ब्रिटेन के प्रधान मंत्री बोरिस जॉनसन के पूर्व मुख्य सलाहकार डोमिनिक कमिंग्स के अनुसार, विशेषज्ञों ने इसे भयावह रूप से गलत पाया। कमिंग्स ने तर्क दिया है मार्च 2020 में यूके सरकार की आधिकारिक वैज्ञानिक सलाह ने बेहद गलत समझा कि महामारी कैसे चलेगी, जिससे हजारों लोगों की जान लेने में देरी हुई।

कमिंग्स के अनुसार, यह कुछ विशेषज्ञ थे जिन्हें महामारी या दवा का कम ज्ञान था - जैसे कि डेटा वैज्ञानिक बेन वार्नर, डीपमाइंड के कृत्रिम बुद्धिमत्ता शोधकर्ता डेमिस हसाबिस और गणितज्ञ टिम गोवर्स - जिन्होंने इस बिंदु पर अधिक सटीक पूर्वानुमान दिए।

कमिंग्स को ए . के रूप में भी जाना जाता है प्रशंसक of सुपरफोर्सिंग फिलिप टेटलॉक द्वारा, उन लोगों के बारे में एक पुस्तक जो भविष्य की घटनाओं की भविष्यवाणी सबसे अधिक विश्वसनीय रूप से करते हैं। कुछ सुपर फोरकास्टर्स प्रशंसा की गई है महामारी के बारे में उनकी भविष्यवाणियों के लिए, जबकि अन्य भी किया गया है विशेषज्ञों की आलोचना रिकॉर्ड।

तो क्या सरकारों को वैज्ञानिक विशेषज्ञों पर निर्भर रहने के बजाय सुपरफोरकास्टरों का अधिक से अधिक उपयोग करना चाहिए? सबूत बिल्कुल स्पष्ट नहीं है। लेकिन निश्चित रूप से ऐसा लगता है कि सरकारें सुपरफोरकास्टिंग से सीख सकती हैं।

में प्रसिद्ध अमेरिकी अध्ययन 2014 में प्रकाशित सुपरफोरकास्टर्स पर, वे एक कुलीन दल थे। केवल शीर्ष 2% दावेदारों ने एक भू-राजनीतिक पूर्वानुमान टूर्नामेंट में खिताब जीतने के लिए पर्याप्त प्रदर्शन किया। उनका काम दर्जनों सवालों के संभावित जवाबों को प्रायिकता देना था।

शोधकर्ता कुछ उदाहरणात्मक उदाहरण प्रदान करते हैं। 2012 में रूस के राष्ट्रपति कौन होंगे? क्या अगले तीन महीनों में उत्तर कोरिया एक और परमाणु हथियार का विस्फोट करेगा? अगले साल कितने शरणार्थी सीरिया से भागेंगे?

बेशक, सिर्फ इसलिए कि कोई एक साल अच्छा करता है, यह साबित नहीं करता है कि वे किसी और की तुलना में अधिक कुशल हैं। शायद वे भाग्यशाली हो गए। हमें यह देखना होगा कि वे वास्तव में कितने "सुपर" हैं, इसका मूल्यांकन करने के लिए उन्होंने निम्नलिखित वर्षों में कितना अच्छा प्रदर्शन किया।

प्रभावशाली रूप से, इन सुपरफॉरकास्टर्स ने अपनी बढ़त बनाए रखी क्योंकि टूर्नामेंट तीन और वर्षों तक चला। वास्तव में, केवल अन्य शीर्ष प्रदर्शन करने वाले "सुपरफोरकास्टिंग टीमों" में संयुक्त होने के बाद, उनके प्रदर्शन में पर्याप्त अंतर से वृद्धि हुई। शोधकर्ताओं ने यह भी पाया कि एक नियंत्रण स्थिति में पूर्वानुमानकर्ताओं की तुलना में टीमों में काम करना और प्रासंगिक प्रशिक्षण लेने से अन्य पूर्वानुमानकर्ताओं के प्रदर्शन में सुधार हुआ।

टीमें और प्रशिक्षण

हम कमिंग्स को उनके शब्द पर लेते हैं या नहीं कि यूके की महामारी योजना "क्लासिक ग्रुप-थिंक बबल" से पीड़ित है, हम जानते हैं कि टीमें हमेशा बुद्धिमान निर्णय नहीं लेती हैं। वह क्या था जिसने अमेरिकी अध्ययन में टीमों को और अधिक सफल बनाया?

निश्चित रूप से कहना मुश्किल है, लेकिन शोधकर्ताओं ने विशेष रूप से टीमों को सटीक प्रश्न पूछने के लिए प्रोत्साहित किया ताकि किसी विशेष पूर्वानुमान का समर्थन करने वाले साक्ष्य के बारे में स्पष्ट सोच को प्रोत्साहित किया जा सके, "उन सबूतों की तलाश करें जो आपकी वर्तमान भविष्यवाणी के विपरीत हैं", और रचनात्मक रूप से वैकल्पिक दृष्टिकोण पेश करने के लिए। .

ऐसी बहस अच्छी हो सकती है सामूहिक निर्णय में सुधार और ग्रुपथिंक के खिलाफ गार्ड. न ही टीम के सदस्यों को आम सहमति पर आने की आवश्यकता थी। हालांकि उन्होंने जानकारी और राय साझा की, फिर भी उन्होंने अलग-अलग भविष्यवाणियां कीं जिन्हें एल्गोरिथम द्वारा जोड़ा गया था। विशेष रूप से सुपरफोरकास्टर टीमें थीं अत्यधिक व्यस्त, टीम के अन्य सदस्यों के साथ अक्सर जानकारी साझा करना और उनसे प्रश्न पूछना।

एक अन्य अध्ययन ध्यान से देखा कि कौन सी विशिष्ट प्रशिक्षण तकनीकें सबसे अधिक मदद करती हैं। तीन तकनीकों को विशेष रूप से उच्च सटीकता के साथ जोड़ा गया था। पहला तथाकथित तुलना वर्गों का उपयोग था।

उदाहरण के लिए, अगर मैं इस संभावना का अनुमान लगाने की कोशिश कर रहा हूं कि बेनेडिक्ट कंबरबैच और सोफी हंटर अभी भी पांच साल में एक साथ रहेंगे, तो अन्य "वर्गों" के बारे में सोचना मददगार हो सकता है जो प्रासंगिक हैं - जैसे, सेलिब्रिटी विवाह का वर्ग, या यहां तक ​​​​कि सामान्य रूप से विवाह। यह मुझे अपनी भविष्यवाणियों को सूचित करने के लिए इतिहास को देखने की अनुमति देता है: किसी भी पांच साल की अवधि में कितने प्रतिशत सेलिब्रिटी विवाह समाप्त होते हैं?

दूसरा, गणितीय और सांख्यिकीय मॉडल का उपयोग करना, जब उपलब्ध हो, किसी के विचारों को सूचित करने में सहायता के लिए। तीसरा था "सही प्रश्नों का चयन करना" - उन प्रश्नों के उत्तर की भविष्यवाणी करने में अधिक समय बिताने की सिफारिश जहां आप विषय के बारे में दूसरों की तुलना में अधिक जानते हैं, या जिस पर अतिरिक्त शोध का भुगतान करने की संभावना है। हालांकि, शोधकर्ताओं ने जोर देकर कहा कि के सभी घटक ट्रेनिंग बेहतर प्रदर्शन के लिए समग्र रूप से योगदान दिया हो सकता है।

शोध से यह भी पता चला है कि जब हम अपने पिछले प्रदर्शन पर नज़र रखते हैं तो सटीकता में सुधार होता है - लेकिन किस तरह की प्रतिक्रिया मायने रखती है। क्या आपने सोचा था कि परिणाम उस समय का 20% होगा जो वास्तव में समय का 20% होगा? उन परिणामों के बारे में जो आपने सोचा था कि 90% समय होगा? इस प्रकार की जानकारी प्राप्त करने वालों के प्रदर्शन में सुधार होता है।

क्या सरकारें बेहतर कर सकती हैं?

क्या यूके सरकार सुपरफॉरकास्टर्स की टीमों से इनपुट मांगकर COVID-19 पर बेहतर प्रदर्शन कर सकती थी? यह संभव है। सुपर फोरकास्टर्स at अच्छा जजमेंट ओपन और अभ्यास पूर्वानुमानकर्ताओं पर मेटाकुलस (जिसमें मैंने भाग लिया है) प्रत्येक ने COVID-19 पर अच्छा प्रदर्शन किया है, मेटाकुलस ने दावा किया है बेहतर प्रदर्शन करने वाले विशेषज्ञ जून २०२० में। उसने कहा, a . में हाल की श्रृंखला COVID-19 से संबंधित भविष्यवाणियों के अनुसार, प्रशिक्षित पूर्वानुमानकर्ता हमेशा विशेषज्ञों की तुलना में अधिक सटीक नहीं होते हैं। सर्वेक्षण के पीछे के शोधकर्ता डोमेन विशेषज्ञों और प्रशिक्षित पूर्वानुमानकर्ताओं की भविष्यवाणियों को "आम सहमति पूर्वानुमान" में संयोजित करने के तरीकों के साथ प्रयोग कर रहे हैं।

यह भी प्रशंसनीय लगता है कि गैर-सुपरर्स को बेहतर पूर्वानुमान लगाने में मदद करने वाला प्रशिक्षण भी उपयोगी होता। उदाहरण के लिए, कमिंग्स ने दावा किया कि हालांकि महामारी विज्ञान के मॉडल पर बहुत ध्यान दिया गया था, ऐसे सबूत जो मॉडल की धारणाओं का खंडन करते थे - जैसे कि गहन देखभाल इकाइयों द्वारा रिपोर्ट किए जा रहे डेटा को नजरअंदाज कर दिया गया था। यह निश्चित रूप से प्रशंसनीय लगता है कि किसी ने "सबूत की तलाश करने के लिए प्रशिक्षित किया है जो आपकी वर्तमान भविष्यवाणी के विपरीत है" ने इसे पहले देखा होगा।

बेशक, सरकारी सेटिंग्स में साहित्य की सभी सिफारिशें व्यावहारिक नहीं हैं। सिद्धांत रूप में, सरकारें अपने लिए ऐसी सिफारिशों का परीक्षण कर सकती हैं, जो फायदेमंद लगती हैं। दुर्भाग्य से, आप उस चीज़ में सुधार नहीं कर सकते जिसे आप मापते नहीं हैं।

In सुपरफोर्सिंग, टेटलॉक इस बात पर जोर देता है कि किसी भी संगठन को अपने पूर्वानुमानों में सुधार के लिए गंभीर रूप से कम से कम आंतरिक रूप से ठोस संख्याएं संलग्न करनी चाहिए। "गंभीर संभावना" जैसे वाक्यांश का अर्थ एक व्यक्ति के लिए 20% मौका और दूसरे के लिए 80% मौका हो सकता है।

यह लगभग निश्चित रूप से है जिसका जिक्र कमिंग्स कर रहे थे उन्होंने कहा कि जब: "फिल टेटलॉक नामक एक व्यक्ति ने एक पुस्तक लिखी और उस पुस्तक में उसने कहा कि आपको उचित और संभावित और संभावित जैसे शब्दों का उपयोग नहीं करना चाहिए, क्योंकि यह सभी को भ्रमित करता है।" शायद हमें आश्चर्य नहीं होना चाहिए अगर संगठन जो इस तरह से पूर्वानुमान नहीं लगाते हैं कि उनका मूल्यांकन किया जा सकता है, वे यह जानने के लिए सुसज्जित नहीं हैं कि उन्हें कैसे बेहतर बनाया जाए। सुधार करने के लिए, आपको पहले प्रयास करना होगा।