Bengu
New member
Veri kullanmak, yanlış karar verme ihtimalini tamamen ortadan kaldırmaz. Hatta yanlış yorumlanan veriler, insanlara güçlü bir kesinlik hissi vererek hatalı kararları daha da pekiştirebilir.
Birinci hata: Yalnızca istenen sonucu destekleyen verileri seçmek.
Bir kişi belirli bir ürünün başarılı olduğunu düşünüyorsa olumlu kullanıcı yorumlarını dikkate alıp olumsuz yorumları görmezden gelebilir. Bu yaklaşım doğrulama yanlılığı olarak bilinen soruna örnektir. Daha dengeli bir analiz, hem destekleyici hem de karşıt kanıtları inceler.
İkinci hata: Yüzdeleri bağlamından koparmak.
Bir hastalığın görülme oranının yüzde 50 arttığını duymak endişe verici olabilir. Ancak başlangıçta 100 kişiden 2'sinde görülen bir durumun 3 kişide görülmesi de yüzde 50 artıştır. Artış 1 kişilik mutlak farka karşılık gelir.
Bu örnekte göreli artış yüzde 50, mutlak artış ise 100 kişide 1 kişidir. İki bilgi de doğrudur, ancak farklı şeyler anlatır. Bu yüzden yalnızca yüzde değişimini değil, başlangıç değerini ve mutlak farkı da görmek gerekir.
Üçüncü hata: Ortalama değeri herkes için geçerli saymak.
Bir iş yerindeki ortalama maaş 40.000 TL olabilir. Ancak çalışanların çoğu bu tutarın altında, küçük bir grup ise çok üzerinde ücret alıyor olabilir. Ortalama, dağılımın nasıl olduğunu tek başına açıklamaz. Medyan, çeyrekler ve gelir gruplarına göre dağılım gibi ölçütler daha kapsamlı bir tablo sunabilir.
Dördüncü hata: Eski veriyi güncelmiş gibi kullanmak.
Üç yıl önce toplanmış müşteri tercihleri, hızlı değişen bir piyasada bugünkü talepleri temsil etmeyebilir. Verinin hangi tarihte toplandığı, hangi dönemi kapsadığı ve zaman içinde hangi koşulların değiştiği açıkça belirtilmelidir.
Beşinci hata: Her şeyi ölçülebilir sayılara indirgemek.
Bir okulun başarısını yalnızca sınav puanlarıyla değerlendirmek, öğrencilerin sosyal gelişimini, kendilerini güvende hissedip hissetmediklerini ve öğrenme süreçlerine katılımlarını gözden kaçırabilir. Sayısal göstergeler önemlidir; ancak ölçülmesi daha zor olan insani deneyimler de kararların bir parçası olmalıdır.
10. Yapay Zekâ Çağında Rasyonel Veri Neden Daha Önemli?
Günümüzde yapay zekâ sistemleri büyük miktarda veriyi işleyerek tahminler, sınıflandırmalar ve öneriler üretebiliyor. Ancak bir sistemin çok sayıda veriyle eğitilmiş olması, sonuçlarının her durumda doğru veya adil olduğu anlamına gelmez.
Örneğin geçmiş işe alım kayıtları kullanılarak adayları sıralayan bir sistem düşünelim. Geçmiş kayıtlar belirli gruplara yönelik önyargılar içeriyorsa sistem bu örüntüleri öğrenebilir ve mevcut eşitsizlikleri sürdürebilir. Algoritmanın matematiksel olarak tutarlı çalışması, kullandığı verilerin tarafsız olduğunu kanıtlamaz.
Benzer sorun kredi değerlendirmelerinde, sağlık hizmetlerinde ve kamu kaynaklarının dağıtımında da ortaya çıkabilir. Bu nedenle verinin kaynağını, hangi grupları temsil ettiğini, eksik gözlemleri ve hata ihtimalini incelemek gerekir. İnsan denetimi, açıklanabilirlik, gizliliğin korunması ve sonuçların düzenli olarak kontrol edilmesi önemlidir.
Rasyonel veri yaklaşımının yapay zekâ çağındaki asıl değeri burada ortaya çıkar: Teknolojinin ürettiği sonuca körü körüne güvenmek yerine, o sonucun hangi kanıtlara dayandığını ve kimleri nasıl etkileyebileceğini sorgulamak.
11. Bir Verinin Rasyonel Olup Olmadığı Nasıl Anlaşılır?
Bir rapor, istatistik veya sosyal medya paylaşımıyla karşılaştığınızda şu soruları sormak faydalı olacaktır:
• Kaynak kim? Veriyi yayımlayan kurumun uzmanlığı, yöntemi ve güvenilirliği belli mi?
• Veri ne zaman toplandı? Bilgi güncel mi, yoksa bugünkü koşullar için eski mi kalıyor?
• Hangi grup incelendi? Araştırmaya kaç kişi katıldı ve bu kişiler hedef kitleyi temsil ediyor mu?
• Ölçüm nasıl yapıldı? Kullanılan tanımlar, ölçütler ve hesaplamalar açıklanmış mı?
• Karşılaştırma adil mi? Aynı dönemler, aynı birimler ve benzer koşullar mı karşılaştırılıyor?
• Belirsizlik belirtilmiş mi? Hata payı, eksik veri ve araştırmanın sınırlılıkları açıklanıyor mu?
• Alternatif açıklamalar var mı? Gözlenen sonuca başka hangi etkenler neden olmuş olabilir?
• Sonuç kimin işine yarıyor? Veriyi yayımlayan kişi veya kurumun çıkar çatışması bulunabilir mi?
Bu sorular her veri için uzun bir araştırma yapılmasını gerektirmez. Bazen kaynağın tarihini kontrol etmek, bazen örneklem büyüklüğüne bakmak, bazen de başka bir güvenilir kaynaktan doğrulama yapmak yeterli bir başlangıçtır.
12. Sonuç: Rasyonel Veri, Sayılardan Çok Daha Fazlasıdır
Rasyonel veri, dünyayı yalnızca rakamlarla açıklamak anlamına gelmez. Gerçekleri daha iyi anlamak, farklı seçenekleri karşılaştırmak, belirsizlikleri görmek ve kararların olası sonuçlarını değerlendirmek için verilerden bilinçli biçimde yararlanmaktır.
Günlük hayatta doğru bütçe planlamasından iş hayatında verimlilik değerlendirmesine, kamu politikalarından yapay zekâ uygulamalarına kadar her alanda bu yaklaşımın faydasını görebiliriz. Ancak bunun için verinin doğru, güncel ve amaca uygun olması; yorumların da bağlamı ve sınırlılıkları dikkate alması gerekir.
Bana göre en önemli nokta, veriyi bir tartışmayı kazanmak için kullanılan bir araç olarak değil, daha iyi sorular sormamızı sağlayan bir rehber olarak görmektir. Çünkü bazen en değerli sonuç, elimizdeki rakamların ilk düşüncemizi doğrulaması değil, yanlış bildiğimiz bir şeyi fark etmemizi sağlamasıdır.
Üstelik rasyonel düşünmek, duygularımızı ve insani değerlerimizi bir kenara bırakmak değildir. Ekonomik veriler bize bir kararın maliyetini gösterebilir; sosyal araştırmalar bu kararın insanları nasıl etkilediğini anlamamıza yardımcı olabilir. İkisini birlikte değerlendirdiğimizde daha dengeli ve gerçekçi sonuçlara ulaşabiliriz.
Forumda Birlikte Tartışalım
Sizce günlük hayatta insanlar verilerle mi, yoksa kişisel deneyimleriyle mi daha fazla karar veriyor?
Bir ürün, hizmet veya yatırım hakkında karar verirken hangi verilere öncelik veriyorsunuz? Hiç rakamların sizi yanıltıp sonradan fikrinizi değiştirmenize neden olduğu bir durum yaşadınız mı?
Bir de şu soruyu düşünelim: Bir karar ekonomik açıdan çok mantıklı görünmesine rağmen insanlara zarar veriyorsa onu gerçekten rasyonel olarak nitelendirebilir miyiz?
Kendi deneyimlerinizi, kullandığınız yöntemleri ve konu hakkındaki düşüncelerinizi paylaşmanız, rasyonel verinin gerçek hayatta nasıl kullanıldığını daha iyi anlamamıza yardımcı olacaktır.
Kaynakça ve Ek Okuma
1. Dünya Bankası, World Development Indicators. Ülkelerin ekonomik, sosyal ve demografik göstergelerini incelemek için: https://datatopics.worldbank.org/world-development-indicators/about-world-development-indicators.html
2. ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST), Measurement Uncertainty. Ölçümlerde belirsizlik ve sonuçların değerlendirilmesi hakkında: https://www.nist.gov/itl/sed/topic-areas/measurement-uncertainty
3. OECD (2020), Mobilising Evidence for Good Governance. Kamu politikalarında kanıt kalitesi, şeffaflık ve hesap verebilirlik üzerine: https://www.oecd.org/en/publications/mobilising-evidence-for-good-governance_3f6f736b-en.html
4. OECD (2019), A Data-Driven Public Sector: Enabling the Strategic Use of Data for Productive, Inclusive and Trustworthy Governance. Verinin kamu yönetiminde kullanımı ve kanıta dayalı karar alma üzerine: https://doi.org/10.1787/09ab162c-en
Birinci hata: Yalnızca istenen sonucu destekleyen verileri seçmek.
Bir kişi belirli bir ürünün başarılı olduğunu düşünüyorsa olumlu kullanıcı yorumlarını dikkate alıp olumsuz yorumları görmezden gelebilir. Bu yaklaşım doğrulama yanlılığı olarak bilinen soruna örnektir. Daha dengeli bir analiz, hem destekleyici hem de karşıt kanıtları inceler.
İkinci hata: Yüzdeleri bağlamından koparmak.
Bir hastalığın görülme oranının yüzde 50 arttığını duymak endişe verici olabilir. Ancak başlangıçta 100 kişiden 2'sinde görülen bir durumun 3 kişide görülmesi de yüzde 50 artıştır. Artış 1 kişilik mutlak farka karşılık gelir.
Bu örnekte göreli artış yüzde 50, mutlak artış ise 100 kişide 1 kişidir. İki bilgi de doğrudur, ancak farklı şeyler anlatır. Bu yüzden yalnızca yüzde değişimini değil, başlangıç değerini ve mutlak farkı da görmek gerekir.
Üçüncü hata: Ortalama değeri herkes için geçerli saymak.
Bir iş yerindeki ortalama maaş 40.000 TL olabilir. Ancak çalışanların çoğu bu tutarın altında, küçük bir grup ise çok üzerinde ücret alıyor olabilir. Ortalama, dağılımın nasıl olduğunu tek başına açıklamaz. Medyan, çeyrekler ve gelir gruplarına göre dağılım gibi ölçütler daha kapsamlı bir tablo sunabilir.
Dördüncü hata: Eski veriyi güncelmiş gibi kullanmak.
Üç yıl önce toplanmış müşteri tercihleri, hızlı değişen bir piyasada bugünkü talepleri temsil etmeyebilir. Verinin hangi tarihte toplandığı, hangi dönemi kapsadığı ve zaman içinde hangi koşulların değiştiği açıkça belirtilmelidir.
Beşinci hata: Her şeyi ölçülebilir sayılara indirgemek.
Bir okulun başarısını yalnızca sınav puanlarıyla değerlendirmek, öğrencilerin sosyal gelişimini, kendilerini güvende hissedip hissetmediklerini ve öğrenme süreçlerine katılımlarını gözden kaçırabilir. Sayısal göstergeler önemlidir; ancak ölçülmesi daha zor olan insani deneyimler de kararların bir parçası olmalıdır.
10. Yapay Zekâ Çağında Rasyonel Veri Neden Daha Önemli?
Günümüzde yapay zekâ sistemleri büyük miktarda veriyi işleyerek tahminler, sınıflandırmalar ve öneriler üretebiliyor. Ancak bir sistemin çok sayıda veriyle eğitilmiş olması, sonuçlarının her durumda doğru veya adil olduğu anlamına gelmez.
Örneğin geçmiş işe alım kayıtları kullanılarak adayları sıralayan bir sistem düşünelim. Geçmiş kayıtlar belirli gruplara yönelik önyargılar içeriyorsa sistem bu örüntüleri öğrenebilir ve mevcut eşitsizlikleri sürdürebilir. Algoritmanın matematiksel olarak tutarlı çalışması, kullandığı verilerin tarafsız olduğunu kanıtlamaz.
Benzer sorun kredi değerlendirmelerinde, sağlık hizmetlerinde ve kamu kaynaklarının dağıtımında da ortaya çıkabilir. Bu nedenle verinin kaynağını, hangi grupları temsil ettiğini, eksik gözlemleri ve hata ihtimalini incelemek gerekir. İnsan denetimi, açıklanabilirlik, gizliliğin korunması ve sonuçların düzenli olarak kontrol edilmesi önemlidir.
Rasyonel veri yaklaşımının yapay zekâ çağındaki asıl değeri burada ortaya çıkar: Teknolojinin ürettiği sonuca körü körüne güvenmek yerine, o sonucun hangi kanıtlara dayandığını ve kimleri nasıl etkileyebileceğini sorgulamak.
11. Bir Verinin Rasyonel Olup Olmadığı Nasıl Anlaşılır?
Bir rapor, istatistik veya sosyal medya paylaşımıyla karşılaştığınızda şu soruları sormak faydalı olacaktır:
• Kaynak kim? Veriyi yayımlayan kurumun uzmanlığı, yöntemi ve güvenilirliği belli mi?
• Veri ne zaman toplandı? Bilgi güncel mi, yoksa bugünkü koşullar için eski mi kalıyor?
• Hangi grup incelendi? Araştırmaya kaç kişi katıldı ve bu kişiler hedef kitleyi temsil ediyor mu?
• Ölçüm nasıl yapıldı? Kullanılan tanımlar, ölçütler ve hesaplamalar açıklanmış mı?
• Karşılaştırma adil mi? Aynı dönemler, aynı birimler ve benzer koşullar mı karşılaştırılıyor?
• Belirsizlik belirtilmiş mi? Hata payı, eksik veri ve araştırmanın sınırlılıkları açıklanıyor mu?
• Alternatif açıklamalar var mı? Gözlenen sonuca başka hangi etkenler neden olmuş olabilir?
• Sonuç kimin işine yarıyor? Veriyi yayımlayan kişi veya kurumun çıkar çatışması bulunabilir mi?
Bu sorular her veri için uzun bir araştırma yapılmasını gerektirmez. Bazen kaynağın tarihini kontrol etmek, bazen örneklem büyüklüğüne bakmak, bazen de başka bir güvenilir kaynaktan doğrulama yapmak yeterli bir başlangıçtır.
12. Sonuç: Rasyonel Veri, Sayılardan Çok Daha Fazlasıdır
Rasyonel veri, dünyayı yalnızca rakamlarla açıklamak anlamına gelmez. Gerçekleri daha iyi anlamak, farklı seçenekleri karşılaştırmak, belirsizlikleri görmek ve kararların olası sonuçlarını değerlendirmek için verilerden bilinçli biçimde yararlanmaktır.
Günlük hayatta doğru bütçe planlamasından iş hayatında verimlilik değerlendirmesine, kamu politikalarından yapay zekâ uygulamalarına kadar her alanda bu yaklaşımın faydasını görebiliriz. Ancak bunun için verinin doğru, güncel ve amaca uygun olması; yorumların da bağlamı ve sınırlılıkları dikkate alması gerekir.
Bana göre en önemli nokta, veriyi bir tartışmayı kazanmak için kullanılan bir araç olarak değil, daha iyi sorular sormamızı sağlayan bir rehber olarak görmektir. Çünkü bazen en değerli sonuç, elimizdeki rakamların ilk düşüncemizi doğrulaması değil, yanlış bildiğimiz bir şeyi fark etmemizi sağlamasıdır.
Üstelik rasyonel düşünmek, duygularımızı ve insani değerlerimizi bir kenara bırakmak değildir. Ekonomik veriler bize bir kararın maliyetini gösterebilir; sosyal araştırmalar bu kararın insanları nasıl etkilediğini anlamamıza yardımcı olabilir. İkisini birlikte değerlendirdiğimizde daha dengeli ve gerçekçi sonuçlara ulaşabiliriz.
Forumda Birlikte Tartışalım
Sizce günlük hayatta insanlar verilerle mi, yoksa kişisel deneyimleriyle mi daha fazla karar veriyor?
Bir ürün, hizmet veya yatırım hakkında karar verirken hangi verilere öncelik veriyorsunuz? Hiç rakamların sizi yanıltıp sonradan fikrinizi değiştirmenize neden olduğu bir durum yaşadınız mı?
Bir de şu soruyu düşünelim: Bir karar ekonomik açıdan çok mantıklı görünmesine rağmen insanlara zarar veriyorsa onu gerçekten rasyonel olarak nitelendirebilir miyiz?
Kendi deneyimlerinizi, kullandığınız yöntemleri ve konu hakkındaki düşüncelerinizi paylaşmanız, rasyonel verinin gerçek hayatta nasıl kullanıldığını daha iyi anlamamıza yardımcı olacaktır.
Kaynakça ve Ek Okuma
1. Dünya Bankası, World Development Indicators. Ülkelerin ekonomik, sosyal ve demografik göstergelerini incelemek için: https://datatopics.worldbank.org/world-development-indicators/about-world-development-indicators.html
2. ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST), Measurement Uncertainty. Ölçümlerde belirsizlik ve sonuçların değerlendirilmesi hakkında: https://www.nist.gov/itl/sed/topic-areas/measurement-uncertainty
3. OECD (2020), Mobilising Evidence for Good Governance. Kamu politikalarında kanıt kalitesi, şeffaflık ve hesap verebilirlik üzerine: https://www.oecd.org/en/publications/mobilising-evidence-for-good-governance_3f6f736b-en.html
4. OECD (2019), A Data-Driven Public Sector: Enabling the Strategic Use of Data for Productive, Inclusive and Trustworthy Governance. Verinin kamu yönetiminde kullanımı ve kanıta dayalı karar alma üzerine: https://doi.org/10.1787/09ab162c-en