Üstün Zekâlılar ve Yetenekliler İçin Bayesçi Akıl Yürütme: Yüzdelerden Doğal Sıklıklara

Bir tarama aracı gerçek sorunların yüzde 80’ini buluyorsa, ‘sorun var’ uyarısı alan bir çalışmanın gerçekten sorunlu olma olasılığı yüzde 80 midir? İlk bakışta öyle görünebilir. Oysa cevap, sorunların başlangıçta ne kadar yaygın olduğuna ve aracın sorunsuz çalışmalar için ne sıklıkta yanlış alarm verdiğine de bağlıdır. Hızlı hesap yapmak, bu gizli paydaları kendiliğinden görünür kılmaz.

Bayesçi akıl yürütme, yeni bir kanıt geldiğinde önceki bilgiyi güncellemeyi anlatır. Üstün zekâlılar ve yetenekliler için bu konu, bir formülü ezberletmekten çok daha değerli bir derinlik alanı açar: Öğrenci bir iddiayı hangi başlangıç oranına dayandırdığını, kanıtın iki olası durumda nasıl davrandığını ve sonucun varsayımlar değişince ne kadar oynadığını inceleyebilir. Bunu kolaylaştıran araçlardan biri, yüzdeleri aynı örneklem içindeki somut sayılara çeviren doğal sıklıklardır.

Yüzde doğru olsa da ilk sezgi yanlış olabilir

Bin araştırma projesi düşünelim. Geçmiş verilere göre bunların 100’ünde önemli bir yöntem sorunu, 900’ünde ise böyle bir sorun yok. Bir tarama aracı sorunlu projelerin yüzde 80’ini işaretliyor; sorunsuz projelerin de yüzde 10’una yanlış alarm veriyor. Yalnız ‘yüzde 80 başarı’ ifadesine bakmak bizi aceleyle yüzde 80 sonucuna götürebilir.

Aynı bilgiyi sayılarla izleyelim: Sorunlu 100 projenin 80’i işaretlenir. Sorunsuz 900 projenin 90’ı da işaretlenir. Böylece toplam 170 uyarının 80’i gerçek soruna aittir. Uyarı alan bir projede gerçek sorun bulunma oranı 80/170, yani yaklaşık yüzde 47’dir. Araç kötü değildir; yalnız performansını yorumlamak için temel oranı ve yanlış alarmları birlikte görmek gerekir.

Doğal sıklıkların gücü, bütün bilgileri ortak bir referans grubunda tutmasıdır. ‘Sorun varsa uyarı olasılığı’ ile ‘uyarı varsa sorun olasılığı’ birbirine benzeyen fakat farklı sorulardır. Dallanan sayılar, bu yön değişikliğini görünür kılar. Öğrenci işlemi yapmakla kalmaz; payın hangi alt gruptan, paydanın hangi iki grubun toplamından oluştuğunu açıklayabilir.

Araştırmalar temsil biçiminin önemini gösteriyor

Gigerenzer ve Hoffrage’ın 1995 tarihli deneylerinde, Bayes problemlerini doğal sıklıklarla sunmak, aynı bilgiyi koşullu olasılıklarla vermeye göre doğru çıkarımı kolaylaştırdı. Yazarlar binlerce çözümü inceleyerek sıklık biçiminde hesaplamanın daha yalın olduğunu gösterdi. Bu bulgu ‘insanlar yüzdeleri anlayamaz’ demek değildir; bilginin düzenlenişinin hangi ilişkileri görmeyi kolaylaştırdığını gösterir.

Sedlmeier ve Gigerenzer’in iki eğitim deneyinde katılımcılar, olasılıkları Bayes formülüne yerleştirmek yerine doğal sıklık temsilleri kurmayı öğrendi. Temsil eğitimi, kural eğitimine göre ilk öğrenmede daha güçlü ve zaman içinde daha kalıcıydı; iki yaklaşımın yeni problemlere aktarımı ise benzerdi. Bulgular yetişkin katılımcılardan gelir ve üstün yetenekli çocuklara özgü değildir. Bu nedenle sınıf için çıkarım, ‘formülü kaldırın’ değil; formülden önce niceliklerin yapısını kurdurun olmalıdır.

McDowell ve Jacobs’ın 2017 meta-analizi, 35 makaledeki 226 performans tahminini birleştirdi. Genel olarak doğal sıklıklar Bayesçi çıkarımı destekledi; fakat etki görevin sunumuna ve katılımcı özelliklerine göre değişti. Ortak olayları açıkça gösteren kısa sunumlar ile görsel destekler, hem olasılık hem sıklık biçimlerinde performansı iyileştiren güçlü değişkenler arasındaydı. Demek ki ‘sayıları 1.000 kişiye çevir’ tek başına sihirli bir reçete değildir; iç içe kümeler de açıkça kurulmalıdır.

Üstün yetenek, belirsizliği otomatik olarak çözmez

Olasılık görevleri üstün zekâlılar ve yetenekliler için yalnız daha zor aritmetik değildir. Örüntü ile rastlantısal değişkenliği aynı anda düşünmeyi gerektirir. Matematikte üstün yetenekli ve genel eğitim öğrencilerini fiziksel ve bilgisayar destekli olasılık deneylerinde karşılaştıran 2019 tarihli çalışma, üstün yetenekli grubun daha yüksek anlama düzeyleri gösterdiğini; buna karşın her iki gruptaki öğrencilerin çoğunun rastlantısal değişkenliği fark etmekte zorlandığını bildirdi. Bu tek çalışma belirli bir örneklem ve büyük sayılar yasası görevleriyle sınırlıdır. Yine de yüksek performansın, olasılıksal yanılgılara karşı otomatik bağışıklık olmadığını hatırlatır.

Bu nedenle zenginleştirme, daha büyük sayılar vermek yerine öğrencinin temsil seçimini ve varsayımlarını sorgulamalıdır. ‘Neden 1.000 kişilik bir grup seçtin?’, ‘Yanlış alarm oranı yarıya inse sonuç nasıl değişir?’ ve ‘Bu veri hangi gruba genellenemez?’ soruları, işlem hızından bağımsız olarak düşünceyi derinleştirir.

Altı adımlı doğal sıklık rutini

1. Referans grubunu belirleyin: Önce 100, 1.000 veya bağlama uygun başka bir ortak toplam seçin. Bütün oranlar aynı gruba ait olsun.
2. Temel orana göre ayırın: Olayın bulunduğu ve bulunmadığı iki ana dalı sayıyla yazın. İlk varsayımı görünmez bırakmayın.
3. Kanıtı iki dala ayrı uygulayın: Gerçek olumlu ve yanlış olumlu sayılarını hesaplayın. Yüzdelerin hangi dala ait olduğunu sözle açıklayın.
4. Sorulan grubu yeniden kurun: ‘Uyarı alanlar’ gibi hedef grubu oluşturan dalları birleştirin. Payı ve paydayı etiketleyin.
5. Sonucu cümleyle yorumlayın: Yalnız yüzde yazmayın. ‘170 uyarının 80’i gerçek soruna aittir’ diyerek sonucu başlangıç grubuna bağlayın.
6. Duyarlılık testi yapın: Temel oranı, yakalama oranını veya yanlış alarmı tek tek değiştirin. Hangi varsayımın sonucu en çok oynattığını karşılaştırın.

Aileler ve eğitimciler için uygulanabilir çıkarımlar

• Gündelik ama düşük riskli örnekler seçin: Kütüphanede yanlış rafa konan kitaplar, robotun ayırdığı parçalar veya kuş gözlemindeki ses tanıma uygulaması uygundur. Sağlık tanısı ya da bir çocuğun kimliği hakkında sonuç üretmekten kaçının.
• Önce tahmin, sonra temsil isteyin: Öğrenci ilk cevabını ve güven düzeyini yazsın; ardından 10×10 kare, dallanma şeması veya nesnelerle grupları kursun. Son cevabın neden değiştiğini açıklasın.
• Hesap makinesini yasaklamayın: Ama her sayının hangi grubu temsil ettiğini sorun. Amaç uzun bölme değil, kanıtın yapısını anlamaktır.
• Karşı örnek ürettirin: Aynı ‘yüzde 80 doğru’ aracın, olay çok seyrekken ve çok yaygınken farklı sonuç vermesini öğrencinin kendisi göstermeli.
• Kesinlik dilini düzeltin: ‘Kanıtladı’ yerine ‘bu varsayımlar altında olasılığı artırdı’ demeyi; veri kaynağını ve belirsizliği belirtmeyi modelleyin.

Başarı, formülü hatırlamak değil varsayımı görünür kılmaktır

Bir öğrenci Bayes formülünü doğru yazıp temel oranı yanlış okuyabilir; başka bir öğrenci formülü bilmeden doğru doğal sıklık ağacını kurabilir. Değerlendirmede yalnız son sayıya değil, ortak toplamın seçimine, dalların etiketlenmesine, yanlış alarmın hesaba katılmasına ve sonucun sözel yorumuna bakın. Ardından aynı yapıyı farklı yüzey özelliklerine sahip yeni bir problemde sınayın.

Üstün zekâlılar ve yetenekliler için Bayesçi akıl yürütmenin asıl değeri, daha erken bir ileri matematik konusu görmek değildir. Değer; güçlü bir ilk sezgiyi veriyle sınamak, kanıtın başlangıç bilgisine bağlı olduğunu fark etmek ve yeni bilgi geldiğinde görüşünü gerekçeli biçimde güncelleyebilmektir. Yüzdeyi doğal sıklığa çevirmek, belirsizliği ortadan kaldırmaz; belirsizliğin nereden geldiğini tartışılabilir hâle getirir.

Kaynaklar

• Gigerenzer ve Hoffrage (1995) — sıklık biçimleriyle Bayesçi akıl yürütme deneyleri
• Sedlmeier ve Gigerenzer (2001) — doğal sıklık temsillerini öğretme deneyleri
• McDowell ve Jacobs (2017) — doğal sıklıkların etkisine ilişkin meta-analiz
• Lee ve diğerleri (2019) — matematikte üstün yetenekli ve genel eğitim öğrencilerinin olasılık deneyleri

Fotoğraf: UCLA matematikçisi Rowan Killip, lisans düzeyinde olasılık dersi verirken, 6 Mayıs 2024. Fotoğraf: Natecation / Wikimedia Commons; fotoğrafçının kendi eseri, CC BY-SA 4.0. Özgün fotoğraf 16:9 oranında kırpılmış, 1600×900 piksele ölçeklenmiş ve WebP biçimine dönüştürülmüştür; türev görsel aynı lisansla sunulur. Fotoğraftaki kişiler makalede anılan araştırma örneklemlerinden değildir.