亞當·格蘭特 (Adam Grant) 講述大流行病的教訓、數據與數據，以及抽像數字如何導致非常真實的人類結果
數據是現代生活中無所不在的一個方面，但目前圍繞它的討論往往過於技術性、學術性，普通人難以理解。我剛剛與合著者 Phillip Cox 出版的《Speak Data》一書，是我作為設計師和人類超過 15 年的數據生活和工作經驗的結晶。我們設想的不是設計師的教科書或操作手冊，而是一種更容易理解的對數據人性方面的探索，並通過來自醫學和科學、藝術、文化和宣傳等多個學科的專家和從業者的觀點而活躍起來。在我們都在談論人工智能、氣候危機、監控和隱私以及技術如何塑造我們的選擇的時代，我們希望將數據重新定義為一種非常個人化的東西，而不是冷酷或遙遠的東西：我們（作為人類）可以用來更好地了解自己和世界的工具。這本書探討了我們所說的數據人文主義，一種將背景、細微差別、敘述和不完美帶回到我們如何收集、設計和交流數據的中心的方法。在這段摘錄中，組織心理學家和暢銷書作家亞當·格蘭特反思了我們如何解釋和交流數據，特別是在不確定的時刻，以及為什麼故事和情感對於理解信息與統計數據本身同樣重要。亞當·格蘭特是美國大學沃頓商學院的索爾·P·斯坦伯格管理學教授和心理學教授。賓夕法尼亞州。然而，這個令人印象深刻的頭銜幾乎涵蓋了他活動的全部內容。 Adam 是一位學術研究員、屢獲殊榮的教師、暢銷書作家、播客和公共知識分子。他對人類的重大話題感興趣，比如動機、慷慨、反思和潛力。他還是六本書的作者，其中包括暢銷書《再思考一下：了解你不知道的事情的力量》。在這次談話中，亞當談到了從大流行中吸取的教訓；數據與數據；以及抽像數字如何導致非常真實的人類結果。 （照片：Pentagram 提供）作為研究組織行為的心理學家，數據是您每天使用的工具。您認為人們對數據最容易犯的錯誤是什麼？人們通常很難接受挑戰他們直覺或經驗的數據。我總是想告訴他們，如果證據與你的經驗不符，你不應該立即說數據是錯誤的。可能你是一個異常值，你的經歷不具有代表性，而數據實際上揭示了一種你根本不適合的趨勢。我的很多工作都與人們如何解釋社會科學研究有關，因為這就是我面對公眾的地方。我經常看到的一件事是，人們閱讀了一項研究，然後認為，這項研究是在這個行業或那個國家只有幾千人的樣本中完成的，並因此而忽略了結果。這是基本的確認偏差和合意性偏差。您不應該相信自己的個人觀點而不是從許多人身上收集到的嚴格證據。 （照片：Pentagram 提供）在您為《衛報》撰寫的一篇文章中，您描述了與一位朋友就 COVID-19 疫苗的功效和安全性進行爭論。你寫道，“我成了心理學家所說的二元偏見的受害者。當我們把一個複雜的光譜過度簡化為兩類時，就會出現這種情況。如果我們想要有更好的論據，我們需要尋找灰色地帶。”這或多或少就是你所說的。考慮到所有這些，數據的用處是什麼？我用的類比是醫學。今天，我們擁有循證醫學，但曾幾何時，醫療專業人員試圖通過放血和腦白質切除術來解決問題。由於隨機對照試驗和仔細的縱向研究，我們現在有了更安全、更可靠的治療方法。通過循證醫學，人們的壽命更長、更健康。現在看看我們如何解釋醫學數據。如果您要總結布洛芬對減輕疼痛的平均效果的所有隨機對照試驗，並以 -1 到 +1 的相關性形式表達結果，大多數人會認為相關性為 0.7 或 0.8。畢竟，我們世界上有很多止痛藥。但實際上，分析表明平均相關性為0.14。對於很多人來說，這個數字低得驚人，但影響很小並不意味著它不重要。這是第一課：數據中的模式不一定要很大才能產生影響。當你向數百萬人發揮這種效果時，很多人都會受益。而且這種好處將被廣泛分配。其次，治療並不對每個人都有相同的效果。有意外情況。因此，我們不是要問 Advil 是否有效，而是要問：它對誰有效？什麼時候有效？這個何時、為誰的問題讓我們可以查看數據並說：這是真實的，但只是在某些情況下。現在我們需要知道這些情況有多普遍。這對某些人來說是真實的。這些人有什麼共同點？醫學的最後一個教訓是，有效的方法會隨著時間的推移而變化。我們試圖解決的問題可能會改變。我們需要更新我們的證據並詢問：關於任何給定問題或解決給定問題的最佳可用數據是什麼？ 10、20、30 年前的真理可能不適用於今天，是否有原因？我仍然寧願將我的觀點建立在強有力的過時證據上，而不是完全沒有證據，但我們需要密切關注事物如何隨著環境的變化而演變。確實如此。背景是什麼？有哪些細微差別？數據是時間的快照。明天，或者一個月後，情況可能會有所不同。特別是當我們看到以非常明確和定義的方式表示的數據時，我們假設它具有絕對的能力來始終代表一種情況。當然，這在大流行期間成為了一個問題。我認為，關於數據作用的最大大流行收穫是，專家和政府官員在溝通不確定性和偶然性方面做得非常糟糕。我應該知道這會發生。我在大流行之前寫的《再思考》一書的第八章是關於當你說“需要做更多研究”或“這是初步結論，但在某些條件下它們可能不成立”或“這是我們初步試驗的建議。一旦我們做了更多試驗，我們將更新我們的結論”時，如何不失去信任。讓人們知道這個過程是什麼樣的，以及科學研究不僅是如何完成的，而且是如何積累的。這可能是我對我的一位朋友說過的最有用的話，他在三年多的辯論後對疫苗非常懷疑。他會對我說：“一項研究表明這一點，另一項研究表明相反！”我的回答是，你不應該平等地衡量雙方。你應該更重視強有力的證據而不是弱證據。我們需要在溝通方式上更加細緻入微。我們需要澄清哪裡存在不確定性。我們需要強調哪裡有意外情況。我們需要對我們所不知道的事情和我們所知道的事情保持開放的態度。我們在 COVID-19 期間看到的一件事是，來源可信度主導著消息可信度。人們會更容易相信他們信任的人的弱論點，而不是他們不信任的人的強有力的論點。成為值得信賴的消息來源的方法之一是非常明確地承認自己的不確定性，表現出理智上的謙遜，並在適當的時候表達懷疑。我希望我們不必一遍又一遍地重新學習這一教訓。您個人對數據的定義是什麼？數據是通過系統和嚴格的觀察收集的信息。我們喜歡您所說的數據。對我們來說，數據也是複數的。數據或數據點是一條信息。數據是這些觀察的集合。 （照片：Pentagram 提供）稍微改變一下主題，您過去曾談到過數據與故事在影響人們和改變想法方面的相對力量。這也是我們在工作中經常思考的問題。你認為什麼時候一個真正強大的統計數據是合適的，而什麼時候一個人類的故事會更有效？它們什麼時候可以合併？說它們不能合併是錯誤的二分法。我對負責任地使用故事的觀點是，我們應該從數據開始，然後找到能夠闡明數據的故事。故事通常更能有效地喚起情感。它們讓我們能夠與自己的觀點保持一定的距離。除了讓我們沉浸在敘事中之外，他們還讓我們沉浸在角色中。我們被故事所吸引，我們往往會更多地體驗它們而不是評價它們。有時，這可能會讓人們在審查數據時不那麼嚴格，而當故事不受數據指導時，這就會成為一個問題。數據越令人驚訝，它們就越有可能引起注意。如果你擁有挑戰人們直覺的數據，你就更有可能激起他們的好奇心。但你必須小心，因為，正如社會學家默里·戴維斯（Murray Davis）在他的經典論文《這很有趣！ 》中所寫的那樣，當你挑戰人們薄弱的直覺時，他們會感到好奇，而當你質疑他們強烈的直覺時，他們會變得防禦。因此，其中存在細微差別。從視覺角度來看，我們嘗試將故事錨定在更多聚合數據中，然後通過提取幾個可以解釋上下文的數據點來分解它們。通過以敘述的方式做到這一點，它可以變得更容易理解，就像一本書的情節一樣。這真的很有趣。講述數據故事的另一種方法是從人們的期望開始，然後引導他們推翻他們的假設。人們經常發現這段旅程具有啟發性和啟發性，它可以成為一種情感弧線。我學到的另一件事是呈現一個令人驚訝的結果，然後詢問人們如何解釋它。這大大開闊了他們的思想：他們提出了他們認為有說服力的理由，從而成為對話的積極參與者。你不是宣揚你的觀點或起訴他們的觀點，而是讓他們像科學家一樣思考並產生假設。我非常喜歡這一點。 Fast Company 改變世界創意獎的早期截止日期是太平洋時間 11 月 14 日星期五晚上 11:59。今天申請。
已发布: 2025-11-13 11:02:00
