Если вы пропустили это, пожалуйста, не стесняйтесь прочитать Главу 8.

Глава 9. Кто ты: лиса или ежик?

Тетлок использует лис и ежей, чтобы проиллюстрировать континуум стилей с предсказаниями, цитируя эссе Исайи Берлина, классифицирующее писателей [35]. Ежики цепляются за большую идею. Лисы используют самые разные идеи. В прогнозном исследовании Тетлока лисы побеждают ежей.

Это не признак слабости или неумения пересматривать наши предсказания. Это совсем наоборот. Мы можем учиться у них, корректировать их и улучшать. Самые точные предсказатели — лисы — пересматривают свои прогнозы [36].

Но есть поворот. Лисы могут быть более точными, но ежи кажутся более уверенными. Ежи уверенно (а иногда и громко) делают свои прогнозы. Лисы, способные улавливать новую информацию, звучат менее уверенно. Иллюзия уверенности продается. Ежики побеждают. Лисы проигрывают.

Рассмотрим следующие два прогноза:

  1. Вот 10 навыков, которые нужны учащимся в 21 веке. [37]
  2. С вероятностью 75 % учащиеся должны будут продемонстрировать эти 10 навыков в следующем году.

Какой из них привлечет наибольшее внимание? Первый пример. Оно звучит более уверенно, даже если время и вероятность отсутствуют и не могут быть измерены.

Точность страдает для нас на личном уровне. В суете школ, преподавания и нашей жизни мы сталкиваемся с невероятным потоком информации. У нас есть тенденция отдавать свое мышление на аутсорсинг экспертам-ежам. В конце концов, они, должно быть, просеяли все данные, исследования и информацию, верно? Мы полагаемся на ежей, чтобы делать прогнозы. Предостережение, как отмечает Тетлок, заключается в том, что у них нет хорошего послужного списка для прогнозов. Таким образом, наши прогнозы становятся ошибочными. [38]

Наше алгоритмическое мышление, как отмечает Нейт Сильвер, также более восприимчиво к шуму, чем к сигналу. Этим алгоритмам присущи суждения, предубеждения и оценочные суждения.[39] Точно так же и электронные алгоритмы не застрахованы от этих недостатков.[40]

Есть одно существенное отличие. Наши компьютерные алгоритмы могут дать нам относительно быструю точность; помогают отфильтровать сигнал от шума; и дайте нам количественную, точную отправную точку.

Я проводил курсы повышения квалификации для учителей со 2-го по 12-й классы по предсказаниям как форме критического мышления учащихся и их собственной педагогической практике. Распространенный миф, который я слышал, заключается в том, что прогнозы требуют глубоких статистических знаний и недоступны для понимания неспециалистами.

Это отражено в книге Джеймса Шуровецки Мудрость толпы. Суровецкий объясняет средние показатели в контексте группового принятия решений: «В большинстве случаев средний уровень — это посредственность. Что касается принятия решений, то это часто превосходство».

Но, как обнаружил Тетлок, искусству суперпрогнозирования можно научиться. Главное требование: открытость.

Я полностью осознаю ограничения даже компьютерных прогнозов. Один алгоритм (Система 1 и/или мышление ежа) вряд ли будет панацеей, которую мы часто ищем в образовании (на основе нашего мышления Системы 1 что-то будет работать для всех учащихся все время). Однако они могут быть невероятно полезными инструментами.

В Главе 10 мы увидим, наблюдает ли Большой Брат и почему это важно.

Footnotes
[35] Эссе Берлина под названием Ежик и лисица можно прочитать здесь: http://press.princeton.edu/chapters/s9981.pdf

[36] Еще одна отсылка к Тетлоку. Его исследование показало, что суперпрогнозисты (которые за четыре года превзошли экспертов на 30 процентов) регулярно пересматривают свои прогнозы.

[37] Редактор издания по образовательным технологиям сказал мне, что нумерованные списки генерируют более высокие показатели кликов (и открытий). Из личного опыта написания этих статей, не все числа равновероятны. За этим мало науки.

[38] В статье Война становится вирусной: как социальные сети превращаются в оружие авторы обсуждают последствия дезинформации и фейковых новостей. (The Atlantic, ноябрь 2016 г.) http://www.theatlantic.com/magazine/archive/2016/11/war-goes-viral/501125/

[39] В книге Основы машинного обучения подробно рассказывается о предубеждениях, которые могут быть вызваны машинным обучением (так называемым прогнозным моделированием). https://www.amazon.com/Fundamentals-Machine-Learning-Predictive-Analytics-ebook/dp/B013FHC8CM/ref=mt_kindle?_encoding=UTF8&me=

[40] Этот замечательный пост KD Nuggets с вопросами для интервью посвящен предвзятости в вопросе №5. http://www.kdnuggets.com/2016/02/21-data-science-interview-questions-answers.html/2