स्वास्थ्य जाँच में जब कोई सुनता है कि 99% सटीकता वाली जाँच में उसका परिणाम सकारात्मक आया है, तो अधिकांश लोग सोचते हैं कि उनके बीमार होने की संभावना भी लगभग 99% होगी। लेकिन यदि वह ऐसी दुर्लभ बीमारी हो जो 1 × दस हज़ार लोगों में से एक को होती है, तो बात पूरी तरह बदल जाती है। सामने मौजूद साक्ष्य से इतना प्रभावित हो जाना कि हम भूल जाएँ कि ‘यह बात सामान्यतः कितनी आम है’—निर्णय के इसी जाल को ‘आधार दर भ्रांति (Base Rate Fallacy)’ कहते हैं।
सरल शब्दों में, आधार दर भ्रांति का अर्थ है ‘पूरे समूह में किसी घटना के होने के मूल अनुपात यानी आधार दर की अनदेखी करके, केवल किसी विशेष मामले की ठोस जानकारी के आधार पर उसकी प्रायिकता का आकलन करना।’ जाँच के नतीजे, प्रत्यक्षदर्शी की गवाही या पहली छाप जैसी जानकारी जितनी जीवंत होती है, हम पृष्ठभूमि के आँकड़ों को उतनी ही आसानी से नज़रअंदाज़ कर देते हैं। चिकित्सा, न्यायिक कार्यवाही, भर्ती और सुरक्षा जैसे क्षेत्रों में, जहाँ प्रायिकता का आकलन महत्त्वपूर्ण होता है, इस भ्रांति की कीमत भी उतनी ही बड़ी होती है।
इस लेख में हम क्रम से आधार दर भ्रांति का अर्थ और उस पर शोध की शुरुआत, प्रसिद्ध टैक्सी समस्या के माध्यम से गणना का सिद्धांत, रोज़मर्रा के उदाहरण, और इस भ्रांति को कम करने के तरीकों तथा उनकी सीमाओं को देखेंगे।
साक्ष्य से पहले पूछने योग्य आँकड़ा: आधार दर
आधार दर भ्रांति क्या है?
आधार दर (Base Rate) पूरे समूह में मौजूद वह अनुपात है, जो किसी विशेष जानकारी का पता चलने से पहले ही उपलब्ध होता है। सांख्यिकी में इसे पूर्व प्रायिकता भी कहा जाता है। नया साक्ष्य मिलने पर इस पूर्व प्रायिकता को शुरुआती बिंदु बनाकर अपने आकलन को संशोधित करना सही क्रम है।
इस भ्रांति को व्यवस्थित रूप से उजागर करने वाले मनोवैज्ञानिक डैनियल काह्नमन (Daniel Kahneman) और अमोस ट्वर्स्की (Amos Tversky) थे। दोनों ने 1973 के अपने शोधपत्र में बताया कि प्रायिकता का आकलन करते समय लोग इस बात को आधार बनाते हैं कि ‘वह किसी परिचित रूप से कितनी विश्वसनीय समानता रखता है।’ इसे प्रतिनिधित्व अनुमान युक्ति (Representativeness Heuristic) कहते हैं।
एक प्रसिद्ध प्रयोग में प्रतिभागियों को इंजीनियरों और वकीलों के 100 लोगों के समूह में से एक व्यक्ति का विवरण दिखाया गया। एक प्रतिभागी समूह को बताया गया कि उसमें 70 इंजीनियर हैं, जबकि दूसरे को 30 इंजीनियर बताए गए। फिर भी, उस व्यक्ति को गणितीय पहेलियाँ और बढ़ईगीरी पसंद होने का विवरण पढ़ने के बाद दोनों समूहों के उत्तर लगभग एक जैसे थे। जैसे ही विवरण किसी इंजीनियर जैसा लगा, 70 और 30 लोगों का अंतर उनके आकलन से गायब हो गया।
टैक्सी समस्या से समझें आधार दर की ताकत
काह्नमन और ट्वर्स्की द्वारा प्रस्तुत टैक्सी समस्या आधार दर भ्रांति समझाने के लिए सबसे अधिक इस्तेमाल किए जाने वाले उदाहरणों में से एक है। एक शहर में रात के समय टक्कर मारकर भागने की दुर्घटना हुई। इस शहर की टैक्सियों में 85% हरी कंपनी की और 15% नीली कंपनी की हैं। प्रत्यक्षदर्शी ने कहा कि उसने नीली टैक्सी देखी थी। उन्हीं परिस्थितियों में उसकी परीक्षा लेने पर पाया गया कि वह 80% सटीकता से रंग पहचानता है।
लोगों का सबसे आम उत्तर होता है, ‘टैक्सी के नीले होने की प्रायिकता 80% है।’ लेकिन आधार दर को भी ध्यान में रखने पर परिणाम बदल जाता है।
(1) वास्तव में नीली टैक्सी को सही पहचाने जाने के मामले
100 टैक्सियों में से 15 नीली टैक्सियों को प्रत्यक्षदर्शी 80% सटीकता से पहचानता है, इसलिए लगभग 12 टैक्सियों के बारे में ‘नीली’ होने की गवाही दी जाती है।
(2) हरी टैक्सी को गलत पहचाने जाने के मामले
85 हरी टैक्सियों में से 20%, यानी 17 टैक्सियों के बारे में भी गलती से ‘नीली’ होने की गवाही दी जाती है।
(3) अंतिम प्रायिकता
‘नीली’ होने की गवाही वाले 29 मामलों में केवल 12 टैक्सियाँ सचमुच नीली हैं, इसलिए वास्तविक प्रायिकता लगभग 41% है। यानी गवाही के बावजूद टैक्सी के हरे होने की संभावना अधिक है।
ट्वर्स्की और काह्नमन ने इस परिणाम की व्याख्या करते हुए कहा कि ऐसा इसलिए है क्योंकि 85 बनाम 15 का आधार दर का अंतर, प्रत्यक्षदर्शी की विश्वसनीयता से अधिक चरम है। साक्ष्य चाहे जितना विश्वसनीय लगे, शुरुआती अनुपात को छोड़ देने से गणना आरंभ से ही गलत हो जाती है।
रोज़मर्रा के जीवन में छिपी आधार दर भ्रांति
आधार दर भ्रांति केवल गणना की समस्याओं तक सीमित नहीं है। बल्कि वास्तविक जीवन में महत्त्वपूर्ण निर्णय लेते समय यह और अधिक दिखाई देती है।
- दुर्लभ बीमारी की जाँच (Medical Screening): अमेरिका के हार्वर्ड मेडिकल स्कूल के 1978 के एक अध्ययन में, 1,000 लोगों में 1 व्यक्ति की रोग व्यापकता और 5% मिथ्या सकारात्मक दर वाली जाँच के सकारात्मक परिणाम का अर्थ पूछा गया, तो सबसे आम उत्तर 95% था। संवेदनशीलता (रोगियों को सकारात्मक घोषित करने का अनुपात) को 100% मानने पर, सकारात्मक परिणाम वाले लोगों में वास्तविक रोगियों का अनुपात 0.001 ÷ (0.001 + 0.05 × 0.999) ≈ 1.96% है। संवेदनशीलता न दी गई हो तो सटीक मान निर्धारित नहीं किया जा सकता, और इन परिस्थितियों में लगभग 2% ऊपरी सीमा है।
- प्रतिभाओं की भर्ती (Hiring): यदि 100 आवेदकों में वास्तव में असाधारण प्रतिभा वाला केवल 1 व्यक्ति हो, तो साक्षात्कार में ‘बहुत प्रभावशाली दिखने वाले’ कई आवेदक वास्तव में साधारण आवेदक हो सकते हैं।
- सुरक्षा चेतावनी (Security Alert): जिस प्रणाली में हमले दुर्लभ हों, वहाँ सटीक पहचान करने वाले उपकरण से मिलने वाली अधिकांश चेतावनियाँ भी झूठी हो सकती हैं।
इन सभी में समान बात यह है कि जिस लक्ष्य को खोजा जा रहा है, वह दुर्लभ है। संवेदनशीलता और मिथ्या सकारात्मक दर स्थिर रहने पर, लक्ष्य जितना दुर्लभ होगा, सकारात्मक परिणामों में वास्तविक मामलों का अनुपात उतना ही कम होगा। हालाँकि, मिथ्या सकारात्मक परिणामों की संख्या वास्तविक सकारात्मक परिणामों से अधिक होना अनिवार्य नहीं है; ऐसा होगा या नहीं, यह आधार दर, संवेदनशीलता और मिथ्या सकारात्मक दर पर निर्भर करता है। इसलिए आधार दर और जाँच की कार्यक्षमता को साथ में देखना चाहिए।
आधार दर भ्रांति कम करने के तरीके और उनकी सीमाएँ
आधार दर भ्रांति से बचने की कुंजी है साक्ष्य देखने से पहले यह पूछने की आदत डालना कि ‘यह सामान्यतः कितना आम है।’ फिर उस आँकड़े के साथ साक्ष्य की सटीकता को ध्यान में रखकर अपना आकलन संशोधित किया जा सकता है। बेयस प्रमेय (Bayes' Theorem) इसी सोच को व्यक्त करता है।
(1) पहले आधार दर जाँचें
निष्कर्ष निकालने से पहले पता करें कि पूरे समूह में ऐसे मामलों का अनुपात कितना है।
(2) प्राकृतिक आवृत्तियों में बदलकर देखें
‘80%’ जैसी प्रायिकता के बजाय ‘100 में से 12’ जैसे लोगों या वस्तुओं की संख्या के रूप में व्यक्त करने पर गणना कहीं अधिक सहज लगती है। मनोवैज्ञानिक गेर्ड गिगेरेंज़र (Gerd Gigerenzer) ने शोध प्रस्तुत किया जिसमें दिखाया गया कि ऐसा करने से सही उत्तरों का अनुपात काफ़ी बढ़ जाता है।
(3) उलटी दिशा की प्रायिकताओं में अंतर समझें
ध्यान रखें कि ‘टैक्सी नीली होने पर उसे नीली कहने की प्रायिकता’ और ‘उसे नीली कहे जाने पर टैक्सी के नीले होने की प्रायिकता’ अलग-अलग मान हैं।
हालाँकि, आधार दर भी हर समस्या का समाधान नहीं है। पुरानी या गलत ढंग से संकलित आधार दर का इस्तेमाल आकलन को उलटे गलत दिशा में ले जा सकता है। साथ ही, समूह के औसत को किसी व्यक्ति पर यांत्रिक ढंग से लागू करना रूढ़ धारणाओं और भेदभाव को उचित ठहराने का साधन बन सकता है। आधार दर आकलन का केवल शुरुआती बिंदु है; उसे किसी व्यक्ति के बारे में पहले से फैसला सुनाने वाला ठप्पा नहीं बनना चाहिए।
आधार दर भ्रांति तब पैदा होती है जब जीवंत साक्ष्य चुपचाप मौजूद आँकड़ों को ढक देते हैं। काह्नमन और ट्वर्स्की के प्रयोगों के बाद से यह अवधारणा चिकित्सकीय निदान और न्यायिक कार्यवाही से लेकर भर्ती तथा सुरक्षा तक, हर उस क्षेत्र में एक महत्त्वपूर्ण कसौटी बन गई है जहाँ प्रायिकता का आकलन आवश्यक है।
चौंकाने वाले साक्ष्य के सामने एक बार फिर यह पूछना कि वह घटना सामान्यतः कितनी आम है—आँकड़ों से भ्रमित हुए बिना तर्कसंगत निर्णय लेने की दिशा में यही पहला कदम है।
