قانون اعداد کوچک و ریشه‌های آماری افغان‌ستیزی در ایران

پیش از این گفتیم:

دانیال کانمن توضیح می‌دهد که سیستم ۱ ذهن (تفکر سریع)، بر اساس اصل «آنچه می‌بینی همه‌چیز است» (WYSIATI)، تنها از اطلاعات در دسترس استفاده می‌کند و با ایجاد روایت‌های منسجم اما ناقص، به قضاوت‌های شتاب‌زده می‌رسد، در حالی که سیستم ۲ (تفکر تحلیلی) اغلب تنبل است و این قضاوت‌ها را اصلاح نمی‌کند. این مکانیسم در افغان‌ستیزی در ایران نقش دارد، جایی که رسانه‌ها با برجسته کردن جرایم معدود یا برچسب‌های منفی مانند «افغانی»، کلیشه‌هایی را نهادینه می‌کنند که سیستم ۱ به‌سرعت می‌پذیرد. برای مثال، یک خبر جعلی درباره «شیوع بیماری توسط افغان‌ها» به‌کلِ جامعه مهاجر تعمیم می‌یابد. سیستم ۱ همچنین از «تطبیق شدت» استفاده می‌کند و یک جرم منفرد را بدون نیاز به شواهد به «تهدید امنیت ملی» ربط می‌دهد. این در حالی است که مهاجران افغانستانی با سرمایه‌گذاری ۳ میلیارد دلاری، اشتغال‌زایی، و پرداخت مالیات قابل‌توجه، نقش مثبتی در اقتصاد ایران دارند. بااین‌حال، سیستم ۱ مشارکت‌های مثبت آن‌ها را نادیده می‌گیرد و به کلیشه‌هایی مانند ناتوانی زنان یا حاشیه‌نشینی کودکان افغان تکیه می‌کند. کانمن با پیشنهاد فعال‌سازی سیستم ۲ از طریق پرسش‌های انتقادی (مانند «آیا این اطلاعات کامل است؟») و ارائه تصاویر متنوع از مهاجران، راهکارهایی برای کاهش این تعصبات ارائه می‌دهد تا قضاوت‌های عادلانه‌تر و هم‌زیستی بهتری در ایران ممکن شود.

اکنون ادامه این بحث:

دانیل کانمن در بخش «قانون اعداد کوچک» به محدودیت‌های سیستم ۱ در درک پدیده‌های آماری می‌پردازد. او مثالی از الگوی شیوع سرطان کلیه در ۳۱۴۱ شهرستان آمریکا ارائه می‌دهد: شهرستان‌های با کمترین و بیشترین نرخ سرطان عمدتاً روستایی، کم‌جمعیت و در ایالت‌های محافظه‌کار واقع‌ شده‌اند. سیستم ۱ به‌سرعت به دنبال توضیحات علّی می‌گردد، مانند سبک زندگی سالم روستایی (برای نرخ پایین) یا فقر و کمبود مراقبت‌های پزشکی (برای نرخ بالا). اما این توضیحات متناقض‌اند و مشکل واقعی در اندازه نمونه نهفته است. در نمونه‌های کوچک (مانند شهرستان‌های کم‌جمعیت)، نتایج شدید (نرخ‌های بسیار بالا یا پایین) به دلیل تصادف آماری محتمل‌ترند، شبیه به بازی‌ای که در آن نمونه‌های کوچک‌تر (۴ مرمر) نسبت به نمونه‌های بزرگ‌تر (۷ مرمر) نتایج افراطی بیشتری تولید می‌کنند. این یک واقعیت ریاضی است، نه علّی. تفاوت‌های مشاهده‌شده در نرخ سرطان صرفاً مصنوعات (artifacts) ناشی از اندازه نمونه هستند، نه واقعیتی که نیاز به توضیح علّی داشته باشد. سیستم ۱ در شناسایی الگوهای علّی قوی است، اما در برابر حقایق صرفاً آماری که احتمال نتایج را تغییر می‌دهند بدون ایجاد آن‌ها، ناتوان است.

برخلاف تصور عمومی که بر اساس گزارش‌های پراکنده رسانه‌ای شکل گرفته، داده‌های رسمی نشان می‌دهد سرانه جرم مهاجران افغان (۱۲۰ زندانی به ازای هر ۱۰۰ هزار نفر) به مراتب کمتر از سرانه جرم شهروندان ایرانی (۲۵۰ زندانی به ازای هر ۱۰۰ هزار نفر) است. این تناقض آشکار بین واقعیت آماری و برداشت عمومی، نمونه بارزی از «قانون اعداد کوچک» کانمن است که در آن سیستم ۱ به جای توجه به داده‌های جامع، بر اساس چند گزارش رسانه‌ای پرتکرار و احساس‌برانگیز، نتیجه‌گیری نادرستی درباره کل جامعه مهاجران انجام می‌دهد.

بر اساس نظریه کانمن، مکانیسم تقویت این سوگیری شناختی به این ترتیب است که سیستم ۱ با استفاده از «پاسخ به سؤال ساده‌تر»، به جای تحلیل پیچیده‌ترین عوامل اجتماعی و اقتصادی مؤثر بر جرم، به روایت رسانه‌ای غالب (افغان=مجرم) متوسل می‌شود. این در حالی است که آمار استان تهران (۲۴۵ زندانی افغان از ۳ میلیون مهاجر) به وضوح نشان می‌دهد حتی در منطقه‌ای با بیشترین تراکم مهاجران، نسبت جرائم بسیار پایین‌تر از میانگین جامعه میزبان است. با این حال، اثر «تفنگ ذهنی» باعث می‌شود ذهن ناخودآگاه ویژگی‌های ظاهری یا فرهنگی مهاجران را به‌عنوان نشانه‌ای از خطر پردازش کند، بی‌آنکه به آمار واقعی توجهی داشته باشد.

این سوگیری شناختی منجر به سیاست‌گذاری‌های تبعیض‌آمیز و تنش‌های اجتماعی بی‌اساس شده است. برای اصلاح این نگرش، باید داده‌های جامع مانند همین آمار رسمی به زبان ساده و در قالب‌های بصری منتشر شود، رسانه‌ها ملزم به رعایت تناسب در گزارش جرائم (نشان دادن سهم واقعی مهاجران) شوند و سرانجام سیستم ۲ شهروندان با طرح پرسش‌هایی مانند «آیا این گزارش نشان‌دهنده الگوی کلی است؟» فعال شود. این رویکرد می‌تواند چرخه معیوب تعمیم‌های نادرست را بشکند و تصویر واقع‌بینانه‌تری از جامعه مهاجران ارائه دهد.

کانمن و آموس تورسکی در پژوهش مشترک خود، به بررسی خطاهای شهودی در درک آمار پرداختند. آن‌ها دریافتند که حتی پژوهشگران با دانش ریاضی، مانند روان‌شناسان، در انتخاب اندازه نمونه دچار اشتباه می‌شوند. این خطاها ریشه در «قانون اعداد کوچک» دارند، جایی که افراد به‌اشتباه فکر می‌کنند قانون اعداد بزرگ (که نتایج نمونه‌های بزرگ‌تر را دقیق‌تر می‌کند) به نمونه‌های کوچک نیز اعمال می‌شود. برای مثال، در آزمایش‌هایی برای تأیید فرضیه‌هایی مانند برتری دایره لغات دختران شش‌ساله نسبت به پسران، نمونه‌های کوچک می‌توانند به نتایج نادرست یا بی‌نتیجه منجر شوند، زیرا شانس نمونه‌برداری تأثیر زیادی دارد. کانمن از تجربه شخصی‌اش می‌گوید که با وجود آگاهی از روش‌های محاسباتی برای تعیین اندازه نمونه، چگونه انتخاب نمونه‌های کوچک در تحقیقاتش به نتایج غیرمنطقی منجر شد. او و تورسکی با پرسشنامه‌ای از پژوهشگران با تجربه تأیید کردند که این خطاهای شهودی گسترده‌اند. آن‌ها توصیه کردند که پژوهشگران به‌جای تکیه بر شهود آماری، که اغلب گمراه‌کننده است، از محاسبات دقیق استفاده کنند تا از خطاهای ناشی از نمونه‌های کوچک جلوگیری شود.

کانمن و تورسکی نشان دادند ذهن انسان تمایل دارد رویدادهای نادر (مثل چند مورد جرم توسط مهاجران افغان) را به کل جامعه تعمیم دهد، در حالی که آمار رسمی نشان می‌دهد سرانه جرم آنان (۱۲۰ زندانی به ازای هر ۱۰۰ هزار نفر) نصف میانگین ایرانی‌هاست. این «تعمیم نادرست» ناشی از عملکرد سیستم ۱ است که به‌جای تحلیل داده‌های جامع، بر نمونه‌های کوچک و احساس‌برانگیز تکیه می‌کند و تنوع رفتاری جامعه مهاجران را نادیده می‌گیرد. این سوگیری منجر به سیاست‌های تبعیض‌آمیز و تقویت چرخه تعصب می‌شود. برای مقابله، باید سیستم ۲ را با ارائه آمار شفاف (مثلاً مقایسه نسبت جرائم) و روایت‌های متوازن از زندگی مهاجران فعال کرد تا ذهن از دام کلی‌گویی‌های نادرست رها شود.

اطمینان به جای تردید

دانیل کانمن در بخش «سوگیری اطمینان به جای تردید» به گرایش سیستم ۱ به پذیرش سریع نتایج نمونه‌های کوچک و نادیده گرفتن تصادفی بودن می‌پردازد. او مثالی از یک نظرسنجی تلفنی از ۳۰۰ سالمند ارائه می‌دهد که ۶۰٪ آن‌ها از رئیس‌جمهور حمایت می‌کنند. ذهن ما به‌سرعت بر داستان (حمایت سالمندان از رئیس‌جمهور) تمرکز می‌کند و جزئیات منبع (اندازه نمونه یا روش نظرسنجی) را کم اهمیت می‌بیند، مگر اینکه اعتبار منبع آشکارا پایین باشد (مانند یک نظرسنجی مغرضانه). سیستم ۱ تردید را سرکوب می‌کند و داستان‌های منسجم می‌سازد، حتی اگر اطلاعات ناقص باشند، در حالی که سیستم ۲، که قادر به حفظ تردید است، اغلب به تلاش بیشتری نیاز دارد تا این داستان‌ها را به چالش بکشد. این گرایش به اطمینان بیش از تردید، که به «قانون اعداد کوچک» مرتبط است، باعث می‌شود ما نمونه‌های کوچک را بیش از حد نماینده جمعیت بدانیم و به انسجام بیش از حد آنچه می‌بینیم باور داشته باشیم. این سوگیری، مشابه اثر هاله، ما را به سمت قضاوت‌های سریع درباره افراد یا موقعیت‌ها با اطلاعات اندک سوق می‌دهد، مانند باور به مهارت یک مشاور سرمایه‌گذاری تنها بر اساس چند موفقیت.

کانمن به دشواری ذهن در پذیرش تصادفی بودن اشاره می‌کند، زیرا سیستم ۱ به‌دنبال علل است و نه احتمالات آماری. برای مثال، در توالی جنسیت نوزادان در بیمارستان (مانند BBBGGG یا GGGGGG)، همه توالی‌ها به یک اندازه محتمل‌اند، اما ما توالی‌های نامنظم (مانند BGBBGB) را تصادفی‌تر می‌پنداریم، زیرا به دنبال الگوهای علّی هستیم. این سوگیری در موقعیت‌های واقعی نیز دیده می‌شود، مانند باور به «دست داغ» در بسکتبال، که در آن موفقیت‌های متوالی یک بازیکن به‌عنوان نشانه‌ای از مهارت موقت دیده می‌شود، در حالی که تحلیل داده‌ها نشان می‌دهد این تنها تصادف است. مثال دیگر، تحلیل نادرست بمباران لندن در جنگ جهانی دوم است که شکاف‌های ظاهری در مناطق بمباران‌نشده را به جاسوسان آلمانی نسبت دادند، در حالی که توزیع بمب‌ها تصادفی بود. این گرایش به دیدن الگوها در تصادف، در تصمیم‌گیری‌های کلان نیز تأثیر دارد، مانند سرمایه‌گذاری بنیاد گیتس در مدارس کوچک به دلیل موفقیت ظاهری آن‌ها، که در واقع نتیجه واریانس بالاتر در نمونه‌های کوچک بود، نه برتری واقعی. کانمن تأکید می‌کند که بسیاری از مشاهدات به توضیحات علّی نیاز ندارند، زیرا صرفاً نتیجه شانس و تصادف نمونه‌برداری‌اند، اما ذهن ما به اشتباه به دنبال علل می‌گردد، که به سوگیری‌های شناختی و قضاوت‌های نادرست منجر می‌شود.

سیستم ۱ با تکیه بر «سوگیری اطمینان»، نمونه‌های محدود از رفتار مهاجران افغان را به سرعت به کل این جامعه تعمیم می‌دهد، بی‌آنکه احتمال تصادفی بودن این نمونه‌ها را در نظر بگیرد. برای مثال، گزارش یک رسانه درباره چند مورد جرم توسط افغان‌ها (که ممکن است کاملاً تصادفی و نادر باشد) بلافاصله به‌عنوان «الگوی رفتاری ثابت» این گروه تفسیر می‌شود، در حالی که آمار رسمی نشان می‌دهد نرخ جرم در میان آنان پایین‌تر از میانگین جامعه است. این سوگیری باعث می‌شود ذهن به‌راحتی شواهد نقض‌کننده (مانند هزاران مهاجر قانون‌مدار) را نادیده بگیرد و تنها به مواردی توجه کند که باورهای ازپیش‌ساخته را تأیید می‌نمایند.

 تمایل به «اطمینان سریع» منجر به قضاوت‌های ناعادلانه می‌شود. مثلاً اگر چند افغانستانی در یک منطقه خاص مرتکب جرم شوند، سیستم ۱ به‌سرعت این نتیجه را می‌پذیرد که «تمام مهاجران این منطقه مشکل‌سازند»، بدون آنکه عوامل تصادفی یا زمینه‌های اجتماعی مؤثر را بررسی کند. همین مکانیسم توضیح می‌دهد چرا موفقیت‌های تحصیلی یا اقتصادی بسیاری از افغان‌ها (که ممکن است تصادفی نبوده و حاصل تلاش فردی باشد) کمتر دیده می‌شود: سیستم ۱ ترجیح می‌دهد بر نمونه‌های منفی متمرکز شود، زیرا این اطلاعات با کلیشه‌های موجود سازگارترند و پردازش آنها آسان‌تر است. این سوگیری، تبعیض سیستماتیک را تداوم می‌بخشد و فضایی ایجاد می‌کند که در آن مهاجران همواره «متهم» پیش‌فرض تلقی می‌شوند.