فصل ۲۱: شهود انسانی در برابر الگوریتم‌ها و فرمول‌های ساده

در سال ۱۹۵۴، کتابی کم‌حجم اما تکان‌دهنده به قلم روان‌شناس برجسته آمریکایی، پاول میل (Paul Meehl)، با عنوان «پیش‌بینی بالینی در برابر آماری: یک تحلیل نظری و مروری بر شواهد» منتشر شد. انتشار این اثر زلزله‌ای در میان جامعه روان‌پزشکان، روان‌شناسان و کارشناسان تصمیم‌گیری برپا کرد. میل با بررسی دقیق ده‌ها پژوهش تجربی نشان داد که وقتی پیش‌بینی رویدادهای انسانی—نظیر بازگشت مجدد مجرمان عفوخورده به زندان، موفقیت تحصیلی دانشجویان پزشکی یا واکنش بیماران به شوک‌درمانی—به رقابت گذاشته می‌شود، فرمول‌های مکانیکی و ساده آماری پیوسته و قاطعانه بر قضاوت‌های شهودی کارشناسان ارشد بالینی غلبه می‌کنند.

کانمن دو علت روان‌شناختی بنیادین را برای شکست کارشناسان در برابر فرمول‌ها کالبدشکافی می‌کند: نخست، توهم نبوغ و شیفتگی به پیچیدگی؛ متخصصان تلاش می‌کنند «زرنگ‌تر از حد لازم» باشند، موقعیت‌های نادر را پیش‌بینی کنند و ترکیب‌های پیچیده‌ای از متغیرها بسازند که گرچه در ذهن جذاب است، اما اعتبار تعمیم‌پذیری ندارد. دوم، عامل بسیار خاموش‌تر و ویرانگرتر: ناپایداری و نویز درونی قضاوت انسان (Noise and Inconsistency).

واکنش جامعه ارزیابان سنتی خشم، تحقیر و ناباوری بود. رابرت پارکر، پرنفوذترین منتقد شراب جهان، پیش‌بینی‌های اشنفلتر را «مضحک و پوچ» خواند و ادعا کرد ریاضیات هرگز نمی‌تواند روح و اصالت چشیدن شراب را درک کند. با این حال، هنگامی که شراب بوردوی سال ۱۹۸۹ و ۱۹۹۰ به بازار آمد، زمان اثبات کرد که پیش‌بینی فرمول اشنفلتر به مراتب دقیق‌تر از داوری‌های سلیقه‌ای پارکر و سایر خبرگان فرانسوی بوده است.

خبرگان شراب تمایل دارند پیچیدگی‌های ناشناخته خلق کنند تا تخصص انحصاری خود را توجیه نمایند؛ اما حقیقت این است که طبیعت کار خود را در آب‌وهوا انجام داده و یک ضرب و تفریق ساده بهتر از هر کام حساس انسانی پرده از آن برمی‌دارد.

روان‌شناس نامدار رابین داوز (Robyn Dawes) گامی رادیکال‌تر به پیش نهاد. او اثبات کرد که برای شکست دادن قضاوت شهودی متخصصان، حتی نیازی به یافتن ضرایب رگرسیونی بهینه و پیچیده آماری نیست؛ بلکه مدل‌های خطی با وزن‌های برابر (Equal-Weight Models)—که صرفاً متغیرهای مثبت را با هم جمع و متغیرهای منفی را کسر می‌کنند—اغلب بهتر از تحلیل‌های انسانی عمل می‌کنند.

در اواسط دهه ۱۹۵۰، دانیل کانمن جوان به عنوان ستوان روان‌شناس در ارتش اسرائیل موظف شد سیستم مصاحبه استخدامی برای ارزیابی شایستگی رزمی و فرماندهی سربازان را اصلاح کند. ارزیابان ساعت‌ها با سربازان مصاحبه می‌کردند و با تکیه بر «برداشت کلی و شهودی»، نمره‌ای پیش‌بینی‌کننده می‌دادند؛ اما داده‌های واقعی پادگان‌ها نشان داد که پیش‌بینی این مصاحبه‌ها هیچ همبستگی معناداری با عملکرد واقعی افسران در خط مقدم ندارد.

اگر داده‌های علمی تا این حد برتری فرمول‌ها را اثبات کرده‌اند، چرا جهان هنوز در برابر پذیرش الگوریتم‌ها در پزشکی، قضاوت و گزینش استعدادیابی مقاومت می‌کند؟ کانمن ریشه این امر را در بیزاری اخلاقی از هوش مصنوعی و محاسبات ریاضی می‌داند. جامعه بشری خطای یک پزشک، قاضی یا مصاحبه‌گر را به عنوان یک تراژدی قابل فهم می‌پذیرد؛ اما خطای یک فرمول یا نرم‌افزار، به عنوان یک هیولای اخلاقی، مکانیکی و غیرقابل بخشش تعبیر می‌شود.

شرم‌آور است که کارشناسان شهود خود را معجزه‌ای بی‌عیب تلقی می‌کنند و فرمول‌ها را مکانیکی و تحقیرآمیز می‌دانند؛ اما در دنیایی که خطای انسانی هزینه‌های جانی و مالی سنگینی دارد، چشم‌پوشی از الگوریتم‌های آزموده‌شده برای حفظ غرور حرفه‌ای متخصصان، نه نشانه‌ای از انسانیت، بلکه نوعی سهل‌انگاری نابخشودنی است.