12min Notes Myanmar
Base Rate Fallacy
Base Rate Fallacy
မင်းမြင်နေရတဲ့ 'အချက်အလက်' တွေက မင်းကို လိမ်ညာနေသလား... (Base Rate Fallacy)
ဒါမျိုးတွေ ကြုံဖူးလား?
လုပ်ငန်းတစ်ခုအတွက် Interview မှာ လူတစ်ယောက်ကို ခေါ်လိုက်တယ်။ စကားပြောတာက Smart ကျလွန်းတယ်၊ ဝတ်ထားတာကလည်း သားသားနားနား၊ ဘွဲ့လက်မှတ်တွေကလည်း အထင်ကြီးစရာ။ "ဒါ ငါရှာနေတဲ့လူပဲ" ဆိုပြီး ချက်ချင်း ခန့်လိုက်တယ်။ ဒါပေမဲ့ တကယ်အလုပ်လုပ်တော့ Performance က ညံ့ဖျင်းနေတယ်။
ဒါမှမဟုတ်
Facebook မှာ ရောင်းနေတဲ့ ပစ္စည်းတစ်ခုကို တွေ့တယ်။ Review တစ်ခုက "သုံးလိုက်တာနဲ့ တစ်ပတ်အတွင်း သိသိသာသာ ထူးခြားသွားတယ်" ဆိုပြီး ပုံကြီးချဲ့ရေးထားတာကို ဖတ်မိပြီး၊ ကျန်တဲ့ ကြားကြံ Review ၅၀ လောက်ကို မကြည့်တော့ဘဲ ချက်ချင်းမှာလိုက်တယ်။
ဒီလိုအခြေအနေတွေမှာ ကျွန်တော်တို့ဟာ "Base Rate Fallacy" (ဒါမှမဟုတ် Base Rate Neglect) လို့ခေါ်တဲ့ စိတ်ပိုင်းဆိုင်ရာ တွေးခေါ်မှုအမှား (Cognitive Bias) တစ်ခုကို ကျူးလွန်မိနေတာပါ။
🤔 Base Rate Fallacy ဆိုတာ ဘာလဲ?
ရှင်းရှင်းလေး ပြောရရင်၊ Base Rate Fallacy ဆိုတာ...
ကျွန်တော်တို့ရဲ့ ဦးနှောက်က "အထွေထွေ စာရင်းအင်း" (General Statistics) အကြီးကြီးတစ်ခုလုံးကို လုံးဝမေ့ထားပြီး၊ မျက်စိရှေ့မှာ မြင်နေရတဲ့ "သီးသန့်အချက်အလက်" (Specific Information) ပုံပြင်ဆန်ဆန် တစ်ခုတည်းကိုပဲ အားကိုးပြီး ဆုံးဖြတ်ချက်ချမိတဲ့ အလွဲတစ်ခုပါပဲ။
"Base Rate" (အခြေခံနှုန်း) ဆိုတာ "ပျမ်းမျှအားဖြင့်"၊ "ယေဘုယျအားဖြင့်" ဆိုတဲ့ ကိန်းဂဏန်း အမှန်တရားကြီးပါ။
"Specific Information" ဆိုတာ မျက်စိထဲမှာ ထင်းကနဲ ဖြစ်သွားစေတဲ့ တစ်ဦးတစ်ယောက်ရဲ့ အတွေ့အကြုံ၊ ဒါမှမဟုတ် ပုံပန်းသဏ္ဌာန်ပါ။
ကျွန်တော်တို့ ဦးနှောက်က ပျင်းစရာကောင်းတဲ့ စာရင်းအင်းတွေ၊ ကိန်းဂဏန်းတွေကို မကြိုက်ပါဘူး။
စိတ်လှုပ်ရှားစရာကောင်းတဲ့၊ ပုံပြင်ဆန်တဲ့၊ ထင်ရှားတဲ့ အချက်အလက်တွေကိုပဲ ပိုသဘောကျပါတယ်။
ဒါကြောင့် အမှားတွေ ဖြစ်လာတာပါ။
ဥပမာ (၁) - "ပုံစံခွက်" Stereotype နဲ့ ဆုံးဖြတ်ခြင်း
နာမည်ကျော် စိတ်ပညာရှင်တွေဖြစ်တဲ့ Daniel Kahneman နဲ့ Amos Tversky တို့ရဲ့ Tom W. စမ်းသပ်ချက်ဆိုတာရှိပါတယ်။
နားလည်လွယ်အောင် မြန်မာမှုပြုပြီး ရှင်းပြပေးပါမယ်။
"မောင်ဖြူ" ဟာ တက္ကသိုလ်ကျောင်းသားတစ်ယောက်ပါ။ မျက်မှန်တပ်တယ်၊ Laptop အိတ်တစ်လုံး အမြဲလွယ်တယ်၊ လူကလည်း အေးအေးဆေးဆေး၊ Coding တွေ၊ ကွန်ပျူတာတွေအကြောင်း အမြဲပြောနေတတ်တယ်။
မေးခွန်းက "မောင်ဖြူ" ဟာ Computer Science မေဂျာက ကျောင်းသား ဖြစ်နိုင်ခြေ ပိုများသလား၊ ဒါမှမဟုတ် မြန်မာစာ (Myanmar Literature) မေဂျာက ကျောင်းသား ဖြစ်နိုင်ခြေ ပိုများသလား။
လူအများစုက ချက်ချင်းပဲ "သေချာတာပေါ့ဗျာ၊ သူက Computer Science ကျောင်းသားပဲ" လို့ ဖြေပါလိမ့်မယ်။
ဘာလို့လဲ။
"မျက်မှန်"၊ "Laptop"၊ "Coding" ဆိုတဲ့ "Specific Information" တွေက ကျွန်တော်တို့ ခေါင်းထဲက "Computer Science ကျောင်းသား ပုံစံခွက်" (Stereotype) နဲ့ သွားကိုက်နေလို့ပါ။
ဒါကို Representativeness Heuristic လို့ခေါ်ပါတယ်။
ဒါပေမဲ့... Base Rate ကို ထည့်မတွက်ထားပါဘူး။
တကယ်လို့ သူတက်နေတဲ့တက္ကသိုလ်မှာ မြန်မာစာမေဂျာ ကျောင်းသားက စုစုပေါင်း ၅၀၀၀ ရှိပြီး၊ Computer Science မေဂျာကမှ ကျောင်းသား ၁၀၀ ပဲ ရှိတယ် ဆိုတဲ့ "Base Rate" (အခြေခံနှုန်း) ကို သိလိုက်ရရင်ရော။
ဒီအခြေအနေမှာ၊ Coding ကို ဝါသနာပါတဲ့ မြန်မာစာကျောင်းသား တစ်ယောက် ဖြစ်နေဖို့ အခွင့်အလမ်းက၊ Computer Science ကျောင်းသား ၁၀၀ ထဲက တစ်ယောက် ဖြစ်နေဖို့ အခွင့်အလမ်းထက် အများကြီး ပိုများနေပါသေးတယ်။
ကျွန်တော်တို့ဟာ '၅၀၀၀' နဲ့ '၁၀၀' ဆိုတဲ့ အခြေခံ ကိန်းဂဏန်းကြီးကို လုံးဝမေ့ထားပြီး၊ 'မျက်မှန်' နဲ့ 'Coding' ဆိုတဲ့ ပုံပန်းသဏ္ဌာန်လေးကိုပဲ ကြည့်ပြီး ဆုံးဖြတ်လိုက်တာပါ။
ဒါဟာ Base Rate Fallacy ပါပဲ။
ဥပမာ (၂) - 99% တိကျတဲ့ Test က ဘာလို့ "မှား" နေတတ်သလဲ။
ဒါက ပိုပြီး လက်တွေ့ကျတဲ့ ဥပမာပါ။
False Positive Paradox လို့လည်း ခေါ်ပါတယ်။
လူ ၁၀၀၀၀ မှာ ၁ ယောက် ပဲ ဖြစ်တဲ့ ရှားပါးရောဂါတစ်ခု ရှိတယ် ဆိုပါစို့။ (ဒါဟာ Base Rate ပါ)
ဒီရောဂါကို စစ်ဖို့ 99% တိကျမှန်ကန်တဲ့ ဆေးစစ်ချက် (Test) တစ်ခု ထွက်လာတယ်။
သင်က သံသယရှိလို့ သွားစစ်လိုက်တယ်။ Result က 'Positive' (+) (ရောဂါရှိ) လို့ ပြတယ်။
ကဲ... သင့်မှာ ဒီရောဂါ တကယ်ရှိနေဖို့ ရာခိုင်နှုန်း ဘယ်လောက်ရှိမလဲ။
လူအများစုက "99% တိကျတာပဲ၊ ငါ့မှာ 99% ရောဂါရှိနေပြီ" ဆိုပြီး ထိတ်လန့်သွားကြပါလိမ့်မယ်။
ဒါဟာ Base Rate Fallacy ပါ။
"99% တိကျတယ်" ဆိုတဲ့ ထင်ရှားတဲ့ Specific Info ကိုပဲ ဦးနှောက်က ဆွဲကိုင်လိုက်တာပါ။
ကဲ... Base Rate နဲ့ တွက်ကြည့်ရအောင်။
လူ ၁၀၀၀၀ ကို ဒီစက်နဲ့ စစ်ကြည့်မယ်။
ရှားပါးရောဂါရဲ့ Base Rate အရ -
ရောဂါ 'တကယ်' ရှိသူ = ၁ ယောက်
ရောဂါ 'မရှိ' သူ = ၉၉၉၉ ယောက်
စက်က ဘယ်လိုပြမလဲ?
True Positive: ရောဂါ 'တကယ်' ရှိသူ ၁ ယောက်ကို စစ်ရင်၊ စက်က 99% တိကျတော့ 'Positive' (အမှန်) ပြမယ်။
= Positive ၁ ခု (မှန်)
False Positive: ရောဂါ 'မရှိ' သူ ၉၉၉၉ ယောက်ကို စစ်ရင်... စက်က 1% မှားတတ်တယ် (False Positive Rate)။ ၉၉၉၉ ရဲ့ ၁% ဆိုတာ လူ ၁၀၀ နီးပါး (99.99)။
= Positive ၁၀၀ ခု (မှား)
ဒါကို သတိထားကြည့်ပါ
စုစုပေါင်း 'Positive' ပြတဲ့လူ ၁၀၁ ယောက် (၁ + ၁၀၀) ရှိလာတယ်။
အဲ့ဒီထဲမှာ ရောဂါ 'တကယ်' ရှိသူက ၁ ယောက်တည်း။
ရောဂါ 'မရှိဘဲ' Positive အမှား ပြခံရသူက ၁၀၀ ယောက်။
ဒါဆို... သင်က အဲ့ဒီ Positive ပြတဲ့ ၁၀၁ ယောက်ထဲက တစ်ယောက် ဖြစ်နေခဲ့ရင်၊ တကယ် ရောဂါရှိဖို့ Chance က ၁၀၁ မှာ ၁ ပဲ ရှိပါတယ်။ (1/101 = 0.99%)
99% လို့ ထင်ထားခဲ့တာ၊ တကယ်တမ်းကျတော့ 1% တောင် မရှိပါဘူး။
ဒါဟာ "လူ ၁ သောင်းမှာ ၁ ယောက်" ဆိုတဲ့ Base Rate ကို လျစ်လျူရှုမိပြီး "99% တိကျတယ်" ဆိုတဲ့ စကားလုံးကြီးကိုပဲ အားကိုးမိလို့ ဖြစ်ရတဲ့ အမှားကြီးပါ။
⚡️ ဒါက ဘာလို့ဖြစ်ရတာလဲ?
အဓိကအချက် ၂ ချက်ရှိပါတယ်။
၁။ Representativeness Heuristic (ပုံစံတူ ရှာတွေးခြင်း)
ကျွန်တော်တို့ ဦးနှောက်က ပုံစံခွက်တွေ (Stereotypes) နဲ့ အလုပ်လုပ်ရတာ ကြိုက်တယ်။ Tom W. ဥပမာလိုပေါ့။ သူ့ပုံစံက "Computer သမား" ပုံစံခွက်နဲ့ တူ (Represent) နေတာနဲ့၊ Data တွေကို မေ့ပြီး အဲ့ဒါပဲလို့ ကောက်ချက်ချလိုက်တယ်။
၂။ Relevance (ပိုပြီး ဆက်စပ်တယ် ထင်ခြင်း)
စိတ်ပညာရှင် Maya Bar-Hillel က ရှင်းပြတာကတော့၊ ကျွန်တော်တို့ဟာ "Data ကိန်းဂဏန်းတွေ" (General) ထက်၊ "ထိထိမိမိ ပုံပြင်တစ်ပုဒ်" (Specific) က ကိုယ်နဲ့ ပိုဆက်စပ်မှုရှိတယ်၊ ပိုအရေးကြီးတယ်လို့ ထင်မြင်ယူဆတတ်ကြလို့ပါ။ ပုံပြင်တွေ၊ တစ်ဦးတစ်ယောက်ရဲ့ အတွေ့အကြုံတွေက စိတ်ခံစားချက်ကို ပိုထိမိစေပြီး Data တွေက မထိမိစေလို့ပါ။
✅ ဒီအမှားကို လုပ်ငန်းခွင်နဲ့ ဘဝမှာ ဘယ်လိုရှောင်ရှားမလဲ?
ဒီ Fallacy ကိုသိသွားပြီဆိုရင်၊ ပိုကောင်းတဲ့ ဆုံးဖြတ်ချက်တွေ ချနိုင်ပါပြီ။
၁။ အမြဲတမ်း "Base Rate က ဘယ်လောက်လဲ" လို့ မေးပါ။
ဝန်ထမ်းသစ် မခန့်ခင် "ဒီရာထူးအတွက် အရင်က ခန့်ခဲ့တဲ့သူတွေရဲ့ ပျမ်းမျှ Performance (Base Rate) က ဘယ်လိုရှိလဲ" လို့ မေးပါ။ Interview မှာ Smart ကျတာ (Specific Info) တစ်ခုတည်းနဲ့ မဆုံးဖြတ်ပါနဲ့။
လုပ်ငန်းသစ် မစခင် "ဒီလုပ်ငန်းအမျိုးအစားရဲ့ ၅ နှစ်အတွင်း ပျမ်းမျှ အောင်မြင်နှုန်း (Base Rate) က ဘယ်လောက်လဲ" လို့ အရင်ရှာပါ။
"ငါကတော့ မတူဘူး" ဆိုတဲ့ Specific ခံစားချက်ကို အရင်မယုံပါနဲ့။
၂။ "အရေအတွက်" (Frequency) နဲ့ ပြန်တွက်ပါ။
ရာခိုင်နှုန်း (%) တွေက လှည့်စားနိုင်ပါတယ်။
ခုနက ရောဂါ ဥပမာလို "လူ ၁၀၀၀၀ မှာ..." ဆိုပြီး အရေအတွက် အစစ်နဲ့ တွက်ထုတ်လိုက်တာက ဦးနှောက်ကို ပိုရှင်းရှင်းလင်းလင်း မြင်စေပါတယ်။
၃။ "N of 1" (တစ်ယောက်တည်း) ကို သတိထားပါ။
တစ်ယောက်ယောက်က "ဒါလုပ်တာ အရမ်းအောင်မြင်တယ်" ဒါမှမဟုတ် "ဒီဆေးစားတာ တစ်ချက်တည်းနဲ့ ပျောက်သွားတယ်" လို့ လာပြောရင်၊ အဲ့ဒါဟာ (N of 1) ဆိုတဲ့ လူတစ်ယောက်တည်းရဲ့ အတွေ့အကြုံပဲ ဆိုတာ သတိရပါ။ "Data အများစုကရော ဒါကို ထောက်ခံရဲ့လား?" ဆိုတာ ပြန်စစ်ပါ။
၄။ Data နှစ်ခုလုံးကို "ပေါင်းစပ်" ပါ၊ "အစားမထိုး" ပါနဲ့။
Specific Information (သီးသန့်အချက်) က အသုံးမဝင်တာ မဟုတ်ပါဘူး။ ဒါပေမဲ့ Base Rate (အခြေခံနှုန်း) ကို အစားထိုးဖို့ မဟုတ်ဘဲ၊ 'ပေါင်းစပ်' စဉ်းစားဖို့ သုံးရမှာပါ။
ဥပမာ: Base Rate အရ ဒီလုပ်ငန်းက ရှုံးနိုင်ခြေ ၉၀% ရှိတယ်။ ဒါပေမဲ့ သင့်မှာ ရှိတဲ့ Specific Info (ဥပမာ - ပြိုင်ဘက်မရှိတဲ့ နည်းပညာ၊ အတွေ့အကြုံများတဲ့ Team) က အဲ့ဒီ Base Rate ကို ကျော်လွှားနိုင်လောက်တဲ့ အင်အားရှိရဲ့လား ဆိုပြီး ချိန်ထိုးရမှာပါ။
💡 အဓိက မှတ်သားစရာ (Key Takeaway)
Base Rate Fallacy ဆိုတာ ကျွန်တော်တို့ရဲ့ ဦးနှောက်က ငြီးငွေ့စရာ စာရင်းအင်း (Base Rate) တွေကို လျစ်လျူရှုပြီး၊ မျက်စိထဲ ထင်းနေတဲ့ ပုံပြင် (Specific Info) တွေနောက်ကို လိုက်တတ်တဲ့ အလွဲတစ်ခုပါ။
"99% တိကျတဲ့" Test က မှားနေနိုင်သလို၊ "Perfect ဖြစ်တယ်လို့ ထင်ရတဲ့" ဝန်ထမ်းသစ်ကလည်း အလုပ်အတွက် လူမှားနေနိုင်ပါတယ်။
တကယ် စမတ်ကျတဲ့ ဆုံးဖြတ်ချက်တွေ ချချင်ရင်၊ စိတ်လှုပ်ရှားစရာ ပုံပြင်တစ်ပုဒ်တည်းကို မယုံဘဲ၊ "အခြေခံနှုန်း (Base Rate) က တကယ်တမ်း ဘယ်လိုရှိနေလဲ" ဆိုတာကို အရင်ဆုံး မေးခွန်းထုတ်တတ်တဲ့ အကျင့်ကို မွေးမြူရပါမယ်။
©12minNotesMyanmar-Est.2019
~ ~ ~ ~ ~ ~ ~ ~ ~ ~
Contact us easily:
YouTube: https://www.youtube.com/12minNotesMyanmar
Facebook: https://www.facebook.com/12minNotes
Messenger: https://m.me/12minNotes
Telegram: https://t.me/My12minNotesBot
Website: https://12minnotes.com
Author : 12min Notes Myanmar
