Language
Country/Area
No result found
هل تعرف كيف كشفت قضية التحيز الجنسي في جامعة كاليفورنيا في بيركلي حقيقة البيانات؟
في عالم تحليل البيانات، غالبًا ما تكون هناك ظواهر تبدو متناقضة، ولكنها تذكرنا بتوخي الحذر في تفسير البيانات. ومن بينها، "مفارقة سمبسون" الشهيرة هي مثال ملهم، وقضية التحيز الجنسي في جامعة كاليفورنيا في بيركلي هي واحدة من أكثر التطبيقات العملية تمثيلا لهذه المفارقة.
تشير مفارقة سمبسون إلى الموقف الذي يظهر فيه اتجاه معين في كل مجموعة عند أخذ عدة مجموعات من البيانات في الاعتبار، ولكن عندما يتم دمج البيانات، يختفي الاتجاه أو حتى ينعكس.
بالنظر إلى جامعة كاليفورنيا في بيركلي في عام 1973، وجد البحث الذي أجرته المدرسة أن معدل قبول المتقدمين الذكور كان أعلى من معدل قبول المتقدمات الإناث، وهي ظاهرة جذبت اهتمامًا ومناقشة واسعة النطاق. للوهلة الأولى، قد يبدو أن هذا يشير إلى التمييز الجنسي الصارخ في المدرسة. ومع ذلك، بعد مزيد من التحليل للبيانات، فإن الصورة مختلفة تماما.
عند أخذ أقسام المتقدمين في الاعتبار، يتبين أن المتقدمين الإناث يميلون إلى اختيار أقسام أكثر تنافسية، مثل قسم اللغة الإنجليزية، بينما يتقدم معظم الرجال إلى أقسام أقل تنافسية نسبيًا مثل الهندسة والأعمال. وبهذه الطريقة، يبدو احتمال قبول المتقدمات منخفضًا، ولكن السبب في الواقع هو صعوبة دخول الأقسام التي يتقدمن إليها نسبيًا، مما يكشف الأسباب الكامنة وراء البيانات.
وخلصت الدراسة إلى أنه في البيانات الإجمالية، كان التحيز ضد المرأة في الواقع صغيرًا جدًا، بل وأظهر أنه يفضل المرأة.
وفقًا للبحث، فإن أربعة فقط من الأقسام الرئيسية الستة بجامعة كاليفورنيا في بيركلي لديها تحيز كبير ضد المرأة. في المقابل، كانت ستة أقسام متحيزة ضد الرجال، مما يشير إلى أن بيانات القبول الإجمالية تتطلب تقسيمًا طبقيًا دقيقًا. هذا مثال كلاسيكي على مفارقة سيمبسون: إذا تم النظر في كل مجموعة من البيانات بشكل فردي، يمكن للمرء أن يتوصل إلى استنتاجات مختلفة للغاية.
يمكن العثور على مفارقة سيمبسون في مجالات أخرى أيضًا. على سبيل المثال، في دراسة لعلاج حصوات الكلى، كان أداء علاج واحد أفضل في كل فئة عند علاج الحصى الكبيرة والصغيرة بشكل منفصل، ولكن عندما تم دمج المجموعتين أظهرت النتائج نتائج معاكسة في الواقع، فإن فعالية العلاج تتأثر ". المتغيرات الخفية" مثل حجم الحصوة وخطورة الحالة.
تخبرنا مفارقة سمبسون أن العوامل المختلفة في عملية تفسير البيانات قد تؤثر على النتائج، لذا يجب التعامل مع تفسير البيانات بأكملها وأجزاء منها بحذر.
بالإضافة إلى ذلك، يمكن العثور على ظاهرة مماثلة في متوسطات ضربات البيسبول الاحترافية. قد يكون لدى أحد اللاعبين معدل ضرب أعلى من لاعب آخر في بعض السنوات، ولكن عندما يتم دمج هذه الأرقام، فقد يُظهر أن الأول لديه متوسط ضرب إجمالي أقل. يوضح مثال Zhan Yimingjie بوضوح أنه يجب النظر في طبقات البيانات وتكاملها بشكل شامل.
إن مفارقة سيمبسون ليست ذات دلالة إحصائية فحسب، ولكنها تطرح أيضًا تحديات واكتشافات لتحليل البيانات لدينا. وهو يذكّر صناع السياسات والباحثين باستمرار بالتفكير من منظور أكثر شمولاً والنظر في الأسباب المحتملة المختلفة لانحياز البيانات عند مواجهة البيانات. وهذا أيضًا هو التحدي الأكبر لـ "الحدس" و"المنطق" الذي يتمسك به العديد من الأشخاص تجاه البيانات: كل التفاصيل في البيانات قد تكون مرتبطة بالاستنتاج النهائي.
لذلك، عندما نراجع تحليل البيانات والنتائج في سيناريوهات مختلفة مرة أخرى، هل يمكننا دائمًا الحفاظ على التفكير النقدي وفحص الحقيقة المخفية وراء البيانات بعناية؟
