Уклон 0 002 это сколько: Уклон канализации на 1 метр СНИП

Содержание

Уклон канализационной трубы: минимальный, максимальный

В большинстве случаев канализацию делают самотечной. Это значит, что все стоки уходят самостоятельно, под действием гравитационных сил. Но чтобы они двигались, трубы необходимо укладывать не ровно, а с наклоном, причем с определенным.Каким должен быть уклон канализационных труб и будем говорить дальше. 

Ровно канализационные трубы укладывать нельзя

Содержание статьи

Для чего нужен уклон канализационной трубы

Все наверное, слышали, что трубы канализации необходимо укладывать с уклоном, да еще при том определенным строительными нормами — СНиПом. Почему именно так? Потому что необходимо чтобы скорость движения стоков по трубам была такой, чтобы вода и твердые частицы двигались вместе.

При самостоятельной прокладке или ремонте существующей канализации часто делаю две ошибки:

Нормы, указанные в СНиПе, носят рекомендательный характер, но они написаны исходя из многолетнего опыта, так что имеет смысл прислушаться.

Какой должен быть уклон

Как понять, что такое уклон трубы? В СНиПе он прописан в долях — в виде десятичных добей. Выгладит это так: 0,03 или 0,008. Расшифровываются цифры так: это разница высот двух концов метрового куска уложенной канализационной трубы. Цифра 0,03 обозначает, что один конец метровой трубы приподнят на 3 см. Соответственно, цифра 0,008 говорит о том, что один край приподнят на 0,8 см или на 8 мм.

Рекомендованный уклон канализационной трубы разного диаметра (50 мм, 100 мм, 150 мм)

Трубопровод обычно намного длиннее одного метра. Вычислить насколько один его конец должен быть выше другого, можно умножив выбранный уклон на длину трубопровода. Например, укладывать будем канализацию с уклоном 3 см/м, длина ее — 25 м. Это значит, что дальний конец ее будет опущен на 3 см * 25 м = 75 см.

Зависимость от диаметра трубы

Канализационные системы делят на внутренние — смонтированные в квартире или доме, и внешние — которые уложены на улице. И в том и в другом случае необходимо выдерживать требуемый уклон канализационной трубы. Когда так говорят, имеют в виду, рекомендованный санитарными нормами показатель. Он зависит от диаметра используемых труб: чем меньше сечение,тем больший наклон надо придать.

Диаметр канализационных трубНормальный уклонНаименьший допустимый
50 мм0,035 (3,5 см)0,025 (2,5 см)
100 мм0,02 (2 см)0,012 (1,2 см)
150 мм0,01 (1 см)0,07 (7 мм)
200 мм0,008 (0,8 см)0,005 (0,5 см)

В таблице указан уклон канализационной трубы, который обеспечит нормальную работу системы. Если по каким-то причинам сделать требуемый угол наклона не получается (бывает на участках со сложным рельефом), можно угол уклона уменьшать до указанной граничной нормы. Шанс получить проблемы возрастает, но не сильно.

Что делать, если уклон получается больше чем требуется

Иногда сделать требуемый уклон не получается — разные бывают условия. В таком случае есть два варианта решения:

Первый вариант более дешевый в устройстве, но он предполагает частые засоры в трубах. Конечно, при интенсивном использовании канализации (большое количество воды), проблем может и не быть, все может работать без проблем. Но это — скорее исключение. Кстати, при использовании пластиковых труб вероятность засоров становится ниже — они имеют гладкие стенки, на которых осадки образуются редко. Второй вариант — более затратный трудоемкий, но он гарантирует работоспособность системы.

Как выдержать требуемый уклон

Определиться с углом уклона канализации недостаточно. Его еще при прокладке надо выдержать. Самый удобный вариант — наличие специального уровня с угломером. Если профессионального оборудования нет, придется хитрить.

Строительный уровень с угломером

Есть способы контролировать угол канализационной трубы при помощи обычного уровня:

  • Нарисовав на стене линию с желаемым уклоном, прикладываете к ней строительный уровень, делаете на пластике отметку в том месте, где находится край пузырька. При выставлении труб располагаете их так, чтобы пузырек оказался в нужном положении.
  • Если взять метровый уровень, можно с одной стороны прикрепить подкладку требуемой ширины. На котортких участках такой способ не работает, но протяженный трубопровод выставлять удобно.

Внутренняя канализация

При прокладке трубопровода надо выдерживать заданный уклон, не допустить прогибов и провисаний. Кстати, при укладке отводных труб от разных сантехнических приборов требуется выдерживать разные уклоны (смотрите фото ниже).

Уклон отводных труб от разных сантехнических приборов

При прокладке внутреннего трубопровода можно начертить требуемые уклоны на стене, по ним выставить трубы. На уровень пола ориентироваться не стоит, лучше отбить горизонтальную линию. Проще это сделать при наличии нивелира, если его нет, можно пользоваться пузырьковым уровнем. После этого, высчитав требуемый перепад (описано выше), «задираете» дальний конец. Еще раз проверяете точность расчетов и нанесенных линий. После можно приступать к монтажу.

Пример разводки внутренней канализации

В ванных и туалетах обычно выкладывают требуемый уровень при помощи густого песко-цементного раствора. Все равно потом труба отделывается — ставится короб из гипсокартона, на который затем наклеивается плитка. Более современный вариант — укладывать трубы в штробу доступен не всем — в панельных домах нет такой толщины стен. При прокладке канализационных труб от кухни чаще пользуются подставками и клиньями. После уложенный с требуемым уклоном трубопровод фиксируется к стенам при помощи специальных держателей. Их устанавливают с шагом не более 40 см.

Совет! При монтаже разворачивайте раструбы канализационных против хода потока. Так меньше вероятность получить подтекающие стыки.

Наружная канализация

Канализация на участке укладывается в траншеи. Прокладывая трассу, старайтесь ее сделать как можно более прямой. Любые повороты — потенциальное место образования засора. Если без поворотов обойтись никак не получится, рядом с ним установите тройник, выведите трубу чуть выше уровня грунта и заглушите ее герметичной крышкой. Это будет верное решение — сможете быстро и без проблем прочищать пробки.

При прокладке внешней канализации копают траншею с ровным дном. Глубина траншеи — на 20 см больше необходимой — это место под песчаную подушку. При небольшой протяженности и малом перепаде дно можно так и оставить — ровным. Если перепад большой, придется формировать уклон. На этом этапе слишком выдерживать наклон нет необходимости — делаете приблизительно. Затем дно выравнивают, убирают все камни, корни, сравнивают ямы, уплотняют. Должно быть ровное плотное основание.

Основные моменты, которые надо помнить

На выровненное дно насыпают песка. Его надо сыпать слоями по 5 см, разравнивать по уровню, уплотнять (проливать большим количеством воды). Послойно уложив 4 слоя, получаем подушку в 20 см. В песок укладывают трубы, формируя заданный уклон. Уклон можно проверять длинным строительным уровнем (1,5-2 метра или больше). Если такого нет, можно к длинной ровной рейке (брусу) примотать посередине скотчем пузырьковый уровень. Так можно добиться минимальной погрешности.

После того как труба уложена и проверен ее уклон, ее засыпают песком. Он должен закрывать ее практически на половину. Песок аккуратно выравнивают и проливают. После этого труба на 1/3 засыпана плотным песком (можно чтобы уровень был больше). Дальше можно засыпать грунтом.

нормативы, какой должен быть угол и почему

Предварительные расчеты при устройстве канализации оберегают от потенциальных технологических проблем, например, от засора. Правильно выбранный диаметр труб и грамотный монтаж обеспечивают длительное и комфортное использование сточной системы.

Одним из важных показателей при проектировании и прокладке коммуникаций является уклон канализационной трубы, необходимый для свободного перемещения стоков.

Мы расскажем, как рассчитать достаточный угол наклона трубопровода, каких правил стоит придерживаться при разводке внутридомовой и наружной канализационной системы.

Содержание статьи:

Что такое угол уклона канализационных труб

Один из принципов монтажа труб, который применяют на практике опытные строители, – возможность установки магистрали таким образом, чтобы сточные воды перемещались самотеком. Этот принцип применяют повсеместно – и при обустройстве квартир в многоэтажках, и при строительстве частных 1- или 2-этажных коттеджей.

Горизонтальные отводы, для которых и рассчитывают угол уклона, устанавливают после того, как проложены и зафиксированы стояки – вертикальные отрезки канализации. Стояки отличаются большим диаметром, чем остальные трубы.

Горизонтальные ответвления присоединяют к стоякам с помощью фитингов (тройников) и направляют в сторону сантехнических приборов (унитазов, раковин, ванной, душевой кабины) по наименьшему пути.

Чаще всего около стояка монтируют унитазы – сантехнические приборы, «дающие» наибольшее количество твердых стоков. Чем короче путь движения твердых отходов к выходу, тем меньше вероятность возникновения пробки

А сейчас разберем определение угла уклона горизонтальной канализационной трубы – наружной или внутренней.

Представим, что вдоль проложенной магистрали проходит прямая линия, параллельная полу или поверхности земли в случае с наружными трубами. Если начало линии соединить с нижним концом трубопровода, то получаем угол – при правильном монтаже. Это и есть угол уклона.

Его измеряют в градусах или, что проще для восприятия, в сантиметрах на погонный метр – см/пог.м.

В процессе строительства для удобства и облегчения расчетов просто натягивают выровненный по горизонтали шнур. Его начало закрепляют у нижней точки магистрали, а конец подводят под верхнюю. Замеры угла происходят относительно его.

Расчет угла уклона напрямую связан с такими параметрами труб, как длина и диаметр.

По нормативам, изложенным в СНиП, диаметр горизонтальных отводов внутренней разводки должен отвечать следующим нормам:

  • D 40-50 мм – от посудомоечной или стиральной техники;
  • D 50 мм – от раковин, моек, ванн, писсуаров (то есть приборов с жидкими стоками;
  • D 110 мм – от унитазов.

Для наружной канализации предусмотрен диаметр труб 110-160 мм.

Возможны варианты, когда приходится комбинировать трубы различного диаметра. Например, к отводу от раковины (50 мм) присоединяется труба унитаза. Очевидно, что требуется переходник на трубу 110 мм (+)

Важно правильно подобрать и диаметр, и угол уклона коммуникаций, иначе система будет часто выходить из строя. Рассмотрим возможные негативные последствия.

Как функциональность системы зависит от уклона

В процессе монтажа канализационной системы трубы кладут либо прямо (параллельно полу), либо под определенным углом. Первый вариант однозначно ошибочный, так как блокирует передвижение стоков и, в конечном счете, делает всю систему неработоспособной.

Судя по фото, трубы уложены даже не параллельно полу, а с некоторым наклоном в сторону ванны – то есть неправильно. При включении воды в раковине она потечет не в сторону стояка, а прямиком в ванну

Второе решение верное, но его можно исполнить по-разному:

  1. Обеспечить максимально острый угол.
  2. Сделать наклон минимальным.
  3. Выполнить монтаж, ориентируясь на цифры, рекомендованные нормативными документами.

Что произойдет в каждом из перечисленных случаев?

Вариант 1. Казалось бы, слишком острый угол, следовательно, и крутой спуск стоков ничем не опасен. Это мнение ошибочно, так как быстрое течение жидкости не обеспечивает в полной мере смыва твердых отходов.

В итоге они накапливаются и образуют засоры. Вторая неприятность связана со срывом , результат – специфический запах канализации во всем доме или квартире.

Еще одно нежелательное и нарушающее комфорт следствие – сильный шум, который создают с большой скоростью падающие вниз сточные воды

Вариант 2. Минимальный уклон мало чем отличается от горизонтального монтажа. Медленное перемещение жидкости влечет за собой заиливание, образование толстого слоя грязи на стенках труб, а затем и . К слову, СНиП рекомендует придерживаться скорости стоков в границах 0,7-1,0 м/сек.

Вариант 3. Наиболее оптимальное решение – обеспечить уклон, указанный в нормативной документации, где указана зависимость угла укладки магистрали от диаметра или длины трубы. Перейдем непосредственно к нормам и расчетам.

Какие нормативы нужно соблюдать

Подробнее остановимся на строительных нормах, которые подробно изложены в СНиП. Об особенностях внутренней канализации можно почитать в СНиП 2.04.01-85, наружной – СНиП 2.04.03-84. Также полезно обратиться к нормативной документации ГОСТ 25150-82.

Особенности внутридомовой канализации

Существует два варианта – скрытый и открытый монтаж. Первый – это маскировка разводки за настенными панелями, под напольным покрытием и в перекрытиях, второй заключается в прокладке на открытых участках.

Один из вариантов скрытого монтажа – полное или частичное заглубление в стены. В кирпичных и панельных домах для такого типа маскировки практикуют штробление с последующей отделкой – штукатуркой, гипсокартоном, керамической облицовкой

От вида монтажа, в частности, зависит допустимая длина трубопровода:

  • скрытые линии должны быть не длиннее 10 м;
  • открытые трубы могут быть и большей длины, но при условии монтажа под определенным нормами уклоном и при обеспечении свободного доступа с целью технического обслуживания.

Диаметр труб обязательно должен совпадать с диаметром выпусков у сантехнических приборов. Для присоединения магистралей к стоякам используют фасонные элементы – крестовины и тройники прямого типа для соединения под углом 90° и косого типа для фиксации под углами 45-60°.

Несмотря на правильное, с наклоном, расположение скрытых труб с целью технического обслуживания устраивают ревизионные камеры – как на поворотах, так и на протяженных прямых участках магистрали (+)

Требования предъявляются и к поворотам: они должны быть плавными, от 90° и более, то есть не острыми. Для более безопасной смены направления трубы создают конструкцию из двух поворотов по 135°. При соединении деталей раструбы следует поворачивать против течения сточных вод. Единственное исключение – монтаж двухраструбных муфт.

В СНиП указаны допустимые значения уклона труб канализации. Данные приведены в следующей таблице:

Нормативные значения даны в зависимости от диаметра труб, в единицах, которые читаются как количество сантиметров на погонный метр. Например, при монтаже отводов диаметром 50 мм необходимо выдерживать уклон от 0,025 м до 0,035 м (от 2,5 см до 3,5 см на каждый метр) (+)

Получается, что при длине канализационной линии, равной 5 м, разница в высоте над уровнем пола между началом и концом трубы составит 12,5 (17,5) см = 2,5 (3,5) х 5.

Вернемся к «помощи» строительного шнура – он как раз может пригодиться. Если его растянуть по всей длине трубы, но параллельно полу, как раз и получится, что расстояние от шнура до нижнего конца магистрали 0 мм, а до верхнего – 12, 5 (17,5) см.

Как ясно из таблицы, с увеличением диаметра трубы значение уклона снижается, то есть для D 110 мм оптимальный угол наклона – 2 см/пог.м.

В таблице представлены минимальные значения норм. Существует и максимальный уклон – это 0,15 м/пог.м. Значение актуально для труб различных видов и размеров, кроме самых коротких ответвлений, длина которых менее полутора метров.

Можно сделать вывод, что угол наклона для должен находиться в промежутке между данными из таблицы и 15 см/пог.м.

Образец проекта внутренней разводки

Проект следует начать с составления схем, чертежей и эскизов с одновременными расчетами, касающимися всех отводов.

Особое внимание следует уделить следующим моментам:

  • расположению труб, фитингов, мест соединений;
  • диаметру труб и соединительных фасонных частей;
  • длине каждого участка до стояка;
  • высоте напольного покрытия или отметке перекрытий, ниш и т.д.

Кроме точных значений замеров следует учитывать допуски: на каждое ответвление магистрали ± 20 см, на длину стояка и отвод ± 1,5 см.

Образец замерной карты для монтажа труб канализации для двух квартир, подключенных к общему стояку. Две части абсолютно идентичны и расположены в зеркальном отражении (+)

Для данной схемы канализационной гребенки важны замеры расстояний между отдельными точками, а именно центральными осями:

  • стояка и мойки;
  • ванны и умывальника;
  • унитаза и умывальника.

Также необходимо учесть толщину стены, которая разделяет сантехнические блоки двух смежных квартир.

Подробнее о проектировании внутренней канализационной разводки частного дома читайте в .

Прокладка наружных труб

В отличие от труб внутренней канализации, которые могут быть и открытыми, и замаскированными в перекрытиях, наружные магистрали относятся к скрытым коммуникациям – .

Трубопроводы чаще всего имеют выход на уровне фундамента дома и ведут к очистным или накопительным сооружениям. На всем протяжении они должны иметь диаметр не менее 110 мм и четко обозначенный уклон – 0,02 м на погонный метр.

Кроме обязательного уклона к наружным магистралям предъявляется еще ряд требований. Например, они также на всем протяжении должны оборудоваться .

Если магистраль прямая, то колодец устраивают через каждые 10 м, если имеет изгибы – то и в местах поворотов. Технические колодцы обязательны и там, где пересекаются несколько магистралей или имеется ступенчатый переход.

Максимальное количество ревизионных колодцев необходимо, чтобы предусмотреть возникновение засоров в наиболее предрасположенных к этому местах: на поворотах, в местах соединений и т.д. (+)

Для наружной канализации используют , их сечение составляет от 110-200 м. Как мы уже выяснили выше, угол уклона зависит от внутреннего диаметра трубопровода, поэтому учитываем это и при устройстве траншей, и при прокладке коммуникаций.

Не забываем, что для труб большого диаметра применяются меньшие значения:

  • при D 150 мм – от 0,007 м до 0,01 м;
  • при D 200 мм – от 0005 м до 0,008 м.

Это минимальные значения. При установке короткого фрагмента трубы большого сечения мизерный уклон может быть и незаметен, но для длинных трубопроводов перепады бывают явными.

Например, при укладке трубы диаметром 15 см решено сделать уклон 1 см/пог.м. Получается, что на каждые 10 м перепад составляет 10 см, а через 100 м – 1 м. Это нужно учитывать и совмещать с параметрами УГВ, а также с показателями уровня промерзания грунта.

Как проконтролировать уклон

Для примера монтажа наружной магистрали возьмем укладку одной-единственной прямой трубы, ведущей от здания к септику.

Назначение трубы – перемещать канализационные стоки, поступающие от сантехнических приборов, к общему резервуару. Это и жирные отходы из кухонной мойки, и фекальные массы из унитаза, и грязная вода из душевой кабины.

Резонно, что труба должна быть не менее 110 мм в сечении. Нам важно, чтобы на всем протяжении трубы сохранялся необходимый уклон, в данном случае – 0,02 м/пог.м.

С помощью лазерного уровня можно измерять угол уклона на разных этапах работы. Фотогалерея поможет визуально представить подконтрольные рабочие участки.

Галерея изображений

Фото из

1-ый этап – копка траншеи

2-ой этап – устройство песчаной подушки

3-ий этап – утепление труб

4-ый этап – ввод в резервуар

Если угол наклона выдержан во всех местах, проблем с движением канализационных вод не будет. Однако следует помнить, что результатом незамеченных погрешностей в дальнейшем может стать полный демонтаж наружной магистрали, поэтому к каждому измерению нужно подойти очень серьезно и не делать этого «на глазок».

Расчет уровня наполненности магистрали

Дополнительные расчеты уровня наполненности, наряду с определенным по нормам СНиП углом наклона, обеспечивают беспроблемное передвижение канализационных стоков по трубопроводу.

Расчеты производят по формуле:

Y=H/d, где

  • Y – уровень наполненности;
  • H – уровень жидкости в трубе;
  • d – диаметр

Значение 1,0 обозначает, что магистраль полностью заполнена стоками – это может случиться только при неправильном, абсолютно горизонтальном расположении элементов разводки.

В СНиП указаны нормы минимально и максимально допустимой наполненности – 0,3 и 1,0 соответственно. То есть, если диаметр труб выбран правильно, отходы будут перемещаться с нужной скоростью, не налипая на внутренние стенки (+)

В связи с этим принято брать значения в пределах 50-60%. При практическом применении учитывают наполняемость, которая больше 0,3 и меньше 0,6. Оптимальной величиной принято считать 0,5-0,6.

Попробуем рассчитать самостоятельно скорость движения стока. По нормативам, она должна быть 0,7 м/с или более. Только при таких значениях жидкость свободно достигает конечной цели.

Предположим, что H равно 60 мм, а D – 110 мм, трубы изготовлены из пластика, то есть отличаются гладкой внутренней поверхностью и минимальной степенью сопротивления. Согласно формуле 60 делим на 110, получаем 0,55 – это и есть уровень наполненности (Y), он соответствует норме.

Выводы и полезное видео по теме

Информация из видеосюжетов поможет вам разобраться в сложных нюансах монтажа канализационного трубопровода.

Пример правильно смонтированных труб в санузле:

Подробное разъяснение теоретической части:

Полезное приспособление для соблюдения угла уклона:

Соблюдение норм при расчете угла наклона труб канализации имеет большое значение в технологическом плане. Расчеты лучше выполнять еще на этапе проектирования внутренней разводки или устройства наружного трубопровода.

Если возникают затруднения, рекомендуем обратиться к профессиональным инженерам-проектировщикам.

Есть, что дополнить, или возникли вопросы по определению уклона и разводки канализационных труб? Можете оставлять комментарии к публикации. Форма для связи находится в нижнем блоке.

Каким должен быть уклон канализационной трубы в доме

Дата: 22 октября 2013

Занимаясь проектированием домашнего стока в первую очередь нужно знать, какой выставить наклон для канализационной трубы.

Простота прокладки канализации умалчивает много мелких нюансов, несоблюдение которых может негативно сказаться в той или иной ситуации.

Одним из самых важных моментов является выбор угла наклона.

Неправильный угол наклона может вызвать обратную реакцию – и все спущенное в унитаз или раковину вернется к вам, или вообще исключить адекватную работу.

Уклон наружной канализации

Многие неопытные сантехники даже не знают о таком понятии, как излишний уклон. Все привыкли считать, что если уклон будет очень «крутым», то отходы в этом случае будут стекать намного быстрее, и возврат отходов не будет случаться.

На самом деле это не совсем правильно, а данный подход имеет другую сторону медали.

Если труба имеет крутой спуск, внутри ее происходит заиливание, так как вода уходит очень быстро. Все не смытые водой нечистоты прилипают к стенкам, тем самым, засоряя ее.

Также может случиться срыв водяных запоров в сифонах, впоследствии этого, неприятный запах будет попадать в дом. Согласитесь, не очень приятный момент будет, особенно, если в доме гости.

Еще одна важная причина держать трубы постоянно в воде – приток воздуха к поверхностям, который будет вызывать коррозию, уменьшая сроки их службы. Поэтому придерживаться правильного уклона нужно не только в доме, но и вне его.

Максимальный уклон для наружной трубы – 0,15, т.е. не более чем на 15 сантиметров за каждый метр. При значениях выше этого система будет совершенно неэффективной.

Минимальный уклон

Многие новоиспеченные сантехники или начинающие строители, самостоятельно проводящие водоотвод, сталкиваются с проблемой, которая заключается в единицах измерения наклона трубы.

В любой инструкции или справочных материалах по установке минимального уклона канализационных труб вы найдете лишь десятичные дроби вида 0,02, это значит, что на каждый метр  приходится 20 миллиметров наклона.

Немаловажным фактором, является расчет коэффициента наполненности.

Вычисляется он так: высота уровня воды, находящейся в трубе деленная на диаметр. Самым оптимальным значением будет варьирование коэффициента в пределах от 0,5 до 0,6.

Расчет по СНиП

Ссылаясь на правила СНиП, можно трактовать, что минимальный уклон для канализации в квартире или загородном доме зависит, прежде всего, от ее диаметра.

Как пример, уклон канализационной трубы 50 мм составляет 3 сантиметра на один метр на сотку.

Основные правила СНиП:

  • Для коллекторов угол наклона рассчитывается в зависимости от наполнения, расхода и скоростей транспортировки отходов.
  • Наклон трубы должен находиться в допустимых границах и не превышать их.
  • Коэффициент наклона указывает на количество метров наклона на один погонный метр канализационной трубы.
  • В СНиП вы никогда не найдете вычисление угла наклона в градусах.

Таблица расчета для труб разного диаметра

ПриборУклонРасстояние между сливом
и сифоном, см
Диаметр, мм
Ванна1/30100-13040
Душ1/48150-17040
Унитаз1/20до 600100
Раковина1/120-8040
Биде1/2070-10030-40
Мойка1/36130-15030-40
Ванна, мойка, душ (слив комбинированный)1/48170-23050
Центральный стояк100
Отводы от этого стояка65-75

Возьмем для примера установку и отвод канализационной трубы от унитаза. Тут лучше всего использовать трубу с диаметром 100.

Как вы можете видеть в таблице, уклон по СНиП равен 1/20, это значит 1 метр разделить на 20, итого 5 сантиметров на каждый погонный метр трубы.

Таким путем вы можете вычислить необходимый уклон для совершенно любых сантехнических приборов.

Обратите внимание, что при монтаже канализации стоит учитывать, от чего вы ее ведете. Для мойки например не рекомендовано использовать трубы диаметром, больше чем 50 миллиметров, а для унитаза – максимум 100 миллиметров.

Для 110-го диаметра

Чаще всего используется для общего отвода канализации и врезки в центральную городскую канализацию.

Угол наклона может колебаться от 5 до 15 сантиметров на один погонный метр трубы.

Тут в первую очередь будет играть коль количество соединений, различные повороты и удаленность дома от центральной городской канализации.

Обратите внимание: трубы такого большого диаметра подходят только для прокладывания ветвей к центральной канализации и для вывода отходов из унитаза.

Также они могут использоваться для стояка, если дом имеет несколько этажей. Для проведения канализации от кухонной мойки, ванны, стиральной машины, умывальника и т.д. используют трубы исключительно 40-50 мм диаметром.

И напоследок видео – монтаж канализации с правильным уклоном. Практические методы.

Уклон. Угловые градусы – перевод в % уклона. Длина на метр (единицу) подьема. Таблица 0-90°

Уклон. Угловые градусы – перевод в % уклона. Длина на метр (единицу) подьема – градиент индикатор. Таблица 0-90°

  • % уклон это 100 * Y/X (подъем / горизонтальная проекция длины)
Угловые градусы Длина на единицу подьёма % уклона
Y X
0.1 1 573.0 0.17
0.2 1 286.5 0.35
0.3 1 191.0 0.52
0.4 1 143.2 0.70
0.5 1 114.6 0.87
0.57 1 100 1
0.6 1 95.49 1.05
0.7 1 81.85 1.22
0.8 1 71.62 1.40
0.9 1 63.66 1.57
1 1 57.29 1.75
2 1 28.64 3.49
3 1 19.08 5.24
4 1 14.30 6.99
5 1 11.43 8.75
5.74 1 10 10
6 1 9.514 10.5
7 1 8.144 12.3
8 1 7.115 14.1
9 1 6.314 15.8
10 1 5.671 17.6
11 1 5.145 19.4
12 1 4.705 21.3
13 1 4.331 23.1
14 1 4.011 24.9
15 1 3.732 26.8
16 1 3.487 28.7
17 1 3.271 30.6
18 1 3.078 32.5
19 1 2.904 34.4
20 1 2.747 36.4
21 1 2.605 38.4
22 1 2.475 40.4
23 1 2.356 42.4
24 1 2.246 44.5
25 1 2.145 46.6
26 1 2.050 48.8
27 1 1.963 51.0
28 1 1.881 53.2
29 1 1.804 55.4
30 1 1.732 57.7
31 1 1.664 60.1
32 1 1.600 62.5
33 1 1.540 64.9
34 1 1.483 67.5
35 1 1.428 70.0
36 1 1.376 72.7
37 1 1.327 75.4
38 1 1.280 78.1
39 1 1.235 81.0
40 1 1.192 83.9
41 1 1.150 86.9
42 1 1.111 90.0
43 1 1.072 93.3
44 1 1.036 96.6
45 1 1.000 100.0
46 1 0.9657 103.6
47 1 0.9325 107.2
48 1 0.9004 111.1
49 1 0.8693 115.0
50 1 0.8391 119.2
51 1 0.8098 123.5
52 1 0.7813 128.0
53 1 0.7536 132.7
54 1 0.7265 137.6
55 1 0.7002 142.8
56 1 0.6745 148.3
57 1 0.6494 154.0
58 1 0.6249 160.0
59 1 0.6009 166.4
60 1 0.5774 173.2
61 1 0.5543 180.4
62 1 0.5317 188.1
63 1 0.5095 196.3
64 1 0.4877 205.0
65 1 0.4663 214.5
66 1 0.4452 224.6
67 1 0.4245 235.6
68 1 0.4040 247.5
69 1 0.3839 260.5
70 1 0.3640 274.7
71 1 0.3443 290.4
72 1 0.3249 307.8
73 1 0.3057 327.1
74 1 0.2867 348.7
75 1 0.2679 373.2
76 1 0.2493 401.1
77 1 0.2309 433.1
78 1 0.2126 470.5
79 1 0.1944 514.5
80 1 0.1763 567.1
81 1 0.1584 631.4
82 1 0.1405 711.5
83 1 0.1228 814.4
84 1 0.1051 951.4
85 1 0.08749 1143
86 1 0.06993 1430
87 1 0.05241 1908
88 1 0.03492 2864
89 1 0.01746 5729
90 1 0.00000

Почему крутизна склонов измеряется в процентах, и зачем водителям это нужно

Наверняка вы уже ни раз встречали предупреждающие дорожные знаки 1.13, он же «Крутой спуск», и 1.14 (соответственно, «Крутой подъем»). И кто-то из водителей точно обратил внимание, что уклон обозначен не в привычных градусах, а в процентах. Градусы – они же и при температуре, и в спиртном. Родные, понятные. Зачем все усложнять? Настало время разобраться с этим недоразумением и узнать, как автомобилистам может помочь данная информация при езде.

Представьте ситуацию: едете вы за городом и встречаете перед собой дорожный знак, предупреждающий водителей о том, что впереди подъем с крутизной уклона в 10%. Как на картинке выше. В голове сразу: 10% – это вообще сколько? Но если мы скажем, что это почти 6 градусов, вам разве станет от этого понятнее?

Тут важно понимать, что дорога постоянно меняет угол своего наклона, поэтому определить этот показатель в градусах будет сложновато. Зато уклон дороги в процентах – легко! Это то количество метров, на которое проезжая часть опустится или поднимется через 100 метров пути. То есть в нашем случае, проехав 1 километр по дороге с крутизной уклона в 10%, вы поднимитесь на 100 метров относительно первоначальной точки. Если вспоминать школьный курс тригонометрии, то цифра на дорожном знаке – это тангенс угла наклона проезжей части, выраженный в процентах. Впрочем, не заморачивайтесь: за вас уже давно все подсчитали, а вам нужно просто научиться этими данными пользоваться.

Зачем нужно знать крутизну склона?

Оказывается, тангенс угла наклона равняется коэффициенту сцепления с дорожным покрытием. Если вы едете по сухому асфальту, этот показатель составляет около 0,7 (при условии, что у вас не «лысая» резина). Пошел дождь – коэффициент сцепления с мокрой дорогой сразу упал до 0,5. А если дело происходит поздней осенью, и после ливня «удачно» подморозило, то асфальт превращается в настоящий каток. И тут уже коэффициент сцепления с проезжей частью снижается до минимума – менее 0,1. Что это значит в нашей ситуации, когда мы поднимаемся в горку с крутизной уклона в 10%, или 0,1?

Вы должны понимать, что, если вы остановитесь на склоне, то, в лучшем случае, не сможете тронуться, чтобы продолжить путь, в худшем – автомобиль с легкостью покатится обратно. И никакой водительский опыт или даже самая лучшая шипованная резина не помогут автомобилю остановиться, пока он не скатится с горы. Потому что с дорогой колеса практически ничего не связывает. Именно поэтому Правила дорожного движения (п. 11.7 ПДД) принуждают спускающихся со склона водителей уступать встречному поднимающемуся в гору потоку (даже, если препятствие расположено на их половине дороги).

Чем опасен затяжной спуск

Съезд с крутой горы – не менее опасное мероприятие. Во время длительного спуска, когда вы беспрерывно давите на педаль тормоза, в автомобиле могут перегреться и отказать тормоза. Чтобы этого не случилось, советуем научиться «гасить скорость» при помощи двигателя, постепенно снижая передачи. Чем круче спуск, тем ниже должна быть передача. Об особенностях торможения двигателем мы подробно писали в нашем блоге ранее.

Кстати, многие не обращают особого внимания на знаки «Крутой спуск» или «Крутой подъем». Особенно, когда там указан небольшой процент крутизны склона. Напрасно. Нередко случается, что в условиях плохой погоды (например, в снегопад, туман или когда темно) автомобилист может попросту не заметить небольшие, но затяжные спуски или подъемы. А именно на них чаще всего и перегреваются тормоза. Так что знаки не пропускаем. Стали бы чиновники тратить деньги из местного бюджета, если бы данный отрезок дороги не представлял никакой опасности?

Разница в знаках

Ну и напоследок расскажем о том, как отличить спуск и подъем на знаках. Конечно, чаще всего можно понять, что перед тобой чисто визуально. Но не всегда. Погода вносит коррективы, и в сильный снегопад небольшой длительный спуск можно запросто не заметить, а тормозная система автомобиля заметит. Так что в плохую погоду стоит особенно внимательно смотреть на знаки, установленные на обочине.

Отличить спуск от подъема на дорожных знаках вам поможет левая рука. Направьте ладонь по наклонной линии, над которой написана крутизна склона в процентах. Если пальцы будут направлены вниз, значит перед вами крутой спуск, если вверх, то значит вам предстоит забираться в гору.

К счастью, наибольшие продольные уклоны на автомобильных дорогах России не превышают 6-7% на равнинной и холмистой местности и 9-10% в горах. Конечно, в приморских городах есть дороги с довольно серьезными склонами, крутизна которых превышает все имеющиеся нормативы. Но мы-то теперь знаем, где опасность, а значит преодолеем даже самые крутые подъемы и спуски. Удачи на дорогах!

Поделитесь с друзьями

Подпишитесь на рассылку

Уклон наружной канализации расчет для канализационных труб

Укладка канализационных труб — это работа для профессионалов требующая правильно установить уклон наружной канализации, но можно монтировать своими силами в менее обширных системах около дома.

Трубы должны слегка наклоняться вниз, чтобы нормально сливаться. Стандартный уклон составляет от 0,02 до 0,07 м на квадратный метр. Для правильной работы канализации необходим точный расчет уклона линии. Труба, которая недостаточно наклонена, не будет сливать. Труба, которая наклонена слишком сильно, будет сливать только жидкость, а не твердые частицы. Если устанавливаете дренажную трубу, простой способ выяснить уклон наружной канализации – обратиться к стандартам СНиП.

Как рассчитать наклон внешней подземной трубы

Канализационные сети должны иметь глубину, достаточную для того, чтобы обеспечить сооружение водопроводных конструкций глубиной не менее 2,74 м (от поверхности земли до поверхности труб).

Люки должны быть установлены в конце каждой канализации при каждом изменении в размере, градуировке или выравнивании линии на всех перекрестках. Максимально допустимый интервал между люками для всех коллекторов диаметром менее 1200 мм составляет 150 метров.

Трубные материалы: утвержденные материалы для строительства трубопроводов канализационных сетей — это неармированные бетонные трубы, железобетонная труба и из ПВХ (поливинилхлорида).

Если планируете использовать какое-либо из этих решений, вам нужно знать, как рассчитать уклон сливного трубопровода.

Все надземные и подземные горизонтальные канализационные трубы должны быть уложены надлежащим уклоном.

Уклон от 1 до 40 на отрезке трубы от 10 в 30 метра обычно дают достаточные скорости потока.

Уклон 1 в 80 подходит для начальных расчетных схем и в случаях исключений.

Если уклон недостаточно крут, т. е меньше 10 в 30, тогда труба может блокироваться: твердые частицы замедляются и становятся скрученными засорами.

Падение трубы может быть определено как вертикальное количество, на которое труба падает на расстояние. Расстояние может быть между участками трубы или между люками.

Уклон наружной канализации может быть определен как падение, деленное на расстояние, формула:

Уклон = ПАДЕНИЕ / РАССТОЯНИЕ

Например, 24-метровая секция дренажной трубы имеет падение 0,30 м, вычисляем уклон:

Уклон = 0,30 / 24 = 0,0125

Это можно преобразовать в уклон, записанный как отношение 1: некоторое число.

Уклон = 1 / 0,0125 = 80 = 1 в 80

Вышеприведенная формула может быть перегруппирована для нахождения расстояния, если известен уклон:

Длина = уклон X расстояние

Например, рассчитаем падение в 50-метровой секции трубопровода для грязной воды, если уклон должен быть 1 в 80.

Уклон 1 в 80 преобразуется в число вместо отношения: 1/80 = 0,0125

Падение = 0,0125 х 50

Падение = 0,625 метра или 625 мм.

Минимальные канализационные уклоны устанавливаются для обеспечения минимальной скорости очистки (обычно 0,2 или 0,5 метра в секунду) при полном потоке. Физика гидравлического течения такова, что труба с уклоном будет переносить поток под действием силы тяжести, наполовину заполненной, с той же скоростью, что и полная.

В ГОСТ приведены расчетные минимальные склоны канализации, обеспечивающие скорость 0,6 метра в секунду, предполагая шероховатость равную 0,013. Для труб большего диаметра могут быть выбраны не только минимальные скорости очистки (такие как допуски на конструкцию и возможное просачивание грунта), но и минимальный выбор уклона.

Канализационные сети должны быть достаточного размера, чтобы передавать потоки стоков, плюс общий надбавок для притока и инфильтрации, плюс надбавка за приток люков в местах провисания. Внутренний диаметр канализационных труб должен составлять не менее 200 мм.

Общая сумма притока/инфильтрации: общий расход 0,28 литра в секунду / га должен использоваться для обеспечения притока осадков погоды в люки, не расположенные в местах провисания.

Учет притока для люков в местах с отходами важен: для люков, расположенных в зонах прогиба, где происходит осаждение, или низких площадей, подлежащих затоплению, для каждого люка должно быть предусмотрено приток вместимостью 0,4 литра в секунду.

Все канализационные линии должны быть спроектированы с минимальным уклоном 0,4% или более. В тех случаях, когда это нецелесообразно, для различных размеров канализационных сетей разрешены следующие минимальные наклоны:

Размер трубыМинимум (%)
2000.40
2500.28
3000.22
3750.15
4500.12
≥5250.10

Основные моменты строительных работ

После определения уклона и расстояния переходят к этапам подготовки для строительства:

  • Измерение и планирование

Первый шаг абсолютно необходим для определения практического уклона: измеряют расстояние линии дренажа. Чтобы сделать точные вычисления, нужно знать точную длину трубы, которую нужно будет установить. Чтобы выполнить расчет, спланируйте путь трубопровода, используя кратчайшее расстояние. Чем длиннее маршрут трубы, тем более уязвимым будет засорение. Обратите внимание на любые изгибы и повороты, которые потребуют определенных деталей.

  • Покупка трубы

Как только определили маршрут линии, можете определить длину труб, которые нужно купить. Обязательно включите любые соединители труб, чтобы получить правильную конфигурацию.

Перед установкой трубы используйте формулу для определения практического уклона:

Умножьте количество метров требуемой трубы (X) на расстояние, которое планируете наклонить по линии (Y). Это даст разницу в высоте (Z) между началом и концом трубы: (X) x (Y) = (Z).

Пример 1: Если длина сети 1,5 метра, и необходимо наклонить трубу 0,3 метра, уравнение будет 1,5 x 0,3 = 0,45 м. Это означает, что нужно будет установить трубу так, чтобы разница между высотами начала и конца составляла 0,45м.

Пример 2. Если хотите установить минимальный уклон, уравнение будет 0,25 x 0,6= 0,015 метра. В этом случае конец трубы будет на 15 см ниже, чем в начале. Это минимальный уровень уклона для сливной трубы. Все, что меньше снижает эффективность самотека и может привести к забиванию канализации.

Если нужна помощь в определении правильного уклона и положения труб или хотите получить квалифицированную помощь в их укладке, обратитесь в коммунальную службу.

Эффективность канализации и строительство траншеи

Для правильной установки наружной канализации определение уклона трубы недостаточно, необходимо грамотно выполнить раскопку траншеи, чтобы выдержать рассчитанный размер. Траншеи в зависимости от сечения линии могут быть широкими или глубокими.

Требования к широкой траншеи:

  • Максимально допустимый наклон грунта в районе траншеи составляет 25 процентов.
  • Абсорбционная траншея должна быть установлена параллельно контуру наклона.
  • Ширина траншеи должна быть шириной от 0,9 до 1,5 м
  • При использовании двух или более траншей горизонтальное расстояние между стенами траншеи должно быть в три раза ниже глубины дренажа перфорированной трубы или 3 м, в зависимости от того, что больше.
  • Глубина дренажа ниже перфорированной трубы должна быть не менее 0,3 м или более 1,2 м
  • Уплотнительная труба для очистки должна быть установлена в конце каждого прохода перфорированной трубы.
  • Перед укладкой дренажной колодки необходимо расколоть или снести дно и боковые части широкой траншеи.
  • При определении площади поглощения будет использоваться боковая стенка и нижняя область траншеи. Коэффициент уменьшения к общей площади.

Для глубокой траншеи необходимо выдержать условия:

  • Максимально допустимый наклон грунта в районе траншеи составляет 25 процентов
  • Траншея должна быть установлена параллельно контуру наклона
  • Глубина дренажа под трубой должна быть не менее 1,0 м
  • Стороны стен траншеи должны быть раскристаллизованы или расколоты перед размещением дренажных стволов
  • Поглощающие слои почвы должны быть толщиной менее 1,2 м
  • При определении общей площади поглощения может учитываться только площадь боковой стенки глубокой траншеи. Нижняя часть также должна быть в пределах допустимых скоростей просачивания.
  • Максимальная допустимая глубина глубокой траншеи составляет 4 м.

Правила регламентируют минимальное разделение между водопроводными и канализационными трубами, чтобы обеспечить защиту водоснабжения. Соответствие нормам позволяет устанавливать канализационные трубы, которые пересекаются и параллельны друг другу без каких-либо специальных требований.

Критерий проектирования уклона ливневых отводов

В городской зоне будут две системы ливневой наружной канализации:

  • второстепенная система — небольшая линия с уклоном, состоит из сети трубопроводов, а также водосточных желобов и входов, которые обеспечивают удобную систему для быстрого удаления штормового стока с дорожных покрытий при незначительных осадках.
  • основная система — передает коэффициенты стока и объемы для 1-летнего выпадения осадков, превышающего мощность второстепенной системы.

Штормовые магистрали, зоны обслуживания которых не менее 30 гектаров, должны быть спроектированы для передачи частых осадков. Зоны обслуживания в сетях площадью более 30 гектаров должны быть спроектированы таким образом, чтобы обеспечить в 1,25 раза скорость стока (определяется уклоном труб), которая будет иметь место в случае осадков в течение 5 лет.

Второстепенная система труб должна быть сконструирована таким образом, чтобы глубина сливной ямы на улице не превышала 0,15 метра в соответствие с нормой осадков за 1 год.

Основная система должна быть сконструирована таким образом, чтобы ограничить глубину приема на улице до 0,35 м в течение 1 года.

Уклон. Угловые градусы – перевод в % уклона. Длина на метр (единицу) подьема. Таблица 0-90°


Навигация по справочнику TehTab.ru:  главная страница  / / Техническая информация / / Алфавиты, номиналы, коды / / Перевод единиц измерения. / / Единицы измерения углов (“угловых размеров”). Перевод единиц измерения угловой скорости и углового ускорения.  / / Уклон. Угловые градусы – перевод в % уклона. Длина на метр (единицу) подьема. Таблица 0-90°

Уклон. Угловые градусы – перевод в % уклона. Длина на метр (единицу) подьема – градиент индикатор. Таблица 0-90°

  • % уклон это 100 * Y/X (подъем / горизонтальная проекция длины)
Угловые градусы Длина на единицу подьёма % уклона
Y X
0.1 1 573.0 0.17
0.2 1 286.5 0.35
0.3 1 191.0 0.52
0.4 1 143.2 0.70
0.5 1 114.6 0.87
0.57 1 100 1
0.6 1 95.49 1.05
0.7 1 81.85 1.22
0.8 1 71.62 1.40
0.9 1 63.66 1.57
1 1 57.29 1.75
2 1 28.64 3.49
3 1 19.08 5.24
4 1 14.30 6.99
5 1 11.43 8.75
5.74 1 10 10
6 1 9.514 10.5
7 1 8.144 12.3
8 1 7.115 14.1
9 1 6.314 15.8
10 1 5.671 17.6
11 1 5.145 19.4
12 1 4.705 21.3
13 1 4.331 23.1
14 1 4.011 24.9
15 1 3.732 26.8
16 1 3.487 28.7
17 1 3.271 30.6
18 1 3.078 32.5
19 1 2.904 34.4
20 1 2.747 36.4
21 1 2.605 38.4
22 1 2.475 40.4
23 1 2.356 42.4
24 1 2.246 44.5
25 1 2.145 46.6
26 1 2.050 48.8
27 1 1.963 51.0
28 1 1.881 53.2
29 1 1.804 55.4
30 1 1.732 57.7
31 1 1.664 60.1
32 1 1.600 62.5
33 1 1.540 64.9
34 1 1.483 67.5
35 1 1.428 70.0
36 1 1.376 72.7
37 1 1.327 75.4
38 1 1.280 78.1
39 1 1.235 81.0
40 1 1.192 83.9
41 1 1.150 86.9
42 1 1.111 90.0
43 1 1.072 93.3
44 1 1.036 96.6
45 1 1.000 100.0
46 1 0.9657 103.6
47 1 0.9325 107.2
48 1 0.9004 111.1
49 1 0.8693 115.0
50 1 0.8391 119.2
51 1 0.8098 123.5
52 1 0.7813 128.0
53 1 0.7536 132.7
54 1 0.7265 137.6
55 1 0.7002 142.8
56 1 0.6745 148.3
57 1 0.6494 154.0
58 1 0.6249 160.0
59 1 0.6009 166.4
60 1 0.5774 173.2
61 1 0.5543 180.4
62 1 0.5317 188.1
63 1 0.5095 196.3
64 1 0.4877 205.0
65 1 0.4663 214.5
66 1 0.4452 224.6
67 1 0.4245 235.6
68 1 0.4040 247.5
69 1 0.3839 260.5
70 1 0.3640 274.7
71 1 0.3443 290.4
72 1 0.3249 307.8
73 1 0.3057 327.1
74 1 0.2867 348.7
75 1 0.2679 373.2
76 1 0.2493 401.1
77 1 0.2309 433.1
78 1 0.2126 470.5
79 1 0.1944 514.5
80 1 0.1763 567.1
81 1 0.1584 631.4
82 1 0.1405 711.5
83 1 0.1228 814.4
84 1 0.1051 951.4
85 1 0.08749 1143
86 1 0.06993 1430
87 1 0.05241 1908
88 1 0.03492 2864
89 1 0.01746 5729
90 1 0.00000



Нашли ошибку? Есть дополнения? Напишите нам об этом, указав ссылку на страницу.
TehTab.ru

Реклама, сотрудничество: [email protected]

Обращаем ваше внимание на то, что данный интернет-сайт носит исключительно информационный характер. Информация, представленная на сайте, не является официальной и предоставлена только в целях ознакомления. Все риски за использование информаци с сайта посетители берут на себя. Проект TehTab.ru является некоммерческим, не поддерживается никакими политическими партиями и иностранными организациями.

Лучшие практики и политики по снижению вреда для потребителей

Введение

Частный и государственный секторы все чаще обращаются к системам искусственного интеллекта (ИИ) и алгоритмам машинного обучения для автоматизации простых и сложных процессов принятия решений. 1 Массовая оцифровка данных и новые технологии, которые их используют, разрушают большинство секторов экономики, включая транспорт, розничную торговлю, рекламу, энергетику и другие области.ИИ также оказывает влияние на демократию и управление, поскольку развертываются компьютеризированные системы для повышения точности и повышения объективности государственных функций.

Доступность огромных наборов данных позволила легко получать новые идеи с помощью компьютеров. В результате алгоритмы, представляющие собой набор пошаговых инструкций, которым компьютеры следуют для выполнения задачи, стали более сложными и широко распространенными инструментами для автоматического принятия решений. 2 Хотя алгоритмы используются во многих контекстах, мы фокусируемся на компьютерных моделях, которые делают выводы из данных о людях, включая их личности, демографические атрибуты, их предпочтения и их вероятное будущее поведение, а также объекты, связанные с ними. 3

«Алгоритмы используют объемы макро- и микроданных, чтобы влиять на решения, влияющие на людей в целом ряде задач, от создания рекомендаций из фильмов до помощи банкам в определении кредитоспособности людей».

В мире до алгоритмов люди и организации принимали решения о найме, рекламе, вынесении уголовных приговоров и кредитовании. Эти решения часто регулируются федеральными законами, законами штата и местными законами, которые регулируют процессы принятия решений с точки зрения справедливости, прозрачности и беспристрастности.Сегодня некоторые из этих решений полностью принимаются или на них влияют машины, масштаб и статистическая точность которых обещают беспрецедентную эффективность. Алгоритмы используют объемы макро- и микроданных, чтобы влиять на решения, влияющие на людей в целом ряде задач, от создания рекомендаций из фильмов до помощи банкам в определении кредитоспособности людей. 4 В машинном обучении алгоритмы полагаются на несколько наборов данных или обучающих данных, которые определяют правильные выходные данные для некоторых людей или объектов.На основе этих обучающих данных он затем изучает модель, которую можно применить к другим людям или объектам, и делать прогнозы о том, какими должны быть правильные выходные данные для них. 5

Однако, поскольку машины могут по-разному обращаться с людьми и объектами, находящимися в одинаковом положении, исследования начинают выявлять некоторые тревожные примеры, когда реальность алгоритмического принятия решений не оправдывает наших ожиданий. Учитывая это, некоторые алгоритмы рискуют воспроизвести и даже усилить человеческие предубеждения, особенно те, которые затрагивают защищенные группы. 6 Например, автоматическая оценка риска, используемая судьями США для определения пределов освобождения под залог и вынесения приговора, может привести к неверным выводам, что приведет к значительным совокупным последствиям для определенных групп, таким как более длительные сроки тюремного заключения или более высокие сроки освобождения под залог для цветных.

В этом примере решение порождает «предвзятость» – термин, который мы определяем в широком смысле, поскольку он относится к результатам, которые систематически менее благоприятны для отдельных лиц в определенной группе и где нет существенных различий между группами, которые оправдывают такой вред. 7 Смещение алгоритмов может происходить из-за нерепрезентативных или неполных обучающих данных или из-за неверной информации, отражающей историческое неравенство. Если оставить без внимания предвзятые алгоритмы, они могут привести к решениям, которые могут иметь коллективное разрозненное влияние на определенные группы людей даже без намерения программиста проводить различие. Изучение предполагаемых и непредвиденных последствий алгоритмов необходимо и своевременно, особенно потому, что текущая государственная политика может быть недостаточной для выявления, смягчения и устранения последствий для потребителей.

Поскольку алгоритмы используются в различных приложениях, мы утверждаем, что операторы и другие заинтересованные стороны должны проявлять упорство в упреждающем устранении факторов, способствующих предвзятости. Выявление и своевременное реагирование на алгоритмическую предвзятость потенциально может предотвратить вредное воздействие на пользователей и тяжелую ответственность перед операторами и создателями алгоритмов, включая компьютерных программистов, правительство и лидеров отрасли. Эти участники составляют аудиторию серии предложений по смягчению последствий, которые будут представлены в этом документе, потому что они либо создают, лицензируют, распространяют, либо им поручено регулировать или законодательно закреплять алгоритмическое принятие решений для уменьшения дискриминационных намерений или последствий.

Наше исследование представляет основу для алгоритмической гигиены , которая определяет некоторые конкретные причины предубеждений и использует передовой опыт для их выявления и смягчения. Мы также представляем набор рекомендаций государственной политики, которые способствуют справедливому и этичному развертыванию технологий искусственного интеллекта и машинного обучения.

Этот документ основан на мнениях 40 мыслителей из различных академических дисциплин, секторов промышленности и организаций гражданского общества, которые участвовали в одном из двух круглых столов. 8 Участники круглого стола активно обсуждали концепции, связанные с алгоритмическим дизайном, подотчетностью и справедливостью, а также технические и социальные компромиссы, связанные с различными подходами к обнаружению и смягчению предвзятости.

Наша цель – сопоставить проблемы, с которыми компьютерные программисты и лидеры отрасли сталкиваются при разработке алгоритмов, с проблемами политиков и групп гражданского общества, которые оценивают их последствия. Чтобы сбалансировать инновации искусственного интеллекта и алгоритмов машинного обучения с защитой прав личности, мы представляем набор рекомендаций государственной политики, передовых методов саморегулирования и стратегий, ориентированных на потребителя, – все из которых способствуют справедливому и этичному развертыванию этих технологий. .

Наши рекомендации по государственной политике включают обновление законов о недискриминации и гражданских правах для применения к цифровым технологиям, использование нормативных «песочниц» для стимулирования экспериментов по борьбе с предвзятостью и безопасных гаваней для использования конфиденциальной информации для выявления и смягчения предубеждений. Мы также описываем набор передовых практик саморегулирования, таких как разработка заявления о влиянии предвзятости, инклюзивных принципов проектирования и кросс-функциональных рабочих групп. Наконец, мы предлагаем дополнительные решения, ориентированные на алгоритмическую грамотность пользователей и формальные механизмы обратной связи с группами гражданского общества.

В следующем разделе представлены пять примеров алгоритмов, объясняющих причины и источники их предвзятости. Позже в статье мы обсудим компромиссы между справедливостью и точностью в смягчении алгоритмической предвзятости, а затем предложим надежные передовые практики саморегулирования, рекомендации государственной политики и ориентированные на потребителя стратегии для устранения предубеждений в Интернете. В заключение мы подчеркнем важность упреждающего подхода к ответственному и этичному использованию машинного обучения и других автоматизированных инструментов принятия решений.

Примеры алгоритмических предубеждений

Алгоритмическая предвзятость может проявляться по-разному с разной степенью последствий для исследуемой группы. Рассмотрим следующие примеры, которые иллюстрируют как ряд причин, так и следствий, которые либо непреднамеренно применяют различное лечение к группам, либо намеренно оказывают на них разное воздействие.

Смещение в инструментах онлайн-найма

Интернет-магазин Amazon, чья глобальная рабочая сила на 60 процентов состоит из мужчин и где мужчины занимают 74 процента руководящих должностей в компании, недавно прекратила использование алгоритма найма после обнаружения гендерной предвзятости. 9 Данные, которые инженеры использовали для создания алгоритма, были получены из резюме, отправленных в Amazon за 10-летний период, преимущественно от белых мужчин. Алгоритм был обучен распознавать шаблоны слов в резюме, а не соответствующие наборы навыков, и эти данные сравнивались с преимущественно мужским инженерным отделом компании, чтобы определить, подходит ли кандидат. В результате программа искусственного интеллекта наказывала любое резюме, содержащее слово «женское» в тексте, и понижала рейтинг женщин, посещавших женские колледжи, что приводило к предвзятости по признаку пола. 10

Amazon прекратил использовать алгоритм найма, обнаружив, что он привел к гендерным предубеждениям при приеме на работу. (Кредит: Брайан Снайдер / Reuters)

Смещение словесных ассоциаций

Исследователи Принстонского университета использовали готовое программное обеспечение для машинного обучения искусственного интеллекта, чтобы проанализировать и связать 2,2 миллиона слов. Они обнаружили, что европейские имена воспринимались как более приятные, чем имена афроамериканцев, и что слова «женщина» и «девушка» чаще ассоциировались с искусством, а не с наукой и математикой, которые, скорее всего, были связаны с мужчинами. . 11 При анализе этих словесных ассоциаций в обучающих данных алгоритм машинного обучения учел существующие расовые и гендерные предубеждения, проявляемые людьми. Если выученные ассоциации этих алгоритмов использовались как часть алгоритма ранжирования в поисковых системах или для генерации предложений слов как часть инструмента автозаполнения, это могло иметь кумулятивный эффект усиления расовых и гендерных предубеждений.

Смещение в интернет-объявлениях

Латанья Суини, исследователь из Гарварда и бывший технический директор Федеральной торговой комиссии (FTC), обнаружила, что поисковые запросы афроамериканцев в Интернете с большей вероятностью возвращали этому человеку рекламу из службы, которая ведет записи об арестах, по сравнению с результаты объявления для белых имен. 12 Ее исследование также показало, что такая же дифференцированная трактовка имела место при микротаргетинге кредитных карт с более высокими процентными ставками и других финансовых продуктов, когда компьютер сделал вывод, что испытуемые были афроамериканцами, несмотря на то, что они имели такое же происхождение, как и белые. 13 Во время публичной презентации на слушаниях в Федеральной торговой комиссии по большим данным Суини продемонстрировал, как веб-сайт, посвященный празднованию столетия черного братства, постоянно получал рекламные предложения о покупке «записей об аресте» или получении кредита с высокой процентной ставкой. карточные предложения. 14

Смещение в технологии распознавания лиц

Исследователь из Массачусетского технологического института Джой Буоламвини обнаружила, что алгоритмы трех коммерчески доступных программных систем распознавания лиц не распознают лица с более темной кожей. 15 Как правило, в большинстве наборов данных для обучения распознаванию лиц более 75 процентов составляют мужчины и более 80 процентов – белые. Когда человек на фотографии был белым мужчиной, программа в 99% случаев точно определяла человека как мужчину.Согласно исследованию Буоламвини, процент ошибок продукта для трех продуктов в целом составлял менее одного процента, но увеличился до более чем 20 процентов в одном продукте и до 34 процентов в двух других при идентификации темнокожих женщин как женщин. 16 В ответ на результаты анализа лица Буоламвини и IBM, и Microsoft взяли на себя обязательство повысить точность своего программного обеспечения для распознавания лиц с более темной кожей.

Предубеждение в алгоритмах уголовного правосудия

Признание возможности и причин предвзятости – первый шаг в любом подходе к смягчению последствий.

Алгоритм COMPAS (Профилирование исправительных правонарушителей для альтернативных санкций), который используется судьями для прогнозирования того, должны ли обвиняемые быть задержаны или освобождены под залог до суда, был признан предвзятым по отношению к афроамериканцам, согласно отчету ProPublica. 17 Алгоритм присваивает оценку риска вероятности совершения обвиняемым правонарушения в будущем, полагаясь на объемные данные, доступные в записях об арестах, демографические данные обвиняемого и другие переменные.По сравнению с белыми, у которых была одинаковая вероятность повторного совершения преступления, афроамериканцы с большей вероятностью получали более высокий балл риска, что приводило к более длительным срокам содержания под стражей в ожидании суда. 18 Northpointe, фирма, которая продает результаты алгоритма, предлагает доказательства для опровержения таких утверждений и утверждает, что для оценки справедливости продукта используются неверные метрики – тема, к которой мы вернемся позже в статье.

Хотя эти примеры предвзятости не являются исчерпывающими, они предполагают, что эти проблемы являются эмпирической реальностью, а не просто теоретическими проблемами.Они также иллюстрируют, как эти результаты возникают, и в некоторых случаях без злого умысла со стороны создателей или операторов алгоритма. Признание возможности и причин предвзятости – это первый шаг в любом подходе к смягчению последствий. По этому поводу участник круглого стола Рикардо Баеза-Ятс из NTENT заявил, что «[компании] по-прежнему будут иметь проблемы с обсуждением алгоритмической предвзятости, если они не будут ссылаться на саму фактическую предвзятость».

Причины предвзятости

Барокас и Селбст отмечают, что предвзятость может закрасться на всех этапах проекта, «… будь то указание проблемы, которую нужно решить таким образом, чтобы по-разному воздействовать на классы, неспособность распознать или устранить статистические предубеждения, воспроизвести прошлые предрассудки или рассмотреть недостаточно богатый набор факторов.” 19 Участники круглого стола уделяли особое внимание предвзятости, возникающей из-за недостатков данных, используемых для обучения алгоритмов. «Некорректные данные – большая проблема, – заявила участница круглого стола Люси Вассерман из Google, – особенно для групп, над защитой которых прилагают все усилия». Хотя причин много, мы сосредоточимся на двух из них: исторических человеческих предубеждений и неполных или нерепрезентативных данных .

Исторические человеческие предубеждения

Исторические человеческие предубеждения сформированы широко распространенными и часто глубоко укоренившимися предубеждениями против определенных групп, которые могут привести к их воспроизведению и усилению в компьютерных моделях.В алгоритме COMPAS, если афроамериканцы с большей вероятностью будут арестованы и заключены в тюрьму в США из-за исторического расизма, различий в полицейской практике или других неравенств в системе уголовного правосудия, эти реалии будут отражены в данных обучения и использованы вносить предложения о задержании подсудимого. Если в модель учесть исторические предубеждения, она будет делать такие же неправильные суждения, как и люди.

Алгоритм приема на работу Amazon показал аналогичную траекторию, когда мужчины были эталоном профессиональной «пригодности», в результате чего женщины-кандидаты и их атрибуты были занижены.Эти исторические реалии часто отражаются в разработке и исполнении алгоритмов, и они усугубляются отсутствием разнообразия, которое существует в областях компьютерной науки и науки о данных. 20

Кроме того, человеческие предубеждения могут усиливаться и сохраняться без ведома пользователя. Например, афроамериканцы, которые в первую очередь являются мишенью для опционов на кредитные карты с высокой процентной ставкой, могут обнаружить, что нажимают на этот тип рекламы, не осознавая, что они будут продолжать получать такие хищные предложения в Интернете.В этом и других случаях алгоритм может никогда не накапливать противоречащие фактам рекламные предложения (например, варианты кредита с более низкой процентной ставкой), которые потребитель мог бы иметь право и предпочел. Таким образом, разработчикам алгоритмов и операторам важно следить за такими потенциальными петлями отрицательной обратной связи, которые со временем приводят к тому, что алгоритм становится все более предвзятым.

Неполные или нерепрезентативные данные обучения

Недостаток обучающих данных – еще одна причина алгоритмической ошибки.Если данные, используемые для обучения алгоритма, более репрезентативны для одних групп людей, чем для других, прогнозы модели также могут быть систематически хуже для непредставленных или недостаточно представительных групп. Например, в экспериментах Буоламвини по анализу лиц плохое распознавание лиц с более темной кожей было в значительной степени из-за их статистической недостаточной представленности в данных обучения. То есть алгоритм предположительно уловил определенные черты лица, такие как расстояние между глазами, форма бровей и вариации оттенков кожи лица, как способы обнаружения мужских и женских лиц.Однако черты лица, которые были более репрезентативными в данных обучения, не были столь разнообразными и, следовательно, менее надежными для различения цвета лица, что даже приводило к ошибочной идентификации темнокожих женщин как мужчин.

Тернер Ли утверждал, что часто отсутствие разнообразия среди программистов, разрабатывающих обучающую выборку, может приводить к недопредставлению определенной группы или конкретных физических атрибутов. 21 Выводы Буоламвини были связаны с ее тщательностью в тестировании, выполнении и оценке различных проприетарных программ для анализа лица в различных условиях, исправляя отсутствие разнообразия в их выборках.

И наоборот, алгоритмы со слишком большим объемом данных или избыточным представлением могут склонить решение к конкретному результату. Исследователи из Джорджтаунской школы права обнаружили, что около 117 миллионов взрослых американцев участвуют в сетях распознавания лиц, используемых правоохранительными органами, и что афроамериканцы с большей вероятностью будут выделены в первую очередь из-за их избыточного представительства в базах данных фотографов. 22 Следовательно, лица афроамериканцев имели больше возможностей для ложного сопоставления, что приводило к предвзятому эффекту.

Стратегии обнаружения смещения

Понимание различных причин предубеждений – первый шаг к внедрению эффективной алгоритмической гигиены. Но как операторы алгоритмов могут оценить, действительно ли их результаты предвзяты? Даже когда ошибки в обучающих данных исправлены, результаты все еще могут быть проблематичными, потому что контекст имеет значение во время фазы обнаружения смещения.

«Даже когда недостатки в обучающих данных исправлены, результаты могут быть проблематичными, потому что контекст имеет значение на этапе обнаружения смещения.”

Во-первых, все подходы к обнаружению должны начинаться с осторожного обращения с конфиденциальной информацией пользователей, включая данные, идентифицирующие членство человека в группе, защищенной на федеральном уровне (например, раса, пол). В некоторых случаях операторы алгоритмов могут также беспокоиться о принадлежности человека к какой-либо другой группе, если они также подвержены несправедливым результатам. Примером этого могут быть приемные комиссары колледжей, обеспокоенные тем, что алгоритм исключает абитуриентов из малообеспеченных или сельских районов; это люди, которые могут не находиться под защитой государства, но подвержены определенному ущербу (например,г., финансовые затруднения).

В первом случае системная предвзятость в отношении защищаемых классов может привести к коллективным, разрозненным воздействиям , которые могут иметь основу для юридически признанного вреда, такого как отказ в выдаче кредита, расовое профилирование в Интернете или массовое наблюдение. 23 В последнем случае результаты алгоритма могут давать неравных результатов, или неравные частоты ошибок для разных групп, но они не могут нарушать законодательные запреты, если не было намерения проводить различие.

Эти проблемные результаты должны привести к дальнейшему обсуждению и осознанию того, как алгоритмы работают с конфиденциальной информацией, а также к компромиссам в отношении справедливости и точности моделей.

Алгоритмы и конфиденциальная информация

Хотя интуитивно привлекательно думать, что алгоритм может не замечать чувствительные атрибуты, это не всегда так. 24 Критики указали, что алгоритм может классифицировать информацию на основе онлайн-прокси для чувствительных атрибутов, создавая предвзятость в отношении группы даже без принятия решений, непосредственно основанных на членстве в этой группе.Барокас и Селбст определяют онлайн-прокси как «факторы, используемые в процессе оценки алгоритма, которые являются просто заменой для защищенных групп, например, почтовый индекс в качестве прокси для расы или рост и вес в качестве заместителей для пола». 25 Они утверждают, что прокси-серверы, часто связанные с алгоритмами, могут приводить как к ошибкам, так и к дискриминационным результатам, например, в случаях, когда почтовый индекс используется для определения решений о цифровом кредитовании или гонка приводит к разным результатам. 26 Рекламная платформа Facebook содержала прокси-серверы, которые позволяли продавцам жилья микротаргетировать предпочтительных арендаторов и покупателей, щелкая по точкам данных, включая предпочтения по почтовому индексу. 27 Таким образом, возможно, что алгоритм, который полностью игнорирует чувствительный атрибут, может фактически дать тот же результат, что и алгоритм, использующий атрибут дискриминационным образом.

«Хотя интуитивно привлекательно думать, что алгоритм может не замечать чувствительные атрибуты, это не всегда так».

Например, Amazon приняла корпоративное решение исключить определенные районы из своей системы доставки Prime в тот же день. Их решение основывалось на следующих факторах: имел ли конкретный почтовый индекс достаточное количество членов Prime, находился ли рядом со складом и имелось ли достаточное количество людей, желающих доставить по этому почтовому индексу. 28 Хотя эти факторы соответствовали модели рентабельности компании, они привели к исключению бедных, преимущественно афроамериканских кварталов, преобразовав эти данные в прокси для расовой классификации. Результаты, даже непреднамеренные, дискриминировали расовые и этнические меньшинства, которые не были включены.

Точно так же алгоритм сопоставления вакансий может не получать поле пола в качестве входных данных, но он может давать разные оценки соответствия для двух резюме, которые отличаются только заменой имени «Мэри» на «Марк», потому что алгоритм обучен проводите эти различия с течением времени.

Также есть аргументы, что закрытие алгоритма для чувствительных атрибутов может вызвать алгоритмическое смещение в некоторых ситуациях. Корбетт-Дэвис и Гоэл в своем исследовании алгоритма COMPAS отмечают, что даже после учета «законных» факторов риска эмпирически установлено, что женщины реже совершают повторные преступления, чем мужчины во многих юрисдикциях. 29 Если алгоритму запрещено сообщать разные оценки риска для двух обвиняемых по уголовным делам, которые различаются только по полу, судьи могут с меньшей вероятностью освободить обвиняемых-женщин, чем обвиняемых-мужчин, с равными фактическими рисками совершения другого преступления до суда.Таким образом, исключение алгоритма из любого типа чувствительного атрибута не может устранить систематическую ошибку.

Хотя участники круглого стола не пришли к согласию относительно использования онлайн-прокси в моделировании, они в основном согласились с тем, что операторы алгоритмов должны быть более прозрачными в обращении с конфиденциальной информацией, особенно если потенциальный прокси-сервер сам по себе может наносить юридический классификационный ущерб. 30 Также обсуждалось, что использование чувствительных атрибутов как часть алгоритма может быть стратегией для обнаружения и, возможно, устранения преднамеренных и непреднамеренных предубеждений.Поскольку в настоящее время это может быть ограничено правилами конфиденциальности, такими как Общие правила защиты данных Европейского Союза (GDPR) или предлагаемое федеральное законодательство США о конфиденциальности, можно привести аргумент в пользу использования нормативных песочниц и безопасных гаваней, чтобы разрешить использование конфиденциальных данных. информация при выявлении и устранении предубеждений, которые будут включены в наши рекомендации по политике.

Обнаружение смещения

При обнаружении систематической ошибки компьютерные программисты обычно проверяют набор выходных данных, создаваемых алгоритмом, на предмет аномальных результатов.Сравнение результатов для разных групп может быть полезным первым шагом. Это можно сделать даже с помощью моделирования. Участник круглого стола Рич Каруана из Microsoft предложил компаниям рассмотреть возможность моделирования прогнозов (как истинных, так и ложных), прежде чем применять их к реальным сценариям. «Нам почти необходим вторичный процесс сбора данных, потому что иногда модель [выдает] нечто совершенно иное», – поделился он. Например, если средний балл алгоритма подбора вакансий для кандидатов-мужчин выше, чем для женщин, могут потребоваться дальнейшие исследования и моделирование.

Однако обратная сторона этих подходов состоит в том, что не все неравные результаты несправедливы. Участник круглого стола Солон Барокас из Корнельского университета резюмировал это, сказав: «Возможно, мы обнаружим, что у нас есть очень точная модель, но она все равно дает несопоставимые результаты. Это может быть прискорбно, но справедливо ли это? ” Альтернативой учету неравных результатов может быть рассмотрение равенства количества ошибок и того, больше ли ошибок у одной группы людей, чем у другой.По этому поводу Изабель Клуманн из Facebook поделилась, что «у общества есть ожидания. Одно из них не заключается в непропорциональном заключении в тюрьму одной группы меньшинства [в результате алгоритма] ».

Как показали дебаты вокруг алгоритма COMPAS, даже частота ошибок не является простой лакмусовой бумажкой для смещенных алгоритмов. Компания Northpointe, разработавшая алгоритм COMPAS, опровергает утверждения о расовой дискриминации. Они утверждают, что среди обвиняемых, которым присвоена одинаковая оценка высокого риска, афроамериканцы и белые обвиняемые имеют почти равные уровни рецидивизма, так что по этому показателю в решении алгоритма нет ошибки. 31 По их мнению, судьи могут рассматривать свой алгоритм без какой-либо ссылки на гонку в решениях об освобождении под залог и освобождении.

Как правило, невозможно иметь одинаковые коэффициенты ошибок между группами для всех различных коэффициентов ошибок. 32 ProPublica сосредоточилась на одном уровне ошибок, а Northpointe – на другом. Таким образом, необходимо установить некоторые принципы, для которых частота ошибок должна быть уравновешена в каких ситуациях, чтобы быть справедливыми.

Алгоритм COMPAS, который используется судьями для прогнозирования того, должны ли обвиняемые быть задержаны или освобождены под залог до суда, привлек внимание к заявлениям о потенциальной расовой дискриминации.(Кредит: Стивен Лам / Reuters)

Однако различение того, как алгоритм работает с конфиденциальной информацией, и потенциальных ошибок может быть проблематичным для операторов алгоритмов, политиков и групп гражданского общества. 33 «Компании потеряют много, если мы не будем проводить различие между ними», – сказала Джули Брилл из Microsoft. По крайней мере, участники круглого стола согласились с тем, что алгоритмы не должны увековечивать историческое неравенство и что необходимо проделать большую работу для решения проблемы онлайн-дискриминации. 34

Компромиссы справедливости и точности

Далее необходимо обсуждение компромиссов и этики. Здесь следует сосредоточить внимание на оценке как социальных представлений о «справедливости», так и возможных социальных издержек. В своем исследовании алгоритма COMPAS Корбетт-Дэвис, Гоэль, Пирсон, Феллер и Хук видят «внутреннее противоречие между минимизацией насильственных преступлений и удовлетворением общих представлений о справедливости». 35 Они пришли к выводу, что оптимизация с точки зрения общественной безопасности приводит к решениям, которые наказывают цветных подсудимых, удовлетворяя при этом определениям правовой и социальной справедливости, и может привести к большему количеству освобождений подсудимых с высоким риском, что отрицательно скажется на общественной безопасности. 36 Более того, негативное воздействие на общественную безопасность может также непропорционально сильно повлиять на афроамериканские и белые районы, что также приведет к издержкам справедливости.

Если цель состоит в том, чтобы избежать усиления неравенства, что же тогда должны делать разработчики и операторы алгоритмов, чтобы смягчить потенциальные предубеждения? Мы утверждаем, что разработчики алгоритмов должны сначала найти способы уменьшить неравенство между группами, не жертвуя общей производительностью модели, особенно когда кажется, что существует компромисс.

Несколько участников круглого стола утверждали, что существуют возможности для повышения справедливости и точности алгоритмов. Для программистов исследование очевидных ошибок в программном обеспечении может выявить, почему модель не была максимальной для общей точности. Устранение этих ошибок может повысить общую точность. Наборы данных, которые могут быть недостаточно репрезентативными для определенных групп, могут потребовать дополнительных обучающих данных для повышения точности принятия решений и уменьшения несправедливых результатов.Эксперименты Буоламвини по распознаванию лиц являются хорошими примерами такого подхода к справедливости и точности.

Участница круглого стола Сара Холланд из Google указала на толерантность к риску, связанную с подобными компромиссами, когда она поделилась, что «повышение риска также связано с поднятием вопросов справедливости». Таким образом, компании и другие операторы алгоритмов должны определить, оправданы ли социальные издержки компромиссов, вовлечены ли заинтересованные стороны в решение с помощью алгоритмов или необходимы ли люди, принимающие решения, для разработки решения.

Этические рамки имеют значение

В основе этих компромиссов в отношении справедливости и точности должно быть обсуждение этических рамок и потенциальных препятствий для задач и систем машинного обучения. В настоящее время предпринимаются несколько текущих и недавних международных и базирующихся в США усилий по разработке стандартов этического управления при использовании ИИ. 37 Ожидается, что в ближайшее время Организация экономического сотрудничества и развития (ОЭСР), состоящая из 35 членов, опубликует свои собственные руководящие принципы этического ИИ. 38 Европейский Союз недавно выпустил «Руководящие принципы этики для надежного ИИ», в которых выделяются семь принципов управления: (1) человеческое вмешательство и надзор, (2) техническая надежность и безопасность, (3) конфиденциальность и управление данными, (4) прозрачность , (5) разнообразие, недискриминация и справедливость, (6) экологическое и социальное благополучие и (7) подотчетность. 39 Этические рамки ЕС отражают четкий консенсус в отношении того, что «несправедливо проводить дискриминацию – неэтично». В рамках этих руководящих принципов государства-члены связывают разнообразие и недискриминацию с принципами справедливости, обеспечивая включение и разнообразие на протяжении всего жизненного цикла системы искусственного интеллекта.Их принципы интерпретируют справедливость через призму равного доступа, инклюзивных процессов проектирования и равного обращения.

Тем не менее, даже несмотря на эти правительственные усилия, все еще на удивление сложно определить и измерить справедливость. 40 Хотя не всегда возможно удовлетворить все понятия справедливости одновременно, компании и другие операторы алгоритмов должны знать, что не существует простой метрики для измерения справедливости, которую может применить инженер-программист, особенно при проектировании. алгоритмов и определение соответствующих компромиссов между точностью и справедливостью.Справедливость – это человеческая, а не математическая решимость, основанная на общих этических убеждениях. Таким образом, алгоритмические решения, которые могут иметь серьезные последствия для людей, потребуют участия человека.

Например, хотя расхождения в обучающих данных в алгоритме COMPAS можно исправить, человеческая интерпретация справедливости все еще имеет значение. По этой причине, хотя такой алгоритм, как КОМПАС, может быть полезным инструментом, он не может заменить принятие решений, которое остается на усмотрение человеческого арбитра. 41 Мы считаем, что тщательное тестирование алгоритма может бросить вызов различным определениям справедливости, что является полезным упражнением для компаний и других операторов алгоритмов.

«Для операторов и разработчиков алгоритмов важно всегда спрашивать себя: оставим ли мы некоторые группы людей хуже в результате конструкции алгоритма или его непредвиденных последствий?

При принятии решения о создании и выводе алгоритмов на рынок необходимо учитывать этику вероятных результатов – особенно в тех областях, где правительства, гражданское общество или политики видят потенциал нанесения ущерба и где существует риск сохранения существующих предубеждений или принятия защищенных группы, более уязвимые к существующему социальному неравенству.Вот почему для операторов и разработчиков алгоритмов важно всегда спрашивать себя: Оставим ли мы некоторые группы людей в худшем положении в результате конструкции алгоритма или его непредвиденных последствий?

Мы предлагаем, чтобы этот вопрос был одним из многих, которые создатели и операторы алгоритмов должны учитывать при разработке, выполнении и оценке алгоритмов, которые описаны в следующих предложениях по смягчению последствий. Наше первое предложение касается обновления U.S. Законы о недискриминации применимы к цифровому пространству.

Предложения по смягчению последствий


Законы о недискриминации и другие законы о гражданских правах должны быть обновлены, чтобы интерпретировать и компенсировать разрозненные воздействия в Интернете

Чтобы завоевать доверие политиков, программисты, компании и другие операторы алгоритмов должны соблюдать законы и постановления США, которые в настоящее время запрещают дискриминацию в общественных местах. Исторически сложилось так, что законы и постановления о недискриминации недвусмысленно определяют пороговые значения и параметры для несопоставимого отношения к защищаемым классам.Закон о гражданских правах 1964 года «запрещает дискриминацию по признаку пола, а также расы при приеме на работу, продвижении по службе и увольнении». Закон о справедливом жилищном обеспечении 1968 года запрещает дискриминацию классов, находящихся под федеральной защитой, при продаже, аренде и финансировании жилья, а также в других сделках, связанных с жильем. Принятый в 1974 году Закон о равных возможностях кредита запрещает кредитору дискриминировать любого заявителя по любому типу кредитной операции на основе защищенных характеристик. Хотя эти законы не обязательно смягчают и устраняют другие неявные или неосознанные предубеждения, которые могут быть встроены в алгоритмы, компании и другие операторы должны избегать нарушения этих установленных законом ограничений при разработке алгоритмов, а также смягчать их неявную озабоченность по поводу предотвращения прошлой дискриминации. продолжение.

Участница круглого стола Венди Андерсон из офиса конгрессмена Вэл Демингс заявила: «[Типично] законодатели слышат только тогда, когда происходит что-то плохое. Нам нужно найти способ защитить тех, кто в этом нуждается, не подавляя инноваций ». Конгресс может разъяснить, как эти законы о недискриминации применяются к типам жалоб, недавно обнаруженных в цифровом пространстве, поскольку большинство этих законов были написаны до появления Интернета. 42 Такое законодательное действие может обеспечить более четкие ограничения, которые срабатывают, когда алгоритмы способствуют юридически признанному ущербу.Более того, когда создатели и операторы алгоритмов понимают, что это могут быть более или менее не подлежащие обсуждению факторы, технический дизайн будет более продуманным, отойдя от моделей, которые могут вызывать и усугублять явную дискриминацию, например, рамки дизайна, которые исключают, а не включают определенные входы или не проверяются на предвзятость. 43

Операторы алгоритмов должны разработать отчет о влиянии смещения

После того, как идея алгоритма была проверена на соответствие законам о недискриминации, мы предлагаем операторам алгоритмов разработать заявление о влиянии предвзятости, которое мы предлагаем в качестве шаблона вопросов, которые можно гибко применять, чтобы направлять их через проектирование, реализацию и мониторинг. фазы.

В качестве практики саморегулирования заявление о влиянии смещения может помочь исследовать и предотвратить любые потенциальные смещения, которые заложены в алгоритмическом решении или являются его результатом. В качестве передовой практики операторы алгоритмов должны провести мозговой штурм по основному набору исходных предположений о цели алгоритма до его разработки и выполнения. Мы предлагаем операторам применять заявление о влиянии смещения для оценки цели, процесса и производства алгоритма, где это уместно.Участники круглого стола также отметили важность создания кросс-функциональной и междисциплинарной команды для создания и реализации заявления о влиянии предвзятости.

  • Институт AI Now Нью-Йоркского университета

Институт AI Now при Нью-Йоркском университете уже представил структуру модели, которую правительственные органы могут использовать для создания алгоритмических оценок воздействия (AIA), которые оценивают потенциальные пагубные последствия алгоритма таким же образом, как окружающая среда, конфиденциальность, данные или права человека. заявления о воздействии. 44 Хотя могут быть различия в реализации, учитывая тип прогнозной модели, AIA включает в себя несколько раундов проверки внутренней, внешней и общественной аудиторией. Во-первых, предполагается, что после этого обзора компания с помощью более технических внешних экспертов разработает список потенциального вреда или предвзятости в своей самооценке. Во-вторых, если кажется, что произошла предвзятость, AIA требует, чтобы уведомление было направлено затронутым группам населения, и открывается период комментариев для ответа.И в-третьих, процесс AIA рассчитывает на то, что федеральные и другие организации поддержат право пользователей оспаривать алгоритмические решения, которые кажутся несправедливыми.

Хотя процесс AIA поддерживает существенную петлю обратной связи, может отсутствовать как необходимая предусмотрительность, ведущая к решению, так и надзор за положениями алгоритма. Более того, предлагаемое нами заявление о влиянии предвзятости начинается с структуры, которая определяет автоматизированных решений , которые должны быть подвергнуты такой проверке, стимулированию операторов и взаимодействию с заинтересованными сторонами.

  • Какие автоматизированные решения?

В случае определения того, какие автоматизированные решения требуют такой проверки, операторы алгоритмов должны начинать с вопросов о том, будет ли возможен отрицательный или непредвиденный результат в результате алгоритма, для кого и серьезность последствий для членов затронутых группа, если не обнаружена и не устранена. Анализ установленных правовых мер защиты в отношении справедливого жилья, занятости, кредита, уголовного правосудия и здравоохранения должен служить отправной точкой для определения того, какие решения следует рассматривать с особой осторожностью при разработке и тестировании любого алгоритма, используемого для прогнозирования результатов или принятия важных решений о соответствии критериям отбора. о доступе к пособию.Это особенно верно, учитывая правовые предписания против использования данных, которые могут иметь разрозненное влияние на защищаемый класс или другой установленный ущерб. Таким образом, мы предлагаем операторам постоянно ставить под сомнение потенциальные правовые, социальные и экономические последствия и потенциальные обязательства, связанные с этим выбором, при определении того, какие решения следует автоматизировать и как автоматизировать их с минимальными рисками.

  • Каковы стимулы для пользователей?

Поощрения также должны побуждать организации к активному устранению алгоритмических предубеждений.И наоборот, операторы, которые создают и внедряют алгоритмы, обеспечивающие более справедливые результаты, также должны быть признаны политиками и потребителями, которые будут больше доверять им в их практике. Когда компании применяют эффективную алгоритмическую гигиену до, во время и после внедрения алгоритмического принятия решений, они должны быть вознаграждены и, возможно, публично признаны за передовой опыт.

  • Как вовлекаются заинтересованные стороны?

Наконец, последний элемент, инкапсулированный в заявлении о влиянии смещения, должен включать участие заинтересованных сторон, которые могли бы помочь компьютерным программистам в выборе входных и выходных данных для определенных автоматизированных решений.«Технология успешна, когда пользователи понимают продукт лучше, чем его дизайнеры», – сказал Рич Каруана из Microsoft. Вовлечение пользователей на раннем этапе и на протяжении всего процесса приведет к улучшению алгоритмов, что в конечном итоге приведет к улучшению взаимодействия с пользователем.

Обязанности заинтересованных сторон могут также распространяться на организации гражданского общества, которые могут внести вклад в обсуждение структуры алгоритма. «Компании [должны] привлекать гражданское общество», – поделилась Миранда Боген из Upturn. «В противном случае они пойдут со своими жалобами в прессу и регулирующие органы.«Возможным решением для операторов алгоритмов могло бы стать создание консультативного совета организаций гражданского общества, который, работая вместе с компаниями, может быть полезным при определении объема процедуры и прогнозирования предубеждений на основе их базового опыта.

  • Шаблон отчета о влиянии смещения

Эти три основополагающих элемента для заявления о влиянии смещения отражены в дискретном наборе вопросов, на которые операторы должны ответить на этапе проектирования, чтобы отфильтровать потенциальные смещения (таблица 1).В качестве основы саморегулирования компьютерные программисты и другие операторы алгоритмов могут создать инструмент этого типа до разработки и выполнения модели.

Таблица 1. Шаблон вопросов проектирования для отчета о влиянии систематической ошибки
Что будет делать автоматизированное решение?
Кто является аудиторией алгоритма и кого он больше всего затронет?
Есть ли у нас данные для обучения, чтобы делать правильные прогнозы относительно решения?
Достаточно ли разнообразны и надежны обучающие данные? Каков жизненный цикл данных алгоритма?
Какие группы нас беспокоят, когда речь идет об ошибках в обучающих данных, несопоставимой обработке и влиянии?
Как будет обнаруживаться потенциальная систематическая ошибка?
Как и когда будет протестирован алгоритм? Кто будет объектами тестирования?
Каким будет порог для измерения и коррекции систематической ошибки в алгоритме, особенно в отношении защищенных групп?
Каковы стимулы для операторов?
Что мы получим при разработке алгоритма?
Каковы потенциально плохие результаты и как мы узнаем об этом?
Как открыть (напр.g., в коде или намерении) будем ли мы доводить процесс разработки алгоритма до внутренних партнеров, клиентов и заказчиков?
Какое вмешательство будет предпринято, если мы предскажем, что могут быть плохие результаты, связанные с разработкой или развертыванием алгоритма?
Как вовлекаются другие заинтересованные стороны?
Какова обратная связь алгоритма для разработчиков, внутренних партнеров и клиентов?
Участвуют ли организации гражданского общества в разработке алгоритма?
Было ли учтено разнообразие при проектировании и исполнении?
Будет ли алгоритм влиять на культурные группы и по-разному действовать в культурном контексте?
Достаточно ли представительна группа разработчиков, чтобы уловить эти нюансы и спрогнозировать применение алгоритма в различных культурных контекстах? Если нет, какие шаги предпринимаются, чтобы сделать эти сценарии более заметными и понятными для дизайнеров?
Достаточно ли разнообразны обучающие данные с учетом цели алгоритма?
Существуют ли законодательные ограничения, которые компании должны учитывать, чтобы гарантировать, что алгоритм является как законным, так и этичным?

Разнообразие дизайна

Операторы алгоритмов должны также учитывать роль разнообразия в своих рабочих группах, данные обучения и уровень культурной чувствительности в своих процессах принятия решений.Предварительное использование разнообразия при разработке алгоритмов вызовет и потенциально предотвратит пагубные дискриминационные последствия для определенных защищаемых групп, особенно расовых и этнических меньшинств. Хотя непосредственные последствия предвзятости в этих областях могут быть небольшими, огромное количество цифровых взаимодействий и выводов может составить новую форму системной предвзятости. Следовательно, операторы алгоритмов не должны сбрасывать со счетов возможность или преобладание предвзятости и должны стремиться к тому, чтобы для разработки алгоритма использовались разнообразные кадры, интеграция инклюзивных пространств в свои продукты или использование «разнообразия в дизайне», когда преднамеренные и прозрачные действия будут быть приняты для обеспечения того, чтобы культурные предубеждения и стереотипы были устранены заблаговременно и надлежащим образом.Добавление инклюзивности в дизайн алгоритма может потенциально проверить культурную инклюзивность и чувствительность алгоритмов для различных групп и помочь компаниям избежать того, что может быть спорным и затруднительным алгоритмическим результатом.

Заявление о влиянии смещения не должно быть исчерпывающим инструментом. Для алгоритмов, ставящих на карту больше, постоянный анализ их выполнения должен быть включен в процесс. Цель здесь состоит в том, чтобы отслеживать разрозненные воздействия модели, граничащие с неэтичным, несправедливым и несправедливым принятием решений.Когда процесс идентификации и прогнозирования цели алгоритма будет достигнут, надежная петля обратной связи поможет в обнаружении предвзятости, что приводит к следующей рекомендации, продвигающей регулярные аудиты.

Другие передовые методы саморегулирования


Операторы алгоритмов должны регулярно проводить аудит на предмет систематической ошибки

Формальный и регулярный аудит алгоритмов для проверки смещения – еще один лучший способ обнаружения и смягчения смещения. О важности этих аудитов участник круглого стола Джон Клейнберг из Корнельского университета поделился, что «у алгоритма нет другого выбора, кроме как заранее продумать».«Аудиты побуждают анализировать как входные данные, так и выходные решения, и, когда они проводятся сторонним оценщиком, они могут дать представление о поведении алгоритма. Хотя некоторые аудиты могут потребовать технических знаний, это не всегда так. Программное обеспечение для распознавания лиц, которое ошибочно идентифицирует цветных людей в большей степени, чем белых, – это случай, когда заинтересованное лицо или пользователь может определить предвзятые результаты, ничего не зная о том, как алгоритм принимает решения. «Мы должны ожидать, что компьютеры будут иметь контрольный след», – поделилась участница круглого стола Миранда Боген из Upturn.Разработка регулярного и тщательного аудита данных, собранных для алгоритмической работы, наряду с ответами разработчиков, гражданского общества и других лиц, на которых влияет алгоритм, позволит лучше выявлять и, возможно, предотвращать предубеждения.

«Разработка регулярного и тщательного аудита данных, собранных для алгоритмической работы, наряду с ответами разработчиков, гражданского общества и других лиц, на которых влияет алгоритм, позволит лучше выявить и, возможно, предотвратить предвзятость».

Опыт государственных служащих в округе Аллегейни отражает важность стороннего аудита.В 2016 году Департамент социальных служб запустил инструмент поддержки принятия решений – Allegheny Family Screening Tool (AFST), чтобы получить оценку, по которой дети, скорее всего, будут выселены из дома в течение двух лет или будут повторно направлены. окружное управление по делам детей в связи с подозрением в жестоком обращении. Округ взял на себя ответственность за использование инструмента, работал совместно с разработчиком и заказал независимую оценку его прямого и косвенного воздействия на процесс проверки на жестокое обращение, включая точность решений, рабочую нагрузку и последовательность.Должностные лица округа также запросили у экспертов дополнительные независимые исследования, чтобы определить, дискриминирует ли программное обеспечение определенные группы. В 2017 году результаты действительно выявили некоторые статистические диспропорции с более высоким уровнем ошибок по расовым и этническим группам. Белые дети, у которых был самый высокий риск жестокого обращения, с меньшей вероятностью были удалены из дома по сравнению с афроамериканскими детьми с аналогичными оценками риска. 45 Округ отреагировал на эти выводы в рамках модернизации инструмента, и в ноябре 2018 года была внедрена вторая версия. 46

Facebook недавно завершил аудит гражданских прав, чтобы определить, как он справляется с проблемами и отдельными лицами из защищенных групп. 47 После раскрытия того, как платформа решала различные проблемы, включая подавление избирателей, модерацию контента, конфиденциальность и разнообразие, компания взяла на себя обязательство провести обновленный аудит своей внутренней инфраструктуры для рассмотрения жалоб, связанных с нарушением гражданских прав, и решения вопросов разнообразия в дизайн своей продукции по умолчанию. Недавние действия Facebook по запрету белого националистического контента или борьбе с кампаниями по дезинформации являются одними из результатов этих усилий. 48

Операторы алгоритмов должны полагаться на межфункциональные рабочие группы и опыт

Участники круглого стола в целом признали идею о том, что организации должны использовать межфункциональные команды. Но движение в этом направлении может быть затруднено в уже разрозненных организациях, несмотря на технические, социальные и, возможно, юридические последствия, связанные с разработкой и исполнением алгоритма. Не все решения потребуют такого анализа между группами, но когда эти решения несут риск реального вреда, их следует использовать.В целях снижения предвзятости и управления рисками, связанными с алгоритмом, совместные рабочие группы могут компенсировать слепые пятна, которые часто упускаются в небольших, сегментированных беседах и обзорах. Объединение экспертов из различных отделов, дисциплин и секторов поможет разработать стандарты подотчетности и стратегии для смягчения предубеждений в Интернете, в том числе в инженерном, юридическом, маркетинговом, стратегическом и коммуникационном направлениях.

Межфункциональные рабочие группы – независимо от того, руководят ли они внутренними или внешними экспертами – могут попытаться выявить предвзятость до и во время развертывания модели.Кроме того, партнерство между частным сектором, академическими кругами и организациями гражданского общества также может способствовать большей прозрачности в применении ИИ в различных сценариях, особенно тех, которые влияют на защищенные классы или распространяются в общественных интересах. Кейт Кроуфорд, исследователь ИИ и основатель AI Now Partnership, предположила, что «замкнутые циклы не открыты для алгоритмического аудита, обзора или публичного обсуждения», потому что они обычно усугубляют проблемы, которые они пытаются решить. 49 Далее по этому поводу участница круглого стола Наташа Дуарте из Центра демократии и технологий обратилась к проблеме Аллегени, сказав: «[C] компании должны быть более открытыми при описании ограничений своих технологий, а правительство должно знать, какие вопросы спрашивать в своих оценках », что говорит о важности более тесного сотрудничества в этой области.

Увеличить участие человека в разработке и мониторинге алгоритмов

Даже с учетом всех перечисленных выше мер предосторожности все еще существует определенный риск того, что алгоритмы будут принимать необъективные решения.Люди будут продолжать играть роль в выявлении и исправлении предвзятых результатов еще долгое время после того, как алгоритм будет разработан, протестирован и запущен. Хотя больше данных может использоваться для автоматизированного принятия решений, этот процесс должен дополнять, а не полностью заменять человеческое суждение. Участник круглого стола Алекс Пейсахович из Facebook поделился: «Нам не нужно устранять модераторов-людей. Нам нужно нанять больше сотрудников и заставить их сосредоточиться на крайних случаях ». Такое мнение становится все более важным в этой области, поскольку сравнительные преимущества людей и алгоритмов становятся более различимыми, а использование того и другого улучшает результаты для онлайн-пользователей.

Люди будут продолжать играть роль в выявлении и исправлении предвзятых результатов еще долгое время после того, как алгоритм будет разработан, протестирован и запущен. (Фото: Gabrielle Lurie / Reuters)

Однако последствия для конфиденциальности возникнут, когда больше людей будут участвовать в управлении алгоритмами, особенно если при создании модели или при проверке предсказаний алгоритма на предмет предвзятости задействована более конфиденциальная информация. Сроки проведения круглых столов, которые также произошли в связи с принятием GDPR в ЕС, говорят о необходимости усиления принципов конфиденциальности потребителей, когда пользователи имеют право выбирать, какими данными они хотят делиться с компаниями.Поскольку в настоящее время в США обсуждается необходимость принятия федерального законодательства о конфиденциальности, доступ к персональным данным и их использование могут стать еще более трудными, что потенциально может сделать алгоритмические модели более предвзятыми. Поскольку ценности создателей и пользователей алгоритмов меняются со временем, люди должны решать конфликты между результатами и заявленными целями. В дополнение к периодическим аудитам участие человека обеспечивает постоянную обратную связь по эффективности усилий по снижению предвзятости.

Другие рекомендации по государственной политике

Как указано в документе, политики играют решающую роль в выявлении и смягчении предубеждений, обеспечивая при этом, чтобы технологии продолжали приносить положительные экономические и социальные выгоды.

Конгрессу следует ввести нормативные «песочницы» и «безопасные гавани», чтобы обуздать онлайн-предубеждения

Нормативные «песочницы» воспринимаются как одна из стратегий создания временных отсрочек от регулирования, позволяющих технологиям и правилам, связанным с их использованием, развиваться вместе. Эти правила могут применяться к алгоритмической предвзятости и другим областям, где рассматриваемая технология не имеет аналогов, охватываемых существующими правилами. Вместо того, чтобы расширять сферу действия существующих правил или создавать правила в ожидании потенциального вреда, песочница позволяет внедрять инновации как в технологии, так и в ее регулировании.Даже в жестко регулируемой отрасли создание «песочниц», в которых можно тестировать инновации наряду с более легкими правилами касания, может принести пользу.

«Вместо того, чтобы расширять сферу действия существующих правил или создавать правила в ожидании потенциального вреда, песочница позволяет внедрять инновации как в технологии, так и в ее регулировании».

Например, компании финансового сектора, использующие технологии или финтех, показали, как нормативные «песочницы» могут стимулировать инновации в разработке новых продуктов и услуг. 50 Эти компании широко используют алгоритмы для всего, от выявления мошенничества до принятия решения о предоставлении кредита. Некоторые из этих действий повторяют действия обычных банков, и они по-прежнему подпадают под существующие правила, но в песочнице будут разрешены новые способы решения задач. 51 Поскольку «песочницы» дают новаторам большую свободу действий при разработке новых продуктов и услуг, им потребуется активный контроль до тех пор, пока технологии и нормативные требования не станут зрелыми. Министерство финансов США недавно сообщило не только о преимуществах, которые получили страны, внедрившие нормативные песочницы в сфере финансовых технологий, но и рекомендовало U.S. применяют «песочницы» для финансовых технологий, чтобы стимулировать инновации. 52 Учитывая широкую полезность алгоритмов для стимулирования инноваций в различных регулируемых отраслях, участники круглых столов рассмотрели потенциальную полезность расширения регуляторных песочниц на другие области, где алгоритмы могут помочь стимулировать инновации.

Можно также использовать регулирующие безопасные гавани, где регулирующий орган может указать, какие виды деятельности не нарушают существующие правила. 53 Преимущество этого подхода заключается в повышении нормативной определенности для разработчиков и операторов алгоритмов.Например, раздел 230 Закона о порядочности в коммуникациях снял с веб-сайтов ответственность за действия их пользователей, и это положение широко приписывается развитию таких интернет-компаний, как Facebook и Google. Позже это исключение сузилось, чтобы исключить торговлю людьми в целях сексуальной эксплуатации с принятием Закона о запрете сексуальной торговли в Интернете и Закона о борьбе с торговлей людьми в Интернете. Применение аналогичного подхода к алгоритмам могло бы освободить их операторов от ответственности в определенных контекстах, сохраняя при этом защиту в других, где вред легче идентифицировать.В соответствии с предыдущим обсуждением использования определенных защищенных атрибутов, можно было бы рассмотреть безопасные гавани в тех случаях, когда сбор конфиденциальной личной информации используется для конкретных целей обнаружения и смягчения предвзятости.

Потребителям нужна более высокая алгоритмическая грамотность

Широко распространенная алгоритмическая грамотность имеет решающее значение для смягчения предвзятости. Учитывая более широкое использование алгоритмов во многих аспектах повседневной жизни, все потенциальные субъекты автоматизированных решений выиграют от знания того, как эти системы функционируют.Подобно тому, как компьютерная грамотность теперь считается жизненно важным навыком в современной экономике, вскоре может потребоваться понимание того, как алгоритмы используют свои данные.

Субъекты автоматизированных решений заслуживают знать, когда на них негативно сказывается предвзятость, и как реагировать, когда это происходит. Отзывы пользователей могут поделиться информацией и предвидеть области, в которых может проявиться предвзятость в существующих и будущих алгоритмах. Со временем создатели алгоритмов могут активно запрашивать обратную связь от широкого круга субъектов данных, а затем предпринимать шаги для просвещения общественности о том, как работают алгоритмы, чтобы помочь в этих усилиях.Государственные агентства, регулирующие предвзятость, также могут работать над повышением алгоритмической грамотности в рамках своей миссии. Как в государственном, так и в частном секторе те, кто больше всего потеряет от необъективного принятия решений, также могут сыграть активную роль в его выявлении.

Заключение

В декабре 2018 года президент Трамп подписал Закон о первом шаге, новое законодательство в области уголовного правосудия, которое поощряет использование алгоритмов по всей стране. 54 В частности, система будет использовать алгоритм для первоначального определения, кто может использовать кредиты заработанного времени – сокращение срока наказания за завершение образовательных, профессиональных или реабилитационных программ – за исключением заключенных, считающихся более подверженными риску.Существует вероятность того, что эти алгоритмы увековечивают расовые и классовые различия, которые уже встроены в систему уголовного правосудия. В результате афроамериканцы и бедняки в целом с большей вероятностью будут отбывать более длительные сроки тюремного заключения.

«Когда алгоритмы разрабатываются ответственно, они могут избежать печальных последствий усиленной системной дискриминации и неэтичных приложений».

Как указано в документе, эти типы алгоритмов должны вызывать беспокойство, если не существует процесса, который включает в себя техническую осмотрительность, справедливость и равенство от разработки до исполнения.То есть, когда алгоритмы разрабатываются ответственно, они могут избежать печальных последствий усиленной системной дискриминации и неэтичных приложений.

Для одних решений лучше всего подходят алгоритмы и другие инструменты искусственного интеллекта, в то время как другие могут потребовать тщательного рассмотрения перед проектированием компьютерных моделей. Кроме того, тестирование и проверка определенных алгоритмов также позволит выявить и, в лучшем случае, смягчить дискриминационные результаты. Для операторов алгоритмов, стремящихся снизить риск и осложнения плохих результатов для потребителей, продвижение и использование предложений по смягчению последствий может создать путь к алгоритмической справедливости, даже если справедливость никогда не будет полностью реализована.


Институт Брукингса – некоммерческая организация, занимающаяся независимыми исследованиями и политическими решениями. Его миссия – проводить качественные независимые исследования и на основе этих исследований предоставлять инновационные практические рекомендации для политиков и общественности. Выводы и рекомендации любой публикации Brookings принадлежат исключительно ее авторам и не отражают точку зрения Учреждения, его руководства или других ученых.

Amazon, Facebook, Google, IBM и Microsoft предоставляют общую неограниченную поддержку The Brookings Institution.Пол Резник также является консультантом Facebook, но эта работа является независимой, и его взгляды, выраженные здесь, являются его собственными. На находки, интерпретации и выводы, опубликованные в этой статье, пожертвования не повлияли. Brookings осознает, что ценность, которую он предоставляет, заключается в его абсолютной приверженности качеству, независимости и влиянию. Мероприятия, поддерживаемые его донорами, отражают это обязательство.


Приложение: Список участников круглого стола

Участник Организация
Венди Андерсон Офис конгрессмена Вэл Демингс
Норберто Андраде Facebook
Солон Барокас Корнельский университет
Джини Бартон Privacy Genie
Рикардо Баеза-Йейтс NTENT
Миранда Боген Вверх
Джон Брешиа Бюро лучшего бизнеса
Джули Брилл Microsoft
Рич Каруана Microsoft Research
Эли Коэн Институт Брукингса
Анупам Датта Карнеги-Меллон
Девен Десаи Технологический институт Джорджии
Наташа Дуарте Центр демократии и технологий
Надя Фаваз LinkedIn
Лаура Фрагомени Walmart Глобальная электронная коммерция
Шарад Гоэль Стэнфордский университет
Скотт Голдер Корнельский университет
Аарон Халфакер Викимедиа
Сара Холланд Google
Джек Карстен Институт Брукингса
Кришнарам Кентапади LinkedIn и Стэнфордский университет
Джон Кляйнберг Корнельский университет
Изабель Клуманн Facebook
Джейк Меткалф Этическое решение
Алексей Пейсахович Facebook
Пол Резник Мичиганский университет
Уильям Райнхарт Американский форум действий
Алекс Розенблат Данные и общество
Джейк Шнайдер Институт Брукингса
Джасджит Сехон Калифорнийский университет в Беркли
Роб Шерман Facebook
Джоанн Стоунье Mastercard в мире
Никол Тернер Ли Институт Брукингса
Люси Вассерман Проект Jigsaw’s Conversation AI / Google
Суреш Венкатасубраманиан Университет штата Юта
Джон Верди Форум о будущем конфиденциальности
Хизер Уэст Mozilla
Джейсон Йосинки Убер
Цзиньянь Занг Гарвардский университет
Лейла Зия Фонд Викимедиа

Список литературы

Ангвин, Джулия и Терри Пэррис-младший.«Facebook позволяет рекламодателям исключать пользователей по расе». Текст / HTML. ProPublica, 28 октября 2016 г. https://www.propublica.org/article/facebook-lets-advertisers-exclude-users-by-race.

Ангвин, Джулия, Джефф Ларсон, Сурья Матту и Лаура Киршнер. «Машинный уклон». ProPublica, 23 мая 2016 г. Доступно по адресу https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing (последнее посещение – 19 апреля 2019 г.).

Барокас, Солон и Эндрю Д. Селбст, «Разрозненное влияние больших данных», Научная статья SSRN (Рочестер, Нью-Йорк: Сеть исследований социальных наук, 2016.Доступно на https://papers.ssrn.com/abstract=2477899.

Бласс, Андреа и Юрий Гуревич. Алгоритмы: поиск абсолютных определений. Бюллетень Европейской ассоциации теоретической информатики 81, 2003 г. https://www.microsoft.com/en-us/research/wp-content/uploads/2017/01/164.pdf (последний доступ 12 апреля 2019 г.).

Бреннан, Тим, Уильям Дитрих и Беата Эрет. «Оценка прогностической достоверности системы оценки рисков и потребностей КОМПАС». Уголовное правосудие и поведение 36 (2009): 21–40.

Чессел, Мэнди. «Этика для больших данных и аналитики». IBM, без даты. Доступно по адресу https://www.ibmbigdatahub.com/sites/default/files/whitepapers_reports_file/TCG%20Study%20Report%20-%20Ethics%20for%20BD%26A.pdf (последнее посещение – 19 апреля 2019 г.).

Ходош, Сара. «Суды используют алгоритмы для определения приговора, но случайные люди получают те же результаты». Popular Science, 18 января 2018 г. Доступно по адресу https://www.popsci.com/recidivism-algorithm-random-bias (последний доступ 15 октября 2018 г.).

Корбетт-Дэвис, Сэм, Эмма Пирсон, Ави Феллер и Шарад Гоэль. «Компьютерная программа, используемая для принятия решений об освобождении под залог и вынесении приговора, была названа предвзятой против чернокожих. На самом деле все не так ясно “. Washington Post (блог), 17 октября 2016 г. Доступно по адресу https://www.washingtonpost.com/news/monkey-cage/wp/2016/10/17/can-an-algorithm-be-racist-our-analysis -is-more-cautious-than-propublicas / (последнее посещение – 19 апреля 2019 г.).

Корбетт-Дэвис, Сэм, Эмма Пирсон, Ави Феллер, Шарад Гоэль и Азиз Хук.«Принятие алгоритмических решений и цена справедливости». ArXiv: 1701.08230 [Cs, Stat], 27 января 2017 г. https://doi.org/10.1145/3097983.309809.

Кортленд, Рэйчел. «Детективы с предвзятостью: исследователи, стремящиеся сделать алгоритмы справедливыми», журнал Nature 558, вып. 7710 (июнь 2018 г.): 357–60. Доступно по адресу https://doi.org/10.1038/d41586-018-05469-3 (последний доступ 19 апреля 2019 г.).

ДеАнджелиус, Стивен Ф. «Искусственный интеллект: как алгоритмы делают системы умными», журнал Wired, сентябрь 2014 г.Доступно по адресу https://www.wired.com//insights/2014/09/artificial-intelligence-algorithms-2/ (последнее посещение – 12 апреля 2019 г.).

Элехальде-Руис, Алексия. «Конец резюме? Наем сотрудников происходит в разгар технологической революции с алгоритмами, чат-ботами ». Чикаго Трибьюн (19 июля 2018 г.). Доступно по адресу http://www.chicagotribune.com/business/ct-biz-artificial-intelligence-hiring-20180719-story.html.

Юбэнкс, Вирджиния. «Модель прогнозирования жестокого обращения с детьми не помогает бедным семьям», Wired, 15 января 2018 г.Доступно по адресу https://www.wired.com/story/excerpt-from-automating-inequality/ (последнее посещение – 19 апреля 2019 г.).

Слушание FTC № 7: Проблемы конкуренции и защиты потребителей алгоритмов, искусственного интеллекта и прогнозной аналитики, § Федеральная торговая комиссия (2018). https://www.ftc.gov/system/files/documents/public_events/1418693/ftc_hearings_session_7_transcript_day_2_11-14-18.pdf.

Гарбаде, Майкл Дж. «Устранение путаницы: ИИ против машинного обучения против различий в глубоком обучении», Наука о данных, 14 сентября 2018 г.Доступно по адресу https: // todatascience // clearing-the-confusion-ai-vs-machine-learning-vs-deep-learning-sizes-fce69b21d5eb (последнее посещение – 12 апреля 2019 г.).

Griggs v. Duke Power Company, Oyez. Доступно на https://www.oyez.org/case/ 1970/124 (последний доступ 1 октября 2018 г.)

Герен, Лиза. «Дискриминация по разным последствиям». www.nolo.com. Доступно по адресу https://www.nolo.com/legal-encyclopedia/disparate-impact-discrimination.htm (последний доступ 24 апреля 2019 г.).

Хадхази, Адам.«Предвзятые боты: системы искусственного интеллекта отражают человеческие предрассудки». Принстонский университет, 18 апреля 2017 г. Доступно по адресу https://www.princeton.edu/news/2017/04/18/biased-bots-artificial-intelligence-systems-echo-human-prejudices (последнее посещение – 20 апреля 2019 г. ).

Гамильтон, Изобель Ашер. «Почему совершенно неудивительно, что ИИ для найма персонала Amazon был настроен против женщин». Business Insider, 13 октября 2018 г. Доступно по адресу https://www.businessinsider.com/amazon-ai-biased-against-women-no-surprise-sandra-wachter-2018-10 (последний доступ 20 апреля 2019 г.).

Хардести, Ларри. «Исследование обнаруживает предвзятость по признаку пола и типа кожи в коммерческих системах искусственного интеллекта». MIT News, 11 февраля 2018 г. Доступно по адресу http://news.mit.edu/2018/study-finds-gender-skin-type-bias-artificial-intelligence-systems-0212 (последнее посещение – 19 апреля 2019 г.).

Группа экспертов высокого уровня по искусственному интеллекту. «Рекомендации по этике надежного ИИ (проект)». Европейская комиссия, 18 декабря 2018 г.

Ингольд, Дэвид и Спенсер Сопер. «Amazon не принимает во внимание расу своих клиентов.Должен ли он? » Bloomberg.com, 21 апреля 2016 г. http://www.bloomberg.com/graphics/2016-amazon-same-day/.

Кирнс, Майкл. «Конфиденциальность данных, машинное обучение и конфиденциальность потребителей». Школа права Университета Пенсильвании, май 2018 г. Доступно по адресу https://www.law.upenn.edu/live/files/7952-kearns-finalpdf (последнее посещение – 12 апреля 2019 г.).

Кляйнберг, Джон, Сендхил Муллайнатан и Маниш Рагхаван, «Неотъемлемые компромиссы при справедливом определении оценок риска». В Трудах инноваций в теоретической информатике (ITCS), 2017.Доступно по адресу https://arxiv.org/pdf/1609.05807.pdf (по состоянию на 19 апреля 2019 г.).

Ларсон, Джефф, Сурья Матту и Джулия Ангвин. «Непредвиденные последствия географического нацеливания». Technology Science, 1 сентября 2015 г. Доступно по адресу https://techscience.org/a/20150/ (последний доступ 19 апреля 2019 г.).

Локлир, Мэллори. «Facebook публикует обновленную информацию о своей проверке соблюдения гражданских прав». Engadget (блог), 18 декабря 2018 г. Доступно по адресу https://www.engadget.com/2018/12/18/facebook-update-civil-rights-audit/ (последнее посещение – 19 апреля 2019 г.).

Лопес, немец. «Разъяснение Закона о первом шаге, законопроекта Конгресса о реформе уголовного правосудия». Vox, 3 декабря 2018 г. Доступно по адресу https://www.vox.com/future-perfect/2018/12/3/18122392/first-step-act-criminal-justice-reform-bill-congress (последнее посещение – апрель. 16, 2019).

Мнучин, Стивен Т. и Крейг С. Филлипс. «Финансовая система, которая создает экономические возможности – небанковские финансы, финтех и инновации». Вашингтон, округ Колумбия: Министерство финансов США, июль 2018 г.Доступно по адресу https://home.treasury.gov/sites/default/files/2018-08/A-Financial-System-that-Creates-Economic-Opportunities—Nonbank-Financials-Fintech-and-Innovation_0.pdf (последний доступ 19 апреля 2019 г.).

Райзман, Диллон, Джейсон Шульц, Кейт Кроуфорд и Мередит Уиттакер. «Алгоритмическая оценка воздействия: практическая основа подотчетности государственного агентства». Нью-Йорк: AI Now, апрель 2018 г.

Ромеи, Андреа и Сальваторе Руджери. «Анализ данных о дискриминации: многопрофильная библиография.”В Дискриминации и конфиденциальности в информационном обществе, под редакцией Барта Кастерса, Т. Колдерса, Б. Шермера и Т. Зарски, 109–35. Исследования в области прикладной философии, эпистемологии и рациональной этики. Springer, Berlin, Heidelberg, 2013. Доступно по адресу https://doi.org/10.1007/978-3-642-30487-3_6 (последний доступ 19 апреля 2019 г.).

Шац, Брайан. AI в Постановлении Правительства от 2018 г., Pub. L. No. S.B. 3502 (2018). https://www.congress.gov/bill/115th-congress/senate-bill/3502.

Spielkamp, ​​Матиас.«Нам нужно пролить больше света на алгоритмы, чтобы они могли помочь уменьшить предвзятость, а не закрепить ее». MIT Technology Review. По состоянию на 20 сентября 2018 г. Доступно по адресу https://www.technologyreview.com/s/607955/inspecting-algorithms-for-bias/ (по состоянию на 19 апреля 2019 г.).

Стек, Лиам. «Facebook объявляет о новой политике запрета контента белых националистов». The New York Times, 28 марта 2019 г., сек. Бизнес. Доступно по адресу https://www.nytimes.com/2019/03/27/business/facebook-white-nationalist-supremacist.html (по состоянию на 19 апреля 2019 г.).

Суини, Латанья и Цзиньян Занг. «Насколько правильными могут быть решения по анализу больших данных при размещении рекламы?» Презентация Powerpoint, представленная на конференции Федеральной торговой комиссии, Вашингтон, округ Колумбия, «Большие данные: инструмент для включения или исключения». 15 сентября 2014 г. Доступно по адресу https://www.ftc.gov/systems/files/documents/public_events/313371/bigdata-slides-sweeneyzang-9_15_14.pdf (по состоянию на 12 апреля 2019 г.).

Суини, Латания. «Дискриминация при размещении рекламы в Интернете.”Рочестер, штат Нью-Йорк: Сеть исследований в области социальных наук, 28 января 2013 г. Доступно по адресу https://papers.ssrn.com/abstract=2208240 (последний доступ 12 апреля 2019 г.).

Сиделл, Лора. «Это не я, детка: исследователи обнаружили недостатки в полицейской технологии распознавания лиц». NPR.org, 25 октября 2016 г. Доступно по адресу https://www.npr.org/sections/alltechconsidered/2016/10/25/49

69/it-aint-me-babe-researchers-find-flaws-in-police -facial-распознавание (последний доступ: 19 апреля 2019 г.).

«Глобальный проект по этике данных.”Data for Democracy, n.d. https://www.datafordemocracy.org/project/global-data-ethics-project (последний доступ 19 апреля 2019 г.).

Тобин, Ариана. «HUD подает в суд на Facebook за дискриминацию в сфере жилья и заявляет, что алгоритмы компании усугубили проблему». ProPublica (28 марта 2019 г.). Доступно по адресу https://www.propublica.org/article/hud-sues-facebook-housing-discrimination-advertising-algorithms (последний доступ 29 апреля 2019 г.).

Тернер Ли, Никол. «Инклюзия в технологии: как разнообразие приносит пользу всем американцам», § Подкомитет по защите потребителей и торговле, Комитет Палаты представителей США по энергетике и торговле (2019).Также доступно на веб-сайте Брукингса https://www.brookings.edu/testimonies/inclusion-in-tech-how-diversity-benefits-all-americans/ (последнее посещение – 29 апреля 2019 г.).

Тернер Ли, Никол. Обнаружение расовой предвзятости в алгоритмах и машинном обучении. Журнал информации, коммуникации и этики в обществе 2018, Vol. 16 Выпуск 3, стр. 252-260. Доступно по адресу https://doi.org/10.1108/JICES-06-2018-0056/ (последний доступ 29 апреля 2019 г.).

«Понимание предвзятости в алгоритмическом дизайне», Impact.Engineered, 5 сентября 2017 г. Доступно по адресу https://medium.com/impact-engineered/understanding-bias-in-algorithmic-design-db9847103b6e (последний доступ 12 апреля 2019 г.).

Винсент, Джеймс. «Amazon, как сообщается, отказывается от инструмента найма внутреннего ИИ, который был настроен против женщин». The Verge, 10 октября 2018 г. Доступно по адресу https://www.theverge.com/2018/10/10/17958784/ai-recruiting-tool-bias-amazon-report (последний доступ 20 апреля 2019 г.).

Зафар, Мухаммад Билал, Изабель Валера Мартинес, Мануэль Гомес Родригес и Кришна Гуммади.«Ограничения справедливости: механизм справедливой классификации». В материалах 20-й Международной конференции по искусственному интеллекту и статистике (AISTATS). Форт-Лодердейл, Флорида, 2017.

Зарский, Тал. «Понимание дискриминации в оцениваемом обществе». Научная статья ССРН. Рочестер, штат Нью-Йорк: Сеть исследований в области социальных наук, 15 января 2015 г. https://papers.ssrn.com/abstract=2550248.

Почему большинство опубликованных результатов исследований неверны

Аннотация

Сводка

Растет озабоченность по поводу того, что большинство опубликованных в настоящее время результатов исследований являются ложными.Вероятность того, что утверждение исследования является истинным, может зависеть от мощности и систематической ошибки исследования, количества других исследований по тому же вопросу и, что важно, отношения истинных или нулевых отношений между отношениями, исследуемыми в каждой научной области. В этом контексте, вероятность того, что результаты исследования будут верными, будет меньше, если исследования, проводимые в данной области, меньше по размеру; когда размер эффекта меньше; когда есть большее количество и меньший предварительный выбор проверенных отношений; где есть большая гибкость в планах, определениях, результатах и ​​аналитических режимах; когда есть больший финансовый и другой интерес и предубеждение; и когда больше команд вовлечено в научную область в погоне за статистической значимостью.Моделирование показывает, что для большинства дизайнов и условий исследования более вероятно, что утверждение исследования будет ложным, чем правдивым. Более того, для многих современных областей науки заявленные результаты исследований часто могут быть просто точными показателями преобладающей систематической ошибки. В этом эссе я обсуждаю последствия этих проблем для проведения и интерпретации исследований.

Образец цитирования: Иоаннидис JPA (2005) Почему большинство опубликованных результатов исследований ложны. PLoS Med 2 (8): e124.https://doi.org/10.1371/journal.pmed.0020124

Опубликовано: 30 августа 2005 г.

Авторские права: © 2005 Джон П. А. Иоаннидис. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии правильного цитирования оригинальной работы.

Конкурирующие интересы: Автор заявил, что конкурирующих интересов не существует.

Сокращение: PPV, г. положительная прогностическая ценность

Опубликованные результаты исследований иногда опровергаются последующими доказательствами, что приводит к путанице и разочарованию. Опровержение и разногласия наблюдаются во всем диапазоне исследовательских проектов, от клинических испытаний и традиционных эпидемиологических исследований [1–3] до самых современных молекулярных исследований [4,5]. Растет беспокойство по поводу того, что в современных исследованиях ложные результаты могут составлять большинство или даже подавляющее большинство опубликованных исследовательских заявлений [6–8].Однако это не должно вызывать удивления. Можно доказать, что большинство заявленных результатов исследований ложны. Здесь я рассмотрю ключевые факторы, влияющие на эту проблему, и некоторые ее следствия.

Моделирование основы для ложноположительных результатов

Некоторые методологи отметили [9–11], что высокий уровень невоспроизводства (отсутствия подтверждения) исследовательских открытий является следствием удобной, но необоснованной стратегии утверждения убедительных результатов исследования. результаты, полученные исключительно на основе одного исследования, оцененного по формальной статистической значимости, как правило, для значения p меньше 0.05. Исследования не наиболее подходящим образом представлены и обобщены значениями p , но, к сожалению, широко распространено мнение, что медицинские исследовательские статьи должны интерпретироваться только на основе значений p . Результаты исследований определяются здесь как любые отношения, достигающие формальной статистической значимости, например, эффективные вмешательства, информативные предикторы, факторы риска или ассоциации. «Негативное» исследование тоже очень полезно. «Отрицательный» на самом деле неправильное употребление, и неправильное толкование широко распространено.Однако здесь мы будем нацелены на взаимосвязи, которые, как утверждают исследователи, существуют, а не на нулевые результаты.

Можно доказать, что большинство заявленных результатов исследований ложны

Как было показано ранее, вероятность того, что результаты исследования действительно верны, зависит от априорной вероятности их истинности (до проведения исследования), статистической мощности исследования и уровня статистической значимости [10,11] . Рассмотрим таблицу 2 × 2, в которой результаты исследований сравниваются с золотым стандартом истинных взаимоотношений в научной области.В области исследования могут быть выдвинуты как истинные, так и ложные гипотезы о наличии отношений. Пусть R будет отношением количества «истинных взаимосвязей» к «отсутствию взаимосвязей» среди тех, кто тестировался в полевых условиях. R является характеристикой поля и может сильно варьироваться в зависимости от того, нацелено ли поле на высокодернистские отношения или ищет только одно или несколько истинных отношений среди тысяч и миллионов гипотез, которые могут быть постулированы. Давайте также рассмотрим, для вычислительной простоты, ограниченные поля, где либо существует только одно истинное отношение (среди многих, которые могут быть выдвинуты гипотезами), либо способность найти любое из нескольких существующих истинных отношений аналогична.Вероятность установления связи до исследования составляет R / ( R + 1). Вероятность того, что исследование обнаружит истинную взаимосвязь, отражает степень 1 – β (единица минус коэффициент ошибок типа II). Вероятность заявить о взаимосвязи, когда ее на самом деле не существует, отражает частоту ошибок типа I, α. Предполагая, что отношения c исследуются в полевых условиях, ожидаемые значения таблицы 2 × 2 приведены в таблице 1. После того, как результаты исследования были заявлены на основе достижения формальной статистической значимости, после исследования вероятность того, что они Истина – положительная прогностическая ценность PPV.PPV также является дополнительной вероятностью того, что Wacholder et al. назвали вероятность ложного срабатывания отчета [10]. По таблице 2 × 2 получаем PPV = (1 – β) R / ( R – βR + α). Таким образом, результат исследования более вероятен, чем ложен, если (1 – β) R > α. Поскольку обычно подавляющее большинство исследователей полагаются на a = 0,05, это означает, что вывод исследования скорее верен, чем ложен, если (1 – β) R > 0,05.

Менее ценится то, что предвзятость и степень повторного независимого тестирования различными группами исследователей по всему миру могут еще больше исказить эту картину и могут привести к еще меньшей вероятности того, что результаты исследования действительно верны.Мы попытаемся смоделировать эти два фактора в контексте аналогичных таблиц 2 × 2.

Смещение

Во-первых, давайте определим смещение как комбинацию различных факторов дизайна, данных, анализа и представления, которые, как правило, приводят к результатам исследования, когда они не должны производиться. Пусть и будет долей проверенных анализов, которые не были бы «результатами исследования», но, тем не менее, в конечном итоге были представлены и сообщены как таковые из-за предвзятости. Предвзятость не следует путать со случайной изменчивостью, из-за которой некоторые результаты могут оказаться ошибочными, даже если дизайн исследования, данные, анализ и представление идеальны.Предвзятость может повлечь за собой манипуляции при анализе или представлении результатов. Выборочная или искаженная информация – типичная форма такой предвзятости. Можно предположить, что и не зависят от того, существует ли истинная связь или нет. Это не безосновательное предположение, поскольку обычно невозможно узнать, какие отношения действительно верны. При наличии смещения (таблица 2) получаем PPV = ([1 – β] R + u β R ) / ( R + α – β R + u u α + u β R ), и PPV уменьшается с увеличением u , если 1 – β ≤ α, т.е.е., 1 – β ≤ 0,05 для большинства ситуаций. Таким образом, с увеличением систематической ошибки шансы на то, что результаты исследования верны, значительно уменьшаются. Это показано для разных уровней мощности и для разных шансов до исследования на рисунке 1. И наоборот, истинные результаты исследования могут иногда быть аннулированы из-за обратного смещения. Например, при больших ошибках измерения взаимосвязи теряются в шуме [12], или исследователи используют данные неэффективно или не замечают статистически значимых взаимосвязей, или может возникнуть конфликт интересов, который имеет тенденцию «скрывать» важные результаты [13].Нет надежных крупномасштабных эмпирических данных о том, как часто такое обратное смещение может происходить в различных областях исследований. Однако, вероятно, будет справедливо сказать, что обратное смещение встречается не так часто. Более того, ошибки измерения и неэффективное использование данных, вероятно, становятся менее частыми проблемами, поскольку ошибка измерения уменьшилась с технологическим прогрессом в молекулярную эру, и исследователи становятся все более искушенными в отношении своих данных. В любом случае обратное смещение можно смоделировать так же, как смещение выше.Также не следует путать обратное смещение со случайной изменчивостью, которая может привести к упущению истинных отношений из-за случайности.

Тестирование несколькими независимыми командами

Несколько независимых команд могут решать одни и те же наборы исследовательских вопросов. Поскольку исследовательская деятельность носит глобальный характер, это практически правило, что несколько исследовательских групп, а зачастую и десятки из них, могут задавать одни и те же или похожие вопросы. К сожалению, в некоторых областях до сих пор преобладал менталитет, заключающийся в том, чтобы сосредоточиться на отдельных открытиях отдельных групп и изолированно интерпретировать исследовательские эксперименты.Все большее количество вопросов включает по крайней мере одно исследование, требующее результатов исследования, и этому уделяется одностороннее внимание. Вероятность того, что хотя бы одно исследование из нескольких, проведенных по одному и тому же вопросу, заявит о статистически значимых результатах исследования, легко оценить. Для n независимых исследований равной мощности таблица 2 × 2 показана в таблице 3: PPV = R (1 – β n ) / ( R + 1 – [1 – α] n R β n ) (без учета смещения).С увеличением числа независимых исследований PPV имеет тенденцию к снижению, если только 1 – β n с разной мощностью термин β n заменяется произведением членов β i для i = от 1 до n , но выводы аналогичны.

Следствия

Практический пример показан во вставке 1.Основываясь на приведенных выше соображениях, можно сделать несколько интересных выводов о вероятности того, что результаты исследования действительно верны.

Вставка 1. Пример: наука с низкими шансами до учебы

Предположим, что группа исследователей проводит исследование ассоциации всего генома, чтобы проверить, связаны ли какие-либо из 100 000 полиморфизмов генов с предрасположенностью к шизофрении. Основываясь на том, что мы знаем о степени наследственности заболевания, разумно ожидать, что, вероятно, около десяти полиморфизмов генов среди протестированных будут действительно связаны с шизофренией с относительно одинаковым отношением шансов около 1.3 для десяти или около того полиморфизмов и с довольно похожей способностью идентифицировать любой из них. Тогда R = 10/100 000 = 10 −4 , и вероятность того, что любой полиморфизм будет связан с шизофренией, будет также R / ( R + 1) = 10 −4 . Предположим также, что у исследования есть 60% вероятность найти связь с отношением шансов 1,3 при α = 0,05. Тогда можно оценить, что если будет обнаружена статистически значимая связь со значением p , едва пересекающим 0.05, вероятность того, что это правда, после исследования увеличивается примерно в 12 раз по сравнению с вероятностью до исследования, но по-прежнему составляет всего 12 × 10 −4 .

Теперь предположим, что исследователи манипулируют своим планом, анализом и отчетностью, чтобы больше взаимосвязей пересекали пороговое значение p = 0,05, даже если это не было бы нарушено при точном соблюдении дизайна и анализа и с совершенным всеобъемлющим анализом. отчет о результатах строго в соответствии с первоначальным планом исследования.Такие манипуляции могут быть выполнены, например, с случайным включением или исключением определенных пациентов или контрольной группы, апостериорным анализом подгрупп, исследованием генетических контрастов, которые не были первоначально указаны, изменениями в определениях болезни или контроля и различными комбинациями выборочных или искаженных отчет о результатах. Коммерчески доступные пакеты «интеллектуального анализа данных» на самом деле гордятся своей способностью давать статистически значимые результаты за счет углубления данных. При наличии смещения с u = 0.10, вероятность того, что результаты исследования верны, после исследования составляет всего 4,4 × 10 −4 . Более того, даже при отсутствии какой-либо предвзятости, когда десять независимых исследовательских групп проводят аналогичные эксперименты по всему миру, если одна из них обнаруживает формально статистически значимую связь, вероятность того, что результаты исследования верны, составляет всего 1,5 × 10 −4 , едва ли выше, чем вероятность, которую мы имели до того, как было предпринято какое-либо из этих обширных исследований!

Следствие 1: Чем меньше исследований, проводимых в научной области, тем меньше вероятность того, что результаты исследований будут правдой. Малый размер выборки означает меньшую мощность, и для всех вышеупомянутых функций PPV для истинных результатов исследования уменьшается по мере уменьшения мощности до 1 – β = 0,05. Таким образом, при прочих равных условиях результаты исследований более верны в научных областях, в которых проводятся крупные исследования, такие как рандомизированные контролируемые испытания в кардиологии (рандомизировано несколько тысяч субъектов) [14], чем в научных областях с небольшими исследованиями, такими как большинство исследований молекулярные предикторы (размер выборки в 100 раз меньше) [15].

Следствие 2: Чем меньше размер эффекта в научной области, тем меньше вероятность того, что результаты исследования будут правдой. Мощность также связана с размером эффекта. Таким образом, результаты исследований более верны в научных областях с большими эффектами, такими как влияние курения на рак или сердечно-сосудистые заболевания (относительные риски 3–20), чем в научных областях, где постулируемые эффекты незначительны, например, генетические факторы риска для мультигенетических заболеваний. заболевания (относительные риски 1.1–1.5) [7]. Современная эпидемиология все чаще вынуждена ориентироваться на меньшие размеры эффекта [16]. Следовательно, ожидается, что доля истинных результатов исследований уменьшится. В том же духе мышления, если истинная величина эффекта в научной области очень мала, эта область, вероятно, будет поражена почти повсеместными ложными срабатываниями. Например, если большинство истинных генетических детерминант или факторов питания сложных заболеваний сопряжены с относительным риском менее 1,05, генетическая эпидемиология или эпидемиология питания будут в значительной степени утопическими усилиями.

Следствие 3: Чем больше число и меньше выбор проверенных взаимосвязей в научной области, тем меньше вероятность того, что результаты исследования будут правдой. Как показано выше, вероятность того, что вывод верен после исследования (PPV), во многом зависит от шансов до исследования (R) . Таким образом, результаты исследований более верны в подтверждающих планах, таких как крупные рандомизированные контролируемые исследования III фазы или их метаанализы, чем в экспериментах по созданию гипотез.Поля, которые считаются высокоинформативными и креативными, учитывая обилие собранной и проверенной информации, например, микроматрицы и другие высокопроизводительные исследования, ориентированные на открытие [4,8,17], должны иметь чрезвычайно низкий PPV.

Следствие 4: Чем больше гибкость в планах, определениях, результатах и ​​аналитических моделях в научной области, тем меньше вероятность того, что результаты исследования будут правдой. Гибкость увеличивает возможность преобразования «отрицательных» результатов в «положительные», т.е.е., смещение, х . Для нескольких планов исследований, например, рандомизированных контролируемых исследований [18–20] или метаанализов [21,22], предпринимались попытки стандартизировать их проведение и отчетность. Соблюдение общих стандартов, вероятно, увеличит долю истинных результатов. То же самое и с результатами. Истинные результаты могут быть более распространены, когда исходы однозначны и универсально согласованы (например, смерть), а не когда разрабатываются разнообразные исходы (например, шкалы исходов шизофрении) [23].Точно так же области, в которых используются общепризнанные стереотипные аналитические методы (например, графики Каплана-Мейера и лог-ранговый тест) [24], могут дать большую долю истинных результатов, чем области, в которых аналитические методы все еще находятся в стадии экспериментов (например, искусственный интеллект). методы) и сообщаются только «лучшие» результаты. Тем не менее, даже в самых строгих исследованиях систематическая ошибка кажется серьезной проблемой. Например, есть убедительные доказательства того, что выборочная отчетность об исходах с манипулированием результатами и сообщаемым анализом является общей проблемой даже для рандомизированных исследований [25].Простая отмена выборочной публикации не решит эту проблему.

Следствие 5: Чем больше финансовых и других интересов и предубеждений в научной сфере, тем меньше вероятность того, что результаты исследования будут правдой. Конфликт интересов и предубеждения могут усилить предвзятость, и . Конфликты интересов очень распространены в биомедицинских исследованиях [26], и, как правило, о них недостаточно и редко [26,27]. Предрассудки не обязательно имеют финансовые корни.Ученые в определенной области могут испытывать предубеждения исключительно из-за их веры в научную теорию или приверженности своим собственным открытиям. Многие в других отношениях, казалось бы, независимые, университетские исследования могут проводиться только для того, чтобы дать врачам и исследователям квалификацию для продвижения по службе или пребывания в должности. Такие нефинансовые конфликты также могут привести к искаженным отчетным результатам и интерпретациям. Престижные исследователи могут подавлять с помощью процесса экспертной оценки появление и распространение результатов, опровергающих их выводы, тем самым обрекая свою сферу деятельности на увековечение ложных догм.Эмпирические данные по мнению экспертов показывают, что оно крайне ненадежно [28].

Следствие 6: Чем горячее научная область (в которой задействовано больше научных коллективов), тем меньше вероятность того, что результаты исследования будут правдой. Это, казалось бы, парадоксальное следствие следует из того, что, как указывалось выше, PPV отдельных результатов уменьшается, когда в одной и той же области задействовано много групп исследователей. Это может объяснить, почему мы иногда видим большое волнение, которое быстро сменяется серьезным разочарованием в областях, привлекающих широкое внимание.Поскольку многие команды работают в одной области и производятся огромные экспериментальные данные, время имеет решающее значение для победы над конкурентами. Таким образом, каждая команда может уделять приоритетное внимание достижению и распространению своих наиболее впечатляющих «положительных» результатов. «Отрицательные» результаты могут стать привлекательными для распространения только в том случае, если какая-то другая команда обнаружит «положительную» ассоциацию по тому же вопросу. В таком случае было бы привлекательно опровергнуть заявление, сделанное в каком-нибудь престижном журнале. Термин «феномен Протея» был придуман для описания этого феномена, заключающегося в быстрой смене крайних исследовательских утверждений и крайне противоположных опровержений [29].Эмпирические данные показывают, что эта последовательность крайних противоположностей очень распространена в молекулярной генетике [29].

Эти следствия рассматривают каждый фактор отдельно, но эти факторы часто влияют друг на друга. Например, исследователи, работающие в областях, где истинная величина эффекта воспринимается как небольшая, могут с большей вероятностью проводить большие исследования, чем исследователи, работающие в областях, где истинная величина эффекта воспринимается как большая. Или предрассудки могут преобладать в горячей научной области, что еще больше подрывает прогностическую ценность результатов ее исследований.Сильно предвзятые заинтересованные стороны могут даже создать барьер, который мешает усилиям по получению и распространению противоположных результатов. И наоборот, тот факт, что область является актуальной или имеет сильные интересы, может иногда способствовать более широким исследованиям и повышению стандартов исследований, повышая прогностическую ценность результатов исследований. Или массовое тестирование, ориентированное на обнаружение, может привести к такому большому количеству важных взаимосвязей, что у исследователей будет достаточно, чтобы сообщать и искать дальше и, таким образом, воздерживаться от извлечения данных и манипуляций.

Большинство результатов исследований неверны для большинства исследовательских проектов и для большинства областей

В описанной схеме довольно сложно получить PPV, превышающую 50%. В таблице 4 представлены результаты моделирования с использованием формул, разработанных для влияния мощности, соотношения истинных и неправдивых отношений и систематической ошибки для различных типов ситуаций, которые могут быть характерными для конкретных планов и условий исследования. Результаты хорошо проведенного рандомизированного контролируемого исследования с достаточной мощностью, начиная с 50% предисследовательской вероятности того, что вмешательство является эффективным, в конечном итоге верны примерно в 85% случаев.От подтверждающего метаанализа рандомизированных исследований хорошего качества ожидается примерно такая же эффективность: потенциальная систематическая ошибка, вероятно, возрастет, но вероятность достоверности и дотестирования выше по сравнению с одним рандомизированным испытанием. И наоборот, метааналитический результат неубедительных исследований, в которых объединение используется для «корректировки» низкой мощности отдельных исследований, вероятно, неверен, если R ≤ 1: 3. Результаты малоэффективных клинических исследований на ранней стадии будут верными примерно в каждом четвертом или даже реже, если присутствует систематическая ошибка.Эпидемиологические исследования исследовательского характера работают еще хуже, особенно при недостаточной мощности, но даже хорошо обоснованные эпидемиологические исследования могут иметь только один шанс из пяти, если R = 1:10. Наконец, в исследованиях, ориентированных на открытие, с массовым тестированием, где проверенные взаимосвязи превышают истинные в 1000 раз (например, было протестировано 30 000 генов, из которых 30 могут быть истинными виновниками) [30,31], PPV для каждой заявленной взаимосвязи чрезвычайно низок. даже при значительной стандартизации лабораторных и статистических методов, результатов и отчетности о них, чтобы свести к минимуму систематическую ошибку.

Заявленные результаты исследований часто могут быть просто точными мерами преобладающего предубеждения

Как показано, большинство современных биомедицинских исследований проводится в областях с очень низкой вероятностью получения истинных результатов до и после исследования. Предположим, что в какой-либо области исследования нет никаких истинных результатов, которые можно было бы обнаружить. История науки учит нас, что научные усилия в прошлом часто приводили к потере усилий в областях, в которых абсолютно не было достоверной научной информации, по крайней мере, исходя из нашего нынешнего понимания.В таком «нулевом поле» в идеале можно было бы ожидать, что все наблюдаемые размеры эффекта будут случайно изменяться вокруг нуля при отсутствии смещения. Степень отклонения наблюдаемых результатов от того, что ожидалось случайно, была бы просто чистой мерой преобладающей систематической ошибки.

Например, давайте предположим, что никакие нутриенты или режим питания на самом деле не являются важными детерминантами риска развития конкретной опухоли. Давайте также предположим, что научная литература изучила 60 питательных веществ и утверждает, что все они связаны с риском развития этой опухоли с относительным риском в диапазоне 1.2 до 1,4 для сравнения тертилей верхнего и нижнего всасывания. Тогда заявленные величины эффекта просто измеряют не что иное, как чистую систематическую ошибку, которая была задействована в создании этой научной литературы. Заявленные величины эффекта на самом деле являются наиболее точными оценками чистой систематической ошибки. Отсюда даже следует, что между «нулевыми полями» поля, которые заявляют о более сильных эффектах (часто с сопутствующими заявлениями о важности для медицины или общественного здравоохранения), являются просто теми, которые подверглись наихудшим предубеждениям.

Для полей с очень низким PPV несколько истинных взаимосвязей не сильно исказят общую картину. Даже если некоторые соотношения верны, форма распределения наблюдаемых эффектов все равно даст четкую меру систематических ошибок, связанных с полем. Эта концепция полностью меняет наш взгляд на научные результаты. Традиционно исследователи с волнением рассматривали большие и весьма значимые эффекты как признаки важных открытий. Слишком большие и слишком значимые эффекты могут быть более вероятными признаками большой систематической ошибки в большинстве областей современных исследований.Они должны побуждать исследователей к тщательному критическому осмыслению того, что могло пойти не так с их данными, анализом и результатами.

Конечно, исследователи, работающие в любой области, вероятно, будут сопротивляться признанию того, что вся область, в которой они провели свою карьеру, является «нулевой областью». Однако другие доказательства или достижения в области технологий и экспериментов могут в конечном итоге привести к разрушению научной области. Измерение чистой систематической ошибки в одной области также может быть полезно для понимания того, каким может быть диапазон систематической ошибки, действующей в других областях, где могут применяться аналогичные аналитические методы, технологии и конфликты.

Как мы можем улучшить ситуацию?

Неизбежно ли, что большинство результатов исследований ложны, или мы можем улучшить ситуацию? Основная проблема заключается в том, что невозможно узнать со 100% уверенностью, что правда в любом исследовательском вопросе. В этом плане чистый «золотой» стандарт недостижим. Однако есть несколько подходов к повышению вероятности после исследования.

Могут помочь более убедительные доказательства, например, крупные исследования или метаанализы с низким уровнем систематической ошибки, поскольку они приближаются к неизвестному «золотому» стандарту.Однако в крупных исследованиях все еще могут быть предубеждения, и их следует признавать и избегать. Более того, невозможно получить крупномасштабные доказательства для всех миллионов и триллионов исследовательских вопросов, поставленных в текущих исследованиях. Крупномасштабные доказательства должны быть нацелены на вопросы исследования, где вероятность до исследования уже значительно высока, так что значительный результат исследования приведет к посттестовой вероятности, которая будет считаться вполне окончательной. Крупномасштабные доказательства также особенно показаны, когда они могут проверить основные концепции, а не узкие, конкретные вопросы.Таким образом, отрицательный вывод может опровергнуть не только конкретное предложенное утверждение, но и целую область или значительную ее часть. Отбор результатов крупномасштабных исследований на основе узких критериев, таких как маркетинговое продвижение определенного лекарства, в значительной степени является бесполезным исследованием. Более того, следует проявлять осторожность, так как чрезвычайно крупные исследования могут с большей вероятностью обнаружить формально статистически значимое различие для тривиального эффекта, который на самом деле существенно не отличается от нулевого [32–34].

Во-вторых, большинство исследовательских вопросов решаются многими командами, и неверно подчеркивать статистически значимые результаты любой отдельной команды. Важна совокупность доказательств. Также может помочь уменьшение предвзятости за счет повышения стандартов исследований и сокращения предрассудков. Однако это может потребовать изменения научного мышления, чего может быть трудно добиться. В некоторых проектах исследования усилия могут быть более успешными при предварительной регистрации исследований, например.g., рандомизированные испытания [35]. Регистрация создаст проблему для исследований, генерирующих гипотезы. Какой-то вид регистрации или объединения в сеть коллекций данных или исследователей в рамках полей может быть более осуществимым, чем регистрация каждого эксперимента, генерирующего гипотезы. Тем не менее, даже если мы не видим большого прогресса в регистрации исследований в других областях, принципы разработки и соблюдения протокола могут быть более широко заимствованы из рандомизированных контролируемых испытаний.

Наконец, вместо того, чтобы гнаться за статистической значимостью, мы должны лучше понять диапазон значений R – шансы до исследования – в которых проводятся исследования [10]. Перед проведением эксперимента исследователи должны подумать о том, какие, по их мнению, шансы на то, что они проверяют истинные, а не ложные отношения. Иногда могут быть установлены предполагаемые высокие значения R . Как описано выше, всякий раз, когда это приемлемо с этической точки зрения, следует проводить большие исследования с минимальной предвзятостью на результатах исследований, которые считаются относительно установленными, чтобы увидеть, как часто они действительно подтверждаются.Я подозреваю, что несколько устоявшихся «классиков» не выдержат испытания [36].

Тем не менее, большинство новых открытий по-прежнему будут основываться на исследованиях, генерирующих гипотезы, с низкими или очень низкими шансами до исследования. Затем мы должны признать, что проверка статистической значимости в отчете одного исследования дает только частичную картину, не зная, сколько тестов было проведено вне отчета и в соответствующей области в целом. Несмотря на обширную статистическую литературу, посвященную множественным исправлениям при тестировании [37], обычно невозможно расшифровать, насколько углубление данных авторами отчетов или другими исследовательскими группами предшествовало опубликованным результатам исследования.Даже если бы определение этого было осуществимо, это не сообщило бы нам о шансах до исследования. Таким образом, неизбежно, что нужно делать приблизительные предположения о том, сколько взаимосвязей, как ожидается, будет истинным, среди тех, которые исследуются в соответствующих областях исследований и дизайнах исследований. Более широкое поле может дать некоторое руководство для оценки этой вероятности для изолированного исследовательского проекта. Было бы полезно использовать опыт предвзятости, обнаруженной в других соседних областях. Несмотря на то, что эти предположения были бы в значительной степени субъективными, они все равно были бы очень полезны при интерпретации заявлений исследования и помещении их в контекст.

Ссылки

  1. 1. Иоаннидис Дж. П., Хайдич А. Б., Лау Дж. (2001) Есть ли жертвы в столкновении рандомизированных данных и данных наблюдений? BMJ 322: 879–880.
  2. 2. Lawlor DA, Davey Smith G, Kundu D, Bruckdorfer KR, Ebrahim S (2004) Эти запутанные витамины: что мы можем узнать из различий между данными наблюдений и данными рандомизированных исследований? Ланцет 363: 1724–1727.
  3. 3. Vandenbroucke JP (2004) Когда обсервационные исследования так же заслуживают доверия, как рандомизированные? Ланцет 363: 1728–1731.
  4. 4. Michiels S, Koscielny S, Hill C (2005) Прогнозирование исхода рака с помощью микроматриц: стратегия множественной случайной проверки. Ланцет 365: 488–492.
  5. 5. Иоаннидис JPA, Нцани Э.Э., Трикалинос Т.А., Контопулос-Иоаннидис Д.Г. (2001) Достоверность репликации исследований генетических ассоциаций. Нат Генет 29: 306–309.
  6. 6. Colhoun HM, McKeigue PM, Davey Smith G (2003) Проблемы сообщения генетических ассоциаций со сложными исходами. Ланцет 361: 865–872.
  7. 7. Иоаннидис Дж. П. (2003) Генетические ассоциации: ложь или правда? Тенденции Мол Мед 9: 135–138.
  8. 8. Иоаннидис JPA (2005) Микроматрицы и молекулярные исследования: открытие шума? Ланцет 365: 454–455.
  9. 9. Стерн Дж. А., Дэйви Смит Дж. (2001) Анализ доказательств – что не так с тестами значимости. BMJ 322: 226–231.
  10. 10. Wacholder S, Chanock S, Garcia-Closas M, Elghormli L, Rothman N (2004) Оценка вероятности того, что положительный отчет является ложным: подход к исследованиям молекулярной эпидемиологии.J Natl Cancer Inst 96: 434–442.
  11. 11. Risch NJ (2000) В поисках генетических детерминант в новом тысячелетии. Nature 405: 847–856.
  12. 12. Келси Дж. Л., Уиттемор А. С., Эванс А. С., Томпсон В. Д. (1996) Методы наблюдательной эпидемиологии, 2-е изд. Нью-Йорк: Oxford U Press. 432 с.
  13. 13. Topol EJ (2004) Несостоятельность общественного здравоохранения – рофекоксиб, Merck и FDA. N Engl J Med 351: 1707–1709.
  14. 14. Юсуф С., Коллинз Р., Пето Р. (1984) Зачем нам нужны большие простые рандомизированные испытания? Stat Med 3: 409–422.
  15. 15. Альтман Д.Г., Ройстон П. (2000) Что мы подразумеваем под проверкой прогностической модели? Stat Med 19: 453–473.
  16. 16. Taubes G (1995) Эпидемиология стоит на пороге. Наука 269: 164–169.
  17. 17. Голуб Т.Р., Слоним Д.К., Тамайо П., Хуард С., Гаасенбек М. и др. (1999) Молекулярная классификация рака: открытие классов и прогнозирование классов с помощью мониторинга экспрессии генов. Наука 286: 531–537.
  18. 18. Moher D, Schulz KF, Altman DG (2001) Заявление CONSORT: Пересмотренные рекомендации по повышению качества отчетов рандомизированных исследований в параллельных группах.Ланцет 357: 1191–1194.
  19. 19. Иоаннидис Дж. П., Эванс С. Дж., Готше П. К., О’Нил Р. Т., Альтман Д. Г. и др. (2004) Лучшее сообщение о вреде в рандомизированных испытаниях: расширение заявления CONSORT. Ann Intern Med 141: 781–788.
  20. 20. Международная конференция по гармонизации Рабочая группа экспертов E9 (1999) Гармонизированное трехстороннее руководство ICH. Статистические принципы клинических испытаний. Stat Med 18: 1905–1942.
  21. 21. Мохер Д., Кук Д. Д., Иствуд С., Олкин И., Ренни Д. и др.(1999) Повышение качества отчетов метаанализов рандомизированных контролируемых испытаний: заявление QUOROM. Качество отчетности метаанализа. Ланцет 354: 1896–1900.
  22. 22. Строуп Д.Ф., Берлин Дж. А., Мортон С. К., Олкин И., Уильямсон Г. Д. и др. (2000) Мета-анализ обсервационных исследований в эпидемиологии: предложение по отчетности. Группа метаанализа обсервационных исследований в эпидемиологии (MOOSE). JAMA 283: 2008–2012.
  23. 23. Маршалл М., Локвуд А., Брэдли С., Адамс С., Джой С. и др.(2000) Неопубликованные рейтинговые шкалы: основной источник систематической ошибки в рандомизированных контролируемых исследованиях методов лечения шизофрении. Br J Psychiatry 176: 249–252.
  24. 24. Альтман Д.Г., Гудман С.Н. (1994) Перенос технологий из статистических журналов в биомедицинскую литературу. Прошлые тенденции и прогнозы на будущее. JAMA 272: 129–132.
  25. 25. Chan AW, Hrobjartsson A, Haahr MT, Gotzsche PC, Altman DG (2004) Эмпирические данные для выборочного сообщения результатов в рандомизированных испытаниях: сравнение протоколов с опубликованными статьями.JAMA 291: 2457–2465.
  26. 26. Krimsky S, Rothenberg LS, Stott P, Kyle G (1998) Научные журналы и финансовые интересы их авторов: пилотное исследование. Psychother Psychosom 67: 194–201.
  27. 27. Папаниколау Г.Н., Балтожанни М.С., Контопулос-Иоаннидис Д.Г., Хайдич А.Б., Гианнакакис И.А. и др. (2001) Сообщение о конфликте интересов в руководящих принципах профилактических и терапевтических вмешательств. BMC Med Res Methodol 1: 3.
  28. 28. Antman EM, Lau J, Kupelnick B, Mosteller F, Chalmers TC (1992) Сравнение результатов метаанализов рандомизированных контрольных испытаний и рекомендаций клинических экспертов.Лечение инфаркта миокарда. JAMA 268: 240–248.
  29. 29. Иоаннидис Дж. П., Трикалинос Т. А. (2005) Ранние крайне противоречивые оценки могут появиться в опубликованных исследованиях: Феномен Протея в исследованиях молекулярной генетики и рандомизированных испытаниях. J Clin Epidemiol 58: 543–549.
  30. 30. Ntzani EE, Ioannidis JP (2003) Прогностическая способность микрочипов ДНК для исходов рака и коррелятов: эмпирическая оценка. Ланцет 362: 1439–1444.
  31. 31.Рансохофф Д.Ф. (2004) Правила доказательства для открытия и проверки молекулярных маркеров рака. Nat Rev Cancer 4: 309–314.
  32. 32. Линдли Д.В. (1957) Статистический парадокс. Биометрика 44: 187–192.
  33. 33. Бартлетт М.С. (1957) Комментарий к Д.В. Статистический парадокс Линдли. Биометрика 44: 533–534.
  34. 34. Senn SJ (2001) Дважды ура за P-ценности. Журнал Эпидемиол Биостат 6: 193–204.
  35. 35. Де Анжелис С., Дразен Дж. М., Фризель Ф. А., Хауг С., Хои Дж. И др.(2004) Регистрация клинических испытаний: заявление Международного комитета редакторов медицинских журналов. N Engl J Med 351: 1250–1251.
  36. 36. Иоаннидис JPA (2005) Противоречивые и изначально более сильные эффекты в высоко цитируемых клинических исследованиях. ИАМА 294: 218–228.
  37. 37. Hsueh HM, Chen JJ, Kodell RL (2003) Сравнение методов оценки количества истинных нулевых гипотез при проверке множественности. J Biopharm Stat 13: 675–689.

границ | Иллюзии причинно-следственной связи: как они искажают наше повседневное мышление и как их можно уменьшить

Введение

В современном мире растет тенденция доверять личным убеждениям, суевериям и псевдонауке больше, чем научным свидетельствам (Lewandowsky et al., 2012; Шмальц и Лилиенфельд, 2014; Ахенбах, 2015; Кэрролл, 2015; Хаберман, 2015). Суеверное, магическое и псевдонаучное мышление относится к необоснованным убеждениям, которые не подтверждаются текущими данными (Lindeman and Svedholm, 2012). Многие из них связаны с причинными иллюзиями, которые представляют собой восприятие причинной связи между событиями, которые на самом деле не связаны. Примеры причинных иллюзий можно легко найти во многих важных областях повседневной жизни, включая экономику, образование, политику и здоровье.Действительно, причинные иллюзии и связанные с ними когнитивные предубеждения, такие как самоуверенность, иллюзия контроля и иллюзорные корреляции, были предложены в качестве основы финансовых пузырей (например, Malmendier and Tate, 2005), социальных стереотипов (Hamilton and Gifford, 1976; Crocker, 1981; Murphy et al., 2011), враждебное поведение при вождении (Stephens and Ohtsuka, 2014), социальная нетерпимость и война (Johnson, 2004; Lilienfeld et al., 2009), а также проблемы общественного здравоохранения, такие как возросшая популярность альтернативных и дополнительная медицина (Matute et al., 2011; Blanco et al., 2014).

Например, многие отчеты показали, что гомеопатия не оказывает никакого причинного воздействия на здоровье пациента, кроме эффекта плацебо (Shang et al., 2005; Singh and Ernst, 2008; Ernst, 2015; National Health and Medical Research Council, 2015). Даже в этом случае 34% европейцев считают, что гомеопатия эффективна (Европейская комиссия, 2005). Иллюзия причинности в данном случае возникает из очень простой интуиции, основанной на совпадениях: «Я принимаю таблетку. Я чувствую себя лучше.Следовательно, это работает ». Многие люди в современном мире пришли к убеждению, что альтернативная медицина эффективна и что многие методы, не подтвержденные доказательствами, надежны просто потому, что, как они выражаются, «они работают на них». То есть они чувствуют себя , как если бы выздоровление было вызвано лечением (Lilienfeld et al., 2014). Некоторые люди идут еще дальше и предпочитают альтернативную медицину научной медицине. Такое отношение вызывает у многих людей серьезные проблемы, иногда даже смерть (Freckelton, 2012).

Несмотря на усилия правительств и скептических организаций по продвижению общества, основанного на знаниях, эффективность таких кампаний в лучшем случае была ограниченной (Schwarz et al., 2007; Nyhan and Reifler, 2015). Двое из пяти европейцев суеверны (European Commission, 2010), и более 35% американцев верят в дома с привидениями или экстрасенсы (Moore, 2005). Суеверное и псевдонаучное мышление, похоже, усиливается в некоторых европейских странах (но не меняется в других; см. European Commission, 2010).Этот тип мышления часто руководит решениями в отношении здоровья, финансов и семьи, которые должны основываться на противоположных знаниях и эмпирических данных. В Великобритании Комитет по науке и технологиям Палаты общин (2010) пожаловался в недавнем отчете на то, что, хотя правительство Великобритании признает, что «нет достоверных доказательств эффективности гомеопатии» (стр. 42), правительство Великобритании по-прежнему финансирование гомеопатии и предоставление лицензий, разрешающих розничную продажу в аптеках, так что «правительство рискует одобрить гомеопатию как эффективную систему медицины» (стр.42). Похожая ситуация наблюдается в большинстве стран. В Австралии Национальный совет по здравоохранению и медицинским исследованиям (2015 г.) недавно опубликовал исчерпывающий отчет, в котором предупреждает людей, что «не существует состояний здоровья, при которых есть надежные доказательства эффективности гомеопатии» (стр. 6). В этом отчете делается еще один шаг вперед и делается попытка не только предоставить доказательства, но, что важно, обучить людей тому, почему личные убеждения и опыт не являются надежным источником знаний и почему при оценке причинно-следственной связи всегда следует использовать научные методы.

В век Интернета, когда и наука, и лженаука находятся на расстоянии одного клика, многие люди больше не знают, чему верить. Похоже, что неприятие науки растет во всем мире (Achenbach, 2015), и становится все труднее искоренять мифы, когда они начинают распространяться (Lewandowsky et al., 2012; Schmaltz and Lilienfeld, 2014). Есть много возможных причин, по которым люди отвергают науку. Поиск основанных на фактах стратегий противодействия им должен стать приоритетом, если мы стремимся создать эффективные общественные кампании и политику, которые могут изменить научное образование (Schwarz et al., 2007; Gough et al., 2011). Как отмечают Блум и Вайсберг (2007), сопротивление науке становится особенно сильным в обществах, где псевдонаучные взгляды передаются заслуживающими доверия людьми. К сожалению, ученые не всегда считаются наиболее надежным источником в обществе, потому что люди часто больше доверяют друзьям и семье (Eiser et al., 2009). Прекрасным примером является кризис против вакцинации в 2015 году и тот факт, что в основном богатые и хорошо образованные родители решают не вакцинировать своих детей, несмотря на научные и правительственные предупреждения (Carroll, 2015).

Одна из основных трудностей заключается в том, что демонстрации людям фактов недостаточно для искоренения ложных убеждений (например, Yarritu and Matute, 2015). Иногда это может даже иметь противоположный эффект усиления мифа (Lewandowsky et al., 2012; Nyhan and Reifler, 2015). Более того, обучения научным методам тоже кажется недостаточно (Willingham, 2007; Schmaltz and Lilienfeld, 2014), поскольку многие наивные предубеждения могут сохраниться даже после продолжительной научной подготовки (Shtulman and Valcarcel, 2012).Однако обучение научному мышлению и использованию научных методов должно, по крайней мере, обеспечить важную защиту от когнитивных искажений (Lilienfeld et al., 2012; Barberia et al., 2013). Более того, мы полагаем, что научные методы представляют собой наилучший инструмент, если не единственный, который был разработан для противодействия иллюзии причинности, лежащей в основе многих из этих проблем. Но научное мышление и научные методы не интуитивно понятны, и их нужно обучать и практиковать.Лучшее понимание того, как работает иллюзия причинности, должно пролить свет на то, как улучшить обучение научному мышлению и сделать его более эффективным в уменьшении иллюзий. В этой статье мы рассмотрим эксперименты, которые наша группа провела над иллюзией причинности, и обсудим, как это исследование может помочь в обучении научному мышлению.

Иллюзии причинности, случайности и научных методов

Подобно тому, как существуют оптические иллюзии, которые заставляют людей видеть вещи больше, чем они есть, или имеющие разные формы или цвета, есть иллюзии причинности, которые заставляют людей воспринимать, что одно событие вызывает другое, когда между ними есть просто совпадение.В самом деле, точно так же, как люди не могут точно оценить размер или вес без использования специально разработанных инструментов (таких как измерительные ленты или весы), они также не готовы оценивать причинно-следственную связь без инструментов. Научные методы, особенно экспериментальный подход, – это внешние инструменты, разработанные обществом для оценки причинности.

Можно утверждать, что люди часто интуитивно определяют размер, цвет или вес, и это правда, что они часто могут делать это относительно хорошо даже при отсутствии какой-либо внешней помощи.Однако все мы знаем, что люди совершают ошибки. Столкнувшись с важной или критической жизненной ситуацией, такой как покупка дома или решение, где посадить самолет, большинство людей не будут доверять своей интуиции, а будут полагаться на внешние средства, такие как измерительные ленты или глобальную систему позиционирования (GPS). По тем же соображениям, пытаясь интуитивно оценить причинно-следственную связь, люди часто могут быть относительно точными, что продемонстрировано во многих экспериментах (например, Ward and Jenkins, 1965; Peterson, 1980; Shanks and Dickinson, 1987; Allan, 1993; Wasserman et al. ., 1993). Однако в то же время в бесчисленных экспериментах было показано, что при определенных хорошо известных условиях люди могут совершать вопиющие ошибки, оценивая причинно-следственные связи невооруженным глазом (Alloy and Abramson, 1979; Allan and Jenkins, 1983; Lagnado. and Sloman, 2006; Msetfi et al., 2007; Hannah, Beneteau, 2009; Blanco et al., 2014). Даже ученые, которые привыкли мыслить критически и применять строгие методологии в своей работе, иногда обнаруживают, что в их повседневной жизни развиваются суеверия (Wiseman and Watt, 2006; Hutson, 2015) и они забывают, что причинно-следственная связь не может быть точно оценена на основе быстрая интуиция (Kelemen et al., 2013; Фуа и Тан, 2013).

Примеры интуитивной оценки причинности (иногда правильной, иногда необъективной) легко найти в повседневной жизни. Компания могла инициировать новую программу обучения, привлечь больше клиентов и предположить, что новая программа была эффективной. Нося амулет на удачу и играя в фантастическую игру, нельзя не почувствовать, что амулет сыграл решающую роль в победе. Эта тенденция к обнаружению причинно-следственных связей настолько сильна, что люди делают выводы о них, даже если они рационально убеждены в том, что причинный механизм, который сделал бы эти отношения правдоподобными, не существует.Другой пример: ваша любимая спортивная команда может проиграть игру, когда вы на мгновение пойдете на кухню. Несмотря на то, что вы знаете, что между вашим поведением и результатом игры не существует причинно-следственной связи, трудно избежать ощущения, что вы несете какую-то ответственность за этот провал (Пронин и др., 2006).

Чтобы противодействовать иллюзии причинности, важно понимать, что иллюзия не является вопросом интеллекта или личности (Wiseman and Watt, 2006). Иллюзии причинности могут возникнуть у кого угодно, как и визуальные иллюзии.Они возникают из-за того, как эволюционировал человеческий разум: он извлекает причинность из совпадений. Таким образом, противодействие иллюзии заключается в умении использовать правильные инструменты и знании того, когда и как их использовать. Мы не можем придумать лучшей защиты от иллюзий причинности, чем научное мышление, которое включает скептицизм, сомнения и строгое применение научных методов, особенно экспериментального подхода.

Основная идея исследования причинных суждений состоит в том, что людям часто необходимо сделать вывод о том, является ли связь причинной, путем наблюдения за неоднозначными случаями и неполными доказательствами.В простейших ситуациях обучения причинно-следственной связи есть два события – потенциальная причина и результат, – которые можно многократно объединять в пары в серии испытаний. Четыре различных типа испытаний могут быть результатом возможных комбинаций присутствия или отсутствия этих двух бинарных событий. Возможна как потенциальная причина, так и результат (испытания типа a ), причина может иметь место, а результат – нет (испытания типа b ), причина может не наступить, а результат все еще имеет место (испытания типа c ), и, наконец, ни причина, ни результат не могут иметь место (испытания типа d ).Эти четыре типа испытаний показаны в матрице непредвиденных обстоятельств в таблице 1.

Таблица 1. Матрица непредвиденных обстоятельств, показывающая четыре различных типа испытаний в зависимости от наличия причины и результата .

Индекс Δ p (Allan, 1980) был широко принят в качестве нормативной меры случайности, на которой должны основываться субъективные оценки причинно-следственной связи участниками (например, Jenkins and Ward, 1965; Shaklee and Mims, 1981; Allan and Дженкинс, 1983; Шанкс и Дикинсон, 1987; Ченг и Новик, 1992).Этот индекс рассчитывается как вероятность того, что результат наступит при наличии потенциальной причины, P (O | C), минус вероятность того, что это произойдет при ее отсутствии, P (O | ¬C). Эти вероятности можно легко вычислить по количеству испытаний каждого типа ( a, b, c, d ) в таблице 1:

Δp = P (O | C) −P (O | ¬C) = [a / (a ​​+ b)] – [c / (c + d)].

Когда вероятность наступления результата при наличии причины больше, чем вероятность наступления результата без причины, Δ p является положительным. Это означает, что потенциальная причина способствует получению результата.Например, если вероятность выздоровления от данного заболевания выше, когда люди принимают данную таблетку, чем когда они этого не делают, предлагается причинно-следственная связь, и эта таблетка, вероятно, способствует выздоровлению.

Если вероятность исхода без причины больше, чем вероятность исхода, Δ p является отрицательным. Это означает, что существует причинно-следственная связь, но в этом случае причина не порождает результат, а предотвращает или тормозит его. Например, когда вероятность выздоровления ниже, когда люди принимают данную таблетку, чем когда они ее не принимают, существует тормозящая или профилактическая причинно-следственная связь: таблетка, вероятно, препятствует выздоровлению.

Наиболее интересными для наших настоящих целей являются случаи, когда случайность равна нулю, что означает, что причинно-следственная связь не существует. В таблице 2 показан пример вымышленной ситуации, в которой 80% пациентов, принимающих данную таблетку, выздоравливают от болезни, но 80% пациентов, которые ее не принимают, выздоравливают так же хорошо. Таким образом, исход весьма вероятен, но не зависит от наличия или отсутствия потенциальной причины. В этом и других случаях две вероятности идентичны, и поэтому Δ p равно 0.В этой ситуации с нулевым непредвиденным обстоятельством нет никаких эмпирических доказательств того, что существует причинная связь между потенциальной причиной и следствием. Следовательно, если нескольким участникам эксперимента показана такая ситуация и их попросят высказать причинное суждение, правильный ответ должен состоять в том, что причинной связи нет, даже если результат может происходить очень часто, а два события могут часто совпадать (т. Е. , может быть много ячеек и экземпляров; см. Таблицу 2).

Таблица 2.Матрица непредвиденных обстоятельств, показывающая ситуацию, в которой результат наступает с высокой вероятностью, но без непредвиденных обстоятельств .

Участники экспериментов часто переоценивают степень, в которой потенциальная причина на самом деле вызывает результат в условиях нулевой непредвиденной ситуации. Это известно как иллюзия причинности (или иллюзия контроля в случаях, когда потенциальной причиной является поведение участника). Несмотря на то, что Δ p общепринято в качестве нормативного индекса, описывающего влияние причины на следствие, сейчас хорошо известно, что участники не всегда основывают свои оценки причинности на Δ p (Allan and Jenkins, 1983 ; Pineño, Miller, 2007).Иногда участники используют другие индексы, и, что наиболее важно для наших текущих целей, их оценки могут быть искажены другими ненормативными переменными. Этим переменным и посвящен настоящий отчет.

В некотором смысле правильное и беспристрастное определение наличия причинно-следственной связи в любой ситуации эквивалентно использованию строгого экспериментального подхода. Это требует осознания того, что человеческие причинные выводы подвержены предубеждениям, проверки того, что происходит, когда потенциальная причина отсутствует, наблюдения аналогичного числа случаев, в которых причина присутствует и отсутствует, скептического отношения к простым совпадениям и поиска полной информации обо всех четыре типа проб.Это требует знания того, когда и как использовать все эти инструменты. Важно показать людям основные принципы научного контроля, как мы увидим в экспериментах, изучающих иллюзию причинности, описанную ниже.

Как оценить иллюзию

В большинстве экспериментов по выявлению реальных или иллюзорных причинно-следственных связей использовалась разновидность той же процедуры: задача суждения о непредвиденных обстоятельствах (см. Специальные тома Шанкса и др., 1996; Беккерс и др., 2007). Эта процедура оценки в настоящее время является относительно стандартной, что облегчает сравнение экспериментов и оценку новых применяемых стратегий.Эта методология также использовалась, когда необходимо точно оценить степень иллюзии причинной связи, которую люди проявляют до и после обучения научному мышлению (Barberia et al., 2013), что представляет особый интерес для настоящего отчета.

В этих экспериментах участники проходят ряд испытаний, в которых данная причина присутствует или отсутствует, а затем следует наличие или отсутствие потенциального результата (см. Таблицу 1). В типичном эксперименте с иллюзией причинности используется матрица непредвиденных обстоятельств, аналогичная приведенной в таблице 2, с ситуацией нулевой непредвиденной ситуации и манипуляциями с различными ячейками для увеличения или уменьшения иллюзии.

Заголовок, использованный в экспериментах, может быть изменен, чтобы относиться к медицине и здоровью (например, Matute et al., 2011), акциям и рынкам (Chapman and Robbins, 1990), продуктам питания и аллергическим реакциям (Wasserman et al., 1996). ), или растения и яды (Cobos et al., 2007), чтобы назвать несколько примеров. Во всех случаях цель состоит в том, чтобы изучить, как определенные манипуляции влияют на точное обнаружение причинно-следственной связи. В конце эксперимента участников просят оценить взаимосвязь между потенциальной причиной и потенциальным результатом.

Например, типичный эксперимент может побудить участников представить себя врачами. Участникам показывают серию записей о фиктивных пациентах, страдающих каким-либо заболеванием. Они видят одного пациента за испытание на мониторе компьютера. Некоторые из этих пациентов принимают лекарственные препараты, а некоторые нет. Затем некоторые пациенты выздоравливают, а другие нет. В этом примере лекарственное средство является потенциальной причиной, которая может присутствовать или отсутствовать в каждом испытании, а результатом является выздоровление от болезни, которое также может присутствовать или отсутствовать в каждом испытании.Различные типы испытаний ( a, b, c, d ), показанные в таблице 1, представлены в случайном порядке. Количество испытаний (т.е. пациентов) обычно составляет от 20 до 100, при этом от 40 до 50 являются стандартными. В конце эксперимента участников просят предоставить свою личную оценку взаимосвязи между двумя событиями, обычно по шкале от 0 (неэффективно) до 100 (полностью эффективно).

Среди множества возможных вариантов этой задачи есть один, который заслуживает особого упоминания.Эта переменная представляет собой активную и пассивную роль участника в этой задаче. До сих пор в описании задачи участники могли пассивно наблюдать, принимали ли фиктивные пациенты лекарство, а затем наблюдать, выздоравливают ли они. Это аналогично косвенному обучению, наблюдая или читая о других, принимавших наркотик. Напротив, в экспериментах с активной версией задания участникам показывают пациентов, страдающих этим синдромом, и спрашивают: «Вы бы хотели дать лекарство этому пациенту?» В этих экспериментах участники играют активную роль и решают, будет ли представлена ​​потенциальная причина и когда.После этого результат (исцеление) наступает или не наступает в соответствии со случайной или заранее определенной последовательностью, которая была предварительно запрограммирована экспериментатором. Это аналог человека, который принимает таблетки для уменьшения боли. Как мы покажем, некоторые исследования приписывают этой переменной критическую роль, но мы утверждаем, что ее влияние иногда могло быть смешано с другими факторами.

В дополнение к активным и пассивным ролям участников, есть много других вариантов, которые могут быть представлены в этой задаче и которые, как было показано, влияют на оценки участниками причинно-следственной связи.Примеры включают изменение формулировки вопросов о причинно-следственной связи, задаваемых в конце эксперимента (Crocker, 1982; Vadillo et al., 2005, 2011; Collins and Shanks, 2006; De Houwer et al., 2007; Blanco et al. , 2010; Shou and Smithson, 2015), порядок, в котором представлены различные типы испытаний (Langer and Roth, 1975; López et al., 1998), частота, с которой запрашиваются судебные решения (Collins and Shanks, 2002; Matute et al., 2002), описание соответствующих событий как причин, предикторов или следствий (Waldmann and Holyoak, 1992; Cobos et al., 2002; Pineño et al., 2005), временная близость между двумя событиями (например, Shanks et al., 1989; Wasserman, 1990; Lagnado and Sloman, 2006; Lagnado et al., 2007) и многие другие переменные, которые, к счастью, становится хорошо известным. В следующих разделах мы сосредоточимся на переменных, которые, по-видимому, наиболее критически влияют на иллюзию в случаях нулевого непредвиденного обстоятельства.

Вероятность исхода

Одной из первых переменных, влияющих на переоценку нулевого непредвиденного обстоятельства, является вероятность наступления результата.Во многих экспериментах с нулевым непредвиденным обстоятельством изучались условия, в которых желаемый результат возникает случайно, но с высокой вероятностью (например, 75% случаев, независимо от того, присутствует причина или нет), которые сравнивались с условиями, в которых результат наступает с низкой вероятностью (например, в 25% случаев, также независимо от наличия причины). Иллюзия причинно-следственной связи систематически сильнее в условиях с высоким исходом, чем в условиях с низким исходом (Alloy and Abramson, 1979; Allan and Jenkins, 1980, 1983; Matute, 1995; Wasserman et al., 1996; Бюнер и др., 2003; Аллан и др., 2005; Musca et al., 2010). Таким образом, когда кто-то пытается добиться результата, и результат возникает часто, ощущение того, что действие является эффективным, намного сильнее, чем когда результат случается редко. Это обычно называется смещением плотности исходов или частоты исходов.

Важно знать, что вероятность результата влияет на восприятие причинно-следственной связи. Это знание предупреждает нас о состояниях, которые часто более чувствительны к причинным иллюзиям, например, о любых заболеваниях или болевых ощущениях, при которых часты спонтанные ремиссии.Это объясняет, почему некоторые жизненные ситуации особенно уязвимы для псевдонаучного и магического мышления. Например, в США альтернативная медицина является предпочтительным вариантом лечения боли в спине (которая имеет высокий процент спонтанной ремиссии), при этом альтернативные врачи обеспечивают 40% первичной помощи при боли в спине (Комиссия Белого дома по политике дополнительной и альтернативной медицины , 2002). Напротив, альтернативные лекарства редко используются для лечения расстройств, при которых вероятность спонтанной ремиссии мала.

Ошибка плотности результата позволяет нам предсказать, что условия нулевой непредвиденной ситуации, в которых часто встречается желаемый результат, подвержены возникновению причинных иллюзий. Однако эти иллюзии трудно предотвратить, учитывая, что мы мало что можем сделать, чтобы снизить вероятность исхода в таких случаях. В прикладных условиях вероятность появления результатов, не зависящих от реакции, по определению находится вне контроля человека. Мы ничего не можем сделать, чтобы это изменить, поэтому наша роль должна заключаться в повышении осведомленности о проблеме и обучении людей быть бдительными, чтобы обнаруживать свои собственные иллюзии в тех случаях, когда результат возникает часто.Поэтому хорошая привычка к научному мышлению должна быть лучшей защитой.

Вероятность причины

Вероятность причины – еще одна переменная, которая, как было показано, влияет на иллюзию причинности. При прочих равных условиях и нулевой случайности иллюзия причины, приводящей к результату, будет значительно сильнее, если причина возникает в 75% случаев, чем когда она возникает в 25%. Этот эффект также называется смещением плотности причин или частоты причин и также был продемонстрирован во многих экспериментах (Allan and Jenkins, 1983; Wasserman et al., 1996; Пералес и др., 2005; Matute et al., 2011; Вадилло и др., 2011; Blanco et al., 2013; Ярриту и др., 2014). Эффект особенно силен, когда вероятность исхода также высока, поскольку будет больше возможностей для совпадений (Blanco et al., 2013).

К счастью, в этом случае можно многое сделать для уменьшения иллюзий людей. Несмотря на то, что вероятность результата неконтролируема в реальных жизненных ситуациях с нулевым непредвиденным обстоятельством, вероятность причины – это то, что можно относительно легко изменить.Представьте себе популярное (и фиктивное) лечение болевого синдрома, которое имеет высокую вероятность спонтанной ремиссии. Как это обычно бывает в альтернативной медицине, лечение включает очень высокую частоту возникновения причины (например, таблетки необходимо принимать каждые 2 часа). Следовательно, мы знаем, что это одна из ситуаций, в которой почти наверняка возникнет иллюзия. Как уже говорилось, очень сложно просто убедить людей в том, что их убеждения ложны или что их любимое лечение, которое так хорошо работает, безвредно.Однако важно то, что мы могли бы убедить их уменьшить частоту, с которой они принимают таблетку, чтобы они могли хотя бы проверить, что происходит, когда причина отсутствует. Мы знаем, что эта стратегия хорошо работает в лаборатории. Если они уменьшат частоту причины и результат останется неизменным, тогда они смогут понять, что потенциальная причина и результат полностью независимы, и иллюзия уменьшится (Blanco et al., 2012; Yarritu et al., 2014). Как мы покажем, это можно сделать с помощью простых инструкций или любых других средств, снижающих вероятность возникновения потенциальной причины.

Таким образом, даже несмотря на то, что убедить людей не прибегать к поддельному лечению может быть сложно, мы, по крайней мере, знаем, что хорошая кампания, которая мотивирует сокращение частоты лечения, может уменьшить иллюзию. Действительно, было показано, что даже не обязательно, чтобы участники сами выполняли действие. В экспериментах с использованием пассивного воздействия участники просто наблюдали, что происходит с фиктивными пациентами в эксперименте, как если бы они пассивно смотрели телевизор. Результаты показали, что даже несмотря на то, что участники не выполняли действие сами, наблюдая, как многие vs.несколько случаев, в которых причина присутствовала, оказали значительное влияние на созданную ими иллюзию. Те, кто наблюдал за меньшим количеством пациентов, которые следовали лечению, сообщили о значительно более слабых иллюзиях (например, Matute et al., 2011; Vadillo et al., 2011; Yarritu et al., 2014). Таким образом, существует не только тенденция к более частому использованию тех методов лечения, которые кажутся более эффективными, но также и тенденция воспринимать более часто используемые методы лечения как более эффективные. То есть восприятие эффективности увеличивает использование, но более широкое использование также увеличивает восприятие эффективности (Blanco et al., 2014). Следовательно, чтобы показать людям, что причинно-следственная связь не существует (например, что гомеопатия не работает), достаточно попросить их реже использовать потенциальную причину или даже показать им, что происходит с людьми, которые ее не используют ( показав им, например, как люди, не использующие гомеопатию, выздоравливают точно так же).

Причина-результат

Одно из условий, при которых большинство людей допускают систематические ошибки в оценке причинности, – это когда два события продолжают происходить вместе во времени или в тесной временной последовательности, предполагая, что первое вызывает второе (например.г., Шанкс и др., 1989; Вассерман, 1990; Лагнадо, Сломан, 2006). Мы делаем вывод о причинной связи в этих случаях, и этот вывод часто бывает правильным, поскольку смежность причинно-следственных связей является основным сигналом, который люди и другие животные могут использовать для вывода о причинно-следственных связях (Wasserman and Neunaber, 1986; Shanks et al., 1989; Wasserman, 1990; Buehner, 2005; Greville, Buehner, 2010). Однако, когда причинно-следственная связь отсутствует и события все еще происходят в тесной временной последовательности, люди также склонны делать вывод о существовании причинной связи между ними, хотя и ошибочно.

Действительно, из всех четырех типов испытаний в матрице непредвиденных обстоятельств люди склонны уделять особое внимание испытаниям в ячейках и , для которых причина и результат совпадают (Jenkins and Ward, 1965; Crocker, 1982; Kao and Wasserman, 1993). Это означает, что даже в ситуациях с нулевым непредвиденным обстоятельством может иметь место сильная тенденция к выводу о причинно-следственной связи, когда количество совпадений причины и результата (ячейка и испытаний) велико. Фактически, ячейка a тесно связана с факторами, описанными в предыдущих двух разделах, поскольку высокая вероятность как причины, так и результата неизбежно приведет к множеству испытаний ячейки a .Неудивительно, что маркетинговые кампании, продвигающие использование дополнительной и альтернативной медицины или любых других чудодейственных продуктов, используют эту технику, всегда информируя потенциальных клиентов о многих успешных случаях после их советов, никогда не упоминая тех, кто добился успеха, не следуя их советам. Урок, извлеченный из лабораторных экспериментов, состоит в том, что в информационных кампаниях, проводимых правительствами и учреждениями здравоохранения, пытающимися противодействовать рекламе поддельных продуктов, явно необходимо выделять тех, кто не использовал продукт (т.е., испытания без причины – клетки c и d в таблице 1). Важно передавать не только правдивую, но и полную информацию, включая все четыре типа испытаний ( a, b, c, d ), чтобы люди могли принимать обоснованные решения.

В итоге, вероятности как результата, так и причины являются переменными, которые влияют на степень иллюзии причинной связи, которую люди разовьют в условиях нулевой непредвиденной ситуации. Чем выше вероятность причины и следствия, тем выше вероятность того, что причина и результат совпадают, и тем выше вероятность того, что люди установят причинно-следственную связь.Более того, когда вероятность как результата, так и причины высока, возникает особая ситуация, в которой большинство испытаний вовлекают наблюдения ячеек и . Многие совпадения между причиной и результатом, когда и то и другое происходит часто, по-видимому, порождают иллюзию причинной связи (Blanco et al., 2013). Таким образом, чтобы уменьшить иллюзию, мы должны уменьшить вероятность результата и причины, когда это возможно, и искать полную информацию.

Эффекты, обсуждаемые до сих пор, похоже, не влияют только на человеческие суждения.Компьютерное моделирование показывает, что вероятности причины и результата также могут влиять на алгоритмы машинного обучения, предназначенные для обнаружения непредвиденных обстоятельств. Например, на рисунке 1 показаны результаты компьютерного моделирования, основанного на популярном алгоритме обучения Рескорла – Вагнера (Рескорла и Вагнер, 1972). Модель пытается связать причины и результаты, одновременно происходящие в окружающей среде, при этом сводя к минимуму ошибки прогнозирования. Каждая из четырех линий, показанных на рисунке 1, обозначает поведение модели при воздействии каждого из четырех условий, используемых Blanco et al.(2013). В этом эксперименте все участники были подвергнуты серии испытаний, в которых случайность между потенциальной причиной и результатом фактически равнялась 0. Вероятность причины была высокой (0,80) для половины участников и низкой (0,20) для другой. половина. Ортогонально результат имел тенденцию появляться с большой вероятностью (0,80) для половины участников и с низкой вероятностью (0,20) для другой половины.

Рис. 1. Результаты компьютерного моделирования четырех экспериментальных условий, представленных Blanco et al.(2013, эксперимент 1) с использованием алгоритма обучения Рескорла – Вагнера. Моделирование проводилось с использованием симулятора Java, разработанного Alonso et al. (2012). Для этого моделирования параметры скорости обучения были установлены на α причина = 0,3, α контекст = 0,1, β результат = β ∼outcome = 0,8.

Как показано на рисунке 1, модель имеет тенденцию сходиться к низкой ассоциативной силе во всех условиях после многих испытаний, что является естественным результатом, учитывая, что истинная случайность между причиной и результатом равна 0 во всех случаях.Однако до того, как модель достигнет этой асимптоты, она временно смещается как на вероятность причины, так и на вероятность результата, подобно тому, как это показано на примере людей. Способность модели выучить нулевое непредвиденное обстоятельство медленнее всего, когда вероятности причины и результата велики. Хотя модель предсказывает, что иллюзия в конечном итоге исчезнет, ​​если будет проведено достаточно большое количество испытаний, результаты имитируют причинные иллюзии, обнаруженные у реальных участников, которые также имели тенденцию демонстрировать более сильные иллюзии, когда обе вероятности велики.Это было обнаружено у людей с помощью 50 и 100 тренировочных испытаний (Blanco et al., 2011). Этот результат также можно рассматривать как особую форму иллюзорной корреляции, потому что и люди, и модель предполагают иллюзорную корреляцию между потенциальной причиной и результатом, прежде чем предположить, что корреляция подразумевает причинную связь.

Интересно, что хотя есть много других переменных, которые были описаны в литературе как влияющие на иллюзию причинной связи, внимательный взгляд показывает, что многие из них также связаны с ситуациями с высокой вероятностью результата, высокой вероятностью причины или и тем, и другим.Следовательно, многие факторы, предположительно влияющие на иллюзию, могут быть просто случаями, когда затрагиваются эти две вероятности. Мы описываем некоторые из этих переменных ниже.

Максимизация результата по сравнению с проверкой причинно-следственной связи

Как объяснялось, в некоторых экспериментах использовалась пассивная версия задачи обучения непредвиденным обстоятельствам, в то время как в других использовалась активная версия. В активной версии поведение участника является потенциальной причиной результата: участник решает, когда и как часто будет представлена ​​причина.Следовательно, даже если возникновение результата заранее запрограммировано одинаково как в активной, так и в пассивной версиях, в активной задаче участники могут случайно увеличить количество совпадений между потенциальной причиной и результатом в зависимости от того, когда и как часто они вводят причину (Matute, 1996; Hannah and Beneteau, 2009). Таким образом, участник мог влиять на частоты в матрице непредвиденных обстоятельств (см. Таблицу 1). В этих случаях, даже если результат неконтролируемый, участнице может казаться, что она его контролирует (Blanco et al., 2011). Это общая черта инструментального поведения, которая возникает в реальных неконтролируемых ситуациях, когда человек может указать причину. В качестве примера рассмотрим танцы под дождем. Дождь не поддается контролю, но частота, с которой танцевали древние племена, была решением, которое повлияло на количество совпадений причины и следствия, что, в свою очередь, могло повлиять на их восприятие причинности.

Этот эффект зависит от цели и поведения участников, поэтому он также может быть, по крайней мере, частично изменен с помощью инструкций по изменению этих целей и поведения, связанного с ними.Матуте (1996) заметил, что участники экспериментов, демонстрирующие иллюзию причинно-следственной связи, обычно подвергались воздействию естественных условий, в которых их целью было максимизировать результат, поэтому они, как правило, действовали с высокой вероятностью (причины). Напротив, исследования, сообщающие о точном обнаружении нулевых непредвиденных обстоятельств, как правило, рассказывали своим участникам не только о том, что их цель состояла в том, чтобы оценить, насколько они контролируют результат (а не максимизировать результат), но также и о том, как они могут наилучшим образом оценить потенциальные отношения.Участников этих экспериментов попросили проверить, существует ли причинно-следственная связь, и проинструктировали, что лучший способ достичь этой цели – указать причину примерно в 50% испытаний. Это позволило им узнать, что произошло, когда потенциальная причина присутствовала, а когда нет (Шанкс и Дикинсон, 1987; Вассерман, 1990). В некотором смысле участники были проинструктированы о принципах научного контроля. Предложив им проверить результаты при наличии и отсутствии потенциальной причины, они точно обнаружили отсутствие непредвиденных обстоятельств.Это говорит о том, что точному обнаружению можно способствовать с помощью прямых (и довольно простых) инструкций, данных участникам.

Люди склонны действовать часто, пытаясь максимизировать результат, что увеличивает их иллюзию причинности. Инструктаж людей уменьшать вероятность возникновения причины (и воздерживаться от любых действий) показывает, что это эффективная стратегия уменьшения их иллюзий (Blanco et al., 2012). Эта стратегия учит людей тому, что происходит, когда они действуют или не действуют.Неудивительно, что это эквивалентно обучению людей основам научных методов и научного контроля: чтобы проверить причинно-следственную связь между двумя переменными, им нужно научиться контролировать эти переменные и видеть, что происходит при наличии или отсутствии потенциальной причины.

Цена действия – вторичные эффекты

Мы описали несколько состояний, при которых вероятность причины явно снижена, чтобы люди могли понять, что происходит, когда причина отсутствует.Как уже упоминалось, это основа экспериментального метода, который был разработан, чтобы помочь ученым с точностью определить причинно-следственные связи. Но во многих естественных условиях люди, как правило, действуют с очень высокой скоростью, чтобы максимизировать результат, что не позволяет им обнаружить нулевые непредвиденные обстоятельства. Примеров много. Когда мы испытываем боль, мы с большей готовностью принимаем любое предлагаемое средство. Было бы очень трудно, если не невозможно, попросить людей воздержаться от попыток достичь желаемого и действительно необходимого результата.

Однако есть некоторые факторы, которые по умолчанию снижают вероятность действий. Один из них – стоимость действия. Когда действие дорогое (с точки зрения затрат энергии или других затрат), люди сокращают его частоту. В этих условиях мы можем предсказать уменьшение иллюзии причинности. Один из примеров – вторичные эффекты лекарств. Большинство лекарств вызывают побочные эффекты, и их прием требует определенных затрат. Согласно обсуждению до сих пор, это должно привести к снижению потребления и, таким образом, более точному обнаружению нулевой непредвиденной ситуации.По той же причине, если лекарство неэффективно, но имеет побочные эффекты, людям будет легче обнаружить его нулевую непредвиденную ситуацию. Однако кажущиеся неэффективными лекарства, как правило, не имеют ни первичных, ни вторичных эффектов (как и многие дополнительные лекарства, такие как гомеопатия). Это может быть одной из причин, по которой многие люди предпочитают альтернативную медицину, даже если они знают, что они не подтверждаются доказательствами. Предполагаемое отсутствие побочных эффектов заставляет многих людей принимать эти лекарства свободно и часто, что должно привести к большей иллюзии, что они эффективны, поскольку, как известно, высокая вероятность причины увеличивает иллюзию.

Чтобы проверить эту точку зрения, Blanco et al. (2014) адаптировали стандартную задачу обучения на случай непредвиденных обстоятельств, описанную выше. Участникам показывали записи о фиктивных пациентах один за другим через экран компьютера и решали, давать ли этим пациентам недавно обнаруженное лекарство или ничего не делать. Они получили отзывы о том, почувствовал ли каждый пациент себя лучше или нет. Как и в предыдущих экспериментах, не было никакой связи между лекарством и исцелением. Важнейшая манипуляция в этом эксперименте заключалась в том, что для одной группы участников у пациентов, которые принимали препарат, всегда возникали вторичные эффекты, тогда как в другой группе вторичных эффектов не было.Как и ожидалось, участники, у которых препарат не вызывал побочных эффектов, вводили его с большей частотой и поэтому не могли узнать, что выздоровление происходит с одинаковой вероятностью независимо от приема препарата. Таким образом, более высокая частота введения вызывала более сильные причинные иллюзии в группе без побочных эффектов. Исследование показало, что мы не только склонны использовать лекарства, которые, по нашему мнению, более эффективны, но и простой факт использования лекарства часто способствует убеждению в его эффективности.Это порождает порочный круг между использованием и восприятием эффективности.

Эти результаты предполагают, что один из путей, по которым альтернативная и дополнительная медицина получает такое широкое распространение, заключается именно в предполагаемом отсутствии побочных эффектов. Это заставляет людей использовать эти средства чаще, чем обычные (которые почти всегда имеют побочные эффекты). Таким образом, если результат наступает с такой же вероятностью, когда эти средства не используются, они просто не могут его воспринять.

Депрессия

Другая переменная, которая, как было показано, оказывает сильное влияние на восприятие нулевых непредвиденных обстоятельств, – это настроение. Классическое исследование Alloy и Abramson (1979) показало, что люди, находящиеся в депрессивном состоянии, точнее, чем люди без депрессии, обнаруживают отсутствие контроля в неконтролируемых условиях. Этот эффект депрессивного реализма воспроизводился во многих различных условиях (например, Moore and Fresco, 2012; Kornbrot et al., 2013; Byrom et al., 2015).

Первоначально этот эффект объяснялся предположением, что у людей с депрессией отсутствует ряд корыстных предубеждений, которые, как предполагается, способствуют благополучию у людей без депрессии. Не находящиеся в депрессии люди будут склонны чувствовать, что они контролируют свое окружение, которое заставляет их чувствовать себя хорошо и защищает их от депрессии (Alloy and Abramson, 1988; Taylor and Brown, 1988, 1994; Alloy and Clements, 1992). Альтернативная точка зрения интерпретирует эти эффекты не как мотивационную предвзятость, а как следствие различных когнитивных стратегий.В частности, было обнаружено, что люди с депрессией по-разному проводят исследования без указания причин (Msetfi et al., 2005).

Не обсуждая достоинства этих интерпретаций, мы предлагаем другую интерпретацию, которая соответствует общей структуре, изложенной в этой статье, и которая может дополнить предыдущие предложения о депрессивном реализме. Согласно Blanco et al. (2009, 2012), одним из аспектов депрессии является повышенная пассивность, то есть снижение способности инициировать произвольные реакции.Когда в экспериментах по депрессивному реализму сравнивали участников, находящихся в депрессивном состоянии, и участников без депрессии, частота появления причины (поведения участника) обычно не сообщается. Таким образом, участники без депрессии могли действовать с большей частотой, чем участники с депрессией, чтобы получить результат. Если бы это было правдой и предполагая, что результат действительно происходит с относительно высокой частотой в этом типе экспериментов и в реальных жизненных ситуациях, мы можем легко предвидеть, что участники, не находящиеся в депрессии, будут подвергаться большему количеству совпадений (тип a ячеек, таблица 1).Это заставляет их развивать иллюзию, что они контролируют результат. Фактически, Blanco et al. (2009, 2012) показали, что эффект депрессивного реализма может быть вызван, по крайней мере частично, тем фактом, что депрессивные люди более пассивны. Они действуют реже для получения результата и, таким образом, подвергаются меньшему количеству испытаний на наличие причины. Как следствие, их иллюзия контроля ниже.

Следовательно, хотя депрессивные люди кажутся более точными, чем люди без депрессии, в своих оценках нулевой непредвиденной ситуации, это не обязательно означает, что они мудрее.Напротив, это кажется дополнительным следствием той сильной роли, которую вероятность причины играет в усилении или уменьшении иллюзий причинности. Это подчеркивает необходимость научить людей, не страдающих депрессией, быть более пассивными, вводя потенциальные причины в одних испытаниях, но не в других, чтобы они могли узнать, насколько они на самом деле контролируют результат.

Личное участие

Степень личного участия участника была предложена во многих более ранних отчетах как одна из наиболее важных переменных, влияющих на результаты экспериментов с иллюзиями причинности и контроля.В принципе, результаты эксперимента должны сильно отличаться в зависимости от того, участвуют ли участники лично в исцелении как можно большего числа фиктивных пациентов или они просто наблюдают, выздоравливают ли фиктивные пациенты после приема препарата. Как уже упоминалось, иллюзия контроля обычно интерпретируется как форма корыстной предвзятости (Alloy and Abramson, 1988; Taylor and Brown, 1988, 1994; Alloy and Clements, 1992). Следовательно, этого не должно происходить, когда люди просто наблюдают причины и следствия, которые не имеют ничего общего с их собственным поведением.

Одно из очень немногих исследований, в которых прямо проверяли эту точку зрения, было проведено Alloy et al. (1985). Для одной группы потенциальной причиной было поведение участников, а для другой потенциальной причиной было нейтральное событие. Иллюзия была сильнее, когда потенциальной причиной было поведение участника, которое, казалось, поддерживало мнение о том, что личное участие необходимо для развития иллюзии контроля. Однако более пристальный взгляд на этот эксперимент показывает, что процент испытаний, в которых участники представили причину, не был указан.Это оставляет открытой возможность того, что участники, которые были лично вовлечены, могли действовать с высокой вероятностью и, таким образом, подвергались более высокой вероятности причины, чем группа наблюдателей. Если бы это было так, личное участие можно было бы спутать с вероятностью причины в предыдущей работе.

Таким образом, мы провели эксперимент, используя схему с коромыслами, чтобы все оставалось неизменным во всех группах, за исключением личного участия. Одна группа могла вводить лекарство фиктивным пациентам, в то время как другая группа просто наблюдала.Результат был неконтролируемым (запрограммированным) для всех участников, но каждый участник в группе, скованной ярмом, наблюдал только идентичную последовательность причин и результатов, порожденных партнером в активной группе. В результате обе группы продемонстрировали похожую иллюзию причинно-следственной связи. Суждения участников не различались, независимо от того, были ли они активны в эксперименте или находились под его ярмом (Ярриту и др., 2014). Вместо этого на суждения участников влияла вероятность возникновения потенциальной причины (напомним, что потенциальной причиной в этом эксперименте было введение препарата, которое совпадало с поведением самих участников в активной группе, тогда как оно совпадало с поведением поведение третьего лица в группе, находящейся под ярмом).Таким образом, казалось, что вероятность причины была более сильным фактором, чем личное участие в развитии иллюзии.

Чтобы подтвердить этот вывод, Ярриту и др. (2014) провели еще один эксперимент, в котором они явно манипулировали вероятностью потенциальной причины и степенью личного участия. Половину участников попросили попытаться вылечить как можно больше пациентов, а другую половину просто наблюдали за тем, что делают их партнеры. Чтобы повысить мотивацию активных участников, они были проинформированы о том, что их работа контролируется равноправными участниками, наблюдающими за экраном с клонированного экрана в соседней кабине.Ортогонально половине участников в каждой группе был предоставлен дефицит препарата, поэтому они были вынуждены вводить его с низкой вероятностью всего нескольким пациентам. Другой половине дали большой запас лекарства и заставили вводить его с высокой частотой. Результаты подтвердили наши предыдущие выводы о том, что вероятность, с которой было дано лекарство, оказала более сильное влияние на суждения, чем личное участие в попытках исцеления пациентов (по сравнению с простым наблюдением).

Это не означает, что все случаи, показывающие, что личное участие увеличивает иллюзию контроля, могут быть сведены к вероятности причинно-следственной связи.Однако вполне возможно, что в литературе существует некоторая путаница, потому что люди, которые лично вовлечены, как правило, действуют для достижения желаемого результата чаще, чем те, кто не участвует. Вероятность введения потенциальной причины выше у тех, кто вовлечен, и, как было показано ранее, это может увеличить количество совпадений и, следовательно, иллюзию. Как следствие, необходимо дистанцироваться в критических жизненных условиях, в которые мы лично вовлечены, или позволить более объективным и нейтральным наблюдателям помочь нам судить о существовании причинно-следственной связи, потому что наша интуиция наверняка ошибается.

Когда существует несколько возможных причин

Бывают случаи, когда совпадений недостаточно, чтобы усилить восприятие причинности. Когда несколько возможных причин представлены вместе и за ними следует результат, причины имеют тенденцию конкурировать между собой за связь с результатом. Даже когда может быть много совпадений причины и следствия, они могут оказаться неэффективными в усилении приписывания причинности одной из этих причин, если другая причина более интенсивна или ранее имела связь с результатом (Rescorla and Wagner, 1972).Эти эффекты конкуренции между несколькими потенциальными причинами хорошо известны как у людей, так и у других животных (например, Shanks, 2007; Wheeler and Miller, 2008).

Развивая эту идею немного дальше, мы могли бы также предсказать, что в ситуациях, в которых результат не зависит от поведения, информирование людей о возможных альтернативных объяснениях результата также должно уменьшить их иллюзию причинности. Эта идея была проверена Vadillo et al. (2013), которые проинструктировали одну из своих групп о возможном альтернативном объяснении результата.Как и ожидалось, группа с альтернативным объяснением, которому можно было легко приписать результат, показала меньшую иллюзию причинной связи по сравнению с группой, которая не получала предложений об альтернативных объяснениях. Таким образом, информирование людей о существовании альтернативных причин может уменьшить иллюзию.

Однако наличие альтернативных причин не всегда благоприятно. Бывают случаи, когда люди могут выбрать неправильную причину, если их две. В качестве примера рассмотрим пациента, принимающего таблетки плацебо для улучшения сна.Друг говорит ему, что таблетки – это просто сахар и что ему следует начать новое лечение. Он колеблется, но в конце концов решает последовать совету друга. Он посещает психолога и начинает лечение, основанное на доказательствах. Однако на всякий случай он не бросает таблетки плацебо и продолжает использовать их в качестве дополнительной терапии. Это означает, что он не сможет сказать, связано ли какое-либо улучшение с новым лечением или с таблетками плацебо. Даже если новое лечение сработает, его эффект можно ошибочно отнести к старым таблеткам плацебо.

Альтернативные методы лечения часто используются в дополнение к другим методам лечения, полагая, что они не могут быть вредными, если используются таким образом. Действительно, многие люди согласятся, что альтернативная терапия может быть вредной, потому что может заставить людей не следовать эффективному лечению. Но при использовании в качестве дополнения альтернатива кажется абсолютно безвредной, и почти никто не будет возражать против такого использования. Однако по мере того, как мы продвигались вперед, наличие более чем одной потенциальной причины может привести к конкуренции между обеими причинами, так что, если одна считается сильным кандидатом, другая будет рассматриваться как слабая.Действительно, во многих экспериментах с людьми и другими животными сообщалось, что, когда две причины представлены вместе и за ними следует результат, одна из причин, ранее имевшая связь с этим результатом, может конкурировать с приписыванием причинной силы последним. причина (Шанкс, Дикинсон, 1987; Шанкс, 2007; Уиллер, Миллер, 2008; Боддез и др., 2014).

Имея это в виду, Ярриту и др. (2015) спросили, произойдет ли такой же эффект, если предыдущая история одной из причин с исходом была просто иллюзорной.Они попросили две группы оценить эффективность препарата А в задаче, описанной в предыдущих разделах. Во время фазы 1 процент испытаний, в которых выздоровели фиктивные пациенты, был одинаковым, независимо от того, принимали ли они лекарство, и определялся заранее запрограммированной случайной последовательностью. Однако сильная иллюзия эффективности препарата была вызвана в одной группе, в то время как слабая иллюзия была вызвана в другой группе. Это было сделано путем манипулирования вероятностью причины (фиктивные пациенты, принимающие препарат).Затем, в фазе 2, все участники встречались с рядом пациентов, которые либо принимали комбинированное лечение препарата А с новым препаратом В, либо не получали лечения, после чего пациенты выздоравливали или не получали лечения. Процент испытаний, в которых пациенты выздоравливали после приема комбинированного лекарства, был выше, чем в исследованиях с выздоровлением без лекарств, и эти проценты были идентичными для всех участников. То есть во время фазы 2 лекарство B было эффективным. Однако, когда его спросили об эффективности препарата B в последующей фазе испытаний, суждения были ниже для группы, у которой возникла сильная иллюзия о препарате A в фазе 1.Предыдущая иллюзия, что лекарство A было эффективным, уменьшала способность определять эффективность лекарства B во время фазы 2. Это говорит о том, что ложное лекарство, даже если оно является дополнительным, может причинить больше вреда, чем люди обычно ожидают.

Неблагоприятные условия: как раз наоборот?

На протяжении всей статьи мы предполагали, что иллюзия причинности возникает в условиях аппетита, когда люди пытаются добиться желаемого события. Тем не менее, многие суеверия и иллюзии причинно-следственной связи имеют место в неблагоприятных условиях, в которых результат оказывается нежелательным, например, невезение или несчастье (напр.г., Блюм и Блюм, 1974; Эшлеман и др., 2003; Блум и др., 2007; Zhang et al., 2014). Мы должны различать по крайней мере два типа отвращающих или отрицательных состояний, в которых может иметь место нулевая случайность. Первый параллелен поведению побега и избегания. Несмотря на то, что между причиной и результатом нет случайности, это будет выглядеть так, как если бы за поведением участников последовало прекращение (или избегание) отталкивающего события. Типичный пример – прикосновение к дереву, чтобы избежать несчастья.Этот первый тип негативных суеверий работает во многом так же, как и тот, который приводит к аппетитным результатам, которые обсуждались до сих пор. Как правило, люди с высокой вероятностью будут выполнять действия, пытаясь избежать или избежать неприятного раздражителя как можно чаще (Matute, 1995, 1996; Blanco and Matute, 2015). Таким образом, большинство стратегий, предлагаемых для уменьшения иллюзии причинно-следственной связи, также должны быть полезны в этих случаях.

Второй тип соответствует условию наказания. Поведение участника не приводит к неудачам, но кажется, что так и было.Например, сидеть в ряду 13 или видеть черную кошку считается невезением. Эти случаи работают иначе, чем описанные. Когда неприятные последствия следуют за действием (или кажется, что следуют за ним), люди склонны снижать свое поведение (то есть вероятность возникновения причины). Это важно для понимания разницы между этими состояниями, похожими на наказание, и состояниями аппетита. В этом случае люди, как правило, действуют реже, в отличие от состояний аппетита.Таким образом, чтобы помочь им понять, что результат не зависит от их поведения, наша стратегия должна быть противоположна той, которая используется в условиях аппетита.

Чтобы проверить эту точку зрения, Матуте и Бланко (2014) использовали те же инструкции, показанные для уменьшения иллюзий в условиях аппетита в условиях, подобных наказанию. В результате просьба к людям уменьшить вероятность причины (т.Причина, вероятно, в том, что когда неприятные неконтролируемые результаты следуют за поведением, и люди часто действуют, как они поступают по умолчанию, их поведение кажется наказанным, поэтому они чувствуют, что не контролируют результат. Однако, когда доступна потенциальная альтернативная причина этих неблагоприятных исходов, и люди сокращают частоту своих действий, и даже при этом неблагоприятные исходы продолжают происходить, людям становится яснее, что они не несут ответственности за возникновение исходов.Они больше не чувствуют, что их поведение наказывается, и поэтому их иллюзия контроля увеличивается. Следовательно, вместо того, чтобы давать указания людям сократить количество испытаний, в которых присутствует причина, лучшая стратегия в условиях, подобных наказанию, – это просить людей увеличить количество испытаний, связанных с наличием причины. Так им будет легче обнаружить, что у них нет контроля. Например, вместо того, чтобы просить людей воздерживаться от выбора строки номер 13, мы должны попросить их выбирать строку номер 13 с большей частотой, чтобы уменьшить их негативную иллюзию.

Разработка образовательной стратегии

В научном образовании ведутся долгие споры о том, лучше ли учащиеся учатся через личные открытия или через более традиционные методы обучения, но недавние отчеты показывают, что для изучения научных методов предпочтительнее прямое обучение (например, Klahr and Nigam, 2004). Таким образом, преимущества прямого обучения могут быть использованы для предотвращения иллюзий причинно-следственной связи. Однако одна серьезная потенциальная проблема заключается в том, что люди могут игнорировать рекомендации, потому что они не мотивированы, основанными на убеждениях, что они свободны от предубеждений.Многие люди могут распознать когнитивные предубеждения у других людей, но не умеют распознавать собственные предубеждения (Пронин и др., 2004, 2002). Мы можем предположить, что заставить людей осознать, что их восприятие причинно-следственной связи далеко от совершенства, будет мотивировать их изучать научные методы, которые помогут им точно оценить причинно-следственную связь.

Следуя этой идее, Barberia et al. (2013) рассказали группе подростков, что они разработали чудо-продукт, который поможет им улучшить свои физические и когнитивные способности.Это было проведено довольно театрально, и подросткам разрешили опробовать свойства продукта (кусок обычного феррита) с помощью нескольких познавательных и физических упражнений. Как только подростков убедили, что фиктивный продукт действительно эффективен, они были готовы выслушать возможные способы более точной оценки эффективности феррита. Они прошли семинар по научным методам, в которых подчеркивалась важность контроля посторонних или мешающих переменных.Им также показали, что это за продукт на самом деле и как они стали жертвами собственных предубеждений. Наконец, их иллюзия причинности была оценена с использованием стандартной процедуры, описанной в предыдущих разделах.

В результате учащиеся, подвергшиеся вмешательству (включая как опыт работы с фиктивным продуктом, так и учебное пособие по экспериментальным методам), снизили вероятность введения причины (вероятность действия) и развили значительно более слабую причинную иллюзию в стандартизированная оценочная задача по сравнению с контрольной группой наивных участников, которым не проводилось вмешательство.Мы не можем быть уверены в ключевом аспекте успеха процедуры, но предполагаем, что информирование учащихся об их собственных предубеждениях может иметь решающее значение для усиления воздействия более академического объяснения научных методов на их поведение и мышление. Дальнейшие вмешательства должны быть сосредоточены на разделении ключевых компонентов, которые сделали вмешательство успешным, таких как роль начальной фазы. Результаты показывают, что вопреки распространенному мнению о том, что когнитивным предубеждениям невозможно противодействовать, существуют процедуры, которые работают и должны быть задокументированы, поскольку они могут помочь научить людей мыслить более научно и уменьшить их причинные иллюзии.

Нам неизвестны многие другие систематические исследования по уменьшению иллюзии причинной связи или даже попытки уменьшить другие предубеждения (например, Arkes, 1991; Larrick, 2004; Schmaltz and Lilienfeld, 2014). Как сообщает Lilienfeld et al. (2009) утверждают, что странно, что за последние десятилетия проводилось так много исследований когнитивных искажений, что так мало было сделано в отношении устранения искажений. Мы надеемся, что внесли свой вклад в разработку основанных на фактах стратегий, которые могут улучшить преподавание научных методов и уменьшить иллюзию причинной связи.

Обсуждение

Несколько рекомендаций о том, как уменьшить иллюзию причинности, можно извлечь из описанных экспериментов. Во-первых, мы знаем, что иллюзия причины и следствия будет слабее, когда желаемый результат случается редко. Хотя эта переменная обычно находится вне нашего контроля в условиях нулевой непредвиденной ситуации, она дает важный сигнал для предвидения условий, при которых с большей вероятностью будут наблюдаться суеверия и причинные иллюзии.

Иллюзия также будет слабее, когда вероятность причины низка.Это переменная, которую можно контролировать, и она, как было показано, влияет на иллюзию причинности во многих экспериментах в разных лабораториях (Allan and Jenkins, 1983; Wasserman et al., 1996; Perales et al., 2005; Vadillo et al., 2011). Следовательно, его можно использовать, чтобы уменьшить иллюзию. В специальной рекламе продукта упоминаются только те случаи, в которых присутствует причина (использование продукта) и продукт работает эффективно (ячейки и экземпляров в таблице 1). Таким образом, одна очень простая стратегия, которую могут использовать правительства, – это убедиться, что данные по этим случаям без потенциальной причины также представлены во время этих маркетинговых кампаний.Связанная с этим и даже лучшая стратегия, которую должны использовать правительства, – это обучение людей использованию данных. Правительства могли бы научить людей понимать, что им нужно запрашивать информацию о случаях отсутствия причины, когда такая информация недоступна. Другими словами, правительства могут научить людей (не только студентов, изучающих естественные науки), как лучше использовать научное мышление в своей повседневной жизни.

Эксперименты также показали, что влияние вероятности причины (смещение плотности причины) также косвенно наблюдается, когда кто-то находится в депрессии, потому что он более пассивен.В более широком смысле, этот эффект также наблюдается при любых других условиях, которые могут заставить людей уменьшить их склонность по умолчанию указывать причину практически в любом случае. Другими примерами являются случаи, когда потенциальная причина является дорогостоящей или имеет нежелательные побочные эффекты. В таких случаях люди не часто называют причину и, таким образом, могут узнать, что происходит, когда они ничего не делают. Точно так же иллюзия также слабее, когда люди просто наблюдают, что причина и следствие сосуществуют, чем когда их собственное поведение является потенциальной причиной.Более того, иллюзия сильнее, когда люди пытаются добиться результата, например, когда врач в отделении неотложной помощи пытается помочь пациентам. Это контрастирует со случаями, когда люди пытаются определить степень своей причинной связи, например, когда ученый проверяет влияние лекарства на проблему со здоровьем.

Кроме того, есть случаи, когда результаты меняются, например, когда за причиной следует нежелательное событие, как в условиях, подобных наказанию. Бывают также случаи, когда применяются принципы конкуренции сигналов, потому что существует более одной потенциальной причины, при этом некоторые причины препятствуют одновременному возникновению других причин.Эти эффекты конкуренции сигналов уменьшают иллюзию в одних случаях и усиливают ее в других. Это означает, что существует множество переменных, которые в настоящее время очень хорошо известны, были протестированы во многих экспериментах и ​​имеют предсказуемые эффекты. Таким образом, теперь мы можем предвидеть случаи, которые вызовут более сильную или более слабую иллюзию у большинства людей. Это знание можно использовать, чтобы сделать людей более бдительными, когда иллюзии наиболее вероятны. Мы также знаем из экспериментов, что во всех случаях иллюзию можно уменьшить, если научить людей уменьшать вероятность введения потенциальной причины путем изучения основных принципов научного контроля и экспериментальной парадигмы.

Имея это в виду, мы изложили образовательную стратегию в качестве примера того, что можно сделать, чтобы предоставить подросткам инструмент, позволяющий им стать менее уязвимыми для иллюзии причинной связи. Основная идея не нова. Он должен состоять из обучения научному мышлению и применению основных научных принципов в областях, представляющих их собственные интересы. Процедура включает в себя стратегию мотивации подростков научиться защищаться от собственных предубеждений. Это важнейшая часть обучения научному мышлению.Многие люди не заинтересованы в изучении научного мышления, потому что они не осознают, что им нужно исправлять собственные предубеждения в повседневной жизни. Однако, как только людям покажут, насколько их интуиция подвержена ошибкам, они должны захотеть узнать об инструментах для предотвращения ошибок. Один из способов мотивировать людей – победить их, прежде чем предлагать учебное пособие (Barberia et al., 2013). Другой – показать им примеры распространенных суеверий, псевдонаук и мифов, в которые они могут поверить, чтобы они могли узнать, в чем заключается их ошибка и как использовать научное мышление для ее преодоления (Schmaltz and Lilienfeld, 2014).

Мы свели большинство условий, ведущих к ослаблению иллюзии причинности в литературе, до случаев, в которых причина была представлена ​​с вероятностью, близкой к 50%. Контроль вероятности потенциальной причины – очень важный фактор в уменьшении иллюзии, что было показано во многих различных экспериментах. Действительно, этот подход лежит в основе экспериментального метода. Если мы посмотрим, как ученые манипулируют вероятностью причины при проведении эксперимента, они могут избежать того, чтобы 50 участников были в одной группе и 5 – в другой, или они могут попытаться придать группам с наличной и отсутствующей причиной одинаковый вес и размер.Однако очевидно, что это не единственный фактор. Уменьшение когнитивных предубеждений и необоснованных убеждений было продемонстрировано путем поощрения более аналитического и отдаленного стиля мышления, в отличие от интуитивного, быстрого и более эмоционального образа мышления по умолчанию в ситуациях, которые не обязательно загрязнены высокой вероятностью потенциальная причина (Frederick, 2005; Kahneman, 2011; Stanovich, 2011; Ziegler, Tunney, 2012; Evans, Stanovich, 2013). Это включает сокращение религиозных и телеологических убеждений (Gervais, Norenzayan, 2012; Kelemen et al., 2013), а также снижение некоторых когнитивных предубеждений, таких как предвзятость подтверждения (Galinsky, Moskowitz, 2000; Galinsky, Ku, 2004) и фрейминг (Keysar et al., 2012; Costa et al., 2014). Наши предварительные исследования показывают, что этот подход, основанный на литературе по общим когнитивным искажениям, также может помочь уменьшить иллюзию причинности (Díaz-Lago and Matute, 2014).

As Lilienfeld et al. (2009) отметили, что разработка всемирной стратегии уменьшения когнитивных предубеждений станет величайшим вкладом, который психология может внести в человечество, поскольку она устранила бы столько страданий и нетерпимости.Мы рассмотрели некоторые свидетельства о двух из этих предубеждений – иллюзии причинности и иллюзии контроля – и о том, как их можно уменьшить. Мы надеемся, что это будет способствовать повышению осведомленности об этих предубеждениях и способах их эффективного уменьшения в реальной жизни. Конечно, это не означает, что аналитическое мышление всегда должно быть предпочтительнее быстрой интуиции. Как многие уже отметили, бывают случаи, когда интуитивные суждения более точны, чем аналитические (Kruglanski, Gigerenzer, 2011; Phua, Tan, 2013; Evans, 2014).Таким образом, цель обучения научным методам должна заключаться не только в овладении способностью к научному мышлению, но, что, возможно, наиболее важно, в способности определять, когда следует использовать этот способ мышления.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Поддержка этого исследования была предоставлена ​​грантом PSI2011-26965 от Главного управления расследований правительства Испании и грантом IT363-10 от Департамента образования, Universidades e Investigación правительства Басков.

Сноски

  1. Обратите внимание, что все описанные ниже ситуации не связаны ни с корреляцией, ни с причинно-следственной связью. Их не следует путать с ситуациями, ведущими к хорошо известному смещению cum hoc ergo propter hoc , в котором люди предполагают, что существует причинная связь, когда существует только корреляция.

Список литературы

Эшлеман, С. Р., Розен, К. С., и Уильямс, М. Р. (2003). Влияние произвольных операций отрицательного и положительного подкрепления на приобретение суеверного поведения. Behav. Процессы 61, 37–45. DOI: 10.1016 / S0376-6357 (02) 00158-4

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Аллан, Л. Г. (1980). Примечание об измерении непредвиденных обстоятельств между двумя двоичными переменными в задачах оценки. Бык. Психон. Soc. 15, 147–149.

Google Scholar

Аллан Л. Г. (1993). Человеческие суждения о непредвиденных обстоятельствах: основанные на правилах или ассоциативные? Psychol. Бык. 114, 435–448.

Google Scholar

Аллан, Л.Г. и Дженкинс, Х. М. (1980). Оценка непредвиденных обстоятельств и природа альтернативных ответных мер. Кан. J. Exp. Psychol. 34, 1–11. DOI: 10,1037 / h0081013

CrossRef Полный текст | Google Scholar

Аллан, Л. Г., и Дженкинс, Х. М. (1983). Эффект представлений двоичных переменных на оценку влияния. Учиться. Мотив. 14, 381–405. DOI: 10.1016 / 0023-9690 (83)

-3

CrossRef Полный текст | Google Scholar

Сплав, Л.Б., и Абрамсон, Л. Ю. (1979). Суждение о непредвиденных обстоятельствах у депрессивных и недепрессивных студентов: печальнее, но мудрее? J. Exp. Psychol. Gen. 108, 441–485. DOI: 10.1037 / 0096-3445.108.4.441

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сплав, Л. Б., и Абрамсон, Л. Ю. (1988). «Депрессивный реализм: четыре теоретических взгляда», Cognitive Processes in Depression , ed. Л. Б. Аллой (Нью-Йорк, штат Нью-Йорк: издательство Гилфордского университета), 223–265.

Google Scholar

Сплав, Л.Б., Абрамсон Л. Ю., Косман Д. А. (1985). «Суждение о предсказуемости депрессивных и недепрессивных студентов колледжей», в Affect, Conditioning, and Cognition: Essays on the Determinants of Behavior , ред. Ф. Р. Браш и Дж. Б. Овермиер (Хиллсдейл, штат Нью-Джерси: Лоуренс Эрлбаум), 229–246.

Google Scholar

Сплав, Л. Б., и Клементс, К. М. (1992). Иллюзия контроля: неуязвимость к негативным аффектам и депрессивным симптомам после лабораторных и естественных стрессоров. J. Abnorm. Psychol. 101, 234–245.

PubMed Аннотация | Google Scholar

Алонсо, Э., Мондрагон, Э., и Фернандес, А. (2012). Java-симулятор модели ошибок предсказания Рескорлы и Вагнера и конфигурационных расширений подсказок. Comput. Методы Программы 108, 346–355. DOI: 10.1016 / j.cmpb.2012.02.004

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Аркес, Х. Р. (1991). Издержки и выгоды от ошибок суждения: последствия для устранения искажений. Psychol. Бык. 110, 486–498. DOI: 10.1037 // 0033-2909.110.3.486

CrossRef Полный текст | Google Scholar

Барберия И., Бланко Ф., Кубильяс К. П. и Матуте Х. (2013). Осуществление и оценка вмешательства для устранения причинно-следственных иллюзий у подростков. PLoS ONE 8: e71303. DOI: 10.1371 / journal.pone.0071303

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бекерс Т., Де Хаувер Дж. И Матуте Х. (2007). Непредвиденное обучение человека: последние тенденции в исследованиях и теории. Специальный выпуск Ежеквартального журнала экспериментальной психологии . Хоув: Psychology Press.

Google Scholar

Бланко, Ф., Барберия, И., Матуте, Х. (2014). Отсутствие побочных эффектов неэффективного лечения способствует формированию уверенности в его эффективности. PLoS ONE 9: e84084. DOI: 10.1371 / journal.pone.0084084

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бланко, Ф., и Матуте, Х. (2015). Изучение факторов, поощряющих иллюзии контроля: случай превентивных иллюзий. Exp. Psychol. 62, 131–142. DOI: 10.1027 / 1618-3169 / a000280

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бланко Ф., Матуте Х. и Вадилло М. А. (2010). Непредвиденные обстоятельства используются для подготовки к результатам: последствиям для функционального анализа обучения. Психон. Бык. Ред. 17, 117–121. DOI: 10.3758 / PBR.17.1.117

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бланко, Ф., Матуте, Х., Вадилло, М.А. (2011). Сделать неконтролируемое управляемым: роль действия в иллюзии контроля. Q. J. Exp. Psychol. 64, 1290–1304. DOI: 10.1080 / 17470218.2011.552727

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бланко Ф., Матуте Х. и Вадилло М. А. (2013). Интерактивные эффекты вероятности сигнала и вероятности исхода на переоценку нулевого непредвиденного обстоятельства. Учиться. Behav. 41, 333–340.DOI: 10.3758 / s13420-013-0108-8

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бланко Х., Матуте Х. и Вадилло М. А. (2009). Депрессивный реализм: мудрее или тише? Psychol. Рек. . 59, 551–562.

Google Scholar

Блум, К. М., Венард, Дж., Харден, М., и Ситараман, С. (2007). Безусловные графики позитивного и негативного подкрепления суеверного поведения. Behav. Процесс. 75, 8–13. DOI: 10.1016 / j.beproc.2007.02.010

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Блюм, С. Х., и Блюм, Л. Х. (1974). Что можно и чего нельзя: неформальное изучение некоторых распространенных суеверий. Psychol. Rep. 35, 567–571. DOI: 10.2466 / pr0.1974.35.1.567

CrossRef Полный текст | Google Scholar

Боддез, Ю., Хэзен, К., Байенс, Ф., и Бекерс, Т. (2014). Избирательность в ассоциативном обучении: структура когнитивной стадии для блокирования явлений конкуренции и подсказки. Фронт. Psychol. 5: 1305. DOI: 10.3389 / fpsyg.2014.01305

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бюнер М. Дж., Ченг П. В. и Клиффорд Д. (2003). От ковариации к причинности: проверка предположения о причинной силе. J. Exp. Psychol. Учиться. Mem. Cogn. 29, 1119–1140. DOI: 10.1037 / 0278-7393.29.6.1119

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Байром, Н. К., Мсетфи, Р., М., и Мерфи, Р.А. (2015). Два пути к причинному контролю: использование и доступность информации в окружающей среде у людей с признаками депрессии и без них. Acta Psychol. 157, 1–12. DOI: 10.1016 / j.actpsy.2015.02.004

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кэрролл Р. (2015). Слишком богат, чтобы заболеть? Вспышка кори в Диснейленде отражает тенденцию против вакцинации. Хранитель . Доступно на: http://www.theguardian.com [доступ 6 февраля 2015 г.].

Google Scholar

Чепмен, Г. Б., и Роббинс, С. Дж. (1990). Взаимодействие с подсказками в человеческом суждении о непредвиденных обстоятельствах. Mem. Cogn. 18, 537–545.

PubMed Аннотация | Google Scholar

Кобос, П. Л., Лопес, Ф. Дж., Каньо, А., Альмарас, Дж., И Шанкс, Д. Р. (2002). Механизмы прогностической и диагностической причинной индукции. J. Exp. Psychol. Anim. Behav. Процесс. 28, 331–346. DOI: 10.1037 / 0097-7403.28.4.331

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кобос, П.Л., Лопес Ф. Дж. И Луке Д. (2007). Взаимодействие между сигналами одного и того же результата зависит от причинной интерпретации событий. Q. J. Exp. Psychol. 60, 369–386. DOI: 10.1080 / 17470210601000961

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Коллинз Д. Дж. И Шанкс Д. Р. (2006). Соответствие теории причинной индукции силовой ПК зависит от типа исследуемого вопроса. Q. J. Exp. Psychol. 59, 225–232. DOI: 10.1080 / 17470210500370457

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Коста, А., Фукар, А., Арнон, И., Апаричи, М., и Апестегиа, Дж. (2014). «Пиенса» дважды: о влиянии иностранного языка на принятие решений. Познание 130, 236–254. DOI: 10.1016 / j.cognition.2013.11.010

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Крокер Дж. (1981). Суждение о ковариации со стороны социальных воспринимающих. Psychol. Бык. 90, 272–292. DOI: 10.1037 // 0033-2909.90.2.272

CrossRef Полный текст | Google Scholar

Крокер, Дж.(1982). Предвзятые вопросы в оценке ковариационных исследований. чел. Soc. Psychol. Бык. 8, 214–220. DOI: 10.1177 / 0146167282082005

CrossRef Полный текст | Google Scholar

Де Хауэр, Дж., Вандорп, С., и Бекерс, Т. (2007). Статистические непредвиденные обстоятельства по-разному влияют на подготовительные суждения, чем на причинно-следственные. Q. J. Exp. Psychol. 60, 418–432. DOI: 10.1080 / 17470210601001084

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Диас-Лаго, М., и Матуте, Х. (2014). Иностранный язык уменьшает иллюзию причинности. Документ, представленный на Совместном заседании Экспериментального Общества Эспаньола Псикологии (SEPEX) и Общества Эспаньола Псикофизиологии и Нейроcиенсиа Когнитива у Афектива (СЕПНЕКА). Мурсия, испания.

Google Scholar

Эйзер, Дж. Р., Стаффорд, Т., Хеннберри, Дж. И Кэтни, П. (2009). «Поверьте мне, я ученый (а не разработчик)»: воспринимаемый опыт и мотивы как предикторы доверия при оценке риска, связанного с загрязненной землей. Risk Anal. 29, 288–297. DOI: 10.1111 / j.1539-6924.2008.01131.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Эрнст, Э. (2015). Ученый в стране чудес: воспоминания о поисках истины и поиске проблем . Эксетер: Выходные данные Academic.

Google Scholar

Европейская комиссия. (2005). Специальный Евробарометр 224: Европейцы, наука и технологии. Отчет EBS № 224. Брюссель: Европейская комиссия.

Google Scholar

Европейская комиссия.(2010). Специальный Евробарометр 340: Наука и технологии . Отчет EBS № 340. Брюссель: Европейская комиссия.

Google Scholar

Эванс, Дж. С. Б. Т., Станович, К. Э. (2013). Теории двойного процесса высшего познания: продвижение дискуссии. Перспектива. Psychol. Sci. 8, 223–241. DOI: 10.1177 / 17456

460685

CrossRef Полный текст | Google Scholar

Фредерик, С. (2005). Когнитивное размышление и принятие решений. Дж.Экон. Перспектива. 19, 25–42. DOI: 10.1257 / 089533005775196732

CrossRef Полный текст | Google Scholar

Фрекелтон И. (2012). Смерть от гомеопатии: вопросы гражданского, уголовного и коронарного права и политики здравоохранения. J. Law Med. 19, 454–478.

PubMed Аннотация | Google Scholar

Галинский А.Д., Ку Г. (2004). Влияние взгляда на перспективу на предрассудки: сдерживающая роль самооценки. Личный. Soc. Psychol.Бык. 30, 594–604. DOI: 10.1177 / 0146167203262802

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Галинский А., Московиц Г. (2000). Взгляд на перспективу: уменьшение выраженности стереотипов, доступность стереотипов и групповое фаворитизм. J. Pers. Soc. Psychol. 78, 708–724. DOI: 10.1037 / 0022-3514.78.4.708

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гоф Д., Трипни Дж., Кенни К. и Бук-Бердж Э.(2011). Доказательно обоснованная политика в области образования в Европе : Заключительный отчет проекта EIPEE . Лондон: Институт образования Лондонского университета.

Google Scholar

Хаберман, К. (2015). Продолжающееся влияние дискредитированного исследования вакцины на общественное здравоохранение. Нью-Йорк Таймс . Доступно на: http://www.nytimes.com [доступ 6 февраля 2015 г.].

Google Scholar

Гамильтон, Д. Л., и Гиффорд, Р. К. (1976). Иллюзорная корреляция в межличностном восприятии: когнитивная основа стереотипных суждений. J. Exp. Soc. Psychol. 12, 392–407. DOI: 10.1016 / S0022-1031 (76) 80006-6

CrossRef Полный текст | Google Scholar

Ханна, С. Д., Бенето, Дж. Л. (2009). Просто скажите мне, что мне делать: вернуть экспериментатор контроль в активных задачах непредвиденных обстоятельств с помощью процедуры выполнения команд и обнаруживать эффекты плотности реплики на этом пути. Кан. J. Exp. Psychol. 63, 59–73. DOI: 10.1037 / a0013403

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Комитет по науке и технологиям Палаты общин.(2010). Проверка доказательств 2: гомеопатия . Отчет ВКНТЦ № 4 о сессии 2009–2010 гг. Лондон: канцелярия.

Google Scholar

Джонсон, Д. Д. П. (2004). Самоуверенность и война: хаос и слава позитивных иллюзий . Кембридж, Массачусетс: Издательство Гарвардского университета.

Google Scholar

Канеман, Д. (2011). Мыслить быстро и медленно . Нью-Йорк: Фаррар, Штраус и Жиру.

Google Scholar

Као, С.-F., И Вассерман, Э.А. (1993). Оценка интеграции информации при оценке непредвиденных обстоятельств с изучением субъективной важности ячеек и метода представления информации. J. Exp. Psychol. Учиться. Mem. Cogn. 19, 1363–1386. DOI: 10.1037 / 0278-7393.19.6.1363

CrossRef Полный текст | Google Scholar

Келемен Д., Роттман Дж. И Сестон Р. (2013). Профессиональные ученые-физики демонстрируют стойкие телеологические тенденции: целенаправленное рассуждение как когнитивный дефолт. J. Exp. Psychol. Gen. 142, 1074–1083. DOI: 10.1037 / a0030399

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кейсар Б., Хаякава С. и Ан С. Г. (2012). Эффект иностранного языка: мышление на иностранном языке снижает предвзятость при принятии решений. Psychol. Sci. 23, 661–668. DOI: 10.1177 / 0956797611432178

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Клар Д. и Нигам М. (2004). Эквивалентность траекторий обучения в раннем научном обучении: эффекты прямого обучения и обучения открытию. Psychol. Sci. 15, 661–667. DOI: 10.1111 / j.0956-7976.2004.00737.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Корнброт, Д. Э., Мсетфи, Р. М., и Гримвуд, М. Дж. (2013). Восприятие времени и депрессивный реализм: тип суждения, психофизические функции и предвзятость. PLoS ONE 8: e71585. DOI: 10.1371 / journal.pone.0071585

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лагнадо Д. А., Вальдманн М. Р., Хагмайер Ю., и Сломан, С.А. (2007). «За пределами ковариации: признаки причинной структуры», в Причинное обучение: Психология, философия и вычисления , ред. А. Гопник и Л. Шульц (Нью-Йорк: издательство Оксфордского университета), 154–172.

Google Scholar

Лангер, Э. Дж., И Рот, Дж. (1975). Орел я выигрываю, решка – шанс: иллюзия контроля как функция последовательности результатов в чисто случайной задаче. J. Pers. Soc. Psychol. 32, 951–955. DOI: 10.1037 / 0022-3514.32.6.951

CrossRef Полный текст | Google Scholar

Ларрик Р. П. (2004). «Debiasing», в Blackwell Handbook of Judgment and Decision Making , ред. Д. Дж. Келер и Н. Харви (Oxford: Blackwell), 316–338.

Google Scholar

Левандовски, С., Эккер, У. К. Х., Зайферт, К. М., Шварц, Н., и Кук, Дж. (2012). Дезинформация и ее исправление продолжали оказывать влияние и успешно снижали качество. Psychol. Sci. Общественный интерес 13, 106–131.DOI: 10.1177 / 15212451018

CrossRef Полный текст | Google Scholar

Лилиенфельд, С. О., Аммирати, Р., Дэвид, М. (2012). Как отличить науку от псевдонауки в школьной психологии: наука и научное мышление как защита от человеческих ошибок. J. Sch. Psychol. 50, 7–36. DOI: 10.1016 / j.jsp.2011.09.006

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лилиенфельд, С. О., Аммирати, Р., и Лэндфилд, К. (2009). Отказ от ослабления.Могут ли психологические исследования по исправлению когнитивных ошибок способствовать благополучию человека? Перспектива. Psychol. Sci. 4, 390–398. DOI: 10.1111 / j.1745-6924.2009.01144.x

CrossRef Полный текст | Google Scholar

Лилиенфельд, С.О., Ричел, Л.А., Линн, С.Дж., Каутин, Р.Л., и Латцман, Р.Д. (2014). Почему оказывается, что неэффективная психотерапия работает: систематика причин ложной терапевтической эффективности. Перспектива. Psychol. Sci. 9, 355–387. DOI: 10.1177 / 17456

535216

CrossRef Полный текст | Google Scholar

Линдеман, М., и Сведхольм, А. М. (2012). Что в семестре? Паранормальные, суеверные, магические и сверхъестественные верования под любым другим названием будут означать то же самое. Rev. Gen. Psychol. 16, 241–255. DOI: 10.1037 / a0027158

CrossRef Полный текст | Google Scholar

Лопес, Ф. Дж., Шанкс, Д. Р., Альмарас, Дж., И Фернандес, П. (1998). Влияние судебного приказа на суждения о непредвиденных обстоятельствах: сравнение ассоциативных и вероятностных контрастных счетов. J. Exp. Psychol. Учиться. Mem. Cogn. 24, 672–694. DOI: 10.1037 / 0278-7393.24.3.672

CrossRef Полный текст | Google Scholar

Мальмендье, У., и Тейт, Г.А. (2005). Самоуверенность генерального директора и корпоративные инвестиции. J. Finance 60, 2661–2700. DOI: 10.1111 / j.1540-6261.2005.00813.x

CrossRef Полный текст | Google Scholar

Матуте, Х. (1995). Человеческие реакции на неконтролируемые исходы: еще одно свидетельство суеверий, а не беспомощности. Q. J. Exp. Psychol. 48, 142–157.

Google Scholar

Матуте, Х. (1996). Иллюзия контроля: обнаружение независимости ответа от результата в аналитических, но не в естественных условиях. Psychol. Sci. 7, 289–293. DOI: 10.1111 / j.1467-9280.1996.tb00376.x

CrossRef Полный текст | Google Scholar

Матуте, Х., Бланко, Ф. (2014). Уменьшение иллюзии контроля, когда за действием следуют нежелательные результаты. Психон. Бык. Ред. 21, 1087–1093. DOI: 10.3758 / s13423-014-0584-7

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Матуте, Х., Вегас, С., Де Марез, П. Дж. (2002). Гибкое использование последней информации в причинно-следственных и прогнозных суждениях. J. Exp. Psychol. Учиться. Mem. Cogn. 28, 714–725. DOI: 10.1037 / 0278-7393.28.4.714

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мур, Д. У. (2005). Трое из четырех американцев верят в паранормальные явления . Принстон: Служба новостей Gallup.

Google Scholar

Мсетфи Р. М., Мерфи Р. А. и Симпсон Дж. (2007).Депрессивный реализм и влияние интервала между испытаниями на суждения о нулевых, положительных и отрицательных непредвиденных обстоятельствах. Q. J. Exp. Psychol. 60, 461–481. DOI: 10.1080 / 17470210601002595

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мсетфи Р. М., Мерфи Р. А., Симпсон Дж. И Корнброт Д. Э. (2005). Депрессивный реализм и смещение плотности результатов в суждениях о непредвиденных обстоятельствах: влияние контекста и интервала между испытаниями. J. Exp. Psychol. Gen. 134, 10–22. DOI: 10.1037 / 0096-3445.134.1.10

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мерфи, Р. А., Шмир, С., Валле-Туржо, Ф., Мондрагон, Э. и Хилтон, Д. (2011). Заставляя иллюзорный эффект корреляции появляться, а затем исчезать: эффекты усиленного обучения. Q. J. Exp. Psychol. 64, 24–40. DOI: 10.1080 / 17470218.2010.493615

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Musca, S. C., Вадилло, М.А., Бланко, Ф., Матуте, Х. (2010). Роль информации о подсказке в эффекте плотности результатов: данные моделирования нейронной сети и эксперимента по обучению причинно-следственной связи. Conn. Sci. 20, 177–192. DOI: 10.1080 / 095400623797

CrossRef Полный текст | Google Scholar

Нихан, Б., и Райфлер, Дж. (2015). Работает ли исправление мифов о вакцине от гриппа? Экспериментальная оценка воздействия корректирующей информации. Vaccine 33, 459–464.DOI: 10.1016 / j.vaccine.2014.11.017

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пералес, Дж. К., Катена, А., Шанкс, Д. Р., и Гонсалес, Дж. А. (2005). Диссоциация между суждениями и мерами ожидаемого результата в ковариационном обучении: подход теории обнаружения сигналов. J. Exp. Psychol. Учиться. Mem. Cogn. 31, 1105–1120. DOI: 10.1037 / 0278-7393.31.5.1105

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фуа, Д.Х., Тан Н. К. (2013). Когнитивный аспект диагностических ошибок. Ann. Акад. Med. Сингапур 42, 33–41.

PubMed Аннотация | Google Scholar

Пиненьо, О., Деннистон, Дж. К., Бекерс, Т., Матуте, Х. и Миллер, Р. Р. (2005). Противопоставление прогнозных и причинных значений предикторов и причин. Учиться. Behav. 33, 184–196. DOI: 10.3758 / BF03196062

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пиненьо О., Миллер Р.Р. (2007). Сравнение ассоциативных, статистических и логических выводов объяснений непредвиденного обучения человека. Q. J. Exp. Psychol. 60, 310–329. DOI: 10.1080 / 17470210601000680

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пронин Э., Гилович Т., Росс Л. (2004). Объективность в глазах смотрящего: разные представления о предвзятости самого себя по сравнению с другими. Psychol. Ред. 111, 781–799. DOI: 10.1037 / 0033-295X.111.3.781

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пронин, Э., Лин, Д. Ю., Росс, Л. (2002). Слепое пятно предвзятости: восприятие предвзятости в себе по сравнению с другими. Личный. Soc. Psychol. Бык. 28, 369–381. DOI: 10.1177 / 0146167202286008

CrossRef Полный текст | Google Scholar

Пронин, Э., Вегнер, Д. М., Маккарти, К., Родригес, С. (2006). Повседневные магические силы: роль очевидной ментальной причинности в переоценке личного влияния. J. Pers. Soc. Psychol. 91, 218–231. DOI: 10.1037 / 0022-3514.91.2,218

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Рескорла Р. А. и Вагнер А. Р. (1972). «Теория Павловского кондиционирования: вариации эффективности подкрепления и отсутствия подкрепления», в Classical Conditioning II: Current Research and Theory , ред. А. Х. Блэк и В. Ф. Прокаси (Нью-Йорк: Appleton-Century Crofts), 64–99.

Google Scholar

Шмальц Р., Лилиенфельд С. О. (2014). Призраки, гомеопатия и гоблины Хопкинсвилля: использование псевдонауки для обучения научному мышлению. Фронт. Psychol. 5: 336. DOI: 10.3389 / fpsyg.2014.00336

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шварц, Н., Санна, Л., Скурник, И., и Юн, К. (2007). Метакогнитивный опыт и сложности установления правонарушений: последствия для кампаний по опровержению и общественной информации. Adv. Exp. Soc. Psychol. 39, 127–161. DOI: 10.1016 / S0065-2601 (06) 39003-X

CrossRef Полный текст | Google Scholar

Шакли, Х., и Мимс, М. (1981). Развитие использования правил в суждениях о ковариации событий. Child Dev. 52, 317–325.

Google Scholar

Shang, A., Huwiler-Müntener, K., Nartey, L., Jüni, P., Dörig, S., Sterne, J. A., et al. (2005). Являются ли клинические эффекты гомеопатии эффектами плацебо? Сравнительное исследование плацебо-контролируемых исследований гомеопатии и аллопатии. Ланцет 366, 726–732. DOI: 10.1016 / S0140-6736 (05) 67177-2

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шанкс, Д.Р. и Дикинсон А. (1987). «Ассоциативные объяснения суждения о причинности», в Психология обучения и мотивации , Vol. 21, изд. Г. Х. Бауэр (Сан-Диего, Калифорния: Academic Press), 229–261.

Google Scholar

Шанкс, Д. Р., Холиоук, К. Дж., И Медин, Д. Л. (редакторы) (1996). Психология обучения и мотивации : Vol. 34. Причинное обучение. Сан-Диего, Калифорния: Academic Press.

Google Scholar

Шанкс, Д. Р., Пирсон, С.М., и Дикинсон, А. (1989). Временная смежность и суждение о причинности человеческими субъектами. Q. J. Exp. Psychol. 41Б, 139–159.

Google Scholar

Сингх С. и Эрнст Э. (2008). Уловка или лечение: неоспоримые факты об альтернативной медицине . Нью-Йорк: WW Norton & Company.

Google Scholar

Станович, К. Э. (2011). Рациональность и рефлексивный разум . Нью-Йорк: Издательство Оксфордского университета.

Google Scholar

Стивенс А. Н., Оцука К. (2014). Когнитивные предубеждения у агрессивных водителей: отвлекает ли нас иллюзия контроля от дороги? Личный. Индивидуальный. Отличаются. 68, 124–129. DOI: 10.1016 / j.paid.2014.04.016

CrossRef Полный текст | Google Scholar

Тейлор С. Э. и Браун Дж. Д. (1988). Иллюзия и благополучие: социально-психологическая перспектива психического здоровья. Psychol. Бык. 103, 192–210. DOI: 10.1037 / 0033-2909.103.2.193

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Вадилло, М.А., Матуте, Х., и Бланко, Ф. (2013). Борьба с иллюзией контроля: как использовать соревнование киев и альтернативные объяснения. Univ. Psychol. 12, 261–270.

Google Scholar

Вадилло, М.А., Миллер, Р.Р., Матуте, Х. (2005). Причинные и прогнозные суждения, но не прогнозы, основаны на непредвиденных обстоятельствах. Учиться. Behav. 33, 172–183. DOI: 10.3758 / BF03196061

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Вадилло, М.А., Муска, С.С., Бланко, Ф., и Матуте, Х. (2011). Противопоставление эффектов плотности реплики в причинно-следственных и предсказательных суждениях. Психон. Бык. Ред. 18, 110–115. DOI: 10.3758 / s13423-010-0032-2

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Вальдманн М. Р. и Холиоук К. Дж. (1992). Прогностическое и диагностическое обучение в рамках причинно-следственных моделей: асимметрии в соревновании киев. J. Exp. Psychol. Gen. 121, 222–236. DOI: 10.1037 / 0096-3445.121.2.222

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Вассерман, Э. А. (1990). «Обнаружение отношений ответ-результат: к пониманию причинной структуры окружающей среды», в Психология обучения и мотивации , Vol. 26, изд. Г. Х. Бауэр (Сан-Диего, Калифорния: Academic Press), 27–82.

Google Scholar

Вассерман, Э.А., Элек, С.М., Чатлош, Д.Л. и Бейкер А. Г. (1993). Рейтинг причинно-следственных связей: роль вероятности в суждениях о непредвиденных обстоятельствах ответ-результат. J. Exp. Psychol. Учиться. Mem. Cogn. 19, 174–188. DOI: 10.1037 / 0278-7393.19.1.174

CrossRef Полный текст | Google Scholar

Вассерман, Э.А., Као, С.-Ф., Ван Хамм, Л. Дж., Катагари, М., и Янг, М. Э. (1996). «Причинно-следственная связь и ассоциация», в Психология обучения и мотивации , Vol. 34: Причинное обучение , ред.Р. Шанкс, К. Дж. Холиоук и Д. Л. Медин (Сан-Диего, Калифорния: Academic Press), 207–264.

Google Scholar

Вассерман, Э. А., и Нойнабер, Д. Дж. (1986). Реакция студентов колледжа на отношения непредвиденных обстоятельств и их оценка: роль временной смежности. J. Exp. Анальный. Behav. 46, 15–35. DOI: 10.1901 / jeab.1986.46-15

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Уиллингем, Д. Т. (2007). Критическое мышление: почему так трудно учить? Am.Educ. 31, 8–19. DOI: 10.3200 / AEPR.109.4.21-32

CrossRef Полный текст | Google Scholar

Ярриту И., Матуте Х. и Луке Д. (2015). Темная сторона когнитивных иллюзий: когда иллюзорное убеждение мешает приобретению знаний, основанных на фактах. Br. J. Psychol. doi: 10.1111 / bjop.12119 [Epub перед печатью].

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Циглер, Ф. В., и Танни, Р. Дж. (2012). Решения для других становятся менее импульсивными, чем дальше они находятся на семейном древе, PLoS ONE 7: e49479.DOI: 10.1371 / journal.pone.0049479

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Обменно-смещенное квантовое туннелирование намагниченности в димере [Mn3] 2 одномолекулярных магнитов с редким ферромагнитным взаимодействием между Mn3

Ковалентно связанный димер двух одномолекулярных магнитов (SMM), [Mn 6 O (O 2 CMe) 6 (1,3-ppmd) 3 ] (ClO 4 ) 2 , был синтезирован по реакции [Mn 3 O (O 2 CMe) 6 (py) 3107 924 ] (ClO 4 ) с 1,3-фенилен- бис (пиридин-2-илметанон) диоксимом (1,3-ppm dH 2 ).Он содержит две [Mn III 3 O] +7 треугольных единиц, связанных тремя 1,3-ppmd 2– группами в [Mn 3 ] 2 димер с симметрией D 3 . Измерения твердотельной магнитной восприимчивости на постоянном и переменном токе показали, что каждая субъединица Mn 3 сохраняет свои свойства как SMM с основным состоянием S = 6.Намагниченность против развертки постоянного поля на монокристалле выявляют петли гистерезиса ниже 1,3 К, демонстрирующие ступеньки квантового туннелирования намагниченности с обменным смещением (QTM) с полем смещения +0,06 Тл. Это первый пример димера SMM, показывающий положительное обменное смещение ступеней QTM в петлях гистерезиса, поэтому оно было подвергнуто подробному анализу. Моделирование петель определяет, что каждая единица Mn 3 обменно связана со своим соседом в основном через линкеры 1,3-ppmd 2- , подтверждая слабое ферромагнитное взаимодействие между Mn 3 из Дж 12 ≈ +6.5 мК ( Ĥ = −2 i · Ŝ j условное обозначение). Высокочастотные исследования ЭПР образца микрокристаллического порошка позволяют точно определить параметры расщепления в нулевом поле несвязанных SMM Mn 3 , а также подтвердить слабое обменное взаимодействие между двумя SMM внутри каждого [Mn 3 ] 2 димер. Объединенные результаты подчеркивают способность разработанных ковалентных линкеров генерировать меж-SMM связи определенного знака и относительной величины и, таким образом, способность таких линкеров модулировать квантовую физику.Таким образом, эта работа поддерживает возможность использования разработанных ковалентных линкеров для разработки молекулярных олигомеров SMM или других магнитных молекул в качестве многокубитовых систем и / или других компонентов новых квантовых технологий.

У вас есть доступ к этой статье

Подождите, пока мы загрузим ваш контент… Что-то пошло не так. Попробуйте снова?

% PDF-1.3 % 436 0 obj> эндобдж xref 436 295 0000000016 00000 н. 0000012904 00000 п. 0000006196 00000 н. 0000012988 00000 п. 0000013121 00000 п. 0000013331 00000 п. 0000013740 00000 п. 0000014685 00000 п. 0000014968 00000 п. 0000015045 00000 п. 0000015087 00000 п. 0000015224 00000 п. 0000015436 00000 п. 0000015679 00000 п. 0000015915 00000 п. 0000016196 00000 п. 0000016438 00000 п. 0000016696 00000 п. 0000016936 00000 п. 0000017124 00000 п. 0000017283 00000 п. 0000017485 00000 п. 0000017717 00000 п. 0000017953 00000 п. 0000018207 00000 п. 0000018396 00000 п. 0000018626 00000 п. 0000018816 00000 п. 0000019033 00000 п. 0000019209 00000 п. 0000019480 00000 п. 0000019747 00000 п. 0000020086 00000 п. 0000020266 00000 п. 0000020453 00000 п. 0000020731 00000 п. 0000021006 00000 п. 0000021178 00000 п. 0000021523 00000 п. 0000021742 00000 п. 0000021963 00000 п. 0000022212 00000 п. 0000022527 00000 н. 0000022686 00000 п. 0000022915 00000 п. 0000023144 00000 п. 0000023428 00000 п. 0000023656 00000 п. 0000023865 00000 п. 0000024135 00000 п. 0000024306 00000 п. 0000024566 00000 п. 0000024896 00000 п. 0000025299 00000 н. 0000025740 00000 п. 0000026036 00000 п. 0000026398 00000 п. 0000026640 00000 п. 0000026961 00000 п. 0000027201 00000 п. 0000027491 00000 п. 0000027721 00000 п. 0000027991 00000 н. 0000028273 00000 п. 0000028508 00000 п. 0000028709 00000 п. 0000028971 00000 п. 0000029195 00000 п. 0000029430 00000 п. 0000029664 00000 н. 0000029990 00000 н. 0000030272 00000 п. 0000030610 00000 п. 0000030787 00000 п. 0000031113 00000 п. 0000031406 00000 п. 0000031727 00000 п. 0000032004 00000 п. 0000032175 00000 п. 0000032376 00000 п. 0000032723 00000 п. 0000033050 00000 п. 0000033325 00000 п. 0000033668 00000 п. 0000034129 00000 п. 0000034403 00000 п. 0000034667 00000 п. 0000034823 00000 п. 0000035104 00000 п. 0000035353 00000 п. 0000035523 00000 п. 0000035701 00000 п. 0000035938 00000 п. 0000036176 00000 п. 0000036516 00000 п. 0000036558 00000 п. 0000036728 00000 п. 0000037010 00000 п. 0000037282 00000 п. 0000037551 00000 п. 0000037748 00000 п. 0000038013 00000 п. 0000038337 00000 п. 0000038609 00000 п. 0000038929 00000 п. 0000039227 00000 п. 0000039557 00000 п. 0000039853 00000 п. 0000040137 00000 п. 0000040335 00000 п. 0000040679 00000 п. 0000041003 00000 п. 0000041303 00000 п. 0000041629 00000 п. 0000041890 00000 п. 0000042186 00000 п. 0000042395 00000 п. 0000042700 00000 н. 0000042946 00000 п. 0000043192 00000 п. 0000043452 00000 п. 0000043880 00000 п. 0000044203 00000 п. 0000044599 00000 п. 0000044779 00000 п. 0000045157 00000 п. 0000045515 00000 п. 0000045855 00000 п. 0000046237 00000 п. 0000046555 00000 п. 0000046951 00000 п. 0000047379 00000 п. 0000047421 00000 п. 0000047727 00000 п. 0000048008 00000 н. 0000048405 00000 п. 0000048636 00000 н. 0000048902 00000 н. 0000049155 00000 п. 0000049457 00000 п. 0000049762 00000 п. 0000050034 00000 п. 0000050721 00000 п. 0000050757 00000 п. 0000050799 00000 п. 0000050960 00000 п. 0000051287 00000 п. 0000051532 00000 п. 0000051842 00000 п. 0000052141 00000 п. 0000052318 00000 п. 0000052683 00000 п. 0000052879 00000 п. 0000053254 00000 п. 0000053593 00000 п. 0000053941 00000 п. 0000054262 00000 п. 0000054474 00000 п. 0000054867 00000 п. 0000055268 00000 п. 0000055523 00000 п. 0000055780 00000 п. 0000056102 00000 п. 0000056362 00000 п. 0000056606 00000 п. 0000056882 00000 п. 0000057107 00000 п. 0000057309 00000 п. 0000057569 00000 п. 0000057853 00000 п. 0000058088 00000 п. 0000058358 00000 п. 0000058556 00000 п. 0000058816 00000 п. 0000059028 00000 п. 0000059249 00000 п. 0000059483 00000 п. 0000059809 00000 п. 0000060158 00000 п. 0000060434 00000 п. 0000060747 00000 п. 0000060929 00000 п. 0000061252 00000 п. 0000061559 00000 п. 0000061838 00000 п. 0000062151 00000 п. 0000062429 00000 п. 0000062762 00000 н. 0000062924 00000 п. 0000063104 00000 п. 0000063441 00000 п. 0000063754 00000 п. 0000064028 00000 п. 0000064284 00000 п. 0000064486 00000 н. 0000064663 00000 п. 0000064928 00000 н. 0000065250 00000 п. 0000065427 00000 н. 0000065828 00000 п. 0000066112 00000 п. 0000066376 00000 п. 0000066619 00000 п. 0000066937 00000 п. 0000067218 00000 п. 0000067446 00000 п. 0000067775 00000 п. 0000068099 00000 п. 0000068369 00000 п. 0000068706 00000 п. 0000068864 00000 п. 0000069063 00000 н. 0000069333 00000 п. 0000069623 00000 п. 0000069934 00000 н. 0000070233 00000 п. 0000072984 00000 п. 0000073301 00000 п. 0000073489 00000 п. 0000073531 00000 п. 0000073587 00000 п. 0000073837 00000 п. 0000074022 00000 п. 0000074065 00000 п. 0000074194 00000 п. 0000076864 00000 п. 0000076906 00000 п. 0000077016 00000 п. 0000077380 00000 п. 0000077795 00000 п. 0000078182 00000 п. 0000078548 00000 н. 0000079005 00000 п. 0000079281 00000 п. 0000079556 00000 п. 0000079922 00000 н. 0000080202 00000 п. 0000080453 00000 п. 0000080794 00000 п. 0000081155 00000 п. 0000081432 00000 п. 0000081753 00000 п. 0000081976 00000 п. 0000082312 00000 п. 0000082566 00000 п. 0000082833 00000 п. 0000083120 00000 н. 0000083543 00000 п. 0000083784 00000 п. 0000083826 00000 п. 0000084008 00000 п. 0000084265 00000 п. 0000084513 00000 п. 0000084710 00000 п. 0000084884 00000 п. 0000085123 00000 п. 0000085413 00000 п. 0000085576 00000 п. 0000085941 00000 п. 0000086191 00000 п. 0000086480 00000 п. 0000086742 00000 п. 0000087008 00000 п. 0000087289 00000 п. 0000087559 00000 п. 0000087812 00000 п. 0000088011 00000 п. 0000088290 00000 н. 0000088586 00000 п. 0000088797 00000 п. 0000089052 00000 п. 0000089265 00000 п. 0000089461 00000 п. 0000089710 00000 п. 0000089924 00000 н. 00000 00000 п. 00000 00000 п. 00000 00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000 00000 п. 00000

00000 п. 0000092576 00000 п. 0000092853 00000 п. 0000093142 00000 п. 0000093297 00000 п. 0000093551 00000 п. 0000093788 00000 п. 0000094082 00000 п. 0000094242 00000 п. 0000094459 00000 п. 0000094834 00000 п. трейлер ] >> startxref 0 %% EOF 438 0 obj> поток x [T

    dT0ka5f 砀 8`2`PAmV ۀ $ 5P ֱ> &%] o [˵ \,} g_

    Оценка смещения измерения в задаче слежения за целью

    В задаче слежения за целью в измерения, собираемые датчиками, могут возникать различные типы смещений по разным причинам.Чтобы точно отслеживать цель, важно оценить и исправить ошибку измерения. С учетом практического опыта предполагается, что смещение является локально стационарным с распределением по Гауссу, и предлагается итерационный алгоритм оценки. Во-первых, устанавливается механизм для определения того, переключается ли смещение между различными гауссовыми распределениями. Во-вторых, алгоритм максимизации ожидания с помощью расширенной фильтрации и сглаживания Калмана предлагается для итеративной оценки смещения и целевого состояния в автономном режиме.Моделирование показывает, что предлагаемый алгоритм может подавить влияние систематической ошибки измерения на отслеживание цели.

    1. Введение

    В качестве развивающегося типа беспроводной услуги определение местоположения или слежение за движущейся целью с использованием измерений, собранных сенсорной сетью, привлекало значительное внимание за последние два десятилетия [1]. Проблему можно было решить в два этапа. Сначала датчики принимают сигнал, передаваемый целью, которую необходимо отслеживать, а затем вычисляют результат измерения, например.g., время прибытия (TOA) и разница во времени прибытия (TDOA). Во-вторых, термоядерный центр объединяет дополнительную информацию, полученную при измерениях всех датчиков, и определяет траекторию цели. На практике измерение, вычисляемое датчиками, может быть смещено, что вызвано систематической ошибкой (например, пространственной несовпадением), неточной калибровкой датчика, ограничениями окружающей среды (например, распространение вне прямой видимости (NLOS)) или другими источниками. [2]. Смещение, присущее измерениям, будет влиять на процесс слияния и приведет к ложным трекам.Следовательно, эффект смещения должен быть устранен с помощью методов оценки и коррекции.

    Есть два основных направления борьбы с предвзятостью. Сначала корректируется смещение, а затем несмещенные измерения объединяются для определения траектории цели, например, при применении системы объединения данных наблюдения в аэропорту [3, 4]. Во-вторых, измерения смещения непосредственно вводятся в систему слежения, и смещение оценивается вместе с траекторией цели. На последнем мы остановимся в дальнейшем.

    Оценке систематической ошибки измерения посвящено большое количество литературы [5, 6]. Алгоритм оценки систематической ошибки можно разделить на две категории: онлайн и офлайн. Онлайн-алгоритм оценивает смещение в реальном времени, но в некоторых случаях не может дать удовлетворительную оценку смещения. Напротив, автономный алгоритм оценивает смещение более точно, но с определенной временной задержкой, поскольку обычно требует пакетной обработки некоторого количества данных.

    Автономный алгоритм можно найти в [2, 7, 8].Методы наименьших квадратов (LS) [2] и максимального правдоподобия (ML) [7] используются для оценки систематических ошибок измерения, на основе которых впоследствии оценивается целевое состояние. В качестве альтернативы алгоритм максимизации ожидания (EM) объединен с фильтром Калмана для одновременной оценки смещений измерений и целевого состояния в линейной модели в пространстве состояний [8].

    Онлайн-алгоритм можно найти в [9–11]. В [9] нецентрированный фильтр Калмана используется для оценки смещений измерений и целевого состояния вместе после того, как смещения измерений увеличиваются в векторе состояния нелинейной модели в пространстве состояний.В [10] используется фильтр маргинальных частиц. Ошибки измерения рассматриваются как мешающие параметры и не учитываются. После того, как целевое состояние оценивается с помощью фильтра частиц, смещения измерения оцениваются с помощью фильтра Калмана. В [11] предлагается рекурсивный алгоритм совместной оценки, тщательно связывающий смещения измерений и целевое состояние. Алгоритм предназначен для работы с различными типами моделей пространства состояний и погрешностями измерения.

    Вышеупомянутые алгоритмы предполагают, что смещение является постоянным.Напротив, смещение рассматривается как случайная величина с ограниченными колебаниями в различных системах фильтрации [12–14]. В нашей предыдущей работе [15] измерение TOA использовалось таким образом, что нелинейная модель в пространстве состояний использовалась для формулировки проблемы слежения [16]. Предполагается, что смещение измерения имеет строго стационарное распределение по Гауссу и включено в две разные модели в пространстве состояний. Затем смещение измерения и целевое состояние оцениваются на основе алгоритма EM [17], который использует выходной сигнал расширенного фильтра Калмана (EKF) и сглаживания.

    В этой статье мы расширяем работу [15] и рассматриваем более сложный случай, когда предполагается, что смещение является случайной величиной с локально стационарным гауссовым распределением. Для этого случайная величина следует гауссовскому распределению во временном интервале, но в разные временные интервалы гауссово распределение имеет разные формы, то есть с разными средними значениями и дисперсиями. Этот вид временного интервала называется здесь стационарным временным интервалом из-за наблюдаемой в нем стационарной статистики.Пример приведен на рисунке 1. Очевидно, что период наблюдения можно разделить на четыре стационарных временных интервала, в которых случайная величина следует четырем гауссовым распределениям, соответственно.


    В реальных сценариях существует множество физических факторов, которые могут привести к смещению измерений в соответствии с локально стационарным распределением Гаусса. Например, в некоторых сценах на открытом воздухе целевой сигнал поступает на датчик через путь распространения NLOS. За один временной интервал датчик принимает сигнал цели путем отражения от препятствия между датчиком и целью.Подобные пути распространения на последовательных временных шагах приводят к смещению измерения датчика, приблизительно соответствующему распределению Гаусса в этом временном интервале. Однако в другом временном интервале сигнал отражается от другого препятствия, которое соответствует другому пути распространения и приводит к другому гауссовскому распределению для погрешностей измерения.

    Чтобы оценить смещение измерения, которое следует локально стационарному распределению Гаусса с использованием алгоритма EM, мы должны справиться с двумя проблемами в дополнение к работе в [15].Во-первых, стационарные временные интервалы, в которых смещение следует различным гауссовским распределениям, должны быть соответствующим образом разделены. Другими словами, временные интервалы должны обнаруживаться при переключении гауссовых распределений с одного на другое. Во-вторых, оценка электромагнитного излучения должна быть адаптирована, чтобы справляться с погрешностями измерения, которые имеют асинхронные стационарные временные интервалы. Решая эти две проблемы, предлагаемый алгоритм может итеративно оценивать смещение измерения и целевое состояние.

    Остальная часть документа организована следующим образом.В разделе 2 формулируется задача и кратко описывается предлагаемый алгоритм. В Разделе 3 подробно описаны два процесса оценки на основе EM, чтобы оценить систематическую ошибку измерения в двух различных моделях пространства состояний. В разделе 4 мы представляем механизм обнаружения переключателя смещения. Результаты моделирования и выводы приведены в разделах 5 и 6 соответственно. В приложении приведены уравнения EKF и связанного с ним сглаживания.

    2. Постановка задачи

    Мы предполагаем, что отслеживаемая цель радиоактивна и движется в двухмерной плоскости в соответствии с моделью случайных сил Гаусса-Маркова.Ряд статических датчиков используется для определения местоположения цели с использованием смещенных измерений TOA. В этом случае проблема может быть сформулирована с помощью следующей модели в пространстве состояний: где – временной шаг. обозначает вектор состояния цели, включая мгновенное положение и скорость. обозначает вектор измерения длиной M. M – количество задействованных датчиков. обозначает вектор аддитивного смещения измерения. Здесь обозначает транспонирование матрицы. В (1a) матрицы и определены как где обозначает единичную матрицу размера 2, обозначает нулевую матрицу размерности и обозначает интервал выборки.В (1b) – нелинейная функция, отображающая целевое состояние в измерение TOA; т.е. где – скорость распространения сигнала, – положение цели на временном шаге, а – положение th датчика.

    Как нелинейная модель в пространстве состояний, (1a) и (1b) известны как линейное уравнение состояния и уравнение нелинейного измерения, соответственно. Без потери общности, мы предполагаем, что вектор управляющего шума, вектор шума измерения и вектор смещения не коррелированы друг с другом и распределены по Гауссу следующим образом: где ковариационные матрицы и квадратные диагональные матрицы.представляет собой вектор-столбец длины M. и может определяться свойствами цели и датчиков. Обычно они нам известны. – неизвестная квадратная матрица порядка M. Следовательно, существующая проблема состоит в том, чтобы оценить целевое состояние и смещение измерения (или и), используя измерение.

    Предлагаемая в статье процедура оценки кратко представлена ​​на рисунке 2. Предположим, что мы сосредоточены на периоде времени, например, который является точно фиксированным интервалом расширенного сглаживания Раух-Тунга-Штрибеля (RTS).Другими словами, размер окна расширенного сглаживания RTS равен. В этот период времени мы реализуем обнаружение переключателя смещения и EKF, используя измерения на каждом временном шаге. Затем выполняется расширенное сглаживание RTS с использованием измерений на всех временных шагах. Затем оценка ЭМ проводится независимо в стационарных временных интервалах, в которых смещение соответствует распределению Гаусса. Обратите внимание, что стационарные временные интервалы делятся на обнаружение переключателя смещения. Вышеупомянутые шаги повторяются до тех пор, пока не будет достигнута сходимость оценки.Наконец, мы получили оценки и для всех. Стоит упомянуть, что если общий период наблюдения состоит из временных шагов, процедура, показанная на Рисунке 2, должна выполняться в периоды времени непрерывно. Здесь обозначает операцию округления значения до ближайшего целого числа, большего или равного ему.


    Обратите внимание, что обнаружение переключателя смещения тесно связано с формулировками моделей смещения, оценки EKF и EM. Чтобы улучшить читаемость обнаружения переключателя смещения, оценка ЭМ будет введена заранее.

    3. Оценка на основе EM

    В [15] систематическая ошибка измерения включена в две разные модели в пространстве состояний, для которых, соответственно, даны два процесса оценки на основе EM на основе результатов EKF и расширенного RTS. плавнее. Однако они подходят только для строго стационарного смещения. В разделах 3.1 и 3.2 мы адаптируем основанные на EM процессы оценивания для этих двух моделей (то есть модели 1 и модели 2) к локально стационарному смещению.

    Предположим, что стационарные временные интервалы, в которых смещение имеет разные гауссовские распределения, разделены на основе обнаружения переключателя смещения, представленного в разделе 4.В каждом стационарном временном интервале смещение оценивается индивидуально на основе процесса оценки на основе EM. В зависимости от характеристик датчиков смещения, вносимые разными датчиками, изменяются асинхронно. Другими словами, смещения разных датчиков имеют асинхронные стационарные временные интервалы (см. Рисунок 4). Следовательно, процесс оценки на основе ЭМ должен выполняться асинхронно для разных датчиков.

    В этом разделе обозначьте интересующим временным интервалом и обозначьте j -й стационарный временной интервал для смещения i -го датчика в этом временном интервале.Здесь, где – количество временных интервалов смещения датчика i -го.

    3.1. Процесс оценки для модели 1

    В модели 1 смещение измерения рассматривается как часть состояния. Модель пространства состояний задается следующим образом: где – шум и следует гауссовскому распределению, поскольку в модели 1 (5a) и (5b) известны как уравнения эволюции состояния. Весь вектор состояния можно записать как. Если мы определим следующую матрицу и вектор: Модель 1 можно переписать как где, и

    На основе модели пространства состояний в (8a) и (8b), нам нужно оценить (включая целевое состояние и смещение измерения) и (ковариационная матрица шума смещения).Для этого для оценки применяются EKF и расширенное сглаживание RTS с использованием измерений – см. И в (A.1a), (A.1b), (A.1c), (A.1d), (A. 1e) и (A.1f) и (A.3) в Приложении A – в то время как EM применяется для оценки с использованием измерений в. В алгоритме EM рассматривается как вектор скрытых переменных, а как матрица неизвестных параметров. Поскольку предполагается диагональ, ее можно записать так: где обозначает диагональную матрицу с элементами главной диагонали, взятыми из значений в скобках.Таким образом, неизвестные параметры задаются как параметры, которые можно оценить с помощью алгоритма EM в два итерационных шага: (i) E-шаг: вычислить функцию, (ii) M-step: оценить параметры.

    и – оценка EM в предыдущей и текущей итерации соответственно. Функция указывается как где и содержится в. Следуя результату из [18] и линеаризуя модель в (8a) и (8b) с помощью EKF, мы можем получить оценку на n -й итерации: где. обозначает i -й элемент главной диагонали матрицы и обозначает i -й элемент вектора.(часть),, – оценки расширенного сглаживания RTS; см. (.3).

    Как упоминалось выше, стационарный временной интервал отличается или асинхронен для смещений разных датчиков. Следовательно, оценка EM должна быть адаптирована для того, чтобы справляться со смещениями, имеющими асинхронные стационарные временные интервалы. Точнее, стационарный временной интервал для оценки ЭМ, то есть в (15), отличается для разных значений i и j , что определяется обнаружением переключателя смещения.В разделе 5 мы приводим пример асинхронного выполнения оценки электромагнитного излучения на основе рисунка 4. Такая адаптация подтверждается предположением о некоррелированных смещениях между датчиками; см. (4c) и (15). Обратите внимание, что расширенное сглаживание RTS выполняется в; см. (13a) и (13b).

    Оценка и (т.е.) на основе EM резюмируется следующим образом: (i) принять некоторое начальное значение, установить и запустить E-шаг и M-шаг, (1) E-step: вычислить и в (A.3), (2) M-шаг: обновить в (14), (ii) установить и повторять E-шаг и M-шаг, пока оценка не станет стабильной.

    3.2. Процесс оценки для модели 2

    Модель 2 формулируется следующим образом: где In (17a) обозначает смещение датчика i -го в стационарном временном интервале j -го, а вектор постоянен в каждом стационарном временном интервале. . В (17b) за смешанным шумом следует смещение измерения, определенное в (1a) и (1b), разделенное на две части в Модели 2; то есть имеет дело со средним значением, в то время как имеет дело с дисперсией. В Модели 2 необходимо оценить,, и.Мы можем использовать EKF и расширенный сглаживание RTS для оценки, используя измерения в; см. в (B.1a), (B.1b), (B.1c), (B.1d), (B.1e) и (B.1f) и в (B.2) в Приложении B. Неизвестные параметры Модели 2 содержат и, которые оцениваются с помощью ЭМ с использованием измерений в. Согласно (17a) и (18), мы можем написать: Используя алгоритм EM, мы можем получить оценку на n -й итерации: где,, andIn (20a) и (20b), и – апостериорные оценки расширенного RTS более плавный; см. (Б.2).

    Оценка и (включая и) на основе EM резюмируется следующим образом: (i) принять некоторое начальное значение, установить и запустить E-шаг и M-шаг, (1) E-step: вычислить и использовать в (B.2), (2) M-step: обновить в (20a) и (20b), (ii) установить и повторять E-step и M-step до тех пор, пока оценка не станет стабильной.

    Обратите внимание, что обсуждение разницы в обработке ошибки измерения между двумя моделями можно найти в [15].

    4. Обнаружение переключателя смещения

    Напомним, что в нашем случае смещение измерения имеет локально стационарное гауссовское распределение.Чтобы разделить стационарные временные интервалы, важно определить, переключается ли смещение измерения каждого датчика между различными гауссовскими распределениями на каждом временном шаге, что здесь называется обнаружением переключателя смещения. Поскольку мы предполагаем, что смещения между разными датчиками некоррелированы (см. (4c)), процедура обнаружения может обрабатываться независимо для разных датчиков. Для краткости процедура обнаружения представлена ​​только для смещения измерения датчика i -го на временном шаге k .На предыдущем временном шаге (то есть k -1) существуют два случая, то есть, является ли измерение смещенным или нет (наличие или отсутствие смещения).

    Сначала рассмотрим случай наличия смещения на временном шаге k -1. Есть три возможности для смещения измерения на временном шаге k : во-первых, сохранение того же гауссова распределения, что и на предыдущем временном шаге; во-вторых, переход к другому распределению Гаусса; в-третьих, переключение на ноль (или отсутствие смещения).Задача состоит в том, чтобы обнаружить, какая из трех вышеперечисленных возможностей возникает, что можно выполнить в два этапа: во-первых, определить, переключается ли смещение или нет, то есть отличить первую возможность, указанную выше, от двух оставшихся; во-вторых, если смещение переключается, чтобы определить, переключается смещение на другое значение по Гауссу или на ноль, то есть, чтобы различать вторую и третью указанные выше возможности.

    На первом этапе обнаружения нам необходимо проверить следующее неравенство: где и обозначают истинное измерение и прогнозируемое измерение датчика i -го, соответственно.обозначает стандартное отклонение прогнозируемого измерения. и может быть получен с использованием прогноза EKF, который приведен в (A.1a), (A.1b), (A.1c), (A.1d), (A.1e) и (A.1f) для Модель 1 и (B.1a), (B.1b), (B.1c), (B.1d), (B.1e) и (B.1f) для Модели 2. В Модели 1 прогнозируемый вектор измерения с ковариационной матрицей в (A.1c). В Модели 2 – это прогнозируемый вектор измерения с ковариационной матрицей в (B.1c). обозначает вектор оценки смещения в n -й итерации EM в Модели 2 (см. (20a)).Следуя этому, мы можем получить, если в (22) выполняется, мы можем сделать вывод, что смещение измерения i -й сенсор переключается, и тогда нам нужно провести второй этап обнаружения. В противном случае смещение не переключается и обнаружение прекращается.

    На втором этапе обнаружения мы проверяем следующее неравенство: где и обозначают прогнозируемое измерение и его стандартное отклонение, соответственно, при условии, что смещение отсутствует. Чтобы справиться с отсутствием смещения, смещение датчика и -го и его дисперсия в двух моделях должны быть установлены на 0.В Модели 1 оба элемента i th и i th на главной диагонали должны быть установлены как 0. Точно так же в Модели 2 элемент i th должен быть установлен как 0, а i -й элемент на главной диагонали должен быть заменен на i -й элемент на главной диагонали. После этого формулировки EKF для отсутствия смещения отличаются от формулировок, приведенных в (A.1a), (A.1b), (A.1c), (A.1d), (A.1e) и (A.1f) и (B.1a), (B.1b), (B.1c), (B.1d), (B.1e) и (B.1f). Основан на модифицированном прогнозе EKF и может быть получен для обеих моделей с использованием формы в (23a) и (23b). Если условие (24) выполнено, можно сделать вывод, что смещение измерения переключается на другое распределение Гаусса по сравнению с тем, которое было на предыдущем временном шаге. В противном случае смещение переключается на ноль; а именно, он исчезает.

    Во-вторых, рассмотрим случай, когда измерение датчика i -го несмещено на временном шаге k -1, то есть отсутствует смещение.На временном шаге k есть две возможности. Во-первых, предвзятость по-прежнему отсутствует. Во-вторых, появляется предвзятость. Чтобы различить эти две возможности, мы можем прибегнуть к проверке неравенства в (24). Если это так, мы можем сделать вывод, что смещение возникает с гауссовым распределением. В противном случае смещение равно нулю, как на предыдущем временном шаге.

    Если обнаруживается, что смещение между двумя последовательными временными шагами переключается между случаем отсутствия смещения и случаем наличия смещения или между двумя различными гауссовскими распределениями, мы должны сбросить среднее значение и дисперсию смещения перед реализацией EKF в блок-схема рисунка 2.Делается это следующим образом. Когда смещение переключается со случая наличия смещения на случай отсутствия смещения, смещение и его дисперсия сбрасываются как 0. Когда смещение переключает случай отсутствия смещения на случай наличия смещения или переключается между двумя гауссовыми распределениями, bias сбрасывается как (см. (24)), а его дисперсия устанавливается как предопределенное значение (см. нашу часть моделирования).

    После того, как процедура обнаружения переключателя смещения завершена, стационарные временные интервалы, в которых смещение имеет разные гауссовские распределения, разделяются.Оценка ЭМ выполняется независимо и асинхронно для оценки смещений различных датчиков в каждом стационарном временном интервале; см. (15) для модели 1 и (20a) и (20b) для модели 2 в разделе 3.

    Обратите внимание, что предлагаемое обнаружение напоминает метод взаимодействующей множественной модели (IMM) [16] в некотором смысле, если разные гауссовские распределения думал как разные модели. Однако предлагаемое обнаружение не требует точной информации обо всех задействованных моделях, в отличие от IMM.Соответственно, последний дает более надежные результаты, чем первый. В нашем случае информация о модели недоступна априори, поэтому IMM неприменим. Основным принципом предлагаемого обнаружения является измерение расстояния между истинным значением измерения и прогнозируемым значением измерения. Расстояния указывают на близость к моделям (или распределению Гаусса) и помогают выбрать правильную модель. В качестве потенциальной будущей работы интересно изучить, как улучшить предлагаемое обнаружение, используя подход аппроксимации кривой [19], и наоборот.

    5. Моделирование

    В нашем моделировании мы рассматриваем сенсорную сеть с четырьмя статическими сенсорами; см. рисунок 3. Четыре датчика (отмечены треугольником) расположены на [-90 м, -25 м], [м, м], [м, м] и [м, м], соответственно. Согласно модели случайных сил Гаусса-Маркова, цель начинается с [-50 м, м] с начальной скоростью около 10 м / с, и ее траектория показана сплошной линией на рисунке 3. Датчики регистрируют сигнал, посланный от цели. с интервалом выборки s.Ковариационная матрица шума управления имеет вид. Ковариационная матрица шума измерений установлена ​​как. – скорость распространения сигнала. За наш период наблюдений шаги по времени составляют 600. Искусственное смещение, добавленное к измерениям, имеет среднее значение, выбранное из (100, 150, 180, 200, 220, 250, 3000), и дисперсию, выбранную из (100, 225, 400, 25). Поскольку используется измерение TOA, единицей измерения смещения является секунда по времени. Обратите внимание, что постоянная и единица смещения опущены на следующих рисунках для краткости.



    EKF инициализируется следующим образом. Начальное среднее значение ковариационной матрицы целевого состояния задается как и. Начальная позиция выбирается случайным образом из распределения Гаусса. Начальная скорость выбирается равномерно из и удовлетворяет. Исходная ковариационная матрица систематической ошибки измерения установлена ​​как. Итерация EM останавливается, когда евклидово расстояние между оценками состояния в двух последовательных итерациях становится меньше предварительно определенного порога 0.1. Допустимое максимальное количество итераций установлено равным 50.

    На рисунке 3 приведены расчетные траектории на основе IMD [20], модели 1 и модели 2. Алгоритм IMD определяет наличие смещения в измерении и использует несмещенное измерение. Он не может использовать информацию, предоставленную предвзятостью. Когда измерение часто искажается из-за смещения, IMD не может отслеживать траекторию цели. Напротив, оценка на основе EM в Модели 1 и Модели 2 не только обнаруживает переключение смещения, но также оценивает значение смещения.Таким образом он может более точно отслеживать траекторию цели.

    На рисунке 4 показаны смоделированные значения смещения измерения всех четырех датчиков для 600 временных шагов периода наблюдения. Предположим, что размер окна L расширенного сглаживания RTS установлен как 100 временных шагов. Процедура, показанная на Рисунке 2, будет проводиться последовательно 6 раз. Здесь мы возьмем первые 100 временных шагов в качестве примера, чтобы объяснить процедуру на рисунке 2. Мы проводим обнаружение переключателя смещения, EKF и расширенное сглаживание RTS для всех 100 измерений.Предположим, что временные интервалы для переключателя смещения определены правильно. Стационарные интервалы времени для ЭМ-оценки смещений четырех датчиков не совпадают. Для смещения датчика 1 оценка ЭМ проводится во временном интервале. Однако оценка ЭМ не проводится из-за отсутствия систематической ошибки. Для смещения Датчика 2 оценка ЭМ проводится в. Для смещения датчика 3 смещения нет, поэтому оценка ЭМ не проводится. Для смещения датчика 4 оценка ЭМ проводится в.Вышеупомянутые шаги повторяются до тех пор, пока оценка смещения не сходится.

    На рисунках 5 и 6 показаны среднеквадратичная ошибка (RMSE) оценок положения цели и оценки среднего смещения, основанные на IMD ​​и двух моделях с учетом. шаг по времени k соответственно. Размер окна L выбран равным 50 шагам по времени. Результаты основаны на 400 запусках Монте-Карло. Видно, что оценка EM на основе Модели 1 превосходит оценку на основе Модели 2 с точки зрения точности оценки как целевого положения, так и среднего смещения.Более того, на рисунке 5 мы можем обнаружить, что RMSE оценок положения в обеих моделях сильно зависит от длины L, поскольку гладкость RMSE блокируется кадром длиной L. В отличие от RMSE оценок среднего смещения изменяется нерегулярно и, по-видимому, не имеет тесной связи с L, как показано на рисунке 6. Это связано с тем, что на оценки среднего смещения влияет не только размер окна, но и длительность стационарного временного интервала, в котором ЭМ оценка проводится (см. в (15), (20a) и (20b)).



    На рисунках 7 и 8 показаны RMSE оценок местоположения и оценок среднего смещения относительно размер окна L соответственно. Результаты основаны на 400 запусках Монте-Карло. Вообще говоря, RMSE оценок в двух моделях уменьшается с увеличением размера окна L. Это связано с тем, что размер окна L равен размеру измерения, используемому в расширенном сглаживателе RTS. Большее значение L приводит к более точному результату (т. Е. К целевой позиции) расширенного сглаживания RTS.Кроме того, точные оценки положения вносят вклад в точные результаты оценки смещения, поскольку оценка положения цели и смещение связаны вместе. Кроме того, мы можем обнаружить, что декремент RMSE не очевиден при увеличении L от 50 до 100. Это можно объяснить следующим образом. Оценки среднего смещения зависят от размера измерения, используемого в оценке EM, который равен длине стационарного временного интервала, а именно (см. (15), (20a) и (20b)). Значение, которое зависит от статистики смещения, не зависит от размера окна L, что становится узким местом в повышении точности оценки смещения (и дальнейшего положения цели), особенно когда L велико.



    В нашем моделировании было обнаружено, что оценка ЭМ, основанная на Модели 1, превосходит оценку на основе Модели 2. В Модели 2 смещение измерения разделено на две части; то есть одно – это среднее смещение, а другое – дисперсия смещения. Корреляцией двух частей пренебрегают, и они оцениваются отдельно. Это может привести к неожиданной ошибке оценки, особенно при нашем предположении о предвзятости. Напротив, в Модели 1 смещение рассматривается в части как случайная величина, которая должна быть более подходящей.В качестве будущей работы мы планируем собрать реальные смещенные измерения при условии распространения NLOS на основе нашей предыдущей работы [14] и использовать их для проверки производительности предложенного алгоритма и некоторых существующих алгоритмов.

    6. Выводы

    Мы предлагаем алгоритм на основе ЭМ для оценки смещения измерения, который следует локально стационарному распределению Гаусса. Основываясь на двух моделях в пространстве состояний, которые по-разному формулируют влияние смещений на отслеживание цели, мы используем механизм обнаружения переключателя смещения, чтобы определить, переключается ли смещение с одного гауссова распределения на другое или, точнее, для разделения стационарного временные интервалы.Затем, основываясь на результатах EKF и расширенного сглаживания RTS, мы используем процессы оценки на основе EM для независимой оценки смещений в асинхронных стационарных временных интервалах. В конце концов, предложенный алгоритм итеративно оценивает систематическую ошибку измерения и целевое состояние. Он способен подавлять влияние систематической ошибки измерения на отслеживание цели, что подтверждается результатами моделирования.

    Приложение
    A. EKF и расширенный сглаживание RTS в модели 1

    Состояние в модели 1 оценивается с помощью EKF и расширенного сглаживания RTS [21, 22].EKF имеет следующие уравнения прогнозирования и обновления: где и – априорные оценки состояния и его ковариационной матрицы; и являются апостериорными оценками. В (A.1d) обозначает усиление Калмана. В (A.1c) – частная производная от on; т.е. обратите внимание, что в ( n +1) -й итерации EM, (содержащееся в) в (A.1b) должно быть заменено оценкой EM в (14).

    Кроме того, следуя приведенным выше уравнениям EKF, получаются уравнения обратной рекурсии для расширенного сглаживания RTS с фиксированным интервалом, где где обозначает усиление сглаживания, и являются апостериорными сглаженными оценками состояния и ковариационной матрицы, и обозначает апостериорные сглаживания. сглаженная оценка матрицы кросс-ковариаций.

    B. EKF и расширенное сглаживание RTS в модели 2

    EKF в модели 2 дается как Расширенный сглаживание RTS с фиксированным интервалом в модели 2 дается

    Доступность данных

    Коды MATLAB, используемые для подтверждения результатов этого исследования доступны у соответствующего автора по запросу.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.

    Благодарности

    Исследование было поддержано Национальным фондом естественных наук Китая (No.61801255) и Фонд К. К. Вонг Магна Университета Нинбо.

    (PDF) Измерение и контроль смещения для некоторых байесовских выводов и связь с критериями частотности

    Пример 2. Биномиальный.

    Предположим, что x = (x1, …, xn) является выборкой из Бернулли (θ) с θ∈ [0,1]

    неизвестно, поэтому n¯x∼binomial (n, θ) и интерес находится в θ . Для предыдущего пусть θ∼

    beta (α0, β0), где гиперпараметры выявлены, как, например, в Evans,

    Guttman and Li (2017), поэтому θ | n¯x∼beta (α0 + n¯x , β0 + n (1 – ¯x)).Тогда

    RB (θ | n¯x) = Γ (α0 + β0 + n)

    Γ (α0 + n¯x) Γ (β0 + n (1 −¯x))

    Γ (α0) Γ ( β0)

    Γ (α0 + β0) θn¯x (1 −θ) n (1 − ¯x)

    является унимодальным с модой в ¯x, поэтому P l (x) – это интервал, содержащий ¯x. Обратите внимание, что

    M (· | θ) – это биномиальная (n, θ) вероятностная мера, а смещение относительно θ задается

    как M (RB (θ | n¯x) ≤1 | θ), а смещение в пользу θ, используя (5), определяется как

    max M (RB (θ | n¯x) ≥1 | θ ± δ) для θ∈ [δ, 1 − δ].

    Рассмотрим сначала априорную формулу (α0, β0) = (1,1).На рисунке 4 представлены графики

    смещения против для n = 10 (макс. = 0,21, среднее = 0,11), n ​​= 50 (макс. = 0,07,

    , среднее значение

    = 0,05) и n = 100 (макс. = 0,05). , среднее = 0,03). Следовательно, когда

    n = 10, то P l (x) – это доверительный интервал 0,79 для θ, при n = 50 – доверительный интервал 0,93-

    для θ, а при n = 100 – доверительный интервал 0,95. для θ.

    Для информативного априорного значения (α0, β0) = (5,5) на рисунке 5 приведены графики

    смещения против для n = 10 (макс.= 0,36, среднее = 0,21), n ​​= 50 (макс. = 0,16,

    ,

    среднее = 0,10) и n = 100 (макс. = 0,11, среднее = 0,07). Таким образом, когда n = 10

    , то P l (x) – это доверительный интервал 0,64 для θ, при n = 50 это интервал уверенности 0,84

    для θ, а при n = 100 это интервал уверенности 0,93 для θ. . Сразу выделяется одна особенность

    , а именно, при использовании более информативного априорного смещения

    против увеличения. Как объяснялось ранее, это явление происходит потому, что

    , когда априорная вероятность θ мала, гораздо легче получить свидетельство в пользу

    , чем когда априорная вероятность θ велика.

    Теперь рассмотрим смещение в пользу использования (11). Когда (α0, β0) = (1,1) и δ = 0,1,

    На рисунке 6 представлены графики смещения в пользу с δ = 0,1 для n = 10 (макс. =

    1,00, среднее = 0,84), n = 50 (макс. = 0,72, среднее = 0,51) и n = 100 (макс.

    ,

    = 0,50, среднее = 0,35). Следовательно, при n = 10 максимальная вероятность того, что

    P l (x) содержит ложное значение, по крайней мере, δaway от истинного значения, равна 1, при n = 50

    эта вероятность равна 0,72, а при n = 100 – 0. .50. Когда (α0, β0) = (5,5)

    На рисунке 7 приведены графики смещения в пользу для n = 10 (макс. = 1,00, в среднем =

    0,68), для n = 50 (макс. = 1,00, среднее значение = 0,71) и для n = 100 (макс. = 1,00,

    , среднее значение

    = 0,49). Таким образом, в этом случае максимальная вероятность того, что P l (x) содержит

    ложного значения, по крайней мере, δaway от истинного значения, всегда равна 1, но при усреднении

    относительно предшествующего значения значительно меньше. Для уменьшения смещения в пользу необходимо либо

    увеличить, либо δ.Например, при (α0, β0) = (5,5),

    δ = 0,1 и n = 400 максимальное смещение в пользу составляет 0,02, а среднее смещение в пользу

    составляет 0,02, а при n = 600 эти величины равны От 0 до двух десятичных знаков. При

    δ = 0,2 и n = 50 максимальное смещение в пользу составляет 0,29, а среднее смещение в пользу

    составляет 0,11, а при n = 100 максимальное смещение в пользу составляет 0,01, а среднее смещение в пользу

    составляет 0,01.

    Пример 3. Нормаль шкалы местоположения – квантили.

    Предположим, что x = (x1 ,..

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *