WEBVTT

00:00:06.548 --> 00:00:09.077
الإحصائيات مقنعة.

00:00:09.077 --> 00:00:12.541
مقنعة جداً لدرجة أن معظم الناس،
و المنظمات ودول بأكملها

00:00:12.631 --> 00:00:17.747
قد تبني معظم أهم قراراتها
على البيانات المعطاة

00:00:17.747 --> 00:00:19.484
ولكن هنالك مشكلة

00:00:19.484 --> 00:00:23.301
أي مجموعة من الإحصاءات 
ربما تخبئ شيئاً بداخلها

00:00:23.301 --> 00:00:27.251
شيئاً قد يقلب النتائج رأساً على عقب

00:00:27.251 --> 00:00:30.920
على سبيل المثال: 
تخيل أن عليك الاختيار بين مستشفيين

00:00:30.920 --> 00:00:33.737
من أجل عملية لقريبتك الكبيرة في السن

00:00:33.737 --> 00:00:36.434
من آخر 1000 مريض في كلا المستشفيين

00:00:36.434 --> 00:00:39.612
900 منهم نجا في المشفى أ،

00:00:39.612 --> 00:00:43.021
بينما فقط 800 منهم نجا في المشفى ب

00:00:43.021 --> 00:00:46.170
إذاً يبدو لك أن المشفى أ هو الخيار الأفضل

00:00:46.170 --> 00:00:47.843
ولكن قبل أن تتخذ قرارك

00:00:47.843 --> 00:00:51.411
تذكر أنه ليس كل المرضى وصلوا إلى المشفى

00:00:51.411 --> 00:00:53.811
بنفس مستوى الصحة

00:00:53.811 --> 00:00:56.703
وإذا قسمنا كل 1000 مريض

00:00:56.703 --> 00:01:01.132
إلى قسمين هؤلاء الذين وصلوا 
بصحة جيدة والذين وصلوا بصحة متدنية

00:01:01.132 --> 00:01:03.772
قد تختلف الصورة كثيراً

00:01:03.772 --> 00:01:07.849
فقط 100 مريض وصلوا مستشفى أ في حال متدنية

00:01:07.849 --> 00:01:10.325
والذي عاش منهم 30

00:01:10.325 --> 00:01:14.852
بينما 400 مريض وصلوا مشفى ب 
وقد تمكنوا من إنقاذ 210 منهم

00:01:14.852 --> 00:01:17.169
إذاً مشفى ب هو الخيار الافضل

00:01:17.169 --> 00:01:20.741
للمرضى الذين يصلون للمشفى في حال متدنية

00:01:20.741 --> 00:01:24.526
مع نسبة نجاة بنسبة 52.5%

00:01:24.526 --> 00:01:28.445
وماذا إذا كانت صحة قريبتك جيدة 
عندما وصلت إلى المشفى

00:01:28.445 --> 00:01:32.271
بشكل غريب ستجد أن مشفى ب 
لايزال الخيار الأفضل

00:01:32.271 --> 00:01:35.676
بنسبة نجاة تصل إلى 98%

00:01:35.676 --> 00:01:38.733
إذاً كيف أظهرت الإحصائيات 
أن مشفى أ أفضل في نسبة النجاة الكلية

00:01:38.733 --> 00:01:44.830
إذا كان مشفى ب قد حصل على نسبة 
نجاة أعلى في كل المجموعتين؟

00:01:44.830 --> 00:01:48.589
ذلك الذي استعرضناه من قبل 
هي حالة تسمى بمفارقة سيمبسون

00:01:48.589 --> 00:01:51.899
عندما يكون لدينا نفس مجموعة البيانات 
ولكن تظهر بنتيجتين متعاكستين

00:01:51.899 --> 00:01:54.664
اعتماداً على طريقة تقسيمها

00:01:54.664 --> 00:01:58.744
هذا يحدث غالباً إذا كانت البيانات 
المجموعة تخفي متغيرات شرطية

00:01:58.744 --> 00:02:01.377
وأحياناً تعرف بالمتغيرات المندسَّة

00:02:01.377 --> 00:02:06.584
وهي عوامل إضافية مندسَّة 
قد تؤثر في النتيجة بشكل كامل

00:02:06.584 --> 00:02:10.023
وهنا، العامل المندس 
هو العلاقة بين نسبة المرضى

00:02:10.023 --> 00:02:13.264
الذين وصلوا بصحة جيدة أو بصحة متدنية

00:02:13.264 --> 00:02:16.544
مفارقة سيبمسون ليست مجرد سيناريو افتراضي

00:02:16.544 --> 00:02:18.924
إنها تظهر لنا من 
وقت لآخر في العالم الواقعي

00:02:18.924 --> 00:02:22.132
وأحيانا في ظروف مهمة

00:02:22.132 --> 00:02:24.130
دراسة في المملكة المتحدة أظهرت لنا

00:02:24.130 --> 00:02:27.600
أن المدخنين لديهم معدلات 
عمر أطول من غير المدخنين

00:02:27.600 --> 00:02:29.846
خلال عشرين سنة

00:02:29.846 --> 00:02:33.307
هذا ماكان إلى أن تم تقسيم 
المشاركين إلى مجموعات حسب العمر

00:02:33.307 --> 00:02:37.823
والتي أظهرت أن المشاركين 
غير المدخنين كان سنهم أكبر

00:02:37.823 --> 00:02:40.930
ولذلك فاحتمالية موتهم 
خلال فترة الإحصائية أكبر

00:02:40.930 --> 00:02:44.438
على وجة التحديد لأنهم عاشوا أطول بشكل عام

00:02:44.438 --> 00:02:47.286
وهنا عامل التقسيم حسب العمر 
هو العامل المندس

00:02:47.286 --> 00:02:50.176
ولذلك من المهم أن نفسر 
البيانات المعطاة جيدا

00:02:50.176 --> 00:02:51.559
وفي مثال آخر

00:02:51.559 --> 00:02:54.281
في تحليل لأحكام الإعدام 
في بعض القضايا في فلوريدا

00:02:54.281 --> 00:02:58.265
بدا أنه يكشف أنه ليس 
هنالك أي تفاوت عرقي في الحكم

00:02:58.265 --> 00:03:01.581
بين المتهمين البيض والسود في قضايا القتل

00:03:01.581 --> 00:03:06.396
ولكن إذا قسمنا القضية حسب 
عرق الضحايا تصبح لدينا قصة مختلفة

00:03:06.396 --> 00:03:07.969
في كلا الوضعين

00:03:07.969 --> 00:03:11.091
المتهمين السود غالباً 
ما يحكم عليهم بالإعدام

00:03:11.091 --> 00:03:15.066
مع ارتفاع طفيف في أحكام 
الإعدام على المتهمين البيض

00:03:15.066 --> 00:03:18.692
في القضايا التي تكون فيها قتل للبيض

00:03:18.692 --> 00:03:21.359
غالباً مايُحكم فيها بالإعدام

00:03:21.359 --> 00:03:24.091
عن تلك القضايا التي يكون فيها الضحايا سود

00:03:24.091 --> 00:03:28.483
ومعظم قضايا القتل تحدث 
بين شخصين من نفس العرق

00:03:28.483 --> 00:03:31.319
إذا ً كيف نتجنب الوقوع في المفارقة؟

00:03:31.319 --> 00:03:34.686
لسوء الحظ ليس هنالك إجابة 
قد تناسب كل الحالات

00:03:34.686 --> 00:03:38.504
بإمكاننا تجميع البيانات 
وفرزها بطرق لا حصر لها

00:03:38.504 --> 00:03:42.106
وبشكل عام الأرقام أحياناً 
بإمكانها إعطائنا صورة أصح

00:03:42.106 --> 00:03:46.638
من البيانات المقسمة 
إلى مجموعات مضللة أو اعتباطية

00:03:46.638 --> 00:03:52.089
كل ما بإمكاننا فعله هو دراسة 
الأوضاع الفعلية الموصوفة علميا

00:03:52.089 --> 00:03:55.977
وملاحظة ما إذا كان هنالك عوامل مندسة

00:03:55.977 --> 00:03:59.378
وإلا فنحن نجعل من أنفسنا ضحية سهلة 
لهؤلاء الذين قد يستخدمون البيانات

00:03:59.378 --> 00:04:02.649
لخداع الآخرين وتمرير أفكارهم الخاصة