전문가와의 전쟁
전문가에 대한 신뢰를 떨어 뜨리고 전문성 자체에 의문을 제기하려는 의도적 인 노력이 있습니다. 이러한 노력은 여러면에서 지적인 잔디, 과학적 신뢰, 정치적, 경제적 이익을 얻기 위해 벌인 전쟁과 같은 느낌을줍니다.
그러나 저의 견해는 이러한 전문 지식을 주장하는 대부분의 사람들은 오해의 소지가 있으며 논쟁은 지나치게 진술하는 경향이 있다는 것입니다. 그러나 이러한 주장과 주장은 어떤 영향을 미치기 때문에 단순히 무시할 수 없습니다. 따라서 오해의 소지가있는 주장과 과장된 주장을 반박하고 싶습니다. 저의 동료들과 저는 여러 차례의 반박을 준비했습니다 : "전문가와의 전쟁"(Klein 외.),이 장을 기초로 한 짧은 기사 (Klein et al., 2017). 또한 2017 년 10 월 텍사스 오스틴에서 열린 Human Factors and Ergonomics 회의에서 전문가와의 전쟁에 관한 발표를 할 예정입니다.
이 글에서는이 장과 기사의 주요 주제를 간략하게 요약하고자합니다.
이 전쟁에 종사하는 5 개 지역 사회는 의사 결정 연구, 추론 및 편견 (HB), 사회학, 증거 기반 성과 및 정보 기술입니다.
- 탄력있는 변호사가 다르게하는 것
- 4 가지 방법으로이 봄에 건강을 향상시킬 수 있습니다.
- 최면을 통해 자신을 돕는 방법
- 바람둥이를 좋아한다면 어떻게 될까요?
- 자기 계발 주의자들이 파트너를 목적에 부끄럽게 만드는가?
의사 결정 연구 . 이 커뮤니티가 수행 한 기본 연구 결과에 따르면 통계 모델이 전문가보다 우수한 것으로 나타났습니다. 그러나 종종 잊혀진 것은 공식의 변수가 원래 전문가의 조언에서 파생되었다는 것입니다. 수식의 주요 이점은 일관성이 있다는 것입니다. 그러나 수식은 취약한 경향이 있습니다. 실패하면 실패합니다. 그리고 실험은 조심스럽게 통제되는 경향이 있습니다. 불규칙한 목표, 변화하는 조건, 높은 지분, 데이터의 성격과 신뢰성에 대한 모호함과 같이 전문가가 지켜야하는 지저분한 조건을 피하십시오. 또한 연구는 보통 단일 측정에 초점을 맞추고 모호하고 정량화하기 어려운 성능 측면을 무시합니다. 마지막으로, 통계적 방법의 장점은 전문가의 판단보다 다소 우수하더라도 시끄 럽고 복잡한 상황에서 산출물이 정확하지 않은 경우에 발견되는 경향이 있습니다.
지능형 및 편견 (HB) . Kahneman & Tversky (Tversky & Kahneman, 1974, Kahneman, 2011)는 전문가들조차도 사람들이 판단 편견에 빠지게된다는 것을 보여주었습니다. 그러나 대부분의 HB 연구는 대학생들이 인위적이고 익숙하지 않은 작업을 수행하는 데 있으며 상황을 안내 할 문맥이 없습니다. 연구원이 의미있는 맥락을 사용할 때, 판단 편향은 일반적으로 감소합니다. 게다가 Kahneman과 Tversky가 지적한 것처럼 경험적 방법이 일반적으로 도움이됩니다.
사회학 . 이 공동체의 구성원은 전문 지식이 "자리 잡은 인식"과 "분산 된 인식"을 나타내는 작업을 둘러싼 공동체 및 유물의 기능이라고 단언합니다. 전문 지식 부인은 전문적인인지가 사회적으로 구성되어 있으며 기능이 아니라고 주장합니다 개인 지식. 분명히 팀 및 상황 요인이 전문가의 성과에 영향을 미치지 만 이러한 극단적 인 입장은 견딜 수없는 것처럼 보입니다. 팀 전문가를 모범생으로 대체하고 전반적인 성과가 어떻게 영향을 미치는지 봅니다.
증거 기반 성능 . 여기서 의사는 의사와 같은 전문가가 자신의 판단에 의존하지 않고 과학적 증거에 근거하여 진단과 치료를해야한다는 아이디어입니다. 명백하게, 너무 많은 돌팔이 치료와 정당화되지 않은 미신은 인기를 얻었고, 통제 된 실험은 이것들을 제거하는 것을 도왔다. 그러나 과학적으로 입증 된 모범 사례는 증거에 대한 자신감을 측정하고, 작동하지 않는 계획을 수정하고, 복잡한 상황에 간단한 규칙을 적용하는 데 필요한 숙련 된 판단을 대체하지 않습니다. 의학에서 환자는 종종 여러 조건을 동시에 제시하는 반면, 증거는 대개 하나의 조건이나 다른 조건과 관련이 있습니다.
정보 기술 . 인공 지능, 자동화 및 빅 데이터는 각각 전문가를 대신 할 수 있다고 주장했습니다. 그러나 이러한 각각의 주장은 부당하다. 인공 지능부터 시작합시다. 똑똑한 시스템은 인간보다 더 나은 (그리고 더 싸게) 기상 예측과 같은 일을 할 수 있어야하지만, 통계는 인간 예측가가 약 25 % 정도 기계 예측을 개선한다는 것을 보여 주며, 이는 시간이 지남에 따라 일정하게 유지됩니다. 인공 지능의 성공은 체스, 고, 제오 퍼디와 같은 게임에있었습니다. 게임은 잘 구조화되어 있으며, 명확한 지시와 확실한 올바른 해결책을 가지고 있습니다. 그러나 의사 결정자는 모호하고 역동적 인 상황, AI 시스템을 넘어서는 조건에서 불분명 한 목표로 사악한 문제에 직면합니다. Ben Shneiderman과 저는 이전 에세이에서 관찰했듯이 인간은 개척자 생각, 사회적 참여, 행동 책임을 수행 할 수 있습니다. 다음으로 작업을 줄임으로써 비용을 절약 할 수있는 자동화를 살펴 봅니다. 그러나 사례 연구에 따르면 자동화는 일반적으로 더 많은 전문가를 확보하고 시스템을 설계하며 업데이트를 유지하고 운영하는 데 달려 있습니다. 또한 자동화는 종종 제대로 설계되지 않아 운영자에게 새로운 종류의인지 작업을 창출합니다. 마지막으로 빅 데이터 접근법은 사람보다 훨씬 많은 레코드 및 센서 입력을 검색 할 수 있지만 이러한 알고리즘은 실제 존재하지 않는 패턴을 볼 수 있습니다. Google의 독감 프로젝트 (FluTrends)는 성공 사례로 발표되었지만 이후에 실패하여 실패하여 사용하지 못했습니다. Big Data 알고리즘은 역사적 추세를 따르지만 이러한 추세를 벗어날 수 있습니다. 또한 전문가들은 기대치를 사용하여 매우 중요 할 수있는 누락 된 이벤트를 발견 할 수 있지만 빅 데이터 방식은 데이터 및 이벤트가 없음 을 인식하지 못합니다.
따라서 이러한 커뮤니티 중 어느 것도 전문성에 대한 합법적 위협을 제기하지 않습니다. 도전받지 않은 상태에서이 주장들 뒤에 놓여있는 과장과 혼란은 전문가들이 기각 된 하향 나선으로 이어질 수 있습니다. 물론, 우리는이 공동체들 각각에 대한 비평으로부터 배울 필요가 있습니다. 우리는 각 지역 사회가 취한 적대적인 자세를 넘어서기 위해 그들의 공헌과 능력에 감사해야합니다. 이상적으로, 우리는 긍정적 인 결과와 기술을 전문가의 업무를 강화하는 데 사용할 수있는 협력 정신을 육성 할 수있을 것입니다.
