“De kans dat je door een kokosnoot om komt is vele malen groter dan door een haai”
Dat is nietszeggend. Als je op het land zit, is de kans op een haai aanval (muv sharknado) miniem.
[...]
Precies. Maar exact hetzelfde gebeurt ook aan de “input-kant”, alleen komt dat niet altijd mee in de data. Dan wordt dus de classificatie “etniciteit” gebruikt als benadering.
Ja, maar beide zijn dus een kwestie van het vinden van nuttige classificaties en die goed toepassen. Maar wat ik in de praktijk juist vaak zie is dat mensen met drogredeneringen een bepaalde toepassing van classificaties afwijzen.
Om op jouw voorbeeld in te haken: "Ik zit onder kokospalm en wil mij geen zorgen maken, dus ik heb besloten dat de kans dat een kokosnoot op mijn hoofd valt nul is, omdat jouw onderzoek geen onderscheid maakt tussen het risico op verschillende plekken.
Dat is dan het toeredeneren naar een gewenste conclusie door het ontkennen van de waarheid. Dit is een hele andere manier van redeneren van mensen die juist de waarheid als doel hebben, want die zullen zoeken naar andere relevante meetpunten om de voorspelling nog verder te verbeteren, zoals de locatie toevoegen als meetpunt.
Ik heb geen probleem met leeftijd als eigenschap. Wel met “bejaarde” als classificatie. Eigenschappen zijn meetbaar, classificaties een definitie (of gevoel).
Een eigenschap is “echt”: gewicht, lengte, leeftijd. Een classificatie is een virtuele groep. Dat is nuttig voor voorspellingen, noodzakelijk voor begrip, etc, maar het is niet iets “werkelijks”.
Een classificatie als bejaarde is een manier om aan te geven dat een bepaalde eigenschap waar is, in dit geval dat de leeftijd binnen een bepaalde range valt. Of die classificatie nut heeft of niet, hangt er van af of er significante verschillen zijn tussen mensen met en zonder die classificatie. Zolang die verschillen wel degelijk bestaan, is die classificatie wel degelijk iets werkelijks, binnen een context waar je het hebt over die verschillen.
Als je pedantisch gaat zijn kun je allerlei versimpelingen die we gebruiken gaan afwijzen omdat ze niet altijd waar zijn. Zo leren we onze kinderen op school dat ijs rond de 0 graden gaat smelten, maar strikt genomen is dit niet waar en ligt het smeltpunt bij een zeer hoge druk van 10 GPa bijvoorbeeld boven de 100 graden.
Maar wanneer we praten over het smeltpunt van ijs hebben we het in 99,9% van de gevallen over een normale druk. Die varieert uiteraard alsnog, maar die relatief kleine variaties maken zo weinig verschil dat het zelden relevant is.
Volgens jouw logica mag je echter niet praten over het smeltpunt van ijs zonder de druk te meten ter plekke en vervolgens
een fasediagram te raadplegen. Dit is in de praktijk echter vrijwel altijd een onzinnige handeling die niks toevoegt.
Waar ik overigens het meest over val is hoe dergelijke pedantische bezwaren in mijn ervaring extreem selectief worden opgeworpen, alleen als men het oneens met de uitkomst van het toepassen van een nuttige classificatie. Wanneer men het wel eens is met de uitkomst, is men dan opeens totaal niet meer kritisch.
Mensen die de waarheid willen ontkennen kunnen ook vrijwel altijd een imperfectie aanwijzen. Maar zolang dergelijke bezwaren selectief worden toegepast zijn het helemaal geen eerlijke bezwaren, maar gelegensheidsargumenten.
In plaats van de ruwe metingen te verwerken, werken we met een classificatie “placebo effect”. Dat zorgt ervoor dat we andere effecten verdoezelen.
Het placebo-effect heeft niks te maken met het niet verwerken van de ruwe metingen, maar met de interpretatie van de metingen. Het lastige in de wetenschap is altijd om daadwerkelijk datgene te meten wat je wilt meten, en niet iets anders. Het kan daarbij op allerlei plekken fout gaan, de keuze van je meetwaarde, de meetmethode, de interpretatie, etc.
Maar het is in de basis een zelfgerapporteerde waarde, of iets arbitrairs (etniciteit van kind wordt bepaald door etniciteit moeder, onafhankelijk van etniciteit vader).
Een zelfgerapporteerde waarde is niet per se fout. Sowieso hoeft de variabele waarvan je de correlatie meet niet eens te kloppen met een objectieve waarheid. Het hoeft alleen te kloppen voor wat betreft de conclusie die je wilt trekken.
Als je bijvoorbeeld wilt weten of mensen die normaliter worden geïdentificeerd als een bepaalde etnische groep vaker bepaalde crimineel gedrag vertoond, is het een goed plan om dat op verschillende manieren te meten. Daardoor verminder je sterk de kans dat er een fout ergens in je wetenschappelijke opzet zit.
Dus kun je dan bijvoorbeeld de door de politie gerapporteerde etniciteit gebruiken, maar ook de zelf-gerapporteerde etniciteit, en daarbij je mensen vraagt naar wat voor criminele activiteiten ze zich schuldig aan maken. Deze zijn dan alleen vergelijkbaar als de door de politie gerapporteerde etniciteit voldoende overeenkomt met de zelf gerapporteerde etniciteit. En dat kun je dus onderzoeken. En als je zou willen onderzoeken of mensen dergelijke statistieken goed toepassen, kun je juist weer onderzoeken of zij de etniciteit vergelijkbaar inschatten.
Wat echter volstrekt niet wetenschappelijk is, is om zomaar aan te nemen dat zelf-rapportages niet kloppen.
En jou bewering dat de etniciteit van de moeder volledig arbitrair is wat betreft de etniciteit van het kind, is echt volstrekt absurd. Maak je daar niet de fout dat je een imperfectie verward met het totaal ontbreken van een correlatie? Als er een correlatie is van 80-90%, is het een veel grotere fout om te beweren dat de correlatie in het echt 0%, dan dat de correlatie 100% is. Beide zijn niet correct, maar de ene bewering is veel fouter dan de andere.
En ik ben van mening dat we classificaties vaak rekken tot ver buiten hun nuttigheid.
Ik zie in de praktijk juist dat de bezwaren juist vrijwel allemaal gebaseerd lijken op de sympathie dan wel antipathie die men heeft voor groepen, niet of ze al dan niet nuttig zijn. Wanneer de nuttigheid als argument wordt gebruikt, duidt de inconsistentie in het toepassen van de nuttigheids-eisen er op dat het een tactisch argument is, en niet werkelijk gemeent.
Als ik een feestje organiseer is het voorspellend dat jij zegt “ik ben moslim”, dat ik je geen varken of alcohol voor zet. Maar nog beter zou zijn te weten: drink je alcohol, en eet je vlees. Want lang niet alle moslims zijn alcoholvrij, en er zijn genoeg mensen die om andere reden niet drinken.
In jouw voorbeeld verander je opeens datgene waar je naar kijkt, van geen varken eten naar geen vlees eten. Als je die fout niet gemaakt had, was het duidelijk waarom onderscheiden of mensen moslim zijn wel degelijk veel nut kan hebben, want bij een moslim is deze vraag veel logischer: 'eet je alleen halal?' Bij een Nederlander zonder moslimachtergrond is dit vrijwel nooit een nuttige vraag en zul je juist eerder vegetarische voorkeuren zien.
Classificatie is nuttig om je ergens naar toe te leiden. Maar je moet vervolgens wel loslaten en specifiek gaan inzoomen op oorzaak->gevolg relaties.
Nee, nogmaals. De oorzaak->gevolg relatie is alleen van belang wanneer de oorzaak relevant is, bijvoorbeeld omdat je het gevolg wilt veranderen. Wanneer je het gevolg niet wilt beïnvloeden is het in veel gevallen helemaal niet relevant wat de daadwerkelijke oorzaak is.
Mensen blijven naar mijn idee veel te lang hangen in hun eigen classificaties, en duiken daardoor niet in op de complexe échte wereld.
Het is in de praktijk onmogelijk om de complexe wereld in zijn totaliteit te kennen, en zelfs wanneer je heel veel weet, zijn mensen gewoonweg niet in staat om te redeneren op basis van alle complexiteit die ze kennen. Dus in de praktijk is er geen keuze tussen een simplificatie en de echte waarheid, maar alleen tussen een simplificatie en niks.
En mensen gebruiken simplificaties toch wel, dus in de praktijk is de keuze slechts tussen slechte en goede simplificaties.
Een mooi voorbeeld vind ik nog steeds (lang geleden) dat Leefbaar Rotterdam gratis fietsen ging geven aan mensen in de buitenwijken, omdat bleek dat de afstand tot de arbeidsmarkt letterlijk te groot was. Als je in abstracte classificaties was blijven denken (“wij als rechtse partij willen geen geld meer naar buitenlanders, die vooral criminelen zijn”) dan was je daar nooit op gekomen.
Het idee dat mensen in bepaalde wijken moeite hebben met de fysieke afstand en dat een gratis fiets daarvoor een oplossing is, is alsnog heel erg gebaseerd op een abstracte classificatie, namelijk dat mensen niet fietsen omdat ze te arm zijn om een fiets te kopen. Volgens mij is er echter ook een verschil in voorkeur/afkeer voor fietstransport, en überhaupt een verschil in de mate waarin men kan fietsen, bij verschillende etniciteiten. Dus dan is de vraag in welke mate gratis fietsen echt het probleem oplossen.
In elk geval lijk jij nu een foute conclusie te trekken, door onterecht een abstracte classificatie die je wel goed vind, niet zo te willen noemen, maar een andere classificatie die je afwijst wel. Dat is precies het het niet toepassen van objectieve criteria waartegen ik ageer.
Overigens kan ik geen enkel bewijs vinden dat Leefbaar ooit zoiets heeft bedacht/voorgesteld/gesteund. Hier zie ik juist dat Leefbaar dergelijke moties niet lijkt te steunen:
https://persberichtenrott...esluiten-gemeenteraad-76/Tevens, als je denkt dat “affirmative action” werkt om een systemisch racisme tegen te gaan, dan is het toch logisch om het racistisch te vinden als iemand daar tegen is?
Ja, maar dat is dan een (politieke) mening. Het is prima dat mensen een al dan niet domme mening over iets hebben. Waar ik over val is wanneer de wetenschap gecorrumpeerd wordt door meningen te gaan presenteren als een objectieve waarheid.
Wanneer onderzoekers gaan beweren dat (rechtse) mensen racistisch zijn omdat ze niet geloven dat affirmative action een goede oplossing is, dan worden universiteiten een politiek propagandacentrum die dingen als wetenschap presenteren die dat niet zijn. Daarmee zorgen ze er dan ook weer voor dat de abstracte kwalificatie 'wetenschap' steeds meer wordt uitgehold en steeds meer mensen de wetenschap gaan afdoen als slechts een mening.
> Zo kan dat er juist voor zorgen dat afgestudeerde zwarte mensen een lagere kwaliteit hebben en wordt het daardoor logisch om etniciteit mee te wegen bij het beoordelen van afgestudeerden
Sorry, maar dit vind ik erg overtrokken.
Vindt ik niet. Wanneer mensen voor een bepaalde positie worden voorgetrokken vanwege hun geslacht of etniciteit zie ik mensen heel snel concluderen dat een persoon die in de groep zit die wordt voorgetrokken, er alleen zit vanwege zijn of haar geslacht of etniciteit. Dus ik zie wel degelijk dat mensen dergelijke overwegingen maken.
Het idee is dat mensen aan de poort onjuist geselecteerd worden doordat de statistiek op papier geen betrouwbare afspiegeling is van de staat van kunnen. Maw: rijke jongen kreeg bijles en daardoor een iets hoger cijfer. Dat wil niet zeggen dat hij een beter student is aan het _einde_ van de studie, dan een persoon die geen geld voor bijles had.
Ja, dat is inderdaad het argument dat vaak gebruikt wordt, maar wat totaal tegengesproken wordt uit onderzoek, waarbij mensen die van affirmative action profiteren hun hele leven lang slechtere uitkomsten hebben. Uiteraard kan het waar zijn dat die mensen hetzelfde hadden kunnen bereiken als ze vanaf hun vroege jeugd meer kansen hadden gehad.
Maar wanneer het voortrekken op universiteiten er niet voor zorgt dat ze uiteindelijk hetzelfde bereiken, dan is het niet zo dat ze door voorgetrokken te worden daadwerkelijk het zelfde kunnen bereiken.
Tevens, vanuit dezelfde leunstoel kun je beargumenteren dat “zo iemand” veel meer z’n best gaat doen om zich te bewijzen, en z’n diploma daarom méér waard is.
Dat is een heel linkse manier van denken, namelijk dat een diploma een beloning is voor hard je best doen, in plaats van een bewijs van kennis en kunde.
Zou jij geopereerd willen worden door een dokter die zijn diploma heeft gekregen omdat hij hard zijn best deed, maar desondanks er niks van bakt, of door een dokter die zoveel talent heeft dat hij met twee vingers in de neus is afgestudeerd? Ik kies zelf liever voor de grotere kans om goed uit de operatie te komen.
Mensen zijn sowieso notoir slecht in schatten. Hoeveel pianostemmers zijn er in NL? Hoeveel bakkers? Zijn er meer katten dan honden?
Er is een groot verschil tussen slecht schatten waarbij men grofweg even vaak over- en onderschat of slecht schatten met een sterke bias.
Zou kunnen dat de media een rol spelen, maar kan ook een psychologisch of statistisch rariteitje aan ten grondslag liggen. Of misschien de manier van vragen in onderzoek, of de analyse, of definities van onderzoekers, etc.
Ben je nu niet aan het wegrationaliseren van iets dat je niet bevalt? Dit zijn echt heel eenvoudige onderzoeken met heel eenvoudige vragen, in de trant van: welk percentage van de bevolking is X? En de analyse is slechts of de antwoorden gemiddeld genomen boven of onder de echte waarde liggen en in welke mate. Daar is weinig ruimte voor geklooi.
Naar mijn mening is de waarheid overschat. De wereld is te complex om echt te begrijpen. Iedereen kloot maar wat aan. Je moet dingen vanuit verschillende perspectieven bekijken, niet zodat je de waarheid kunt vinden, maar om telkens opnieuw te kijken wat de beste actie is. Beetje meebuigen, zeg maar.
Je loopt nu gewoon de waarheid en de wetenschap af te wijzen.
Je kunt natuurlijk altijd meebuigen met wat op dat moment populair is, maar de consequentie is dan dat je dingen accepteert die niet werken en daardoor resulteren in ongewenste uitkomsten en dat je er niet tegen in gaat wanneer leugens worden gebruikt om zaken als discriminatie goed te praten.
[Reactie gewijzigd door Ludewig op 23 juli 2024 19:08]
:strip_exif()/i/2005545080.jpeg?f=fpa)
:strip_exif()/i/2006211424.jpeg?f=fpa)
/i/2006063552.png?f=fpa)
:strip_exif()/i/2005989152.jpeg?f=fpa)
/i/2005490828.png?f=fpa)
:strip_exif()/i/2005058780.jpeg?f=fpa)
:strip_exif()/i/2005532252.jpeg?f=fpa)
:strip_icc():strip_exif()/u/19522/crop6124d729ee8a5_cropped.jpg?f=community){kind=small}
:strip_icc():strip_exif()/u/563369/crop560071793b003_cropped.jpeg?f=community){kind=small}
:strip_icc():strip_exif()/u/430058/crop5fbc250c0c982_cropped.jpeg?f=community){kind=small}
/u/112664/crop5f7c24d84a73d_cropped.png?f=community){kind=small}
/u/88794/dj_henk4b.png?f=community){kind=small}
/u/3041/crop651a776a4ad9f_cropped.png?f=community){kind=small}
:strip_icc():strip_exif()/u/489983/crop5db33928bbeea_cropped.jpeg?f=community){kind=small}
:strip_icc():strip_exif()/u/322480/crop59259a5419612_cropped.jpeg?f=community){kind=small}
/u/722808/crop5c59d573bb7ca_cropped.png?f=community){kind=small}
:strip_icc():strip_exif()/u/678890/crop59368024e5669_cropped.jpeg?f=community){kind=small}
/u/143137/crop5d1c4f96268ca_cropped.png?f=community){kind=small}
/u/99142/crop62758e978b3e3_cropped.png?f=community){kind=small}
:strip_icc():strip_exif()/u/116600/crop5be04a1ae3ded_cropped.jpeg?f=community){kind=small}
/u/767409/crop62335cccc4f1d_cropped.png?f=community){kind=small}
/u/344640/crop5f2438e65f2fb_cropped.png?f=community){kind=small}
/u/117810/cupcake2.png?f=community){kind=small}
:strip_icc():strip_exif()/u/33880/crop5ec3d2d5f2541_cropped.jpeg?f=community){kind=small}
/u/1435570/crop672c9fd299184_cropped.png?f=community){kind=small}
:strip_exif()/u/1703/crop5645b8b802a60_cropped.gif?f=community){kind=small}
/u/981225/crop6352578da25fd_cropped.png?f=community){kind=small}
:strip_icc():strip_exif()/u/109144/IMG_2440.jpg?f=community){kind=small}
:strip_icc():strip_exif()/u/403133/crop55f6a82e900d9_cropped.jpeg?f=community){kind=small}
:strip_exif()/u/7689/Copicon.gif?f=community){kind=small}
:strip_icc():strip_exif()/u/406786/256px-Cc_kane_shot.jpg?f=community){kind=small}
:strip_icc():strip_exif()/u/1956168/crop675786dc9d9b9_cropped.jpg?f=community){kind=small}
:strip_icc():strip_exif()/u/426418/crop677513232c431_cropped.jpg?f=community){kind=small}
/u/217510/crop660db19c1cf7b_cropped.png?f=community){kind=small}
/u/10064/leuk_he.png?f=community){kind=small}
:strip_icc():strip_exif()/u/1142475/crop5bf6be1ab4459_cropped.jpeg?f=community){kind=small}
#/media/Bestand:Diag_phase_glace.svg){kind=link}