نقد و بررسی کتاب *همه چیز بدیهی است* (Everything is Obvious) از دیدگاه دکترمازیارمیر محقق و پژوهشگر
همه چیز بدیهی است Once You Know the Answer)
چگونه حس سلیم ما را گمراه می‌کند
نویسنده:دراگن جی. واتس (Duncan J. Watts)، استاد علوم شبکه در دانشگاه پنسیلوانیا
مقدمه
حس سلیم، دوست یا دشمن مسئله این است
چو دانی که نادانی، دانش توست
حضرت مولانا
فکر می کنم که کتاب حس سلیم (Common Sense) مجموعه‌ای از قواعد غیررسمی است که انسان‌ها را در تصمیم‌گیری‌های روزمره هدایت می‌کند.
اما وادس در کتاب *همه چیز بدیهی است* نشان می‌دهد که این ابزار در سیستم‌های پیچیده اجتماعی ناکارآمد است. او با استفاده از مفاهیمی از
علوم شبکه و داده‌های بزرگ (Big Data)، اثبات می‌کند که بسیاری از موفقیت‌ها ناشی از تصادف و بازخورد (Feedback) هستند، نه برنامه‌ریزی منطقی.
یک نمونه واقعی
در سال 2000، شرکت *New Coke* باور داشت که طعم بهتر نوشابه موفقیت را تضمین می‌کند، اما شکست خورد زیرا احساسات مشتریان (حساسیت
به تغییر) نادیده گرفته شده بود.
آمارها مستند چه می گویند
70% از تصمیم‌های کسب‌وکار با حس سلیم گرفته می‌شوند، اما فقط 30% از آنها موفقیت‌آمیز هستند (*Harvard Business Review*, 2021).
بخش نخست
چرا حس سلیم در دنیای پیچیده شکست می‌خورد؟
چشم من، دیدم چون باد بود دنیا»
فردوسی
به نظر می رسد که وادس به مفهوم **سوگیری پس‌بینی** (Hindsight Bias) اشاره می‌کند. شاید باید اینگونه گفت که پس از وقوع یک رویداد، ما به
اشتباه فکر می‌کنیم آن را پیش‌بینی کرده‌ایم. این پدیده در بحران‌هایی مانند **شیوع کرونا** آشکار شد. بسیاری از دولت‌ها با حس سلیم تصمیم
گرفتند (مثل ماسک‌زنی اختیاری)، اما داده‌ها نشان داد که کشورهایی که تست‌های گسترده انجام دادند (مثل کره جنوبی) موفق‌تر بودند.
یک نمونه مستند و مستدل علمی
در بحران کرونا، کره جنوبی با تست گسترده و استفاده از **داده‌های واقع‌بینانه**، مرگ‌و میر 0.03% داشت، در حالی که آمریکا با روش‌های حس سلیم
0.9% مرگ‌و میر داشت (*WHO*, 2022).
چک‌لیست عملی پیشنهادی دکترمیر برای مقابله با بحران ها
اول
ارتباط شفاف و سریع
– استفاده از پلتفرم‌های متمرکز (مثل Slack یا Microsoft Teams).
– ارسال گزارش‌های روزانه به تمام تیم‌ها.
دوم
تصمیم‌گیری هوشمند و کاملا داده‌محور
– جمع‌آوری داده‌های واقع‌بینانه (مثل تست‌های آماری A/B).
– استفاده از هوش مصنوعی برای پیش‌بینی روندها.
فصل دوم
پارادوکس پیش‌بینی و تاریخ تکراری
چون دانی که دانی، نادانی است»
مولانا
شاید در این مرحله وادس در یک سلسله آزمایشات Music Lab * 14,000 شرکت‌کنندگان را در شرایط کنترل‌شده قرار داد. نتیجه:
– 50% موفقیت آهنگ‌ها به کیفیت واقعی آنها بستگی داشت.
– 50% دیگر به «بازخورد اجتماعی» (مثل تعداد دانلودها) وابسته بود.
این نتیجه و سایر نتایج نشان می‌دهد که در سیستم‌های پیچیده، موفقیت غیرقابل پیش‌بینی است.
فیلم *سوپر گاوچو* (Super Sucker) در سال 1994 با بازی نجات‌دهنده‌های شناخته‌شده شکست خورد، در حالی که *پول‌های فراموش‌شده* (The Big
Lebowski) با هزینه کم، یک فیلم کلاسیک شد.
آمار مستند
60% از فیلم‌های هالیوودی با بودجه بالا شکست می‌خورند، در حالی که 30% از فیلم‌های با بودجه پایین موفق هستند (*Box Office Mojo*, 2023).
شش فیلم پیشنهادی برای فهم عمیق‌تر این کتاب:
1. The Social Network (2010)**
– موضوع: پارادوکس موفقیت در شبکه‌های اجتماعی.
2. Moneyball (2011)**
– موضوع: استفاده از داده‌های آماری به جای حس سلیم در ورزش.
3. Black Swan (2010)**
– موضوع: نقش اتفاقات غیرقابل پیش‌بینی در زندگی.
4. Contagion (2011)**
– موضوع: گسترش بیماری و تصمیم‌گیری در بحران.
5. The Big Short (2015)**
– موضوع: سوگیری‌های مالی و شکست پیش‌بینی‌های حس سلیم.
6. Ex Machina (2014)**
– موضوع: تحلیل منطقی در مقابل احساسات انسانی.
بخش سوم
نقش تصادف و بازخورد در موفقیت
چون باد می‌گردد دنیا، دانش من نیست»
خضرت سعدی
به نظر می رسد وادس به مفهوم **بازخورد تصادفی** (Random Feedback) اشاره می‌کند. مثلاً موفقیت یک فیلم یا آهنگ نه فقط به کیفیت، بلکه به
تعاملات اجتماعی و تصادفات تاریخی بستگی دارد.
در آزمایش Music Lab، گروهی که بازخورد دانلودها را دیدند، موفقیت آهنگ‌ها را تحت تأثیر قرار دادند، اما هیچ رابطه‌ای با کیفیت واقعی آهنگ وجود
نداشت (وادس، 2011).
نقد های وارده به کتاب از دیدگاه دکتر مازیارمیر
به نظر می رسد که نویسنده بیشتر مثال‌های کتاب را از غرب و دنیای دیجیتال فراخوانده و از فرهنگ‌های اسیا از دور تا خاورمیانه و…. رد پایی از جمع‌گرایی اساسا وجود خارجی نداشته و ندارد . شاید این نقص بسیار بزرگتر از آن باشد که نویسنده به آن فکر نکرده باشد. برای توضیح بیشتر باید بکه مثلاً در ایران، موفقیت یک محصول ممکن است بیشتر تحت تأثیر شبکه‌های خانوادگی باشد، نه بازخورد آنلاین شاید در ک همین چند خط باعث موفقیت و یا عدم موفقیت در تبلیغات و ضریب نفوذ و
فصل چهارم
روش‌های علمی برای درک پدیده‌های اجتماعی
دانش من، دانش توست، چون بینم»
مولانا
وادس به استفاده از **داده‌های بزرگ** و **شبیه‌سازی کامپیوتری** برای درک پدیده‌های اجتماعی تاکید می‌کند. مثلاً شرکت *Netflix* از
الگوریتم‌های پیش‌بینی استفاده می‌کند تا محتوای موفق را شناسایی کند (مثل سریال *خانه کاغذی*).در بحران کرونا، مدل‌های اپیدمیولوژیک نشان دادند که قرنطینه 30% از مرگ‌ها را کاهش داد.
نقدهای علمی:
– **نقد از دیدگاه اخلاقی** (*Ethics and Information Technology*, 2022)
– **نقدکننده:** دکتر سارا میلز (دانشگاه اکسفورد)
– **خلاصه نقد:** وادس به کاربرد داده‌های بزرگ در تصمیم‌گیری اجتماعی اشاره کرده، اما از مسائل حریم خصوصی و سوءاستفاده از داده‌ها چشم‌پوشی کرده است.
تحلیل دکترمیر
این نقد کاملاً صحیح است. مثلاً استفاده از داده‌های کاربران در فیسبوک برای تبلیغات سیاسی نمونه‌ای از سوءاستفاده است.
فصل پنجم
چالش‌های سیاست‌گذاری در جوامع غیرخطی
> «چون سیاست، دانش نیست، گمراهی است»
> — فردوسی
وادس نشان می‌دهد که سیاست‌های اجتماعی بدون آزمایش قبلی اغلب شکست می‌خورند. مثلاً سیاست‌های دولت آمریکا در سال 2008 برای نجات بانک‌ها، باعث افزایش نارضایتی عمومی شد (*Occupy Wall Street*).
آمارها چه می گویند:
75% از سیاست‌های اجتماعی بدون آزمایش قبلی شکست می‌خورند (*OECD*, 2022).
یک چک‌لیست عملی برای سیاست‌گذاری
سیستم 3
مدیریت انعطاف‌پذیری
– آموزش تیم‌ها به روش «شبیه‌سازی بحران» (Crisis Simulation).
– ایجاد یک «تیم واکنش سریع» با تخصص متقاطع.
– **سیستم 4: بازخورد مستمر**
– برگزاری جلسات پس‌انداز (After Action Review) هر 48 ساعت.
– به‌روزرسانی استراتژی بر اساس نتایج جدید.
فصل ششم
چارچوبی برای تصمیم‌گیری بهتر
چون دانی، راه را بگذر، گم نشوی»
مولانا
وادس چارچوبی برای تصمیم‌گیری بهتر ارائه می‌دهد:
1. **استفاده از داده‌های کمّی** جایگزین قصه‌های روایی.
2. **مدل‌سازی شبیه‌سازی‌های کامپیوتری** برای پیش‌بینی رفتارهای جمعی.
3. **تست A/B** در تصمیم‌گیری‌های کسب‌وکار.
نقد شخصی من به عنوان یک پژوهشگر
در نهایت شاید ، از دیدگاه من، کتاب **Everything is Obvious** یک اثر انقلابی است، اما دو نقص بسیار بزرگ دارد:
1. **عدم توجه به تفاوت‌های فرهنگی**: وادس بیشتر به سیستم‌های غربی می‌پردازد و از فرهنگ‌های شرقی چشم‌پوشی می‌کند.
2. **کمبود راهکارهای عملی**: کتاب بیشتر به نقد حس سلیم می‌پردازد، اما چارچوب‌های عملی برای استفاده در سازمان‌ها را فراموش کرده است.
**پیشنهاد من:**
– **برای پر کردن شکاف فرهنگی**: مطالعات میدانی در کشورهای مختلف (مثل ایران، چین، یا آفریقا) انجام شود.
– **برای رفع کمبود عملی**: ایجاد یک فریم‌ورک 7 مرحله‌ای برای استفاده از داده‌ها در تصمیم‌گیری‌های روزمره.
—
### **نتیجه‌گیری جامع و مبسوط**
**شعر مرتبط:**
> «چون دانی، ندانی، دانش توست»
> — مولانا
**تفاسیر علمی:**
**همه چیز بدیهی است** یک دعوت به تجدیدنظر در نحوهٔ فکر کردن به دنیای اجتماعی است. دکتر مازیار میر این کتاب را «یک دستورالعمل برای مقابله با عدم‌قطعیت» می‌داند و می‌گوید:
> «حس سلیم ما را در بحران‌ها گمراه می‌کند. ما به سیستم‌های داده‌محور و انعطاف‌پذیر نیاز داریم تا بتوانیم واکنش مناسبی نشان دهیم.»
**نکات کلیدی:**
1. **حس سلیم یک ابزار ضروری است، اما ناکافی.**
2. **داده‌ها و آزمایش‌ها راهکارهای واقعی هستند.**
3. **در بحران، انعطاف‌پذیری و سرعت ارتباط اهمیت بیشتری می‌یابند.**
**چالش‌های آینده:**
– گسترش استفاده از هوش مصنوعی در تحلیل شبکه‌های اجتماعی.
– آموزش سیاست‌گذاران به روش‌های علمی.
– ایجاد فرهنگی که ناکامی‌ها را فرصت‌های یادگیری بداند.
**پیشنهاد عملی:**
هر سازمانی باید یک «تیم واکنش سریع» داشته باشد که از چهار سیستم بالا پیروی کند و در بحران‌ها به تصمیم‌گیری داده‌محور بپردازد.
—
**مثال شاخص:**
در بحران کرونا، کشورهایی که از داده‌های واقع‌بینانه استفاده کردند (مثل نیوزیلند) موفق‌تر بودند. نیوزیلند با سیستم «صفر کووید» و تست‌های گسترده، 0.03% مرگ‌و میر داشت، در حالی که آمریکا با روش‌های حس سلیم 0.9% مرگ‌و میر داشت (*WHO*, 2022).
—
### **سئو و کلمات کلیدی**
– **کتاب همه چیز بدیهی است**
– **دانیل کانمن**
– **علوم شناختی**
– **حس سلیم**
– **مدیریت بحران**
– **داده‌های بزرگ**
– **شبکه‌های اجتماعی**
– **پارادوکس پیش‌بینی**
– **سوگیری پس‌بینی**
– **مدل‌های شبیه‌سازی**
این مقاله با استفاده از این کلمات کلیدی بهینه‌سازی شده است تا در موتورهای جستجو رتبه بالایی کسب کند.
