به گفته دومینیک کامینگز ، مشاور ارشد نخست وزیر بوریس جانسون ، نخست وزیر انگلستان ، کارشناسان این مسئله را به طرز فاجعه باری اشتباه دانستند. کامینگ بحث کرده است که مشاوره علمی رسمی دولت انگلستان در مارس 2020 به طرز شدیدی از نحوه بروز همه گیری سو mis تفاهم کرد ، که منجر به تاخیر در قفل شدن شد و هزاران نفر جان آن را گرفت.

به گفته کامینگز ، این متخصصان خاصی بودند که دانش کمتری در مورد بیماری های همه گیر یا پزشکی دارند - مانند دانشمند داده بن وارنر ، محقق هوش مصنوعی دمیس حسابیس از DeepMind و ریاضیدان تیم گوورز - که پیش بینی های دقیق تری را در این مرحله ارائه دادند.

کامینگز همچنین شناخته شده است که یک پنکه of پیش بینی فوق العاده توسط فیلیپ تتلوک ، کتابی در مورد افرادی که وقایع آینده را با اطمینان بیشتر از بیشتر پیش بینی می کنند. بعضی از ابر پیش بینی ها ستایش شده اند برای پیش بینی آنها در مورد همه گیری ، در حالی که دیگران نیز بوده اند منتقد کارشناسان رکورد.

بنابراین آیا دولت ها باید به جای اعتماد به متخصصان علمی ، از ابر پیش بینی ها استفاده بیشتری کنند؟ شواهد کاملاً واضح نیست. اما به نظر می رسد مواردی وجود دارد که دولت ها می توانند از ابر پیش بینی یاد بگیرند.

در یک مطالعه معروف آمریکایی در ابر پیش بینی های منتشر شده در سال 2014 ، آنها یک خدمه نخبه بودند. فقط 2٪ بازیکنان برتر در مسابقات پیش بینی ژئوپلیتیک عملکرد خوبی داشتند تا بتوانند عنوان قهرمانی را کسب کنند. وظیفه آنها اختصاص دادن احتمالات به پاسخهای احتمالی دهها سوال بود.

محققان چند نمونه گویا ارائه می دهند. چه کسی رئیس جمهور روسیه در سال 2012 خواهد بود؟ آیا کره شمالی در سه ماه آینده سلاح هسته ای دیگری منفجر می کند؟ سال آینده چه تعداد پناهنده از سوریه فرار می کنند؟

البته ، فقط به این دلیل که شخصی یک سال خوب عمل می کند ، اثبات نمی کند که مهارت بیشتری نسبت به دیگران دارد. شاید آنها فقط خوش شانس بودند. ما باید بررسی کنیم که آنها در سالهای بعد چقدر خوب عمل کرده اند تا ارزیابی کنند که "واقعا" فوق العاده هستند.

به طور چشمگیری ، این ابرقهرمان ها در حالی که مسابقات به مدت سه سال ادامه داشت ، برتری خود را حفظ کردند. در حقیقت ، پس از ترکیب شدن در "تیم های فوق پیش بینی" که فقط شامل سایر مجریان برتر هستند ، عملکرد آنها با اختلاف قابل توجهی افزایش یافت. محققان همچنین دریافتند که کار در تیم و انجام آموزش مربوطه باعث بهبود عملکرد سایر پیش بینی کنندگان در مقایسه با پیش بینی کنندگان در شرایط کنترل می شود.

تیم ها و آموزش ها

کامینگ به گفته وی مبنی بر اینکه برنامه همه گیری انگلستان از "حباب کلاسیک تفکر گروهی" رنج می برد یا نه ، می دانیم که تیم ها همیشه تصمیمات عاقلانه ای نمی گیرند. چه چیزی باعث موفقیت بیشتر تیم ها در مطالعه آمریکا شد؟

گفتن این امر دشوار است ، اما محققان به طور خاص تیم ها را تشویق کردند تا سوالات دقیق بپرسند تا تفکر واضح تری در مورد شواهد پیش بینی شده خاص را تشویق کنند ، "به دنبال شواهدی باشند که با پیش بینی فعلی شما مغایرت داشته باشد" و به طور سازنده دیدگاه های جایگزین را معرفی کنند .

چنین بحثی ممکن است بخوبی باشد قضاوت جمعی را بهبود ببخشید و محافظت در برابر تفکر گروهی. همچنین اعضای تیم نیازی به اتفاق نظر نداشتند. اگرچه آنها اطلاعات و نظرات خود را به اشتراک می گذاشتند ، اما باز هم پیش بینی های جداگانه ای داشتند که توسط الگوریتم ترکیب شده بود. تیم های Superforecaster مخصوصاً بودند بسیار درگیر، به طور مکرر با سایر اعضای تیم اطلاعات را به اشتراک می گذارید و از آنها س askingال می کنید.

مطالعه دیگری از نزدیک بررسی کرد که به نظر می رسد بیشتر به تکنیک های خاص آموزشی کمک می کند. سه روش به ویژه با دقت بالاتر همراه بود. اولین مورد استفاده از کلاسهای به اصطلاح مقایسه ای بود.

به عنوان مثال ، اگر سعی می کنم احتمال اینکه بندیکت کامبربچ و سوفی هانتر پنج سال دیگر در کنار هم باشند پیش بینی کنم ، فکر کردن در مورد "کلاس های" دیگری که مرتبط هستند - مثلاً در مورد ازدواج های افراد مشهور یا حتی ازدواج به طور کلی. این به من اجازه می دهد تا برای اطلاع از پیش بینی های خود به تاریخ نگاه کنم: چند درصد از ازدواج های مشهور در هر دوره XNUMX ساله پایان می یابد؟

دوم استفاده از مدلهای ریاضی و آماری ، در صورت وجود ، برای کمک به آگاهی از دیدگاهها. سوم این بود که "سوالات مناسب را انتخاب کنید" - توصیه ای برای صرف زمان بیشتر برای پیش بینی پاسخ به س questionsالاتی که بیش از دیگران درباره این موضوع می دانید یا تحقیقات اضافی در مورد آنها نتیجه می دهد. با این حال ، محققان تأکید کردند که تمام اجزای تشکیل دهنده تمرین ممکن است به طور کلی به عملکرد بهتر کمک کرده باشد.

تحقیقات همچنین نشان داده است که وقتی از عملکرد گذشته خود پیگیری می کنیم ، دقت بهبود می یابد - اما نوع بازخورد مهم است. آیا نتیجه ای که فکر می کردید 20٪ از اوقات اتفاق می افتد ، در واقع 20٪ از زمان اتفاق می افتد؟ در مورد نتایجی که فکر می کنید 90 درصد از اوقات اتفاق می افتد ، چه می کنید؟ عملکرد برای کسانی که این نوع اطلاعات را دریافت می کنند بهبود می یابد.

آیا دولت ها می توانند بهتر عمل کنند؟

آیا دولت انگلیس می توانست با درخواست ورودی از تیم های فوق پیش بینی کننده ، در مورد COVID-19 بهتر عمل کند؟ ممکن است. ابر پیش بینیگران در قضاوت خوب باز است و پیش بینی کنندگان را در متاکولوس (که من در آن شرکت کرده ام) به نظر می رسد هرکدام در COVID-19 عملکرد خوبی داشته اند ، و متاکولوس ادعا کرده است که چنین کاری را انجام داده است از متخصصان بهتر عمل کرد در ژوئن 2020. گفته شده ، در یک سریال های اخیر از پیش بینی های مربوط به COVID-19 ، پیش بینی کنندگان آموزش دیده همیشه دقیق تر از متخصصان نبودند. محققان این نظرسنجی در حال آزمایش روش هایی برای ترکیب پیش بینی های کارشناسان حوزه و پیش بینی کنندگان آموزش دیده در "پیش بینی اجماع" هستند.

همچنین قابل قبول به نظر می رسد که حتی آموزشهایی که به افراد غیر برتر کمک می کند پیش بینی های بهتری داشته باشند نیز مفید بوده است. به عنوان مثال ، کامینگز ادعا کرد که اگرچه توجه زیادی به مدلهای اپیدمیولوژیک شده است ، اما شواهدی که با فرضهای مدلها مغایرت داشته باشد - مانند دادههایی که توسط واحدهای مراقبتهای ویژه گزارش می شوند - نادیده گرفته شدند. مطمئناً قابل قبول به نظر می رسد که ممکن است کسی آموزش دیده باشد که "به دنبال شواهدی باشد که با پیش بینی فعلی شما مغایرت داشته باشد" این موضوع را زودتر مشاهده کرده باشد.

البته ، همه توصیه ها از ادبیات در محیط های دولت عملی نیستند. از نظر تئوری ، دولتها می توانستند چنین توصیه هایی را برای خود محک بزنند و هر یک از موارد مفید را به تصویب برسانند. متأسفانه ، شما نمی توانید آنچه را اندازه نمی گیرید بهبود ببخشید.

In پیش بینی فوق العاده، تتلاك تأكید می كند كه هر سازمانی كه در بهبود پیش بینی های خود جدی باشد باید حداقل از نظر داخلی تعداد مشخصی را به آنها پیوست كند. عبارتی مانند "احتمال جدی" ممکن است به معنای یک احتمال 20٪ برای یک نفر و 80٪ احتمال دیگری باشد.

این تقریباً مطمئناً همان چیزی است که کامینگز به آن اشاره داشته است هنگامی که او گفت: "شخصی به نام فیل تتلوك كتابی نوشت و در آن كتاب گفت كه نباید از كلماتی مانند معقول و محتمل و به احتمال زیاد استفاده كنید ، زیرا همه را گیج می كند." اگر موسساتی که به روشی که بتوان آنها را ارزیابی کرد پیش بینی نمی کنند ، مجهز به یادگیری نحوه بهتر ساختن آنها نباشند ، ما را متعجب نمی کند. برای پیشرفت ، ابتدا باید تلاش کنید.