این پست قسمت 2 از یک سری است.

در پست قبلی، من تا حدی به کالیبراسیون گرایی اشاره کردم، این دیدگاه که قضاوت های احتمالی تنها در صورتی قابل اعتماد هستند که با روش های تفکری که “به خوبی کالیبره شده” باشند، تولید شوند. اما کالیبراسیونیسم همچنین می گوید که برای قضاوت های قابل اعتماد بیشتر لازم است.

دومین مؤلفه قابل اعتماد بودن: شمولیت

یکی دیگر از مؤلفه های مهم، شمولیت است: یعنی میزانی که ما همه شواهد مرتبط را در نظر می گیریم. به هر حال، کالیبراسیون همه آن چیزی نیست که ما به آن اهمیت می‌دهیم، زیرا یک فرد می‌تواند به خوبی با اختصاص دادن احتمالات 50 درصدی به مجموعه‌ای از سؤالات «بله/خیر» کاملاً خوب کالیبره شود. به‌علاوه، برخی شواهد نشان می‌دهند که افراد زمانی قضاوت‌های دقیق‌تری می‌کنند که شواهد بیشتری را نسبت به سایرین در بر می‌گیرند – و واضح است که چگونه این می‌تواند دقت را بهبود بخشد، به‌عنوان مثال، از جمله شواهد DNA که متهمانی را که در غیر این صورت محکوم شده‌اند را تأیید می‌کند.

پس آنچه که ما نیز به آن اهمیت می دهیم این است که آیا قضاوت های احتمالی آموزنده هستند به این معنا که به ما می گویند آیا چیزی در یک مورد خاص درست است یا نه. این، به نوبه خود، تا حد زیادی یک موضوع شامل شواهد است. برای مثال، می‌توان با اختصاص دادن احتمالات 50 درصدی برای سؤالات «بله/خیر» به خوبی کالیبره شد، اما احتمالاً آنها شواهد مربوطه را حذف می‌کنند و چیز خاصی آموزنده نمی‌گویند.

سپس کالیبراسیونیسم می‌گوید که برای قابل اعتماد بودن قضاوت‌ها، باید تمام شواهدی را که به نظر ما مرتبط می‌دانیم، نیز شامل شود.

عملی شدن: نحوه اجرای کالیبراسیونیسم

بنابراین، به طور خلاصه، کالیبراسیون گرایی است: قضاوت های ما تا حدی قابل اعتماد هستند که ما شواهدی داریم که (الف) آنها به روش هایی تولید شده اند که به خوبی کالیبره شده اند و (ب) آنها شامل همه شواهد مربوطه است. پس پیامدهای این امر چیست؟ چهار به ذهن می رسد:

1. ما باید کالیبراسیون را اندازه گیری کنیم تا مشخص کنیم کدام قضاوت قابل اعتماد هستند.
2. ما باید به افرادی اعتماد کنیم که شواهدی دال بر کالیبراسیون خود دارند.
3. اما تنها در صورتی که آنها شامل همه شواهد باشند.
4. و در صورت لزوم، ما باید به بهبود کالیبراسیون خود بپردازیم.

در عمل، من ایده های بیشتری در مورد اینکه چگونه می توانیم این کارها را در جاهای دیگر انجام دهیم، ارائه می دهم. به عنوان مثال، همانطور که در اینجا بحث می کنم، می توان با وصل کردن برخی قضاوت ها به یک الگوی صفحه گسترده، کالیبراسیون را اندازه گیری کرد. کالیبراسیون را نیز می توان با توصیه هایی که در اینجا در مورد آنها صحبت می کنم، بهبود بخشید. در نهایت، اگر بخواهیم فراگیر بودن و قابل اعتماد بودن تفکر کسی را ارزیابی کنیم، می‌توانیم شواهدی را که فکر می‌کنیم مرتبط هستند فهرست کنیم، از آنها سؤالاتی در مورد واکنش‌هایشان به هر مورد بپرسیم، و اگر به نظر می‌رسد که پاسخ‌های آن‌ها نشان‌دهنده تعامل مدرج شده با همه موارد است. شواهد، سپس می توانیم به قضاوت آنها اعتماد کنیم.

به زبان ساده، برای تعیین اینکه به کدام قضاوت‌ها اعتماد کنیم، ممکن است بخواهیم نمودارهای کالیبراسیون و چک لیست‌های شواهد بیشتری را برای تعیین کالیبراسیون و جامعیت مشاهده کنیم – حداقل زمانی که ریسک بالاست. این ممکن است به ایجاد جهانی با تشخیص های نادرست مرگبار کمتر، محکومیت های جنایی نادرست، و دیگر اظهارات نادرستی کمک کند که عملکرد و رفاه جوامع ما را به خطر می اندازد.