معلومة

ما هو الفرق بين التحيز و الكشف عن مجريات الأمور الموضح بمصطلحات الشخص العادي؟

ما هو الفرق بين التحيز و الكشف عن مجريات الأمور الموضح بمصطلحات الشخص العادي؟

هل يمكن لأي شخص أن يشرح الاختلاف بطريقة يمكن تفسيرها لشخص ليس لديه أدنى فكرة عن علم النفس؟ قد تكون أمثلة يمكن أن تساعد.


الاستدلال هو نهج لحل المشكلة ، والتحيز هو تحيز ؛ إذن ما هي الطريقة التي تربكك بها هذه المصطلحات؟

أنا أعارض بكل احترام. لقد لاحظت أن مصطلح التحيز والاستدلال يستخدم بالتبادل في الأدبيات مما قد يؤدي إلى الارتباك. الفرق بينهما دقيق.

هل يمكن لأي شخص أن يشرح الاختلاف بطريقة يمكن شرحها لمن ليس لديه

الاستدلال والتحيز والخوارزميات كلها مصطلحات ذات صلة. إن أبسط طريقة لوصفها هي كما يلي:

أ ارشادي هي قاعدة أو إستراتيجية أو اختصار ذهني مشابه يمكن للمرء استخدامه لاشتقاق حل لمشكلة ما. يُعرف الاستدلال الذي يعمل طوال الوقت باسم الخوارزمية. فكر في السيناريو التالي: تضيع في متاهة ، ما الذي يمكنك فعله للهروب؟ الحل هو وضع يدك على الحافة الخارجية للمتاهة والاستمرار في المشي حتى تجد المخرج. يمكن أن يساعدنا الاستدلال في فهم العالم بطريقة موثوقة وتقليل العبء العقلي. ومع ذلك ، فهي ليست دائمًا مثالية وهناك أيضًا ميل لاستخدامها بشكل غير لائق لتكوين المعتقدات. يسمى الخطأ المنهجي الناتج عن استخدام الاستدلال أ التحيز المعرفي.

تعديل:

لكل اقتراح ، يجب ملاحظة ما يلي:

في حين أن استخدام الاستدلال يمكن أن يؤدي إلى التحيزات المعرفية ، ليست كل التحيزات المعرفية هي نتيجة الاستدلال. بشكل عام ، عندما يتم تحديد خطأ في الحكم أو المعتقد تجريبيًا أو سردًا ، ستكون هناك محاولة لتفسيره باستخدام الاستدلال.

بالإضافة إلى ذلك ، وعلى نطاق أوسع ، هناك قدر كبير من الغموض فيما يتعلق بتعريف التحيز المعرفي في الأدبيات.

على سبيل المثال ، في هذا الحساب لتحيزات الإسناد ، يتم تقديم التعريف التالي:

تشير التحيزات المعرفية إلى أخطاء منهجية تنجم عن حدود متأصلة في قدرتنا على معالجة المعلومات. نظرًا لأننا غير قادرين على إدراك كل شيء في بيئتنا ، يتم توجيه تركيزنا تلقائيًا إلى أبرز المحفزات أو "اللافتة للنظر" - أي ، المنبهات البارزة إدراكيًا. يمكن أن يقودنا هذا إلى صياغة إسهامات سببية متحيزة وغير دقيقة (Taylor & Fiske ، 1975). على وجه التحديد ، نحن عرضة للمساواة بين المحفزات الأكثر بروزًا من الناحية الإدراكية والمحفزات الأكثر تأثيرًا سببيًا.

Shiraev، E.B، Shiraev، E.B، & Levy، D.A (2016). علم النفس عبر الثقافات: التفكير النقدي والتطبيقات المعاصرة. تايلور وفرانسيس.

بصورة مماثلة:

عندما يتم وصف الإجابة الصحيحة ، فإنهم يرون بأنفسهم كيف يكون حكمهم متحيزًا بطرق منهجية. مثل هذه المظاهرات الشخصية تجعل نقاط تفيرسكي وكانيمان بارزة وبسيطة وقوية. ما كان مبتكرًا في عملهم هو أنه رسم صلة بين الاستدلال والتحيزات: الاستدلال هو قاعدة عامة تستخدم على هذا النحو في سياقات مختلفة. التحيز المعرفي هو خطأ منهجي في تفكيرنا.

مورفان ، سي ، وجينكينز ، دبليو جيه (2017). الحكم في ظل عدم اليقين: الاستدلال والتحيز. اضغط CRC.

لكن:

الاستدلال هو "الاختصارات" التي يستخدمها البشر لتقليل تعقيد المهام في الحكم والاختيار ، والتحيزات هي الفجوات الناتجة بين السلوك المعياري والسلوك المحدد استكشافيًا (كانيمان وآخرون ، 1982).

شيبمان ، إس إي (محرر). (2016). دليل أكسفورد للعلوم المعرفية. مطبعة جامعة أكسفورد.

كما سبق:

التحيزات المعرفية هي انحرافات اللاوعي في الحكم مما يؤدي إلى تشويه إدراكي وحكم غير دقيق وتفسير غير منطقي. من وجهة نظر تطورية ، فقد تطورت لأن السرعة في كثير من الأحيان كانت أكثر أهمية من الدقة. تحدث التحيزات بسبب اختصارات معالجة المعلومات (أو الاستدلال - انظر الإطار 5.1) ، وقدرة الدماغ المحدودة على معالجة المعلومات ، والتأثير الاجتماعي ، والدوافع العاطفية والأخلاقية.

كوبر ، إن ، وفرين ، ج. (محرران). (2016). ABC من التفكير السريري. جون وايلي وأولاده.

على الرغم من أن هذا ليس مرجعًا في علم النفس ، إلا أن التعريف غريب بعض الشيء:

يعتمد المهندسون المعماريون على المعرفة السابقة لتصميم المبنى التالي ، معتقدين أن المباني السابقة عملت بشكل جيد ويمكن نقل المعرفة إلى تصميمها الجديد ، واعدة بأداء مماثل. يمكن أن تحدث التحيزات المعرفية (الأوهام) والأخطاء المحتملة عند استخدام المعرفة السابقة للتفكير التصميمي التناظري ، والما قبل البارامتيري والنوعي.

زرزار ، ك.م ، وجوني ، أ. (محرران). (2008). فهم البيئات ذات المعنى: السابقات المعمارية ومسألة الهوية في التصميم الإبداعي (المجلد. 4). اضغط على IOS.

على الرغم من أنني أتوقع ، أود أن أقترح التفسير التالي: بالمعنى الدقيق للكلمة ، يجب أن يحدث خطأ في التفكير المعياري مرة واحدة فقط حتى يكون نتيجة لتحيز معرفي. ومع ذلك ، يجب أن يحدث التحيز المعرفي بطريقة منهجية في عينة الدراسة قبل أن يتم تحديده في البحث التجريبي والإبلاغ عنه في الأدبيات.

وهذا ، يا أصدقائي ، أختتم مظاهري في يوم مبالغة.


بعبارات الشخص العادي ، ما هي الاختلافات بين وحدات "السطوع" المختلفة؟

أنا متعصب للكشافات. لدي بعض المصابيح القوية التي غالبًا ما يصفها أصدقائي بأنها "أكثر إشراقًا من الشمس" عندما أعرضها.

ما هو القياس الذي يمكنني استخدامه لمقارنة "سطوع" مصابيحي اليدوية ب "سطوع" الشمس؟

ما زلت مستجدًا في subreddit المصباح اليدوي ، على الرغم من أنني سمعت عن وحدات مختلفة مثل lumens و lux و candela التي سمعت عنها أيضًا الحجم الظاهر، فيما يتعلق بالاختلافات المحلية في "السطوع" بين النجوم في السماء.

هذا في الواقع سؤال بصري (أو قياس إشعاع ، بشكل أكثر دقة) ، وليس سؤالًا في علم الفلك ، على الرغم من أن علم الفلك له مقياسه الخاص للسطوع (أو الحجم). يُقاس المصطلح & quotbrightness & quot بالكمية الضوئية & quotluminance. & quot في الأساس ، هناك نوعان من الوحدات لقياس كيفية إصدار الأشياء أو امتصاصها للفوتونات: القياس الإشعاعي ، والقياسي الضوئي. وحدات القياس الإشعاعي هي ببساطة مرتبطة بالطاقة ، مثل واط ، واط / م 2 ، وما إلى ذلك. وحدات القياس الضوئي هي في الأساس هذه الوحدات التي يتم قياسها من خلال كيفية إدراك البشر للضوء ، لذلك فهي تزن الفوتونات باللون الأخضر أعلى من الأطوال الموجية الأخرى ، ولا تأخذ في الاعتبار الأشعة تحت الحمراء أو الأشعة فوق البنفسجية على الإطلاق لأننا لا نستطيع رؤيتها.

وحدة & quotbrightness & quot هي الإنارة ، وهي المكافئ الضوئي للإشراق. هذا نوع من الوحدات المعقدة التي يجب فهمها من الناحية المفاهيمية ، لأنها تأخذ في الاعتبار حجم الشيء الذي ينبعث منه الضوء ، وكمية الضوء المنبعث منه ، والزاوية التي ينبعث منها. من ويكيبيديا ، يتم تعريف الإشعاع على النحو التالي: & الحصة هي التدفق الإشعاعي المنبعث أو المنعكس أو المنقول أو المستلم بواسطة سطح معين ، لكل وحدة زاوية صلبة لكل وحدة مساحة متوقعة. ناتج طاقة أعلى ، أو ينبعث منه إشعاع في زاوية أضيق (مثل ضوء كشاف). الإضاءة هي نفسها ، ولكن مع Lumens بدلاً من Watts للوحدة & quotpower & quot. إذا كنت تأخذ الطاقة المنبعثة في لومن وقسمتها على الزاوية التي تنبعث منها ، تحصل على شدة ، وهي لومن / ستيراديان أو أكثر شيوعًا & quotcandela. & quot Luminance هي شمعة لكل متر مربع ، مع مراعاة مساحة مصدر. هذا هو cd / m 2 ، والذي يسمى أيضًا & quotnits & quot ، وهو ما يتم قياس سطوع شاشات العرض / الشاشات به. يعتبر الإشراق / الإنارة نوعًا من الكميات المعقدة من الناحية المفاهيمية ، ويمكن أن تكون مربكة. يتم أيضًا الحفاظ على التألق من خلال نظام ، لذا فإن الابتعاد عن شيء ما لا يقلل من إشراقه ، على الأقل طالما يمكنك حل الكائن. إذا كان لديك مصدر بحجم معين وقمت بنقله بعيدًا عن عينك ، فستحصل عينك على ضوء أقل منه لأنه يلتقط زاوية صلبة أصغر للإشعاع. ومع ذلك ، سيظهر الكائن أيضًا بشكل أصغر ، مما يزيد من الإشراق. تلغي هذه التأثيرات طالما يمكنك حل المصدر بعينك. إذا كان بإمكانك & # x27t ، فسيكون لديك فقط بقعة محدودة للحيود إذا كان المصدر صغيرًا جدًا (مثل النجم) ، لذلك عندما يبتعد عنك لن يظهر & # x27t أصغر.

في علم الفلك ، هناك وحدات أكثر إرباكًا مثل & quot ؛ الحجم المطلق ، & quot ؛ لكنني لا أعرف الكثير عن تلك الوحدات ، لذا سأدع شخصًا آخر يتعامل مع ذلك.


ما هو التصور التحيز؟ (مع الصور)

التحيز في الإدراك هو ميل نفسي لفقدان الموضوعية في إدراك الأشخاص والمواقف. قد يعتقد الناس أنهم قادرون على تقييم حدث ما بشكل عادل ودقيق ، بما في ذلك إصدار أحكام حول المواقف ، لكن عددًا من التحيزات تتفاعل مع الطريقة التي يرون بها الأحداث. يظهر أحد الأمثلة الكلاسيكية في شهادة شهود العيان ، والتي تشتهر بأنها غير موثوقة بسبب التحيزات في الإدراك التي يمكن أن تؤثر على الطريقة التي يتذكر بها الناس ويتحدثون عن الجرائم التي يشهدونها.

يُجبر الدماغ البشري باستمرار على اتخاذ قرارات سريعة بشأن المواقف والأشخاص ، وقد طور عددًا من أشكال الاختزال للوصول بسرعة إلى الأحكام. يساهم بعضها في تشكيل التحيز في الإدراك. يمكن أن تضيف الضغوط الثقافية والاجتماعية إلى هذه التحيزات ، مما يؤدي إلى تلوين الإدراك حتى عندما يعتقد الناس أنهم غير متحيزين. يمكن أن يشمل ذلك الميل إلى وضع افتراضات وخصائص غير صحيحة مع الاعتقاد بأنها صحيحة ، أو الإيمان بالمغالطات المنطقية.

حدد علماء النفس عددًا كبيرًا من التحيزات والمواقف المعرفية التي يمكن أن يصبحوا فيها نشطين. أحد أشكال التحيز في الإدراك الشائع هو خطأ الإسناد الأساسي ، حيث يميل الناس إلى إلقاء اللوم على الظروف في إخفاقاتهم ، مع إلقاء اللوم على شخصياتهم في فشل الآخرين. وعلى العكس من ذلك ، فإنهم يعتقدون أن نجاحهم هو نتيجة شخصية ، في حين أن النجاحات من جانب الآخرين هي بسبب الظروف. يمكن أن يحدث هذا في موقف مثل أداء الطالب الضعيف في الاختبار وإلقاء اللوم على بيئة الاختبار ، مع الادعاء بأن الطالب الذي حصل على نفس الدرجة لم يدرس بجد بما فيه الكفاية.

عادة ما تكون هذه التحيزات غير واعية ، مما يجعل التعرف عليها أمرًا صعبًا. يمكن أن يكون هذا خطيرًا في المواقف التي يتوقع فيها من الناس التصرف بموضوعية. أعضاء هيئة المحلفين ، على سبيل المثال ، يتأثرون بشدة بالتحيز في الإدراك ، وهو أمر يدركه المحامون جيدًا عندما يستعدون لمحاكمة القضايا.

قد يحاول ممثلو كلا الجانبين استخدام التحيز في الإدراك لدفع قضيتهم ، وقد يستأنف المحامي التحيز داخل المجموعة في الدفاع ، على سبيل المثال ، مناشدة أعضاء هيئة المحلفين الذين ينتمون إلى نفس الفئات الاجتماعية مثل المدعى عليه. قد يصور المحامي المتهم على أنه أب مخلص ومحب لمناشدة الآباء الآخرين في هيئة المحلفين. وفي الوقت نفسه ، يمكن أن يستفيد الادعاء من التحيز المعروف باسم الاستدلال على التوافر ، حيث يعتمد الناس افتراضات الاحتمال على أساس المعلومات الشخصية أو العاطفية. يمكن أن تظهر سلسلة من الصور العنيفة من مسرح الجريمة ، على سبيل المثال ، لدفع هيئة المحلفين إلى رد فعل عاطفي على المدعى عليه.

منذ أن بدأت في المساهمة في الموقع قبل عدة سنوات ، تبنت ماري التحدي المثير المتمثل في كونها باحثة وكاتبة في InfoBloom. ماري حاصلة على شهادة في الفنون الحرة من كلية جودارد وتقضي وقت فراغها في القراءة والطهي واستكشاف الأماكن الرائعة في الهواء الطلق.

منذ أن بدأت في المساهمة في الموقع قبل عدة سنوات ، تبنت ماري التحدي المثير المتمثل في كونها باحثة وكاتبة في InfoBloom. ماري حاصلة على شهادة في الفنون الحرة من كلية جودارد وتقضي وقت فراغها في القراءة والطهي واستكشاف الأماكن الرائعة في الهواء الطلق.


مثال 1 - الإعلان

يجب أن يكون لدى أي شخص يعمل في مجال الإعلان فهم عملي للاستدلال. هذا لأن المستهلكين يعتمدون غالبًا على الاستدلال عند اتخاذ القرارات بشأن المشتريات. أحد الأساليب الاستكشافية التي غالبًا ما تلعب دورًا في مجال الإعلان هو الاستدلال على الندرة. عند تقييم قيمة شيء ما ، غالبًا ما نعتمد على هذا الاستدلال ، مما يقودنا إلى الاعتقاد بأنه كلما زاد ندرة الشيء المعني ، زادت قيمته.

قامت دراسة أجريت عام 2011 من قبل برافين أغروال وسونغ يول جون وجونغ هو هو بتقييم تأثير "رسائل الندرة" على سلوك المستهلك. ووجدوا أن كلاً من إعلانات "الكمية المحدودة" و "محدودة الوقت" تؤثر على نوايا المستهلكين للشراء ، ولكن الرسائل "بكميات محدودة" تكون أكثر فعالية. وهذا ما يفسر سبب تحمس الناس لمبيعات الجمعة السوداء ليوم واحد فقط ، ولماذا يؤدي العد التنازلي للوحدات المتوفرة على تلفزيون التسوق المنزلي إلى عمليات الشراء الاندفاعية. 14

يمكن أن تساعد معرفة استدلال الندرة الشركات على الازدهار ، حيث تجعل رسائل "الكمية المحدودة" المستهلكين المحتملين قادرين على المنافسة وتزيد من نواياهم في الشراء. 15 يمكن أن تكون تقنية التسويق هذه أداة مفيدة لتعزيز المبيعات ولفت الانتباه إلى عملك.


عن أيهما يتحدث ML / AI؟

يمتلك النظام الشاب لـ ML / AI عادة استخدام مصطلحات التجديف من كل مكان (في بعض الأحيان على ما يبدو دون البحث عن المعنى الأصلي) ، لذلك عندما يتحدث الناس عن التحيز في الذكاء الاصطناعي ، فقد يشيرون إلى أي واحد من عدة. التعريفات أعلاه. تخيل أنك تجهز نفسك للتنفيس العاطفي لورقة مزخرفة تعد بإصلاح التحيز في الذكاء الاصطناعي ... فقط لتكتشف (عدة صفحات في) أن التحيز الذي يتحدثون عنه هو التحيز الإحصائي.

الذي هو الموضة للحديث عنه ، رغم ذلك ، هو الذي يحظى باهتمام وسائل الإعلام. الإنسان الدموي. للأسف ، نأتي بكل أنواع التحيزات (التجارب السابقة التي تشوه تصورنا ورد فعلنا للمعلومات) معنا عندما نقرأ (ونكتب!) عن هذه المواضيع.

بيت القصيد من الذكاء الاصطناعي هو السماح لك بشرح رغباتك لجهاز كمبيوتر باستخدام أمثلة (بيانات!) بدلاً من التعليمات. ما هي الأمثلة؟ مرحبًا ، هذا هو اختيارك كمعلم. مجموعات البيانات مثل الكتب المدرسية التي يتعلم منها الطالب. خمين ما؟ الكتب المدرسية لها مؤلفون بشريون ، وكذلك مجموعات البيانات.

تعكس الكتب المدرسية تحيزات مؤلفيها. مثل الكتب المدرسية ، فإن مجموعات البيانات لها مؤلفون. يتم جمعها وفقًا لتعليمات الأشخاص.

تخيل أنك تحاول تعليم طالب بشري من كتاب مدرسي كتبه مؤلف متحيز - هل ستفاجئك إذا انتهى الأمر بالطالب إلى عكس بعض التصورات المنحرفة نفسها؟ من سيكون ذنب ذلك؟

الشيء المدهش في الذكاء الاصطناعي هو مدى كونه غير متحيز (بشري). إذا كان لديه شخصية وآراء خاصة به ، فقد يقف في وجه أولئك الذين يغذونه بأمثلة تقطر من التحيز. بدلاً من ذلك ، تعد خوارزميات ML / AI مجرد أدوات لمواصلة الأنماط التي تعرضها لهم. أظهر لهم أنماطًا سيئة وهذا ما سيرددونه. التحيز بمعنى آخر نقطتين لا يأتي من خوارزميات ML / AI ، بل يأتي من الأشخاص.

التحيز لا يأتي من خوارزميات الذكاء الاصطناعي ، بل يأتي من الناس.

الخوارزميات لا تفكر أبدا في نفسها. في الواقع ، هم لا يفكرون على الإطلاق (هم أدوات) لذا فالأمر متروك لنا نحن البشر لنفكر لهم. إذا كنت ترغب في معرفة ما يمكنك فعله بشأن انحياز الذكاء الاصطناعي والتعمق في حفرة الأرانب هذه ، فإليك المدخل.


نظرة عامة وملاءمة

ظهرت نظرية Nudge في البداية في أوائل القرن الحادي والعشرين بالولايات المتحدة الأمريكية كنهج جذري للتأثير على تفاعل الناس مع الأنظمة المالية ، ولا سيما المعاشات التقاعدية والمدخرات والرعاية الصحية - وذلك لتحسين نوعية الحياة اللاحقة ، (وليس لإثراء الشركات المالية).

هذه النقطة الأخيرة مهمة - تم تطوير Nudge في البداية كمفهوم أخلاقي، من قبل الأكاديميين ، من أجل تحسين المجتمع، ليس كآلية للاستغلال التجاري أو التلاعب الحكومي.

منذ هذه البدايات ، يقدم مفهوم Nudge الآن تداعيات وتطبيقات أكبر بكثير.

أصبحت مبادئ وتقنيات التنبيه الآن ذات أهمية متزايدة في الاتصالات والتسويق ودوافع المجموعات: في الأعمال التجارية والتسويق والبيع والقيادة التنظيمية والسياسة والاقتصاد والتعليم والرعاية الاجتماعية حقًا في أي موقف يسعى فيه شخص ما أو هيئة من نوع ما إلى التأثير على شخص أو مجموعة من الأشخاص ، على سبيل المثال مجموعة من العملاء ، أو مجتمع بأكمله - أو ببساطة على نفسك ، كمساعدة في تحسين الصحة الشخصية والثروة والرفاهية.

يمكن لنظرية التنبيه على سبيل المثال أن تساعد في تربية الطفل أو على الطرف الآخر يمكن أن تساعد حكومة عالمية في إدارة سكان العالم.

لقد أثر Nudge بشكل كبير على التفكير وطرق تحفيز الناس وتغييرهم.

تدعو نظرية الدفع إلى التغيير في المجموعات من خلال غير مباشر وليس عن طريق الإنفاذ أو التعليمات المباشرة.

من الأمور المحورية في مفهوم Nudge أنه يمكن مساعدة الأشخاص على التفكير بشكل مناسب واتخاذ قرارات أفضل من خلال تقديمهم الخيارات التي تم تصميمها لتمكين هذه النتائج.

فيما يلي جدول بسيط يوضح الخصائص المختلفة والاختلافات بين التدخلات التقليدية "الموجهة" والتدخلات الموجهة بالدفع ، من حيث الكلمات الرئيسية والمفاهيم التكتيكية.


1 التحيزات

تؤثر التحيزات على كيفية تفسيرك للمعلومات وجمعها ويمكن أن تؤدي إلى تفكير خاطئ. ومع ذلك ، فهو جزء نموذجي من علم النفس البشري حيث يميل الناس إلى معالجة المعلومات من خلال مرشح تصورهم الخاص. تنجم التحيزات عن الخبرة الشخصية والأيديولوجية ، مثل التأثير السياسي أو الديني ، وهذه التحيزات تدفع الناس إلى الاعتقاد بأن المعلومات التي تدعم ما يعتقدون بالفعل أنه حقيقي ، بدلاً من اختبار وجهة نظرهم الخاصة ضد الأدلة المتناقضة.


لنفترض أن لديك بعض البيانات. لنفترض أنك على استعداد لافتراض أن البيانات تأتي من بعض التوزيع - ربما غاوسي. هناك عدد لا حصر له من الغاوسيين المختلفين الذين يمكن أن تكون البيانات قد أتت منهم (والتي تتوافق مع مجموعة عدد لا حصر له من الوسائل والتباينات التي يمكن أن يمتلكها التوزيع الغاوسي). ستختار MLE Gaussian (أي المتوسط ​​والتباين) "الأكثر تناسقًا" مع بياناتك (المعنى الدقيق لكلمة ثابتة موضح أدناه).

لذلك ، لنفترض أن لديك مجموعة بيانات $ y = <- 1، 3، 7 > $. أكثر غاوسي اتساقًا يمكن أن تأتي منه هذه البيانات بمتوسط ​​3 وتباين 16. ربما تم أخذ عينات من غاوسي آخر. ولكن واحد بمتوسط ​​3 والتباين 16 هو الأكثر اتساقًا مع البيانات بالمعنى التالي: يكون احتمال الحصول على قيم $ y $ المعينة التي لاحظتها أكبر مع اختيار المتوسط ​​والتباين هذا أكبر مما هو عليه مع أي خيار آخر.

الانتقال إلى الانحدار: بدلاً من أن يكون المتوسط ​​ثابتًا ، يكون المتوسط ​​دالة خطية للبيانات ، كما هو محدد بواسطة معادلة الانحدار. لذلك ، لنفترض أن لديك بيانات مثل $ x = <2،4،10 > $ مع $ y $ من السابق. متوسط ​​ذلك Gaussian هو الآن نموذج الانحدار الملائم $ X ' hat beta $ ، حيث $ hat beta = [- 1.9، .9] $

الانتقال إلى GLMs: استبدل Gaussian ببعض التوزيعات الأخرى (من الأسرة الأسية). أصبح المتوسط ​​الآن دالة خطية للبيانات ، كما هو محدد بواسطة معادلة الانحدار ، التي تم تحويلها بواسطة وظيفة الارتباط. إذن ، إنه $ g (X ' beta) $ ، حيث $ g (x) = e ^ x / (1 + e ^ x) $ للتسجيل (مع البيانات ذات الحدين).

الحد الأقصى لتقدير الاحتمالية (MLE) هو أسلوب للعثور على على الأرجح الوظيفة التي تشرح البيانات المرصودة. أعتقد أن الرياضيات ضرورية ، لكن لا تدعها تخيفك!

لنفترض أن لدينا مجموعة من النقاط في المستوى $ x و y $ ، ونريد معرفة معلمات الوظيفة $ beta $ و $ sigma $ التي تناسب البيانات على الأرجح (في هذه الحالة نعرف الدالة لأن لقد حددته لإنشاء هذا المثال ، ولكن تحمل معي).

من أجل القيام بـ MLE ، نحتاج إلى وضع افتراضات حول شكل الوظيفة. في النموذج الخطي ، نفترض أن النقاط تتبع توزيع احتمالي عادي (غاوسي) ، بمتوسط ​​$ x beta $ والتباين $ sigma ^ 2 $: $ y = mathcal(x beta، sigma ^ 2) $. معادلة دالة كثافة الاحتمال هذه هي: $ frac <1> < sqrt <2 pi sigma ^ 2 >> exp < left (- frac <(y_i-x_i beta) ^ 2> <2 سيجما ^ 2> right)> $

ما نريد إيجاده هو المعلمات $ beta $ و $ sigma $ that تحقيق أقصى قدر هذا الاحتمال لجميع النقاط $ (x_i، y_i) $. هذه هي وظيفة "الاحتمال" $ mathcal$

$ الرياضيات = prod_^ n y_i = prod_^ n dfrac <1> < sqrt <2 pi sigma ^ 2 >> exp Big (<- dfrac <(y_i - x_i beta) ^ 2> <2 sigma ^ 2 >> Big ) $ لأسباب مختلفة ، من الأسهل استخدام سجل دالة الاحتمال: $ log ( mathcal) = مجموع_^ n- فارك<2> سجل (2 بي) - فارك<2> log ( sigma ^ 2) - frac <1> <2 sigma ^ 2> (y_i - x_i beta) ^ 2 $

يمكننا ترميز هذا كدالة في R مع $ theta = ( beta، sigma) $.

هذه الوظيفة ، بقيم مختلفة من $ beta $ و $ sigma $ ، تنشئ سطحًا.

كما ترى ، هناك حد أقصى في مكان ما على هذا السطح. يمكننا العثور على المعلمات التي تحدد هذه النقطة باستخدام أوامر التحسين المضمنة في R. هذا يقترب بشكل معقول من الكشف عن المعلمات الحقيقية ، beta = 2.7 ، sigma = 1.3 $

المربعات الصغرى العادية يكون أقصى احتمال لنموذج خطي ، لذلك من المنطقي أن يعطينا lm نفس الإجابات. (لاحظ أن $ sigma ^ 2 $ يُستخدم في تحديد الأخطاء المعيارية).

الحد الأقصى لتقدير الاحتمالية (ML) للمعلمة هو قيمة تلك المعلمة التي تحتها يُرجح أن تكون بياناتك الفعلية الملاحظة على الأرجح ، بالنسبة إلى أي قيم أخرى محتملة للمعلمة.

الفكرة هي أن هناك أي عدد من قيم المعلمات "الحقيقية" التي يمكن أن تؤدي إلى بياناتك المرصودة بالفعل مع بعض الاحتمالات غير الصفرية (وإن كانت ربما صغيرة). لكن تقدير ML يعطي قيمة المعلمة التي من شأنها أن تؤدي إلى بياناتك المرصودة بأعلى احتمالية.

يجب عدم الخلط بين هذا وبين قيمة المعلمة التي من المرجح أن تكون قد أنتجت بياناتك بالفعل!

يعجبني المقطع التالي من Sober (2008 ، ص 9-10) حول هذا التمييز. في هذا المقطع ، لدينا بعض البيانات المرصودة بالرمز $ O $ والفرضية تدل على $ H $.

عليك أن تتذكر أن "الاحتمالية" مصطلح تقني. تعد احتمالية H و Pr (O | H) والاحتمال الخلفي لـ H و Pr (H | O) كميات مختلفة ويمكن أن يكون لها قيم مختلفة. احتمال H هو الاحتمال الذي يمنحه H لـ O ، وليس الاحتمال الذي تمنحه O لـ H. افترض أنك تسمع ضوضاء قادمة من علية منزلك. أنت تنظر في الفرضية القائلة بوجود جرملين في البولينج. احتمالية هذه الفرضية عالية جدًا ، لأنه إذا كان هناك بولينج gremlins في العلية ، فمن المحتمل أن يكون هناك ضوضاء. لكن من المؤكد أنك لا تعتقد أن الضوضاء تجعل من المحتمل جدًا أن يكون هناك جريملنس هناك بالبولينج. في هذا المثال ، يكون Pr (O | H) مرتفعًا و Pr (H | O) منخفض. فرضية gremlin لها احتمالية عالية (بالمعنى التقني) ولكن احتمال ضئيل.

من حيث المثال أعلاه ، يفضل ML فرضية gremlin. في هذا المثال الكوميدي بالذات ، من الواضح أن هذا اختيار سيء. ولكن في كثير من الحالات الأخرى الأكثر واقعية ، قد يكون تقدير ML معقولًا جدًا.

سوبر ، إي (2008). الدليل والتطور: المنطق وراء العلم. صحافة جامعة كامبرج.

MLE هي قيمة المعلمة ذات الأهمية التي تزيد من احتمالية مراقبة البيانات التي لاحظتها. بمعنى آخر ، فإن قيمة المعلمة هي التي تجعل البيانات المرصودة على الأرجح قد تمت ملاحظتها.

هو - هي يكون من الممكن أن تقول شيئًا ما دون استخدام الرياضيات (كثيرًا) ، ولكن بالنسبة للتطبيقات الإحصائية الفعلية ذات الاحتمالية القصوى ، فأنت بحاجة إلى الرياضيات.

يرتبط تقدير الاحتمالية القصوى بما يسميه الفلاسفة الاستدلال على أفضل تفسير، أو اختطاف. نحن نستخدم هذا في كل وقت! ملاحظة ، أنا لا أقول ذلك الاحتمال الأقصى يكون الاختطاف ، هذا المصطلح أوسع بكثير ، وبعض حالات التقدير البايزي (مع سابق تجريبي) يمكن أيضًا اعتبارها اختطافًا. بعض الأمثلة مأخوذة من http://plato.stanford.edu/entries/abduction/#Aca راجع أيضًا https://en.wikipedia.org/wiki/Abductive_reasoning (في علوم الكمبيوتر ، يُستخدم مصطلح "الاختطاف" أيضًا في سياق عدم النماذج الاحتمالية.)

  1. "تصادف أن تعرف أن تيم وهاري قد واجهوا مؤخرًا صراعًا رهيبًا أنهى صداقتهما. الآن يخبرك أحدهم أنها شاهدت للتو تيم وهاري يركضان معًا. أفضل تفسير لذلك يمكنك التفكير فيه هو أنهما اختلقا. استنتجت أنهم أصبحوا أصدقاء مرة أخرى ". هذا لأن هذا الاستنتاج يجعل الملاحظة التي تحاول شرحها أكثر احتمالية من البديل ، أنهم ما زالوا لا يتحدثون.

مثال آخر: أنت تعمل في روضة أطفال ، وذات يوم يبدأ طفل في المشي بطريقة غريبة ، ويقول إنه كسر رجليه. أنت تفحص ولا تجد أي خطأ. ثم يمكنك أن تستنتج بشكل معقول أن أحد والديه كسرت ساقيه ، لأن الأطفال غالبًا ما يتصرفون كما هو موصوف ، لذلك يعد ذلك "استنتاجًا لأفضل تفسير" ومثال على أقصى احتمال (غير رسمي). (وبالطبع ، قد يكون هذا التفسير خاطئًا ، إنه محتمل فقط ، غير متأكد. لا يمكن للاختطاف / الحد الأقصى من الاحتمالية تقديم استنتاجات مؤكدة).

يتعلق الاختطاف بإيجاد نمط في البيانات ، ثم البحث عن نظريات محتملة يمكن أن تجعل هذه الأنماط محتملة. ثم اختيار التفسير المحتمل ، الذي يجعل النمط الملاحظ محتملاً إلى أقصى حد ، هو مجرد احتمال أقصى!

التطور هو المثال الرئيسي للاختطاف في العلم. لا توجد ملاحظة واحدة تشير إلى التطور ، لكن التطور يجعل الأنماط المرصودة أكثر احتمالية من التفسيرات الأخرى.

مثال نموذجي آخر هو التشخيص الطبي؟ ما هي الحالة الطبية المحتملة التي تجعل النمط الملحوظ للأعراض هو الأكثر احتمالية؟ مرة أخرى ، هذا أيضًا هو أقصى احتمال! (أو ، في هذه الحالة ، ربما يكون التقدير البايزي مناسبًا بشكل أفضل ، يجب أن نأخذ في الاعتبار الاحتمال السابق لمختلف التفسيرات المحتملة). لكن هذا أمر تقني ، في هذه الحالة يمكن أن يكون لدينا مقدمات تجريبية يمكن اعتبارها جزءًا طبيعيًا من النموذج الإحصائي ، وما نسميه نموذج، ما نسميه قبل هي بعض الاصطلاحات الإحصائية التعسفية (*).

للرجوع إلى السؤال الأصلي حول شرح مصطلح الشخص العادي لـ MLE ، إليك مثال بسيط: عندما كانت ابنتي تبلغان من العمر 6 و 7 سنوات ، سألتهم هذا. لقد صنعنا جرارتين (صندوقان للأحذية) ، في أحدهما وضعنا كرتين أسودتين ، 8 حمراء ، وفي الأخرى تم تبديل الأرقام. ثم قمنا بخلط الجرار ، ونرسم جرة واحدة بشكل عشوائي. ثم أخذنا كرة واحدة عشوائيًا من تلك الجرة. كانت حمراء.

ثم سألت: من أي جرة تعتقد أن الكرة الحمراء قد سحبت؟ بعد حوالي ثانية واحدة من التفكير ، أجابوا (في الجوقة): من الذي لديه 8 كرات حمراء!

ثم سألت: لماذا تعتقد ذلك؟ ومن جديد ، بعد ثانية واحدة (inchoir مرة أخرى): "لأنه من السهل رسم كرة حمراء بعد ذلك!". هذا هو، أسهل = احتمال أكبر. كان هذا أقصى احتمال (إنه تمرين سهل لكتابة نموذج الاحتمال) ، وهو "استنتاج لأفضل تفسير" ، أي الاختطاف.

(*) لماذا أقول "تعسفي"؟ لمواصلة مشكلة التشخيص الطبي ، قل أن المريض رجل لديه بعض الصعوبة في تشخيص الحالة التي لم يرها الطبيب في وقت سابق. ثم ، على سبيل المثال ، في الحديث مع المريض يظهر أنه زار مكانًا ما في إفريقيا الاستوائية منذ وقت قصير. هذا جزء جديد من البيانات ، لكن تأثيره في النماذج النموذجية (المستخدمة في هذا النوع من المواقف ، سواء كانت رسمية أو غير رسمية) سيكون تغيير التفسيرات السابقة المحتملة الصعبة ، حيث ستزداد الأمراض الاستوائية مثل الملاريا الآن احتمال مسبق. لذا فإن الجديد البيانات يدخل التحليل في قبل.


تحيز صريح

يشير "التحيز الصريح" إلى المواقف والمعتقدات التي لدينا حول شخص أو مجموعة على مستوى واع. في كثير من الأحيان ، تظهر هذه التحيزات والتعبير عنها كنتيجة مباشرة لتهديد محسوس. عندما يشعر الناس بالتهديد ، فمن المرجح أن يرسموا حدود المجموعة لتمييز أنفسهم عن الآخرين.

لماذا هو مهم:

من المرجح أن يعبر الناس عن تحيزات صريحة عندما يرون أن فردًا أو جماعة تشكل تهديدًا لرفاهيتهم. أظهرت الأبحاث أن الأشخاص البيض هم أكثر عرضة للتعبير عن التحيز ضد المسلمين عندما يرون أن الأمن القومي في خطر ويعبرون عن مواقف أكثر سلبية تجاه الأمريكيين الآسيويين عندما يرون تهديدًا اقتصاديًا. عندما يدرك الناس أن تحيزاتهم صحيحة ، فمن الأرجح أن يبرروا المعاملة غير العادلة أو حتى العنف. يمكن أن يكون لهذا العلاج غير العادل آثار سلبية طويلة المدى على الصحة البدنية والعقلية لضحاياها.

ما الذي يمكن عمله حيال ذلك:

تحدث التعبيرات عن التحيز الصريح (التمييز ، خطاب الكراهية ، إلخ) كنتيجة لفكر متعمد. وبالتالي ، يمكن تنظيمها بوعي. يكون الناس أكثر تحفيزًا للسيطرة على تحيزاتهم إذا كانت هناك معايير اجتماعية تفرض أن التحيز غير مقبول اجتماعيًا. عندما نبدأ في تشكيل تحيزاتنا في سن مبكرة ، من المهم أن نعزز المعايير في منازلنا ومدارسنا وفي وسائل الإعلام التي تعزز الاحترام للفرد وللمجموعات الأخرى. تُظهر الأبحاث أن التأكيد على هوية جماعية مشتركة (مثل "نحن جميعًا أمريكيون") يمكن أن يساعد في تقليل التوترات بين الأعراق التي قد تنشأ بين مجموعات الأغلبية والأقليات العرقية في الولايات المتحدة أيضًا ، عند إجرائها في ظل الظروف المناسبة ، تُظهر الدراسات اتصالًا بين المجموعات من أعراق مختلفة يمكن أن يزيد الثقة ويقلل من القلق الكامن وراء التحيز.

يتعلم أكثر:

يمكن العثور على مزيد من المعلومات حول التحيز الصريح والطريقة التي يشكل بها حياة الرجال والفتيان السود في تقريرنا تحويل الإدراك.

& Copy Perception Institute. كل الحقوق محفوظة

اليوم ، بمناسبة الذكرى السنوية لواحدة من أثقل اللحظات الوطنية الأخيرة ، الإعدام العلني لجورج فلويد والنتيجة الجائرة المدفونة لقتل بريونا تايلور & # 8217s - تحدي الإنسانية المشتركة. لقد سعت "Perception" إلى العمل مع المنظمات التي تحاول دعم مجتمعاتها المحلية خلال العام الماضي ، من خلال الصعود والهبوط والجوانب الجانبية.

بصفتي امرأة سوداء تعمل في الغالب في مجال المساواة العرقية واضطهاد الهوية ، فإنني & # 8217d أكون مقصرا في عدم الاعتراف بهذه اللحظة والتركيز عليها ومشاركتها معك لتقديم & # 8211 الفضاء. مساحة لذكرى النشاط والعواطف ومساحة العمل لبعضهم البعض في رحمة ومساحة للشفاء والتعافي والاستعادة. مساحة للتفكير في مساهمتك ودورك في عمل الإنصاف العالمي.

للاستعارة من ريسما مناحيم & # 8217s يدي جدتي & # 8217s

& # 8220 يجب أن يكون الشفاء جماعيًا ، في كل من عمليته وفوائده & # 8221

لقد كان الإدراك في مقدمة ومركز العديد من الشخصيات البارزة ، ونحن نعلم الآن على وجه اليقين أنه عمل مؤثر ورائد. لا يفوتني أنه في كل يوم ، في كل مرة نواجه فيها المحتوى ، نشارك أيضًا في ذكريات مؤلمة ومؤلمة تاريخيًا تؤثر علينا جميعًا بدرجات متفاوتة بينما لا نزال نشارك العالم. أقول هذا عدة مرات لأنه & # 8217s كلاهما صحيح ، ولا يمكن نسيانه ويتطلب منا جميعًا التأكد من أننا أفضل ذواتنا لهذا العمل ، لأنفسنا وللبعض الآخر.

& # 8220 في أفضل نشاط له هو شكل من أشكال العلاج. يتعلق الأمر بما نقوم به وكيف نظهر في العالم. ومن التعلم والتعبير عن الاحترام والرحمة والمحبة & # 8221

كيف ولماذا نقوم بهذا العمل هو أمر خاص بجوهر كل واحد منا. تذكر أننا نجلب الجمال والإبداع والتجارب الحية الفريدة إلى التألق الديناميكي الذي يسمح لنا بالتألق الجديد كل يوم. Thank you for all you do and all you are and all you do to ensure accountability to equitable and just communities.


1. Attribute Substitution

“You ask someone a complicated question, like: What is the probability of an event? And they can’t answer it because it’s very difficult. But there are easier questions that are related to that one that they علبة answer. مثل: Is this a surprising event? That is something that people know right away. Is it a typical result of that kind of mechanism? And people can answer that right away.

So what happens is people take the answer to the easy question, they use it to answer the difficult question, and they think they have answered the difficult question. But in fact they haven’t – they’ve answered an easier one.

I call it attribute substitution – to substitute one question for another. So if I ask you: How happy are you these days? Now you know your mood right now – so you’re very likely to tell me your mood فى الحال and think that you’ve answered the more general question of ‘how happy are you هؤلاء days?'”


What Is a Perception Bias? (مع الصور)

A perception bias is a psychological tendency to lose objectivity in perception of people and situations. People may believe they are able to evaluate an event fairly and accurately, including making judgments about situations, but a number of biases interact with the way they perceive events. One classic example comes up in eyewitness testimony, which is notoriously unreliable because of perception biases that can affect the way people remember and talk about the crimes they witness.

The human brain is constantly forced to make rapid decisions about situations and people, and has developed a number of forms of shorthand to quickly arrive at judgments. Some of these contribute to the formation of perception bias. Cultural and social pressures can add to these biases, coloring perception even when people think they are being impartial. These can include tendency to make assumptions and attributions that are incorrect while believing they are right, or believing in logical fallacies.

Psychologists have identified a large number of cognitive biases and situations where they can become active. One very common perception bias is the fundamental attribution error, where people tend to blame circumstances for their own failings, while blaming the failure of others on their personalities. Conversely, they believe their successes are the result of personality, while successes on the part of others are because of circumstances. This can play out in a situation like a student doing poorly on a test and blaming the testing environment, while claiming that a student with the same score didn’t study hard enough.

These biases are usually unconscious, which can make them hard for people to identify. This can be dangerous in situations where people are expected to behave objectively. Members of a jury, for instance, are heavily influenced by perception bias, something attorneys are well aware of when they prepare to try cases.

Representatives of both sides may attempt to utilize perception bias to push their case an attorney might appeal to in-group bias in a defense, for example, appealing to members of the jury who belong to the same social groups as the defendant. The attorney might depict the defendant as a loyal and loving father to appeal to other fathers on the jury. Meanwhile, the prosecution could take advantage of a bias known as the availability heuristic, where people base assumptions of probability on the basis of personal or emotional information. It could show a series of violent images from the crime scene, for instance, to push the jury into an emotional reaction to the defendant.

Ever since she began contributing to the site several years ago, Mary has embraced the exciting challenge of being a InfoBloom researcher and writer. Mary has a liberal arts degree from Goddard College and spends her free time reading, cooking, and exploring the great outdoors.

Ever since she began contributing to the site several years ago, Mary has embraced the exciting challenge of being a InfoBloom researcher and writer. Mary has a liberal arts degree from Goddard College and spends her free time reading, cooking, and exploring the great outdoors.


Overview and Relevance

Nudge theory initially emerged in the early 2000s USA as a radical approach to influencing people's interaction with financial systems, notably pensions, savings and healthcare - so as to improve quality of later life, (not to enrich financial corporations).

This last point is significant - Nudge was initially developed as an ethical concept, by academics, for the improvement of society, not as a mechanism for commercial exploitation, or government manipulation.

From these beginnings, the Nudge concept now offers vastly bigger implications and applications.

Nudge principles and techniques are now increasingly significant in communications, marketing, and the motivation of groups: in business, marketing, selling, organizational leadership, politics, economics, education, welfare really in any situation where someone or a body of some sorts seeks to influence a person or a group of people, for example a customer group, or an entire society - or simply yourself, as an aid to improving personal health, wealth and well-being.

Nudge theory for example can help the parenting of a child or at the other extreme could help a world government manage a global population.

Nudge has dramatically affected thinking and methods for motivating and changing people.

Nudge theory advocates change in groups through indirect methods, rather than by direct enforcement or instruction.

Central to the Nudge concept is that people can be helped to both think appropriately and make better decisions by being offered choices that have been designed to enable these outcomes.

Here is a simple table showing varying characterizations of, and differences between, traditional 'directed' change and Nudge-oriented interventions, in terms of keywords and tactical notions.


Example 1 - Advertising

Anyone working in advertising should have a working understanding of heuristics. This is because consumers often rely on heuristics when making decisions about purchases. One heuristic that frequently comes into play in the realm of advertising is the scarcity heuristic. When assessing the value of something, we often fall back on this heuristic, leading us to believe that the more rare the object in question, the more valuable it is.

A 2011 study by Praveen Aggarwal, Sung Yul Jun, and Jong Ho Huh evaluated the impact of “scarcity messages” on consumer behavior. They found that both “limited quantity” and “limited time” advertisements influence consumers’ intentions to purchase, but “limited quantity” messages are more effective. This explains why people get so excited over the one-day-only Black Friday sales, and why the countdowns of units available on home shopping television frequently lead to impulse buys. 14

Knowledge of the scarcity heuristic can help businesses thrive, as “limited quantity” messages make potential consumers competitive and increase their intentions to purchase. 15 This marketing technique can be a useful tool for bolstering sales and bringing attention to your business.


Explicit Bias

“Explicit bias” refers to the attitudes and beliefs we have about a person or group on a conscious level. Much of the time, these biases and their expression arise as the direct result of a perceived threat. When people feel threatened, they are more likely to draw group boundaries to distinguish themselves from others.

Why it’s important:

People are more likely to express explicit biases when they perceive an individual or group to be a threat to their well being. Research has shown that white people are more likely to express anti-Muslim prejudice when they perceive national security to be at risk and express more negative attitudes towards Asian Americans when they perceive an economic threat. When people perceive their biases to be valid, they are more likely to justify unfair treatment or even violence. This unfair treatment can have long-term negative impacts on its victims’ physical and mental health.

What can be done about it:

Expressions of explicit of bias (discrimination, hate speech, etc.) occur as the result of deliberate thought. Thus, they can be consciously regulated. People are more motivated to control their biases if there are social norms in place which dictate that prejudice is not socially acceptable. As we start forming our biases at an early age, it is important that we reinforce norms in our homes, schools, and in the media that promote respect for one’s own and other groups. Research shows that emphasizing a common group identity (such as “we are all Americans”) can help reduce interracial tensions that may arise between majority and minority ethnic groups in the U.S. Also, when conducted under the right conditions, studies show intergroup contact between people of different races can increase trust and reduce the anxiety that underlies bias.

Learn more:

More information about explicit bias and the way it shapes the lives of black men and boys can be found in our report Transforming Perception.

© Perception Institute. All Rights Reserved

Today, marking an anniversary of one of our heaviest recent national moments, the public execution of George Floyd and the buried unjust outcome of Breonna Taylor’s murder- challenging shared humanity. Perception has sought to work with organizations who are trying to support their own communities over the past year, through its ups, downs and sideways.

As a Black woman working predominantly in racial equity and identity oppression, I’d be remiss to not acknowledge and center this moment and share it with you offering– space. Space for the memory of activism, emotions and action space for one another in compassion and space for healing, recovery and restoration. Space to reflect on your contribution and role in global equity work.

To borrow from Resma Menachem’s My Grandmother’s Hands

“Healing must be collective, both in its process and benefits”

Perception has been front and center of so many salient and now we know for sure, impactful, trailblazing work. It is not lost on me that each day, each time that we encounter the content we are also engaging historically distressful and traumatizing memories that dynamically impact us all to varying degrees while we still engage the world. I say this multiple times because it’s both true, cannot be forgotten and it requires us all to ensure we are our best selves for this work, for ourselves and to one another.

“At its best activism is a form of healing. It is about what we do and how we show up in the world. It is about learning and expressing regard, compassion, and love.”

How and why we do this work is specific to the very essence of each and every one of us. Remember that we bring beauty, creativity and unique lived experiences to the dynamic brilliance that allows us to shine new each day. Thank you for all you do and all you are and all you do to ensure accountability to equitable and just communities.


1. Attribute Substitution

“You ask someone a complicated question, like: What is the probability of an event? And they can’t answer it because it’s very difficult. But there are easier questions that are related to that one that they علبة answer. مثل: Is this a surprising event? That is something that people know right away. Is it a typical result of that kind of mechanism? And people can answer that right away.

So what happens is people take the answer to the easy question, they use it to answer the difficult question, and they think they have answered the difficult question. But in fact they haven’t – they’ve answered an easier one.

I call it attribute substitution – to substitute one question for another. So if I ask you: How happy are you these days? Now you know your mood right now – so you’re very likely to tell me your mood فى الحال and think that you’ve answered the more general question of ‘how happy are you هؤلاء days?'”


Say you have some data. Say you're willing to assume that the data comes from some distribution -- perhaps Gaussian. There are an infinite number of different Gaussians that the data could have come from (which correspond to the combination of the infinite number of means and variances that a Gaussian distribution can have). MLE will pick the Gaussian (i.e., the mean and variance) that is "most consistent" with your data (the precise meaning of ثابتة is explained below).

So, say you've got a data set of $y = <-1, 3, 7>$ . The most consistent Gaussian from which that data could have come has a mean of 3 and a variance of 16. It could have been sampled from some other Gaussian. But one with a mean of 3 and variance of 16 is most consistent with the data in the following sense: the probability of getting the particular $y$ values you observed is greater with this choice of mean and variance, than it is with any other choice.

Moving to regression: instead of the mean being a constant, the mean is a linear function of the data, as specified by the regression equation. So, say you've got data like $x = < 2,4,10 >$ along with $y$ from before. The mean of that Gaussian is now the fitted regression model $X'hateta$ , where $hateta =[-1.9,.9]$

Moving to GLMs: replace Gaussian with some other distribution (from the exponential family). The mean is now a linear function of the data, as specified by the regression equation, transformed by the link function. So, it's $g(X'eta)$ , where $g(x) = e^x/(1+e^x)$ for logit (with binomial data).

Maximum Likelihood Estimation (MLE) is a technique to find the most likely function that explains observed data. I think math is necessary, but don't let it scare you!

Let's say that we have a set of points in the $x,y$ plane, and we want to know the function parameters $eta$ and $sigma$ that most likely fit the data (in this case we know the function because I specified it to create this example, but bear with me).

In order to do a MLE, we need to make assumptions about the form of the function. In a linear model, we assume that the points follow a normal (Gaussian) probability distribution, with mean $xeta$ and variance $sigma^2$: $y = mathcal(xeta, sigma^2)$. The equation of this probability density function is: $frac<1>>exp<2sigma^2> ight)>$

What we want to find is the parameters $eta$ and $sigma$ that maximize this probability for all points $(x_i, y_i)$. This is the "likelihood" function, $mathcal$

$mathcal = prod_^n y_i = prod_^n dfrac<1>> expBig(<-dfrac<(y_i - x_ieta)^2><2sigma^2>>Big)$ For various reasons, it's easier to use the log of the likelihood function: $log(mathcal) = sum_^n-frac<2>log(2pi) -frac<2>log(sigma^2) - frac<1><2sigma^2>(y_i - x_ieta)^2$

We can code this as a function in R with $ heta = (eta,sigma)$.

This function, at different values of $eta$ and $sigma$, creates a surface.

As you can see, there is a maximum point somewhere on this surface. We can find parameters that specify this point with R's built-in optimization commands. This comes reasonably close to uncovering the true parameters , eta = 2.7, sigma = 1.3$

Ordinary least squares يكون the maximum likelihood for a linear model, so it makes sense that lm would give us the same answers. (Note that $sigma^2$ is used in determining the standard errors).

The maximum likelihood (ML) estimate of a parameter is the value of that parameter under which your actual observed data are most likely, relative to any other possible values of the parameter.

The idea is that there are any number of "true" parameter values that could have led to your actually observed data with some non-zero (albeit perhaps small) probability. But the ML estimate gives the parameter value that would have led to your observed data with the highest probability.

This must not be confused with the value of the parameter that is most likely to have actually produced your data!

I like the following passage from Sober (2008, pp. 9-10) on this distinction. In this passage, we have some observed data denoted $O$ and a hypothesis denoted $H$.

You need to remember that "likelihood" is a technical term. The likelihood of H, Pr(O|H), and the posterior probability of H, Pr(H|O), are different quantities and they can have different values. The likelihood of H is the probability that H confers on O, not the probability that O confers on H. Suppose you hear a noise coming from the attic of your house. You consider the hypothesis that there are gremlins up there bowling. The likelihood of this hypothesis is very high, since if there are gremlins bowling in the attic, there probably will be noise. But surely you don’t think that the noise makes it very probable that there are gremlins up there bowling. In this example, Pr(O|H) is high and Pr(H|O) is low. The gremlin hypothesis has a high likelihood (in the technical sense) but a low probability.

In terms of the example above, ML would favor the gremlin hypothesis. In this particular comical example, that is clearly a bad choice. But in a lot of other more realistic cases, the ML estimate might be a very reasonable one.

Sober, E. (2008). Evidence and Evolution: the Logic Behind the Science. صحافة جامعة كامبرج.

The MLE is the value of the parameter of interest that maximizes the probability of observing the data that you observed. In other words, it is the value of the parameter that makes the observed data most likely to have been observed.

هو - هي يكون possible to say something without using (much) math, but for actual statistical applications of maximum likelihood you need mathematics.

Maximum likelihood estimation is related to what philosophers call inference to the best explanation، أو abduction. We use this all the time! Note, I do not say that maximum likelihood يكون abduction, that term is much wider, and some cases of Bayesian estimation (with an empirical prior) can probably also be seen as abduction. Some examples taken from http://plato.stanford.edu/entries/abduction/#Aca See also https://en.wikipedia.org/wiki/Abductive_reasoning (In computer science "abduction" is also used in the context of non-probabilistic models.)

  1. "You happen to know that Tim and Harry have recently had a terrible row that ended their friendship. Now someone tells you that she just saw Tim and Harry jogging together. The best explanation for this that you can think of is that they made up. You conclude that they are friends again." This because that conclusion makes the observation you try to explain more probable than under the alternative, that they are still not talking.

Another example: You work in a kindergarten, and one day a child starts to walk in a strange way, and saying he broke his legs. You examine and find nothing wrong. Then you can reasonably infer that one of his parents broke their legs, since children then often actuate as described, so that is an "inference to the best explanation" and an instance of (informal) maximum likelihood. (and, of course, that explanation might be wrong, it is only probable, not sure. Abduction/maximum likelihood cannot give sure conclusions).

Abduction is about finding pattern in data, and then searching for possible theories that can possibly make those patterns probable. Then choosing the possible explanation, which makes the observed pattern maximally probable, is just maximum likelihood!

The prime example of abduction in science is evolution. There is no one single observation that implies evolution, but evolution makes observed patterns more probable than other explanations.

Another typical example is medical diagnosis? Which possible medical condition makes the observed pattern of symptoms the most probable? Again, this is also maximum likelihood! (Or, in this case, maybe bayesian estimation is a better fit, we must take into account the prior probability of the various possible explanations). But that is a technicality, in this case we can have empirical priors which can be seen as a natural part of the statistical model, and what we call model, what we call قبل is some arbitrary(*) statistical convention.

To get back to the original question about layman term explanation of MLE, here is one simple example: When my daughters where 6 and 7 years old, I asked them this. We made two urns (two shoe-boxes), in one we put 2 black balls, 8 red, in the other the numbers where switched. Then we mixed the urns, and we draw one urn randomly. Then we took at random one ball from that urn. It was red.

Then I asked : From which urn do you think that red ball was drawn? After about one seconds thinking, they answered (in choir): From the one with 8 red balls!

Then I asked: Why do you think so? And anew, after about one second (inchoir again): "Because then it is easier to draw a red ball!". هذا هو، easier=more probable. That was maximum likelihood (it is an easy exercise to write up the probability model), and it is "inference to the best explanation", that is, abduction.

(*) Why do I say "arbitrary?" To continue the medical diagnosis problem, say the patient is a man with some difficlt to diagnose condition the physician didnt see earlier. Then, say, in the talk with the patient it arises that he visited someplace in tropical Africa short time ago. That is a new piece of data, but its effect in the typical models (used in this kind of situation, be it formal or informal) will be to change the prior of the difficult possible explanations, as tropical diseases like malaria now will get higher prior probability. So the new data enters the analysis in the قبل.


Which one is ML/AI talking about?

The young discipline of ML/AI has a habit of bo r rowing jargon from every-which-where (sometimes seemingly without looking up the original meaning), so when people talk about bias in AI, they might be referring to any one of several definitions above. Imagine getting yourself prepared for the emotional catharsis of an ornate paper promising to fix bias in AI… only to discover (several pages in) that the bias they’re talking about is the statistical one.

The one that’s fashionable to talk about, though, is the one that gets media attention. The gory human one. Alas, we even bring all kinds of biases (past experiences that distort our perception of and reaction to information) along with us when we read (and write!) about these topics.

The whole point of AI is to let you explain your wishes to a computer using examples (data!) instead of instructions. Which examples? Hey, that’s your choice as the teacher. Datasets are like textbooks for your student to learn from. Guess what? Textbooks have human authors, and so do datasets.

Textbooks reflect the biases of their authors. Like textbooks, datasets have authors. They’re collected according to instructions made by people.

Imagine trying to teach a human student from a textbook written by a prejudiced author — would it surprise you if the student ends up reflecting some of the same skewed perceptions? Whose fault would that be?

The amazing thing about AI is just how un(human)biased it is. If it had personhood and opinions of its own, it might stand up to those who feed it examples dripping with prejudice. Instead, ML/AI algorithms are simply tools for continuing the patterns you show them. Show them bad patterns and that’s what they’ll echo. Bias in the sense of the last two bullet points doesn’t come from ML/AI algorithms, it comes from people.

Bias doesn’t come from AI algorithms, it comes from people.

Algorithms never think for themselves. In fact, they don’t think at all (they’re tools) so it’s up to us humans to do the thinking for them. If you’d like to find out what you can do about AI bias and go deeper down this rabbit hole, here’s the entrance.


In layman’s terms, what are the differences between various units of “brightness”?

I’m a fanatic of flashlights. I have a few powerful flashlights that are often described as being “brighter than the sun” by my friends when I show them off.

What measurement could I utilize to compare the “brightness” of my flashlights to that of the “brightness” of the sun?

I’m still a noob to the flashlight subreddit, though I have heard of various units such as lumens, lux, and candela I have also heard of apparent magnitude, regarding the local differences of “brightness” between stars in the sky.

This is actually an optics question (or radiometry, more precisely), not an astronomy one, although astronomy does have its own measure of brightness (or magnitude). The term "brightness" is measured by the photometric quantity "luminance." Fundamentally, there are two types of units for measuring how things emit or absorb photons: radiometric, and photometric. Radiometric units are simply power related, like watts, watts/m 2, etc. Photometric units are basically these units scaled by how humans perceive light, so they weight photons in the green higher than other wavelengths, and don't take into account infrared or UV at all because we can't see them.

The unit of "brightness" is luminance, which is the photometric equivalent of radiance. This is kind of a complex unit to understand conceptually, since it takes into account both the size of the thing emitting the light, how much light it is emitting, and what angle it is emitting it into. From wikipedia, radiance is defined as: "radiance is the radiant flux emitted, reflected, transmitted or received by a given surface, per unit solid angle per unit projected area." Basically, a source will have higher radiance if it has a smaller area, a higher power output, or is emitting radiation into a narrower angle (like a spotlight). Luminance is the same, but with Lumens instead of Watts for the unit of "power". If you take the power emitted in lumens and divide it by the angle over which it is emitted, you get intensity, which is lumens/steradian or more commonly "candela." Luminance is then candela per square meter, taking into account the area of the source. This is cd/m 2, which is also called "nits" and is what brightness of displays/monitors is measured in. Radiance/luminance are kind of conceptually complex quantities, and can be confusing. Radiance is also conserved through a system, so being farther away from something doesn't lower its radiance, at least as long as you can resolve the object. If you have a source of a given size and move it farther away from your eye, your eye will get less light from it because it is capturing a smaller solid angle of the radiation. However, the object will also appear smaller, which would raise the radiance. These effects cancel out as long as you can resolve the source with your eye. If you can't, you will just have a diffraction limited spot if the source is very small (like a star) so when it gets farther away it won't be appearing any smaller.

In astronomy there are more confusing units like "absolute magnitude," but I don't know as much about those so I will let someone else handle that.


1 Biases

Biases affect how you interpret and collect information and can lead to flawed reasoning. Yet it is a typical part of human psychology as people tend to process information through the filter of their own perception. Biases result from personal experience and ideology, such as political or religious influence, and these biases lead people to believe information that supports what they already perceive to be true, rather than test their own point of view against contradicting evidence.


شاهد الفيديو: حكم إلقاء النكت والطرائف في المحاضرات الدعوية - الشيخ صالح الفوزان (كانون الثاني 2022).