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

번역: Hanwool Chung 검토: Tae Young Choi

Belle Gibson was a happy young Australian.

벨 깁슨은 젊고 행복한 호주인이었습니다.

She lived in Perth, and she loved skateboarding.

그녀는 퍼스에 살았고 스케이트보딩을 좋아했죠.

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

하지만 2009년, 뇌종양 발견으로 그녀에게 네 달의 시간이 남았음을 알았죠.

Two months of chemo and radiotherapy had no effect.

두 달간의 화학요법과 방사능치료는 효과가 없었습니다.

But Belle was determined.

하지만 벨은 결심했습니다.

She'd been a fighter her whole life.

그녀는 평생을 싸워왔죠.

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

6살 부터 그녀는 동생과 어머니의 식사를 책임져야했습니다.

and her mother, who had multiple sclerosis.

동생은 자폐증을, 어머니는 다발성경화증을 앓고 있었고

Her father was out of the picture.

그녀의 아버지는 가정에 없었습니다.

So Belle fought, with exercise, with meditation

벨은 운동과 명상으로 이겨냈고

and by ditching meat for fruit and vegetables.

고기를 멀리하고 과일과 채소를 섭취했습니다.

And she made a complete recovery.

그리곤 완전히 회복했습니다.

Belle's story went viral.

벨의 이야기는 순식간에 퍼졌습니다.

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

트위터와 블로그를 통해 수 백만의 사람들에게 전혀졌죠.

It showed the benefits of shunning traditional medicine

이 방법은 전통적인 의약품을 피하는 대신

for diet and exercise.

식이와 운동의 이점을 보여 주었습니다.

In August 2013, Belle launched a healthy eating app,

2013년 8월, 벨은 건강식 어플을 내놓았습니다.

The Whole Pantry,

"홀팬트리"였죠.

downloaded 200,000 times in the first month.

출시 첫 달, 20만건의 다운로드수를 기록했습니다.

But Belle's story was a lie.

하지만 벨의 이야기는 거짓이었습니다.

Belle never had cancer.

벨은 암에 걸린적이 없었죠.

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

사람들은 벨의 이야기가 사실인지 확인조차 하지 않고 퍼뜨렸습니다.

This is a classic example of confirmation bias.

이것은 확증 편향의 전형적인 예입니다.

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

우리가 믿고 싶은 이야기라면 그것을 비판적으로 받아들이지 않습니다.

And we reject any story that contradicts it.

그리고 그에 반대되는 증거들을 무시하죠.

How often do we see this

이런 일을 얼마나 자주 보시나요?

in the stories that we share and we ignore?

우리가 공유하고 무시하는 이야기들에서요.

In politics, in business, in health advice.

정치에서, 사업에서, 건강정보에서.

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

2016년 옥스포드 사전에서 뽑은 올해의 단어는 "탈진실"이었습니다.

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

우리가 현재 탈진실 세상에서 살고있다는 인식은

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

사실검증의 중요성을 야기시켰습니다.

But the punch line of my talk

하지만 제 이야기의 골자는

is that just checking the facts is not enough.

그것이 단순한 사실검증에 그치면 안된다는 것입니다.

Even if Belle's story were true,

만약 벨의 이야기가 사실이라고 하더라도

it would be just as irrelevant.

마찬가지로 설득력은 없을 겁니다.

Why?

왜일까요?

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

음, 통계학에서 가장 기본이 되는 기법을 살펴봅시다.

It's called Bayesian inference.

베이지안 추론이라고 불리는 기법입니다.

And the very simple version is this:

가장 간단한 사례는 이겁니다.

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

우리는 "이 자료들이 이론을 뒷받침 하는가?"를 중요하게 생각합니다.

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

자료들이 이론에 대한 우리의 믿음을 굳게 해주는가.

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

하지만 우리는 이렇게 묻게됩니다. "이 자료가 이론에 맞는 이야기인가?"

But being consistent with the theory

하지만 이론과 일치한다는 것이

does not mean that the data supports the theory.

자료가 이론을 뒷받침한다는 것을 의미하진 않습니다.

Why?

왜냐구요?

Because of a crucial but forgotten third term --

중요하지만 간과된 세번째 조건이 있습니다.

the data could also be consistent with rival theories.

그 자료는 경쟁 이론에서도 유효할 수 있다는 것입니다.

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

하지만 확증편향으로 인해 경쟁 이론은 고려하지 않습니다.

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

사람들은 자신의 지론에 대해 너무나 방어적이기 때문입니다.

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

벨의 경우를 다시 살펴보죠.

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

우리의 관심사는 "이론과 벨의 이야기가

식이요법이 암을 치료한다는 것을 뒷받침하는가?" 입니다.

that diet cures cancer?

But instead, we end up asking,

하지만 그 대신 이렇게 묻게 됩니다.

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

"벨의 이야기가 암을 치료하는 식이요법에 해당하는가?"

And the answer is yes.

그리고 대답은 "그렇다."입니다.

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

만약 식이요법이 암을 치료했다면 우리는 벨과 같은 이야기를 봐왔을 겁니다.

But even if diet did not cure cancer,

하지만 식이요법이 암을 치료하지 않았더라도

we'd still see stories like Belle's.

벨과 같은 이야기를 들어왔을 겁니다.

A single story in which a patient apparently self-cured

명백하게 자가치료된 환자의 이야기는

just due to being misdiagnosed in the first place.

애초부터 오진으로 인한 것 뿐입니다.

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

마치 흡연이 건강에 안좋다고 하는데도

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

100살이 넘도록 살아있는 흡연자를 본 적이 있는 것 처럼요.

(Laughter)

(웃음)

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

교육수준이이 소득수준에 영향을 미친다고 하지만

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

대학에 가지 않은 수 백만장자를 볼 수 있는 것 처럼요.

(Laughter)

(웃음)

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

벨의 이야기에서 가장 큰 문제는 이야기가 거짓이라는 것이 아닙니다.

It's that it's only one story.

단지 하나의 이야기에 불과하다는 것이죠.

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

아마 식이요법이 실패로 돌아간 수 천 가지의 이야기가 있을 겁니다.

but we never hear about them.

하지만 우리는 결코 들으려 하지 않죠.

We share the outlier cases because they are new,

우리는 특이한 이야기를 공유합니다. 특이한 이야기는 새롭기 때문이죠.

and therefore they are news.

그래서 그 이야기들은 새로운 소식이 됩니다.

We never share the ordinary cases.

우리는 평범한 이야기는 공유하지 않습니다.

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

너무 평범하기 때문이에요. 그냥 일어나는 일들이죠.

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

그리고 그것은 우리가 외면하는 99%의 진실입니다.

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

사회에서와 마찬가지로 단순히 1%의 예외를

the outliers,

믿어선 안됩니다.

and ignore the 99 percent, the ordinary.

99%의 원칙을 무시하면서요.

Because that's the second example of confirmation bias.

이것이 확증편향의 두번째 예이기 때문입니다.

We accept a fact as data.

우리는 사실을 자료처럼 받아들이죠.

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

가장 큰 문제는 우리가 탈진실 사회에 사는 것이 아닙니다.

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

대신 우리가 탈자료 사회에 살고 있는 것입니다.

We prefer a single story to tons of data.

우리는 무수한 데이터보다 하나의 이야기를 좋아합니다.

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

이야기는 힘을 가집니다. 이야기는 생명력을 가집니다.

They tell you to start every talk with a story.

사람들은 모든 대화를 하나의 이야기로 시작할 것을 권합니다.

I did.

저도 그랬죠.

But a single story is meaningless and misleading

하지만 충분한 근거가 없는 이야기는

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

아무 의미없이 듣는 이를 호도할 뿐입니다.

But even if we had large-scale data,

하지만 뒷받침 자료가 있다고 해도

that might still not be enough.

그것으로도 충분치 않을 수 있습니다.

Because it could still be consistent with rival theories.

그 자료들은 경쟁이론들도 근거로서 뒷받침 할 수 있기 때문입니다.

Let me explain.

설명해드릴게요.

A classic study by psychologist Peter Wason

심리학자 피터 와슨은 연구에서

gives you a set of three numbers

세 개의 숫자를 주어줍니다.

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

그리고 여러분에게 그들이 가지는 규칙에 대해서 물어보죠

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

만약 2, 4, 6의 숫자가 있다고 생각해보세요.

what's the rule?

규칙이 무엇이죠?

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

아마 대부분의 사람들은 연속된 짝수들이라고 생각할 겁니다.

How would you test it?

어떻게 확인해 볼 수 있죠?

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

다른 연속된 짝수들을 예로 들 수 있을 거예요.

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

4, 6, 8 또는 12, 14, 16 처럼요.

And Peter would say these sets also work.

피터는 "이 숫자들에도 적용이 되네요."라고 말할 겁니다.

But knowing that these sets also work,

하지만 이를 안다고해서,

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

다른 수 백개의 짝수들을 제시한다고 해서

tells you nothing.

설명되는건 아무것도 없습니다.

Because this is still consistent with rival theories.

왜냐하면 경쟁 이론에서도 유효한 예들이기 때문이죠.

Perhaps the rule is any three even numbers.

어쩌면 규칙은 그냥 짝수 세개를 나열하는 것일 수 있을 거예요.

Or any three increasing numbers.

아니면 단지 증가하는 수들의 나열일 수 도요.

And that's the third example of confirmation bias:

이것이 확증편향의 세 번째 예입니다.

accepting data as evidence,

자료들을 증거로 받아들이는 거죠.

even if it's consistent with rival theories.

자료와 일치하는 다른 경쟁이론이 있더라도요.

Data is just a collection of facts.

자료는 그저 사실들을 모은 것에 불과합니다.

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

증거란 어떤 이론을 뒷받침하고 다른 것들을 규율하는 자료입니다.

So the best way to support your theory

따라서 여러분의 이론을 증명하는 가장 좋은 방법은

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

여러분의 이론을 반박하는 것입니다. 일부러 반대의견을 내보는 것이죠.

So test something, like 4, 12, 26.

4, 12, 26 같은 숫자로 테스트해보는거예요.

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

여기에도 규칙이 적용된다면 여러분의 연속된 짝수 이론은

of successive even numbers.

효력을 잃게됩니다.

Yet this test is powerful,

그렇다하더도 이 테스트는 여전히 강력합니다.

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

해당 규칙이 적용되지 않더라도 세개의 짝수라는 규칙 그리고

and "any three increasing numbers."

증가하는 세 숫자라는 규칙은 만족합니다.

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

다른 경쟁이론들을 뒷받침 할 것입니다. 여러분의 이론을 제외하고요.

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

하지만 대부분의 사람들은 4, 12, 26 테스트를 두려워합니다.

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

자신의 이론이 틀렸다는 것을 확인하고 싶지 않기 때문이죠.

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

확증 편향은 단지 새로운 자료를 찾지 못해 생기는 것만은 아닙니다.

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

데이터를 찾은 이후 해석을 잘못하기 때문이기도 하죠.

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

그리고 이는 실험실 밖의 중요한, 현실의 문제들에도 적용됩니다.

Indeed, Thomas Edison famously said,

실제로 토마스 에디슨은 이런 유명한 말을 했습니다.

"I have not failed,

"나는 실패하지 않았다.

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

나는 작동하지 않는 1만 가지 방법을 발견해냈다."

Finding out that you're wrong

여러분이 틀렸다는 걸 발견하는 것이

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

무엇이 맞는지 찾는 유일한 방법입니다.

Say you're a university admissions director

여러분이 대학입학처장이라 생각해보세요.

and your theory is that only students with good grades

그리고 여러분은 좋은 성적의 부유층 학생들만이

from rich families do well.

대학생활을 잘해낸다고 믿습니다.

So you only let in such students.

그래서 그런 학생들만 뽑게되죠.

And they do well.

그리고 그들은 역시나 잘 해냅니다.

But that's also consistent with the rival theory.

하지만 이는 다른 경쟁이론에서도 유효합니다.

Perhaps all students with good grades do well,

아마 좋은 성적을 가진 모든 학생들이 잘해낼 거예요.

rich or poor.

부유하든지 가난하든지요.

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

하지만 여러분은 절대 가난한 학생들로 이 이론을 시험해보려하지 않습니다.

because you don't want to be proven wrong.

여러분이 틀렸다는걸 증명하고 싶지 않아서지요.

So, what have we learned?

이야기를 정리해보면 이렇습니다.

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

이야기는 사실이 아닙니다. 사실이 아닐수 있기 때문이죠.

A fact is not data,

사실은 자료가 아닙니다.

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

단지 그래프의 점에 불과하다면 어느 것도 증명하지 못합니다.

And data is not evidence --

자료는 증거가 아닙니다.

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

경쟁이론에서도 유효하다면 어느 것도 뒷받침될 수 없습니다.

So, what do you do?

그럼 무엇을 하시겠습니까?

When you're at the inflection points of life,

여러분이 인생의 변곡점을 지나고있다면,

deciding on a strategy for your business,

여러분의 사업 전략을 결정해야한다면,

a parenting technique for your child

여러분의 아이를 위한 육아기술 또는

or a regimen for your health,

여러분의 건강을 위한 식이요법을 정해야 할 때

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

어떻게 해야 여러분이 이야기가 아니라

but you have evidence?

증거를 가지고 있다고 확신할 수 있을까요?

Let me give you three tips.

세 가지 팁을 드릴게요.

The first is to actively seek other viewpoints.

첫 번째 팁은 다른 시각으로 보려고 꾸준히 노력하는 것입니다.

Read and listen to people you flagrantly disagree with.

여러분이 강렬하게 거부하는 이야기에 귀 기울이세요.

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

여러분의 생각으론 그들이 하는 말의 90%는 틀렸을 겁니다.

But what if 10 percent is right?

하지만 나머지 10%가 맞다면 어떻게 하시겠습니까?

As Aristotle said,

아리스토텔레스는

"The mark of an educated man

"교육받은 인간이라는 증거는

is the ability to entertain a thought

어떤 생각을 받아들이는데 집착하지않고

without necessarily accepting it."

그저 즐기는 능력이다." 라고 말했습니다.

Surround yourself with people who challenge you,

여러분에 반대하는 사람들로 주변을 가득 채우세요.

and create a culture that actively encourages dissent.

그리고 반대의견을 서슴없이 표현하는 문화를 만드세요.

Some banks suffered from groupthink,

어떤 은행들은 집단적 사고로 고통받고 있습니다.

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

직원들이 경영진의 대출 결정에 대항하기를 너무 두려워하기 때문이죠.

contributing to the financial crisis.

그로인해 재정적인 위기가 찾아옴에도요.

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

회의에서 특정 사람을 여러분의 이론에

against your pet idea.

반대하고 나서는 트집쟁이라고 생각하세요.

And don't just hear another viewpoint --

그리고 그 이야기를 흘려듣지말고

listen to it, as well.

귀기울여 들어보세요.

As psychologist Stephen Covey said,

심리학자 스티븐 코비가 말한 것 처럼요.

"Listen with the intent to understand,

"반박하기 위해 듣기보다는

not the intent to reply."

이해하기 위해 들어라."

A dissenting viewpoint is something to learn from

반대 관점을 논쟁 대상으로 여기지 말고

not to argue against.

배움의 대상으로 받아들이세요.

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

우리를 베이지안 추론의 다른 조건으로 인도할 것입니다.*

Because data allows you to learn,

자료들은 배움을 가능케 합니다.

but learning is only relative to a starting point.

하지만 배움이라는 것은 출발점과 연관되어 있습니다..

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

만약 여러분의 이론이 틀림이 없다는 굳은 마음으로 시작한다면

then your view won't change --

여러분의 생각은 변하지 않을 겁니다.

regardless of what data you see.

여러분이 어떤 자료를 보든지요.

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

오직 틀릴 수 있다는 가능성을 받아들일 자세가 되어있을 때에만

can you ever learn.

여러분은 배울 수 있습니다.

As Leo Tolstoy wrote,

톨스토이가 쓴 문장처럼요.

"The most difficult subjects

"가장 어려운 것을

can be explained to the most slow-witted man

사전지식이 없는 이해가 느린 사람에게

if he has not formed any idea of them already.

설명할 수는 있지만

But the simplest thing

가장 단순한 것을

cannot be made clear to the most intelligent man

이미 확고한 지식을 가진 똑똑한 사람에게

if he is firmly persuaded that he knows already."

설명할 수는 없다."

Tip number two is "listen to experts."

두 번째 팁은 "전문가를 믿어라"입니다.

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

이건 제가 여러분께 드릴 수 있는 가장 꺼림직한 조언일 것입니다.

(Laughter)

(웃음)

British politician Michael Gove famously said that people in this country

영국의 정치인 마이클 고브는 이런 유명한 말을 했습니다.

"이 나라에는 전문가가 넘친다."

have had enough of experts.

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

최근의 설문조사는 많은 사람들이 그보다 미용사를 더 신뢰한다고 이야기합니다.

(Laughter)

(웃음)

or the man on the street

아니면 방금 길에서 만난 사람을요.

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

사업가나 의료서비스 제공자, 심지어 자선단체보다도요.

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

우리는 한 아이엄마가 발견해낸 치아미백 효과를 더 신뢰합니다.

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

또는 어느 여배우의 백신에 관한 견해에 귀기울이죠.

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

우리는 직감에 의존해 단언하는 사람들을 좋아합니다.

and we call them authentic.

그리고 그걸 진짜라고 믿죠.

But gut feel can only get you so far.

하지만 직감은 단지 여러분을 동떨어뜨려놓을 뿐입니다.

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

직감은 설사하는 아기에게 물을 주지 말라고 할거예요.

because it would just flow out the other end.

그저 다른 쪽으로 흘러나올 거라면서요.

Expertise tells you otherwise.

하지만 전문지식은 이와 다른 이야기를 합니다.

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

지나가는 사람에게 여러분의 수술을 맡기진 않을 거예요.

You'd want an expert who spent years doing surgery

최고의 기술을 지니고 있는 수년간의 경험을 가진

and knows the best techniques.

전문가를 원할 겁니다.

But that should apply to every major decision.

하지만 이런 사고는 다른 모든 중요한 결정에도 필요합니다.

Politics, business, health advice

정치, 사업, 건강에는

require expertise, just like surgery.

전문지식이 필요합니다. 수술과 마찬가지로요.

So then, why are experts so mistrusted?

그럼, 전문가들은 왜 신뢰를 잃었을까요?

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

글쎄요, 그 이유 중 하나는 그들의 현실감각이 떨어져 보여서일 겁니다.

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

백만장자 CEO는 길거리의 사람을 대변하지 못합니다.

But true expertise is found on evidence.

하지만 진정한 전문지식은 증거로 대변됩니다.

And evidence stands up for the man on the street

그리고 증거는 길거리의 사람을 대신하죠.

and against the elites.

엘리트층에 대항해서요.

Because evidence forces you to prove it.

왜냐하면 증거는 여러분에게 증명을 요구하기 때문입니다.

Evidence prevents the elites from imposing their own view

증거는 증명없이 자신의 견해를 설파하는 전문가를 걸러낼 수 있습니다.

without proof.

A second reason why experts are not trusted

전문가를 믿지 못하는 두번째 이유는

is that different experts say different things.

전문가들끼리도 말이 맞지 않기 때문입니다.

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

EU에서 탈퇴하는 것이 영국에 좋지 않다고 주장하는 전문가들도 있지만

another expert claimed it would be good.

그렇지 않다고 주장하는 전문가들도 있습니다.

Half of these so-called experts will be wrong.

소위 전문가라는 사람들 중 절반은 틀린 소리를 하는겁니다.

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

전문가에 의해 쓰인 대부분의 논문은 틀렸다고 인정할 수 밖에 없습니다.

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

아니면 적어도 증거에 의해 뒷받침되지 않거나요.

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

그래서 전문가들의 이야기를 마냥 받아들일 수는 없습니다.

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

2016년 11월, 임원 급여에 관한 한 연구가 전국적으로 이슈가 되었습니다.

Even though none of the newspapers who covered the study

그 연구를 다룬 어떤 신문사도

had even seen the study.

그 연구를 본적이 없었죠.

It wasn't even out yet.

발표가 되기도 전이었습니다.

They just took the author's word for it,

그들은 단지 저자의 문장을 따온 것 뿐입니다.

just like with Belle.

벨의 이야기 처럼요.

Nor does it mean that we can just handpick any study

우리의 관점을 견지해 줄만한

that happens to support our viewpoint --

아무 연구나 골라잡아도 되는 것이 아닙니다.

that would, again, be confirmation bias.

이 또한 확증편향이 될 수 있습니다.

Nor does it mean that if seven studies show A

또 일곱 개의 연구가 A라는 결과를 가르키고

and three show B,

세 개의 연구가 B라는 결과를 가르킨다고 해서

that A must be true.

A가 진실인 것도 아닙니다.

What matters is the quality,

중요한 것은 전문지식의 질입니다.

and not the quantity of expertise.

양이 아니라요.

So we should do two things.

우리는 두 가지 일을 해야합니다.

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

첫 번째로 우리는 저자의 자격을 비판적으로 검증해봐야합니다.

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

우리가 의사를 고를 때 깐깐히 따져보는 것처럼요.

Are they truly experts in the matter,

이 분야에서 진정한 전문가인가

or do they have a vested interest?

아니면 그저 이해관계를 가진 사람일 뿐인가.

Second, we should pay particular attention

두 번째로 우리는 최고 권위의 학술지에 기고된

to papers published in the top academic journals.

논문을 눈여겨 봐야합니다.

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

학계는 종종 실세계와 동떨어져 있다는 비난을 받습니다.

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

하지만 이런 괴리에는 수 년에 걸친 연구가 필요합니다.

To really nail down a result,

어떤 결론을 진정으로 도출해내기 위해서요.

to rule out those rival theories,

여러 경쟁 이론들을 아우르고,

and to distinguish correlation from causation.

복잡한 인과관계를 구별해 내기 위해서입니다.

And academic journals involve peer review,

학술지는 동료 리뷰를 포함합니다.

where a paper is rigorously scrutinized

논문이 철저하게 검증되는 과정이죠.

(Laughter)

(웃음)

by the world's leading minds.

세계적인 권위자들에 의해서요.

The better the journal, the higher the standard.

더 좋은 학술지일수록 기준은 더 높아집니다.

The most elite journals reject 95 percent of papers.

최고의 학술지는 95%의 논문을 거절합니다.

Now, academic evidence is not everything.

학술적 증거가 모든 것은 아닙니다.

Real-world experience is critical, also.

실세계의 경험 또한 매우 중요합니다.

And peer review is not perfect, mistakes are made.

동료 리뷰가 완벽하지도 않습니다. 실수는 발생하기 마련입니다.

But it's better to go with something checked

그래도 검토되지 않은 것보단

than something unchecked.

검토된 것이 낫습니다.

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

단지 결과물을 좋아하기 때문에 저자가 누구인지도 모르는

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

심지어 확인되지 않은 연구들을 이해하려 한다면

there is a massive chance that that study is misleading.

굉장히 높은 확률로 연구결과를 오해할 수 있습니다.

And those of us who claim to be experts

그리고 스스로를 전문가라고 부르는 사람들은

should recognize the limitations of our analysis.

대중들의 분석력에는 한계가 있다는걸 인식해야합니다.

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

확신을 가지고 어떤 것을 증명하거나 예상할 수 있는 경우는 매우 드뭅니다.

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

하지만 광범위하고 증명되지 않은 발언을 하기는 매우 쉽죠.

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

그것을 뉴스의 헤드라인으로 만들거나 트위터로 공유하는 것은 더욱 쉽습니다.

But even evidence may not be proof.

하지만 증거 또한 증명일 수 없습니다.

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

만사에 범용되지 않을 것이고, 모든 상황에 적용되지 않을 것입니다.

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

그러니까 "적포도주가 장수를 이끈다"라고 하지마세요.

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

내세울 것이 단지 적포도주와 장수의 연관성 뿐이라면요.

And only then in people who exercise as well.

그리고 운동을 꾸준히 하는이들에게서만 발견할 수 있는 결과일 경우에요.

Tip number three is "pause before sharing anything."

세번째 팁은 공유하기 전에 잠깐 생각해보라는 겁니다.

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

히포크라테스 선서에는 "첫째, 해를 끼치지 마라"라고 써있습니다.

What we share is potentially contagious,

우리가 공유하는 것은 잠재적인 전염성을 띠고 있습니다.

so be very careful about what we spread.

따라서 무언가 퍼뜨릴 때는 굉장히 조심해야 합니다.

Our goal should not be to get likes or retweets.

우리의 목표가 좋아요나 리트윗이 되어서는 안됩니다.

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

그렇지 않으면 우리는 모두를 거스르지 않는 당연한 내용만을 공유하게 됩니다.

Otherwise, we only share what sounds good,

듣기 좋은 이야기만 공유하게 되죠.

regardless of whether it's evidence.

증거가 어떻든지 간에요.

Instead, we should ask the following:

대신에 우리는 이렇게 되물어야합니다.

If it's a story, is it true?

이야기라면 사실인가?

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

사실이라면 충분히 많은 증거들로 뒷받침 되는가?

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

그렇다면, 누가 한 이야기인가? 그들의 자격은 충분한가?

Is it published, how rigorous is the journal?

출판된 문서라면 얼마나 엄격한 매체인가?

And ask yourself the million-dollar question:

그리고 스스로에게 백 만불짜리 질문을 해야합니다.

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

같은 연구가 같은 저자에 의해 같은 자격을 가지고 기술되었지만

but found the opposite results,

연구와 반대되는 결과를 발견했다면

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

그것을 다시 공유할 마음이 있는가?

Treating any problem --

어느 문제를 다루든지간에

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

국가경제문제이든 개인건강문제이든

is difficult.

문제를 다루는 것은 어렵습니다.

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

따라서 우리를 인도할 확실한 증거를 가지고 있어야 합니다.

Only if it's true can it be fact.

오직 진실일 때만 사실일 수 있습니다.

Only if it's representative can it be data.

오직 전형적인 경우에만 자료가 될 수 있습니다.

Only if it's supportive can it be evidence.

오직 뒷받침될 때만 증거가 될 수 있습니다.

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

그리고 오직 증거와 함께여야만 탈진실 사회에서 벗어나

to a pro-truth world.

선진실 사회로 나아갈 수 있습니다.

Thank you very much.

감사합니다.

(Applause)

(박수)