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

תרגום: maor madmon עריכה: Ido Dekkers

Belle Gibson was a happy young Australian.

בל גיבסון הייתה אוסטרלית צעירה ושמחה.

She lived in Perth, and she loved skateboarding.

היא גרה בפרת' ואהבה לגלוש בסקייטבורד.

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

אבל ב-2009, גילתה שיש לה סרטן המוח ונותרו לה 4 חודשים לחיות.

Two months of chemo and radiotherapy had no effect.

חודשיים של כימותרפיה והקרנות לא עזרו.

But Belle was determined.

אבל בל הייתה נחושה בדעתה.

She'd been a fighter her whole life.

היא הייתה לוחמת מאז ומתמיד.

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

מגיל שש היא בישלה עבור אחיה האוטיסט,

and her mother, who had multiple sclerosis.

ואימה שחולה בטרשת נפוצה.

Her father was out of the picture.

אבא שלה לא היה בתמונה כל חייה.

So Belle fought, with exercise, with meditation

אז בל נלחמה, בעזרת פעילות גופנית ומדיטציה

and by ditching meat for fruit and vegetables.

הפסיקה לאכול בשר, אכלה רק פירות וירקות.

And she made a complete recovery.

והיא החלימה.

Belle's story went viral.

הסיפור של בל התפשט ברשת כמו אש בשדה קוצים.

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

הוא סופר שוב ושוב בטוויטר ובבלוגים והגיע למיליוני אנשים.

It showed the benefits of shunning traditional medicine

הוא הציג את היתרונות שבזניחת הרפואה המסורתית

for diet and exercise.

עבור תזונה נכונה ופעילות גופנית.

In August 2013, Belle launched a healthy eating app,

באוגוסט 2013, בל השיקה אפליקציה לתזונה נכונה,

The Whole Pantry,

המזווה השלם,

downloaded 200,000 times in the first month.

שהורדה ע"י 200,000 משתמשים בחודש הראשון.

But Belle's story was a lie.

אבל הסיפור של בל היה שקר.

Belle never had cancer.

בל מעולם לא חלתה בסרטן.

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

אנשים שיתפו את הסיפור שלה, בלי לבדוק בכלל אם הוא אמיתי.

This is a classic example of confirmation bias.

זו דוגמא קלאסית, להטיית אישוש.

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

אנחנו מאמינים לסיפור אם הוא מתאים למה שאנחנו מאמינים בו.

And we reject any story that contradicts it.

ואנחנו דוחים כל סיפור שסותר אותו.

How often do we see this

באיזו תדירות אנחנו רואים זאת

in the stories that we share and we ignore?

בסיפורים שאנחנו משתפים ובאלה שאנחנו מתעלמים מהם?

In politics, in business, in health advice.

בפוליטיקה, בעסקים, בעצות בנושא בריאות.

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

המילה הנבחרת של מילון אוקספורד עבור 2016 הייתה "פוסט-אמת".

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

וההכרה בכך, שהעולם שבו אנו חיים כיום הוא עולם של פוסט-אמת,

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

הובילה להכרה נחוצה ביותר בחשיבות של בדיקת עובדות.

But the punch line of my talk

אבל שורת המחץ של השיחה שלי,

is that just checking the facts is not enough.

היא שבדיקה של העובדות אינה מספיקה.

Even if Belle's story were true,

אפילו אם הסיפור של בל היה אמיתי,

it would be just as irrelevant.

הוא היה לא רלוונטי באותה מידה.

Why?

למה?

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

ובכן, בואו נסתכל על אחת השיטות הבסיסיות ביותר בסטטיסטיקה.

It's called Bayesian inference.

היא נקראת הסקה בייסיאנית.

And the very simple version is this:

הגרסה המופשטת היא זאת:

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

אכפת לנו "האם הנתונים תומכים בתיאוריה?"

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

האם הנתונים מחזקים את אמונתנו שהתיאוריה נכונה?

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

במקום זאת, אנחנו שואלים "האם הנתונים מתאימים לתיאוריה?"

But being consistent with the theory

אבל גם אם הם מתאימים לתיאוריה,

does not mean that the data supports the theory.

לא אומר שהנתונים תומכים בתיאוריה.

Why?

למה?

Because of a crucial but forgotten third term --

בגלל עובדה מכריעה שלישית שאנחנו נוטים לשכוח -

the data could also be consistent with rival theories.

אותם נתונים יכולים לתמוך גם בתיאוריות מתחרות.

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

בגלל הטיית האישוש, אנחנו אף פעם לא חושבים על התיאוריות האחרות,

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

כי אנחנו כל כך מגוננים כלפי התיאוריה שלנו.

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

בואו נבחן את זה עבור הסיפור של בל.

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

מה שאכפת לנו ממנו: האם הסיפור של בל תומך בתיאוריה

that diet cures cancer?

שתזונה נכונה יכולה לרפא סרטן?

But instead, we end up asking,

אבל במקום זה, אנחנו שואלים,

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

"האם הסיפור של בל תומך בהנחה שתזונה יכולה לרפא סרטן?"

And the answer is yes.

והתשובה היא כן.

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

אם תזונה הייתה יכולה לרפא סרטן, היינו רואים סיפורים כמו של בל.

But even if diet did not cure cancer,

אבל אפילו אם תזונה לא יכולה לרפא סרטן,

we'd still see stories like Belle's.

עדיין היינו רואים סיפורים כמו של בל.

A single story in which a patient apparently self-cured

סיפורים בודדים שבהם נראה שחולה מתרפא ללא עזרה רפואית,

just due to being misdiagnosed in the first place.

רק בגלל שהוא אובחן לא נכון מלכתחילה.

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

בדיוק כמו שאפילו אם עישון מזיק לבריאות,

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

עדיין תוכלו למצוא מעשן אחד שחי עד גיל 100.

(Laughter)

(צחוק)

בדיוק כמו שאפילו אם חינוך טוב הוא אינדיקציה להצלחה כלכלית,

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

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

עדיין תוכלו למצוא מיליונר אחד שלא הלך לאוניברסיטה.

(Laughter)

(צחוק)

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

אז הבעיה הגדולה ביותר עם הסיפור של בל היא לא, שהוא היה שקר.

It's that it's only one story.

הבעיה היא שזה רק סיפור אחד.

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

יכולים להיות אלפי סיפורים אחרים, שבהם שינוי התזונה לא הועיל.

but we never hear about them.

אבל לעולם לא נשמע עליהם.

We share the outlier cases because they are new,

אנחנו משתפים את המקרים הקיצוניים, כי הם חדשים,

and therefore they are news.

ולכן הם חדשות.

We never share the ordinary cases.

אנחנו אף פעם לא משתפים את המקרים הרגילים.

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

הם רגילים מדי, הם מה שבדרך כלל קורה.

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

ואלו ה-99% האמיתיים שמהם אנחנו מתעלמים.

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

בדיוק כמו שבחברה, אי אפשר להקשיב רק לאחוז אחד,

the outliers,

לחריג,

and ignore the 99 percent, the ordinary.

ולהתעלם מ-99% האחרים, הרגילים.

Because that's the second example of confirmation bias.

כי זו הדוגמה השנייה להטיית האישוש.

We accept a fact as data.

אנחנו מתייחס לעובדה כאל מידע.

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

הבעיה הגדולה ביותר אינה שאנחנו חיים בעולם של פוסט-אמת;

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

הבעיה היא שאנחנו חיים בעולם של פוסט-נתונים.

We prefer a single story to tons of data.

אנחנו מעדיפים סיפור בודד על פני טונות של נתונים.

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

לסיפורים יש כוח, הם חיים, הם מפיחים חיים בעובדות.

They tell you to start every talk with a story.

אומרים שצריך לפתוח כל הרצאה בסיפור.

I did.

זה מה שאני עשיתי.

But a single story is meaningless and misleading

אבל סיפור אחד הוא חסר משמעות ומטעה

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

כל עוד הוא אינו מגובה במידע בקנה מידה גדול.

But even if we had large-scale data,

ואפילו אם יש לנו מידע בקנה מידה גדול,

that might still not be enough.

זה עלול עדיין לא להספיק.

Because it could still be consistent with rival theories.

כי המידע עדיין יכול להתיישב עם תיאוריות מתחרות.

Let me explain.

אני אסביר.

A classic study by psychologist Peter Wason

במחקר קלאסי שנערך על ידי הפסיכולוג פיטר ווסון

gives you a set of three numbers

נותנים לנחקר רצף של שלושה מספרים

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

ומבקשים ממנו לחשוב על הכלל שיצר את הרצף.

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

אז אם קיבלת 2, 4, 6

what's the rule?

מה הכלל?

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

רוב האנשים יחשבו שהכלל הוא מספרים זוגיים עוקבים.

How would you test it?

איך תבדקו אם זה נכון?

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

תציעו רצפים אחרים של מספרים זוגיים עוקבים:

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

4, 6, 8 או 12, 14, 16.

And Peter would say these sets also work.

ופיטר יענה שגם הרצפים הללו טובים,

But knowing that these sets also work,

אבל הידיעה שהרצפים הללו עונים על הכלל,

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

ושייתכן שמאות רצפים של מספרים זוגיים עוקבים עונים על הכלל,

tells you nothing.

לא אומרת כלום.

Because this is still consistent with rival theories.

כי המידע הזה עדיין מתיישב עם תיאוריות מתחרות.

Perhaps the rule is any three even numbers.

אולי הכלל הוא 'כל שלושה מספרים זוגיים'.

Or any three increasing numbers.

או כל רצף עולה של מספרים.

And that's the third example of confirmation bias:

וזוהי הדוגמה השלישית של הטיית האישור:

accepting data as evidence,

הנטייה לקבל מידע כראיה,

even if it's consistent with rival theories.

גם אם הוא מתיישב עם תיאוריות מתחרות.

Data is just a collection of facts.

מידע הוא רק אוסף של עובדות.

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

ראיה היא מידע שתומך בתיאוריה אחת ופוסל את המתחרות.

So the best way to support your theory

ולכן הדרך הטובה ביותר לאשש את התיאוריה שלכם

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

היא לנסות להפריך אותה, לשחק את פרקליטו של השטן.

So test something, like 4, 12, 26.

נסו משהו כמו 4, 12, 26.

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

אם קיבלתם תשובה חיובית, היא תפריך את התיאוריה שלכם

of successive even numbers.

לגבי מספרים זוגיים עוקבים.

Yet this test is powerful,

אבל הכוח האמיתי של הבדיקה הזו,

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

הוא בכך שאם התשובה שלילית, היא שוללת את "כל שלושה מספרים זוגיים"

and "any three increasing numbers."

ואת "כל רצף עולה של מספרים."

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

היא תשלול את התיאוריות המתחרות אבל לא את התיאוריה שלכם.

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

אבל רוב האנשים פוחדים מכדי לנסות את 4, 12, 26,

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

כי הם לא רוצים לקבל תשובה חיובית ולהוכיח שהתיאוריה שלהם לא נכונה.

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

הטיית האישור אינה נובעת רק מכך שלא מחפשים אחר מידע נוסף,

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

היא נובעת גם מפירוש מוטעה של המידע שאנחנו מקבלים.

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

וזה נכון גם מחוץ למעבדה, בחיים האמיתיים שלנו.

Indeed, Thomas Edison famously said,

ציטוט מפורסם של תומאס אדיסון אומר,

"I have not failed,

"לא נכשלתי,

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

הצלחתי למצוא 10,000 דרכים שלא עובדות."

Finding out that you're wrong

הגילוי שאתה טועה

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

הוא הדרך היחיד למצוא את מה שנכון.

Say you're a university admissions director

נגיד שאתם אחראים על הקבלה לאוניברסיטה

and your theory is that only students with good grades

ואתם חושבים שרק סטודנטים עם ציונים טובים

from rich families do well.

ממשפחות עשירות, יצליחו בלימודים.

So you only let in such students.

אז אתם מקבלים רק סטודנטים כאלו.

And they do well.

והם מצליחים בלימודים.

But that's also consistent with the rival theory.

אבל זה גם מתיישב עם דעות מתחרות.

Perhaps all students with good grades do well,

אולי כל הסטודנטים שיש להם ציונים טובים יצליחו בלימודים,

rich or poor.

בלי קשר לעושר או עוני.

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

אבל אתם לעולם לא בודקים את התיאוריה הזו, כי אתם לא מקבלים סטודנטים עניים.

because you don't want to be proven wrong.

כי אתם לא רוצים להוכיח שאתם טועים.

So, what have we learned?

אז, מה למדנו?

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

סיפור אינו עובדה, כי הוא עלול להיות שקר.

A fact is not data,

עובדה אחת אינה מידע,

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

אולי היא אינה מייצגת את הכלל אם היא עובדה בודדת.

And data is not evidence --

ומידע אינו ראיה --

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

הוא לא תומך בתיאוריה שלכם, אם הוא בו-זמנית מתיישב עם תיאוריות מתחרות.

So, what do you do?

אז, מה תעשו?

When you're at the inflection points of life,

כשאתם בנקודות צומת בחייכם,

deciding on a strategy for your business,

מחליטים על אסטרטגיה חדשה לעסק שלכם,

a parenting technique for your child

סגנון הורות לילד שלכם,

or a regimen for your health,

או משטר בריאות חדש,

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

איך תוודאו שאתם מסתמכים על ראיות

but you have evidence?

ולא על סיפור?

Let me give you three tips.

אתן לכם שלוש עצות.

The first is to actively seek other viewpoints.

הראשונה היא תמיד לחפש נקודות מבט אחרות.

Read and listen to people you flagrantly disagree with.

קראו והאזינו לאנשים שאתם ממש לא מסכימים איתם.

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

90% ממה שהם אומרים עלול להיות שגוי, לדעתכם.

But what if 10 percent is right?

אבל מה אם 10% הם דברי טעם?

As Aristotle said,

כמו שאמר אריסטו,

"The mark of an educated man

"הסימן לאדם משכיל

is the ability to entertain a thought

הוא היכולת לחשוב לעומק על דעה

without necessarily accepting it."

בלי לקבל אותה."

Surround yourself with people who challenge you,

הקיפו את עצמכם באנשים שמאתגרים אתכם,

and create a culture that actively encourages dissent.

וצרו תרבות שמעודדת מחלוקות.

Some banks suffered from groupthink,

כמה בנקים סבלו מתמימות דעים,

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

העובדים שלהם פחדו לחלוק על ההוראות שהונחתו מלמעלה,

contributing to the financial crisis.

שתרמו למשבר הכלכלי.

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

בכל פגישה, מנו מישהו להיות פרקליטו של השטן

against your pet idea.

שיתנגד לרעיונות שלכם.

And don't just hear another viewpoint --

ואל תסתפקו בשמיעת דעות מנוגדות.

listen to it, as well.

האזינו להן היטב.

As psychologist Stephen Covey said,

כמו שאמר הפסיכולוג סטיבן קובי,

"Listen with the intent to understand,

"הקשיבו במטרה להבין,

not the intent to reply."

לא במטרה לענות."

A dissenting viewpoint is something to learn from

דעה מנוגדת היא משהו שצריך ללמוד ממנו,

not to argue against.

לא להתווכח איתו.

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

מה שמחזיר אותנו לעוד מושג נשכח בהסקה הבייסיאנית.

Because data allows you to learn,

כיוון שמידע מאפשר לכם ללמוד,

but learning is only relative to a starting point.

אבל הלמידה היא יחסית לנקודת ההתחלה.

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

אם התחלתם בוודאות מוחלטת שהתיאוריה שלכם נכונה,

then your view won't change --

דעתכם לא תשתנה --

regardless of what data you see.

ולא משנה איזה מידע יוצג בפניכם.

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

רק אם אתם באמת פתוחים לאפשרות שאתם טועים

can you ever learn.

תוכלו ללמוד.

As Leo Tolstoy wrote,

כמו שכתב לב טולסטוי,

"The most difficult subjects

"ניתן ללמד את הרעיונות המסובכים ביותר

can be explained to the most slow-witted man

לאיש קשה-התפיסה ביותר

if he has not formed any idea of them already.

כל עוד הוא לא גיבש דעה עליהם.

But the simplest thing

אך הפשוטים שברעיונות

cannot be made clear to the most intelligent man

לא יוכלו להיות נהירים אף לאדם החכם ביותר

if he is firmly persuaded that he knows already."

אם הוא משוכנע בדעתו שהוא כבר יודע."

Tip number two is "listen to experts."

עצתי השנייה היא להקשיב למומחים.

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

זו כנראה העצה הכי פחות פופולרית שיכולתי לתת לכם.

(Laughter)

(צחוק)

British politician Michael Gove famously said that people in this country

הפוליטיקאי הבריטי מייקל גוב מפורסם באמירתו

שלאנשים במדינה הזו נמאס ממומחים.

have had enough of experts.

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

סקר שנערך לאחרונה הראה שיותר אנשים יאמינו לספר שלהם --

(Laughter)

(צחוק)

or the man on the street

או לאדם אקראי ברחוב

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

מאשר למובילים בתחומי העסקים, הבריאות ואפילו לראשי ארגוני צדקה.

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

אז אנחנו נותנים כבוד לנוסחת הלבנת שיניים שהתגלתה על ידי אמא,

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

ומקשיבים לדעתה של שחקנית על חיסונים.

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

אנחנו אוהבים אנשים שאומרים את האמת בפרצוף, שסומכים על תחושת הבטן שלהם,

and we call them authentic.

ואנחנו אומרים שהם אמיתיים, כנים.

But gut feel can only get you so far.

אבל עם אינטואיציה לא תגיעו רחוק.

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

אינטואיציה תגיד לכם לא לתת מים לתינוק משלשל,

because it would just flow out the other end.

כי הם יצאו ישר מהצד השני.

Expertise tells you otherwise.

המומחים יגידו ההפך.

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

לא תבטחו באדם מהרחוב שינתח אתכם.

You'd want an expert who spent years doing surgery

בוודאי תרצו מומחה, מנתח בעל ניסיון של שנים

and knows the best techniques.

שמכיר את הטכניקות הטובות ביותר.

But that should apply to every major decision.

אבל הכלל הזה צריך להיות תקף לכל החלטה משמעותית שאתם עושים.

Politics, business, health advice

בפוליטיקה, בעסקים, בבריאות

require expertise, just like surgery.

יש צורך במומחים, בדיוק כמו בחדר הניתוח.

So then, why are experts so mistrusted?

אז, למה אנשים לא בוטחים במומחים?

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

סיבה אחת היא שהם נראים מנותקים.

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

מנכ"ל שמרוויח מיליונים לא יכול לדבר בשם האדם הפשוט ברחוב.

But true expertise is found on evidence.

אבל המומחיות האמיתית נמדדת על ידי ראיות.

And evidence stands up for the man on the street

והראיות ניצבות לצד האדם הפשוט

and against the elites.

לא לצד האליטות.

Because evidence forces you to prove it.

כי ראיות מכריחות אותך להוכיח.

Evidence prevents the elites from imposing their own view

הראיות מונעות מהאליטות לכפות עליך את דעתן

without proof.

בלי הוכחה.

A second reason why experts are not trusted

סיבה נוספת לכך שאיננו בוטחים במומחים

is that different experts say different things.

היא שמומחים שונים אומרים דברים שונים.

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

על כל מומחה שטוען שעזיבת האיחוד האירופי תזיק לבריטניה,

another expert claimed it would be good.

יש מומחה אחר שטוען שהמהלך יועיל לבריטניה.

Half of these so-called experts will be wrong.

חצי מהמומחים הולכים לטעות.

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

ואני חייב להודות שרוב המאמרים שנכתבים על ידי מומחים הם שגויים.

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

או לכל הפחות, מסיקים מסקנות שאינן נתמכות על ידי הראיות המוצגות.

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

אז אי אפשר להאמין למומחים רק כי הם מומחים.

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

בנובמבר 2016 מחקר על שכר המנכ"לים עשה כותרות בכל הארץ.

Even though none of the newspapers who covered the study

אפילו שאף אחד מהעיתונים שסיקרו את המחקר

had even seen the study.

לא קראו אותו.

It wasn't even out yet.

הוא עוד לא פורסם אפילו.

They just took the author's word for it,

הם פשוט סמכו על מה שהמחבר סיפר להם,

just like with Belle.

בדיוק כמו מה שקרה עם בל.

Nor does it mean that we can just handpick any study

זה לא אומר שאפשר פשוט לבחור איזה מחקר שנרצה

that happens to support our viewpoint --

שבמקרה תומך בדעתנו --

that would, again, be confirmation bias.

זה, שוב, חלק מהטיית האישור.

Nor does it mean that if seven studies show A

זה גם לא אומר שאם שבעה מחקרים אומרים א'

and three show B,

ושלושה אומרים ב',

that A must be true.

אז א' נכון.

What matters is the quality,

מה שמשנה הוא האיכות,

and not the quantity of expertise.

ולא כמות המומחים.

So we should do two things.

אז עלינו לעשות שני דברים.

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

ראשית, עלינו לבחון בעין ביקורתית את מידת הסמכות והמקצועיות של הכותבים.

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

בדיוק כמו שתבדקו בדקדקנות את המקצועיות של מנתחים פוטנציאליים,

Are they truly experts in the matter,

האם הם באמת מומחים בתחום,

or do they have a vested interest?

או שיש להם אינטרס שמונע מהם להיות אובייקטיביים

Second, we should pay particular attention

שנית, עלינו לתת תשומת לב מיוחדת

to papers published in the top academic journals.

למאמרים שפורסמו בכתבי עת אקדמיים מובילים.

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

אנשי אקדמיה מואשמים לרוב בהיותם מנותקים מהעולם האמיתי.

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

אבל הניתוק הזה מאפשר להם לבזבז שנים בעריכת מחקר אחד.

To really nail down a result,

לבחון לעומק את התוצאות,

to rule out those rival theories,

להפריך ביסודיות תיאוריות מתחרות,

and to distinguish correlation from causation.

ולהבדיל בין מתאם לסיבה.

And academic journals involve peer review,

בנוסף, בכתבי עת אקדמיים נערכת ביקורת עמיתים,

where a paper is rigorously scrutinized

בה המאמר נבדק בדקדקנות ובטרחנות

(Laughter)

(צחוק)

by the world's leading minds.

על ידי המוחות המובילים בעולם.

The better the journal, the higher the standard.

ככל שכתב העת טוב יותר, הסטנדרטים שהוא מציב גבוהים יותר.

The most elite journals reject 95 percent of papers.

כתבי העת הנחשבים ביותר דוחים 95% מהמאמרים שנשלחים אליהם.

Now, academic evidence is not everything.

הוכחות אקדמיות אינן הכל.

Real-world experience is critical, also.

ידע מהעולם האמיתי חשוב גם הוא.

And peer review is not perfect, mistakes are made.

וביקורת עמיתים אינה מושלמת, טעויות קורות.

But it's better to go with something checked

אבל עדיף לסמוך על משהו שנבדק

than something unchecked.

מאשר על משהו שלא.

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

אם נאחז במחקר בגלל שאנחנו אוהבים את המסקנות,

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

בלי לבדוק מי הכותב והאם המידע בכלל אומת,

there is a massive chance that that study is misleading.

יש סיכוי גדול שהמחקר מטעה.

And those of us who claim to be experts

ואלו מאיתנו המתיימרים להיות מומחים

should recognize the limitations of our analysis.

צריכים להכיר במגבלות של יכולת הניתוח שלנו.

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

לעיתים נדירות ביותר אפשר להוכיח או לנבא משהו בוודאות.

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

אבל זה כל כך מפתה לצאת בהכרזה סוחפת שאינה מבוססת כראוי.

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

קל יותר לכתוב זאת בכותרת, או בציוץ בן 140 תווים.

But even evidence may not be proof.

אבל אפילו ראיות הן לא תמיד הוכחה.

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

הן עלולות לא להיות כלליות מספיק, אולי אי אפשר להחיל אותן לכל מצב.

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

אז אל תגידו, "יין אדום מאריך את החיים,"

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

כשהראיות אומרות רק שיש מתאם בין שתיית יין אדום לתוחלת חיים ארוכה.

And only then in people who exercise as well.

ורק אצל אנשים שמקפידים על התעמלות.

Tip number three is "pause before sharing anything."

עצה מס' שלוש, היא "עצרו לפני שאתם משתפים."

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

שבועת היפוקרטס אומרת, "ראשית, אל תזיק,"

What we share is potentially contagious,

מה שאנחנו משתפים עלול להיות מידבק,

so be very careful about what we spread.

אז היו זהירים במידע שאתם מפיצים.

Our goal should not be to get likes or retweets.

מטרתנו לא צריכה להיות לקבל לייקים או שיתופים.

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

אחרת, נשתף רק את מה שכולנו מסכימים עליו, לא נאתגר את החשיבה של אחרים.

Otherwise, we only share what sounds good,

אחרת, נשתף רק את מה שנשמע טוב,

regardless of whether it's evidence.

בלי לבדוק במה תומכות הראיות.

Instead, we should ask the following:

במקום זאת, עלינו לשאול את עצמנו:

If it's a story, is it true?

אם זה סיפור, האם הוא אמת?

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

אם זו אמת, האם היא מגובה בכמות מספקת של ראיות?

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

אם יש מספיק ראיות, מי הכותב, מה ההסמכה שלו?

Is it published, how rigorous is the journal?

האם זה פורסם, עד כמה כתב העת דקדקן?

And ask yourself the million-dollar question:

ושאלו את עצמכם את שאלת מיליון הדולר:

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

אם אותו מאמר היה נכתב על ידי אותו כותב, עם אותה הסמכה

but found the opposite results,

אבל היה מוצא תוצאות הפוכות,

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

האם עדיין הייתם מוכנים להאמין לתוצאות ולשתף אותן?

Treating any problem --

לגשת לכל בעיה --

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

בעיה כלכלית של אומה שלמה או בעיה בריאותית של אדם אחד,

is difficult.

זו משימה קשה.

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

אז עלינו לוודא שאנחנו מונחים על ידי הראיות הטובות ביותר.

Only if it's true can it be fact.

רק אם זו אמת זו יכולה להיות עובדה.

Only if it's representative can it be data.

רק אם זה מייצג, זה יכול להיות מידע.

Only if it's supportive can it be evidence.

רק אם זה תומך בתיאוריה זה יכול להוות ראיה.

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

ורק בעזרת ראיות, נוכל לעבור מעולם של פוסט-אמת

to a pro-truth world.

לעולם שתומך באמת.

Thank you very much.

תודה רבה לכם.

(Applause)

(מחיאות כפיים)