it's by or whether it's even been vetted,

بدون اینکه ببینیم توسط چه کسی یا اینکه اصلا بازبینی شده است،

there is a massive chance that that study is misleading.

احتمال زیادی وجود دارد که این تحقیق گمراه‌کننده باشد.

And those of us who claim to be experts

و آنهایی از ما که ادعای تخصص دارند

should recognize the limitations of our analysis.

باید محدودیت‌های آنالیزهای ما را درک کنند.

Very rarely is it possible to prove or predict something with certainty,

امکان اثبات قطعی یک موضوع خیلی سخت است،

yet it's so tempting to make a sweeping, unqualified statement.

اما اظهار یک ادعای فریبنده و فاقد صلاحیت خیلی وسوسه‌انگیز است.

It's easier to turn into a headline or to be tweeted in 140 characters.

به صدر رسانه‌ها آمدن و از زبان ۱۴۰ شخصیت معروف توییت شدن ساده‌تر است.

But even evidence may not be proof.

اما شواهد هم ممکن است به معنی اثبات نباشد.

It may not be universal, it may not apply in every setting.

شاید جهانی نباشند یا در مورد هر چیزی صدق نکنند.

So don't say, "Red wine causes longer life,"

پس نگویید، "شراب قرمز موجب افزایش طول عمر می‌شود،"

when the evidence is only that red wine is correlated with longer life.

وقتی تنها شاهدی که دارید این است که طول عمر افرادی که شراب قرمز می‌خورند

And only then in people who exercise as well.

بیشتر است ولی فقط آنهایی که خوب ورزش می‌کنند.

Tip number three is "pause before sharing anything."

نکته سوم "توقف قبل از به اشتراک‌گذاری هر چیزی" است.

The Hippocratic oath says, "First, do no harm."

سوگند بقراط می‌گوید، "اولاً هیچ آسیبی نزنید."

What we share is potentially contagious,

چیزی که به اشتراک می‌گذاریم بطور بالقوه مسری است،

so be very careful about what we spread.

پس کاملاً دقت کنید که چه به اشتراک می‌گذارید.

Our goal should not be to get likes or retweets.

هدف ما نباید دریافت لایک یا ریتوییت باشد.

Otherwise, we only share the consensus; we don't challenge anyone's thinking.

در این صورت ما فقط چیزهایی که همه دوست دارند را به اشتراک می‌گذاریم و اصلاً تفکر

Otherwise, we only share what sounds good,

کسی را به چالش نمی‌کشیم و فقط چیزهای ظاهراً خوب را فارغ از اینکه آیا یک

regardless of whether it's evidence.

شاهد است به اشتراک می‌گذاریم؛

Instead, we should ask the following:

در عوض باید اینها را بپرسیم:

If it's a story, is it true?

اگر یک داستان است آیا واقعی است؟

If it's true, is it backed up by large-scale evidence?

اگر واقعی است آیا با حجم زیادی از شواهد پشتیبانی می‌شود؟

If it is, who is it by, what are their credentials?

اگر بله توسط چه کسانی و با چه اعتباری؟

Is it published, how rigorous is the journal?

آیا چاپ شده؟ درجه اعتبار مجله علمی چقدر است؟

And ask yourself the million-dollar question:

و از خودتان سوال میلیون دلاری را بپرسید:

If the same study was written by the same authors with the same credentials

اگر مطالعه مشابهی توسط نویسندگان مشابه با درجه اعتبار مشابه نوشته شده

but found the opposite results,

اما نتایج متضاد گزارش شده باشد،

would you still be willing to believe it and to share it?

آیا باز هم آن را باور کرده و به اشتراک می‌گذارید؟

Treating any problem --

با همه مسائل همین کار را بکنید --

a nation's economic problem or an individual's health problem,

یک مسئله اقتصادی ملی یا مسئله سلامت یک فرد

is difficult.

مشکل است.

So we must ensure that we have the very best evidence to guide us.

پس مجبوریم برای راهنمایی، بهترین شاهد را بپذیریم.

Only if it's true can it be fact.

فقط اگر راست باشد می‌تواند یک حقیقت باشد.

Only if it's representative can it be data.

فقط اگر یک داده خاص نباشد قابل پذیرش است.

Only if it's supportive can it be evidence.

فقط اگر قابل پشتیبانی علمی باشد یک شاهد است.

And only with evidence can we move from a post-truth world

و تنها با شواهد می‌توانیم از این دنیای پساحقیقت

to a pro-truth world.

به سوی دنیای حقیقت واقعی حرکت کنیم.

Thank you very much.

خیلی متشکرم.

(Applause)

(تشویق)