4º Avez-vous des données numériques?
2020/11/12 Elhuyar Zientzia
400
Si, dans une affirmation, vous pouvez mesurer ce que vous voulez exprimer, à savoir si vous pouvez argumenter avec des nombres, il sera beaucoup plus crédible, plus objectif. Ce qui ne peut être mesuré, c'est-à-dire l'ambigu et le qualitatif, peut avoir de nombreuses explications et interprétations subjectives.
Nous l'expliquerons par un exemple simple: C'est l'automne et à cette saison le temps est très variable. C'est-à-dire qu'un jour il peut faire chaud et au froid suivant, un jour il pleut et le lendemain il est ensoleillé… Vous êtes à la maison et vous devez décider quels vêtements vous portez pour sortir dans la rue. Tu regardes par la fenêtre et tu vois un voisin qui sue une robe avec des shorts et un t-shirt à manches courtes. C'est clair !C'est la chaleur à l'extérieur ! Vous avez dû quitter la maison et revenir à pleine vitesse à changer de vêtements parce que vous étiez froid.
Ce que nous voyons souvent n'est pas ce que nous pensons et peut être accompli ce que dit le proverbe: « La moitié vide et l’autre moitié souffle », il faut donc chercher des preuves pour voir si les croyances sont vraies. Dans ce cas, un penseur critique analyserait l'information et essayerait de trouver des preuves pour vérifier ce qu'il pense. Autrement dit, on essaierait de connaître la température de la rue. Indique que l'application du téléphone mobile effectue 12º C dans la rue. Maintenant oui, grâce à la mesure vous avez obtenu une donnée objective et vous avez un argument fort pour décider quels vêtements vous avez habillé.
Pourquoi suait-elle le voisin ? De nombreuses raisons peuvent expliquer ce que vous avez vu depuis la fenêtre: par exemple, il vient de faire du sport. Ce qui est clair, c'est que l'observation initiale (regarder par la fenêtre) n'était pas suffisante pour tirer des conclusions sur la température que vous faites et prendre des décisions à partir de ces conclusions.
L'exemple montre clairement que les arguments seront plus cohérents si les critères pour décider quelque chose ou pour analyser la crédibilité d'une information sont mesurables (ou basés sur des données crédibles).
Tout ce qui précède ne veut pas dire que quelque chose d'immédiat est faux; sans doute, de nombreux sujets qualitatifs affleurent des vérités, mais sans se baser sur des données il est plus difficile de défendre sa crédibilité.
Importance et risques des statistiques
Nous avons vu que les arguments, lorsqu'ils sont complétés par des données de paramètres mesurables, sont plus crédibles, mais ces données doivent également être crédibles, de sorte que les données utilisées pour argumenter toute affirmation sont également correctes. Les données scientifiques ne servent à rien sans statistiques et, pour être acceptables, elles doivent satisfaire à des exigences minimales.
L'échantillon, par exemple, est très important pour tirer des conclusions basées sur des données. Pour que les arguments basés sur des données soient cohérents, il est nécessaire d'utiliser des échantillons statistiquement représentatifs.
Par exemple, supposons que nous voulions connaître l'opinion de la population basque sur les corridas de taureaux. Nous avons préparé une enquête pour analyser les données et demandé à 100 utilisateurs d'une maison de retraite de Donostia leur avis sur les corridas. 75 personnes ont répondu qu'elles aiment les corridas, 20 autres n'aiment pas les corridas et le reste ne penche pas sur les corridas. Selon ces données, nous pouvons dire que 75% de la population du Pays Basque se sent attirée par les éjaculations. Diriez-vous que l'affirmation ci-dessus est crédible?
Un penseur critique serait clair que l'affirmation ci-dessus n'est pas correcte. D'une part, parce que la taille de l'échantillon n'est pas adéquate; il est très petit pour conclure l'opinion de la population basque sur n'importe quel sujet. D'autre part, parce qu'il a seulement demandé aux habitants de Donostia, il ne recueille donc pas l'opinion de tout Euskal Herria. Et enfin, parce qu'il a été fait aux utilisateurs d'une maison de retraite; il ne reflète pas l'opinion des gens de toutes les tranches d'âge.
Dans l'exemple ci-dessus, il est donc clair que pour croire les données, il faut vérifier leur origine et s'ils sont corrects.
La corrélation est un autre concept statistique à utiliser avec beaucoup de soin pour formuler un argument, puisque la corrélation ne signifie pas toujours causalité. La causalité concerne la cause et l'effet d'un phénomène, dans lequel quelque chose provoque directement un changement d'autre chose. La corrélation est la comparaison ou la description entre deux ou plusieurs variables. Par conséquent, la corrélation ne signifie pas toujours causalité, c'est-à-dire que deux phénomènes se produisent simultanément ne signifie pas que l'un ait produit l'autre.
Il y a une autre erreur associée, appelée « Cum hoc ergo propter hoc », qui dit que lorsque nous avons deux événements qui se produisent ensemble, l’un est la cause de l’autre.
Par exemple, analysons l'argument suivant : Beaucoup de consommateurs de drogues ont des problèmes psychiatriques et beaucoup avec des problèmes psychiatriques consomment des drogues. Par conséquent, la consommation de drogues génère des problèmes psychiatriques. Bien que la conclusion puisse être vraie, l'argument est faux, puisque la corrélation entre la consommation de drogues et les problèmes psychiatriques ne peut pas garantir la relation cause-effet. La consommation de drogues peut causer des problèmes psychiatriques, mais il peut aussi arriver que les problèmes psychiatriques provoquent des consommations de drogues, ou que les deux soient dus à un tiers, ou qu'il n'existe pas de relation entre les deux faits et que ce soit un hasard.
Lorsque deux événements se produisent à la fois, il peut être tentant d'admettre que l'un provoque l'autre, mais, en plus de la corrélation statistique, il faut plus d'informations pour conclure correctement qu'il existe une relation causale entre l'un et l'autre événement.
Mesure des lichens:
Comme indiqué dans les paragraphes précédents, il est plus facile d'argumenter une affirmation ou une information mesurable, mais la mesure doit être objective. Par conséquent, le nombre de lichens des informations reçues des réseaux sociaux ne sert pas à garantir la crédibilité, et le goût de beaucoup de gens ne veut pas dire que ce qui est indiqué est vrai.
Si, en lisant une information, les gens correspondent à ce qui y est dit, ils reçoivent beaucoup de lichens, mais cela ne le fait pas. Ceci est très lié à une autre erreur appelée argumentum ex populo. Les arguments ex populo sont utilisés dans les discours populistes, la politique, les médias et les débats quotidiens, en utilisant des phrases comme: “Et je ne dis pas, tout le monde le dit”, “La plupart des gens ont ma même opinion”, “Tout le monde sait que c'est comme ça”, etc.
Cette erreur est basée sur l'utilisation inadéquate de la logique, car les choses ne sont jamais vraies parce que quelqu'un les connaît (ou parce que tout le monde les connaît), mais parce qu'elles coïncident avec les preuves. Par conséquent, attention aux informations qui ont beaucoup de Likes ou deviennent trending topic, car le nombre de followers ne garantit pas leur crédibilité.
Pour télécharger le document cliquez ici.
