DJC

Đã đánh giá tài liệu

Cảm ơn bạn đã phản hồi

Bài 5.1: Cách để nhận biết số liệu sai một cách nhanh chóng

| 2856 lượt xem | Thư viện số 100 năm

 
 
 

Welcome to English Club - Thư viện 100 năm “Thân Tâm Tuệ” của DJC! Tặng Bạn giải pháp Học tiếng Anh kết hợp với Mô hình Phát triển bản thân - DJ Model giúp Nâng cao năng lực:
  1. Nghe Nói Đọc Viết & Dịch tiếng Anh.

  2. Thuyết trình thông qua Modeling “Học theo video mẫu”.

  3. Khai phóng nội lực để Thịnh vượng, Bình An & Hạnh phúc. 

Để tự học hiệu quả, tham khảo các bước sau:

  1. Chọn bài có nội dung phù hợp.

  2. Xem bản dịch song song khi nghe bài học.

  3. Chuẩn bị sổ note lại nội dung ý nghĩa.

Giới thiệu:

  • Đối tượng: Học sinh, sinh viên và người đi làm mong muốn phát triển bản thân.

  • Tác giả: Celeste Headlee - Nhà báo phát thanh người Mỹ, tác giả, diễn giả trước công chúng và là người đồng dẫn chương trình hàng tuần Retro Report trên PBS.

  • Cộng tác viên dịch: Nguyễn Thị Dạ Thảo

  • DJ Model: #Bánh xe cuộc đời #Bộ kỹ năng #Sự nghiệp #Người cân bằng

3 WAYS TO SPOT A BAD STATISTIC

CÁCH ĐỂ NHẬN BIẾT SỐ LIỆU SAI MỘT CÁCH NHANH CHÓNG


I'm going to be talking about statistics today. If that makes you immediately feel a little bit wary, that's OK, that doesn't make you some kind of crazy conspiracy theorist, it makes you skeptical. And when it comes to numbers, especially now, you should be skeptical. But you should also be able to tell which numbers are reliable and which ones aren't. So, today, I want to try to give you some tools to be able to do that.


Hôm nay tôi sẽ nói về số liệu. Nếu việc này làm bạn thấy cảnh giác ngay thì không sao đâu, như vậy không biến bạn thành một người có thuyết âm mưu điên rồ gì, chỉ cho thấy bạn là người hoài nghi thôi. Và khi nói về số liệu, nhất là bây giờ, thì bạn rất nên cảnh giác. Nhưng bạn cũng nên có khả năng nhận diện được số liệu nào đáng tin và số liệu nào không. Vì vậy, hôm nay tôi muốn cho bạn một số công cụ để làm được điều đó.


But before I do, I just want to clarify which numbers I'm talking about here. I'm not talking about claims like, “9 out of 10 women recommend this anti-aging cream.” I think a lot of us always roll our eyes at numbers like that. What's different now is people are questioning statistics like, “The US unemployment rate is five percent.” What makes this claim different is it doesn't come from a private company, it comes from the government. About 4 out of 10 Americans distrust the economic data that gets reported by the government. Among supporters of President Trump, it's even higher; it's about 7 out of 10. I don't need to tell anyone here that there are a lot of dividing lines in our society right now, and a lot of them start to make sense, once you understand people's relationships with these government numbers.


Nhưng trước khi làm, tôi muốn nói rõ mình đang nói về số liệu gì. Tôi không có nói về mấy câu khẳng định kiểu: “9 trên 10 phụ nữ khuyên dùng loại kem chống lão hoá này.” Tôi nghĩ nhiều người trong ta đều đảo mắt trước mấy số liệu đó. Nhưng điều khác biệt hiện giờ là mọi người đang thắc mắc về các số liệu như: “Tỉ lệ thất nghiệp ở Mĩ là 5%.” Điều khác biệt ở số liệu này là nó không đến từ công ty tư nhân, mà đến từ chính phủ. Khoảng 4 trên 10 người Mĩ không tin vào những số liệu kinh tế được ghi nhận từ chính phủ. Với những người ủng hộ tổng thống Trump thì họ còn hoài nghi hơn; 7 trên 10 người. Tôi không cần nói thì bạn cũng biết hiện đang có nhiều ranh giới chia cắt xã hội của chúng ta lúc này, và bạn sẽ hiểu được nhiều trong số đó, một khi bạn đã hiểu mối quan hệ của mọi người với những con số từ chính phủ.


On the one hand, there are those who say these statistics are crucial, that we need them to make sense of society as a whole in order to move beyond emotional anecdotes and measure progress in an [objective] way. And then there are the others, who say that these statistics are elitist, maybe even rigged; they don't make sense and they don't really reflect what's happening in people's everyday lives. It kind of feels like that second group is winning the argument right now. We're living in a world of alternative facts, where people don't find statistics this kind of common ground, this starting point for debate. This is a problem.


Một bên, có những người bảo rằng các số liệu đó là quan trọng, rằng ta cần chúng để hiểu về xã hội tổng thể để có thể bỏ qua những câu chuyện cảm xúc và đo lường quá trình theo một cách [khách quan]. Và có những người còn lại nói rằng những số liệu đó thượng đẳng, có khi còn là giả mạo; chúng không có ý nghĩa và không thực sự phản ánh những gì đang xảy ra trong đời sống hằng ngày của mọi người. Và có vẻ như nhóm thứ hai hiện đang thắng cuộc tranh cãi này. Chúng ta sống trong một thế giới có những sự thật đảo lộn được, nơi mọi người không thể xem số liệu này là bao quát chung, mà là điểm để gây tranh cãi. Đây là một vấn đề.


There are actually moves in the US right now to get rid of some government statistics altogether. Right now, there's a bill in congress about measuring racial inequality. The draft law says that government money should not be used to collect data on racial segregation. This is a total disaster. If we don't have this data, how can we observe discrimination, let alone fix it? In other words: How can a government create fair policies if they can't measure current levels of unfairness? 


Hiện đang có vài cuộc vận động tại Mĩ để hoàn toàn xoá bỏ những số liệu của chính phủ. Hiện tại, đang có một dự luật Quốc hội về việc thống kê sự phân biệt chủng tộc. Dự luật này nói rằng tiền của chính phủ không nên được dùng để thu thập dữ liệu về phân biệt chủng tộc. Đúng là thảm hoạ. Nếu không có dữ liệu đó, làm sao chúng ta quan sát được sự phân biệt và sửa chữa được? Nói cách khác: Làm sao chính phủ có thể tạo ra đạo luật công bằng nếu họ không đo được độ bất bình đẳng hiện tại?

This isn't just about discrimination, it's everything – think about it. How can we legislate on health care if we don't have good data on health or poverty? How can we have a public debate about immigration if we can't at least agree on how many people are entering and leaving the country? Statistics come from the state; that's where they got their name. The point was to better measure the population in order to better serve it. So we need these government numbers, but we also have to move beyond either blindly accepting or blindly rejecting them. We need to learn the skills to be able to spot bad statistics.


Và không chỉ về phân biệt đâu, mà là về tất cả mọi thứ - hãy nghĩ xem. Làm sao chúng ta lập pháp về chăm sóc sức khoẻ nếu không có dữ liệu tốt về sức khoẻ hay sự nghèo đói? Làm sao có thể tranh luận công khai về nhập cư nếu không thể tối thiểu thống nhất được bao nhiêu người đang vào và ra khỏi đất nước này? Số liệu đến từ chính phủ; nên mới có cái tên đó. Mục đích của nó là đo lường dân số tốt hơn để phục vụ họ tốt hơn. Nên chúng ta cần những số liệu chính phủ, nhưng ta cũng không nên mù quáng tin tưởng hay mù quáng chối bỏ chúng. Chúng ta cần học kĩ năng nhận diện được những số liệu sai.


I started to learn some of these when I was working in a statistical department that's part of the United Nations. Our job was to find out how many Iraqis had been forced from their homes as a result of the war, and what they needed. It was really important to work, but it was also incredibly difficult. Every single day, we were making decisions that affected the accuracy of our numbers – decisions like which parts of the country we should go to, who we should speak to, which questions we should ask. And I started to feel really disillusioned with our work because we thought we were doing a really good job, but the one group of people who could really tell us were the Iraqis, and they rarely got the chance to find our analysis, let alone question it.


Tôi bắt đầu học được vài cách trong này hồi tôi làm việc tại bộ phận số liệu của Liên Hợp Quốc. Việc của chúng tôi là tìm hiểu xem bao nhiêu người Iraq đã bị ép phải rời nhà vì chiến tranh, và họ cần gì. Công việc này rất quan trọng, nhưng cũng cực kì khó nhằn. Mỗi ngày, chúng tôi đều đưa ra những quyết định có ảnh hưởng đến sự chính xác của số liệu của chúng tôi – những quyết định như nên đến đâu trong nước đó, nên nói chuyện với ai, và nên hỏi những câu gì. Rồi tôi bắt đầu cảm thấy mất niềm tin vào công việc, vì chúng tôi cứ nghĩ mình đang làm việc rất tốt, nhưng nhóm người có thể thật sự cho chúng tôi biết là người Iraq, và họ hầu như không có cơ hội để tìm thấy các phân tích của chúng tôi, chứ đừng nói là thắc mắc về chúng.


So I started to feel really determined that the one way to make numbers more accurate is to have as many people as possible be able to question them. So I became a data journalist. My job is to find these data sets and share them with the public. Anyone can do this, you don't have to be a geek or a nerd. You can ignore those words; they're used by people trying to say they're smart while pretending they're humble. Absolutely anyone can do this. I want to give you guys three questions that will help you be able to spot some bad statistics. 


Và tôi bắt đầu quyết tâm rằng một cách để khiến số liệu thêm chính xác là có càng nhiều người để hỏi càng tốt. Nên tôi trở thành nhà báo chuyên về dữ liệu. Công việc của tôi là tra cứu về các tập hợp dữ liệu đó và chia sẻ chúng với cộng đồng. Ai cũng có thể làm thế này, bạn không cần phải là kính cận hay mọt sách. Hãy làm lơ những từ đó; chỉ có những người cố ra vẻ thông minh trong khi giả vờ khiêm tốn mới dùng chúng. Bất cứ ai cũng có thể làm điều này. Tôi muốn cho các bạn 3 câu hỏi có thể giúp các bạn nhận ra những số liệu sai.


So, question number one is: Can you see uncertainty?

One of the things that have really changed people's relationship with numbers, and even their trust in the media, has been the use of political polls. I personally have a lot of issues with political polls, because I think the role of journalists is actually to report the facts and not attempt to predict them, especially when those predictions can actually damage democracy by signaling to people: don't bother to vote for that guy, he doesn't have a chance. Let's set that aside for now and talk about the accuracy of this endeavor. Based on national elections in the UK, Italy, Israel, and of course, the most recent US presidential election, using polls to predict electoral outcomes is about as accurate as using the moon to predict hospital admissions. No, seriously, I used actual data from an academic study to draw this.


Câu hỏi 1 là: Bạn có thấy được sự thiếu chắc chắn không?

Một trong những thứ thực sự thay đổi mối quan hệ của mọi người với số liệu, và cả niềm tin của truyền thông, là việc áp dụng bầu cử chính trị. Cá nhân tôi có nhiều vấn đề với bầu cử chính trị, vì tôi nghĩ nhiệm vụ của nhà báo chỉ là thuật lại sự thật chứ không phải tìm cách tiên đoán nó, nhất là khi các tiên đoán đó có thể thật sự ảnh hưởng đến dân chủ bằng cách báo hiệu với mọi người: đừng bầu tên đó, hắn không có cơ hội đâu. Hãy tạm gác lại chuyện đó và nói về sự chính xác của nỗ lực này. Dựa vào cuộc bầu cử toàn quốc tại Anh, Ý, Israel và tất nhiên là cuộc bầu cử tổng thống Mĩ gần đây nhất, dùng việc bầu chọn để dự đoán kết quả bầu cử cũng chính xác như dùng mặt trăng để dự đoán số người nhập viện. Không, thật đấy, tôi đã dùng dữ liệu thật từ một nghiên cứu học thuật để vẽ ra cái này.


There are a lot of reasons why polling has become so inaccurate. Our societies have become really diverse, which makes it difficult for pollsters to get a really nice representative sample of the population for their polls. People are really reluctant to answer their phones to pollsters, and also, shockingly enough, people might lie. But you wouldn't necessarily know that to look at the media. For one thing, the probability of a Hillary Clinton win was communicated with decimal places. We don't use decimal places to describe the temperature. How on earth can predicting the behavior of 230 million voters in this country be that precise? And then there were those sleek charts. See, a lot of data visualizations will overstate certainty, and it works – these charts can numb our brains to criticism. When you hear a statistic, you might feel skeptical. As soon as it's buried in a chart, it feels like some kind of objective science, and it's not.


Có rất nhiều lý do khiến việc bầu cử trở nên sai lệch như vậy. Xã hội của chúng ta đang trở nên rất đa dạng, nên sẽ khó khăn cho người thăm dò ý kiến trong việc lấy được mẫu đại diện dân số thích hợp cho cuộc bầu cử của họ. Người ta thường không muốn nghe cuộc gọi của người thăm dò ý kiến, và ngạc nhiên thay, họ có thể nói dối. Nhưng bạn không nhất thiết phải biết điều đó để theo dõi truyền thông. Ví dụ, khả năng Hillary Clinton chiến thắng được công bố đến hàng thập phân. Chúng ta không dùng hàng thập phân để miêu tả nhiệt độ. Vậy thì làm sao mà có thể đoán trước hành vi của 230 triệu người bầu cử tại nước này chính xác vậy được? Rồi có những biểu đồ rất đẹp nữa. Bạn thấy đấy, nhiều minh hoạ hình ảnh sẽ tăng sự chắc chắn lên nhiều, và điều đó hiệu quả - mấy biểu đồ đó có thể làm não ta tê liệt trước sự phê bình. Khi bạn nghe về số liệu, có thể bạn sẽ hoài nghi. Một khi nó được chôn trong biểu đồ thì ta thấy nó như một kiểu khoa học khách quan vậy, nhưng không.


So, I was trying to find ways to better communicate this to people, to show people the uncertainty in our numbers. What I did: was I started taking real data sets, and turning them into hand-drawn visualizations so that people can see how imprecise the data is; so people can see that a human did this, a human found the data and visualized it. For example, instead of finding out the probability of getting the flu in any given month, you can see the rough distribution of flu season. This is – a bad shot to show in February. But it's also more responsible

data visualization, because if you were to show the exact probabilities, maybe that would encourage people to get their flu jabs at the wrong time. The point of these shaky lines is so that people remember these imprecisions, but also so they don't necessarily walk away with a specific number, but they can remember important facts. Facts like injustice and inequality leave a huge mark on our lives. Facts like Black Americans and Native Americans have shorter life expectancies than those of other races, and that isn't changing anytime soon. Facts like prisoners in the US can be kept in solitary confinement cells that are smaller than the size of an average parking space. The point of these visualizations is also to remind people of some really important statistical concepts, concepts like averages. 


Tôi đang cố tìm cách để truyền đạt điều này hiệu quả hơn với mọi người, để mọi người thấy sự thiếu chắc chắn trong số liệu của ta. Tôi đã bắt đầu lấy những tập hợp dữ liệu thật, và vẽ minh hoạ chúng bằng tay, để mọi người có thể thấy dữ liệu thiếu chính xác thế nào; để mọi người có thể thấy là con người đã làm, một con người đã tìm thấy dữ liệu này và minh hoạ nó. Ví dụ, thay vì phát hiện xác suất bị bệnh cúm trong từng tháng, bạn có thể thấy sự phân bổ của mùa cúm. Có vẻ - tháng 2 trông không ổn lắm. Nhưng đây cũng là một kiểu minh hoạ hợp lý, vì nếu bạn cho mọi người xem xác suất cụ thể, có khi lại khuyến khích họ tiêm phòng cúm vào những thời điểm sai lầm. Mục đích của những đường không thẳng này là để mọi người nhớ về những sự thiếu chính xác này, và cũng để họ không nhất thiết phải nhớ một con số cụ thể, nhưng họ có thể nhớ những sự thật quan trọng. Những sự thật như bất công và bất bình đẳng sẽ để lại dấu ấn lớn trong đời chúng ta. Những việc như người Mĩ da đen và người Mĩ bản địa có tuổi thọ thấp hơn những người chủng tộc khác, và điều đó sẽ không sớm thay đổi. Những việc như tù nhân ở Mĩ có thể bị giam trong các phòng biệt giam có kích cỡ nhỏ hơn kích cỡ của một chỗ đậu xe bình thường. Mục đích của các minh hoạ này cũng là để nhắc mọi người nhớ những khái niệm số liệu rất quan trọng, khái niệm như số trung bình.


So, let's say you hear a claim like, “The average swimming pool in the US contains 6.23 fecal accidents.” That doesn't mean every single swimming pool in the country contains exactly 6.23 turds. So in order to show that, I went back to the original data, which comes from the CDC, which surveyed 47 swimming facilities. And I just spent one evening redistributing poop. So you can kind of see how misleading averages can be. OK, so the second question that you guys should be asking yourselves to spot bad numbers is: Can I see myself in the data?


Giờ ví dụ bạn nghe một lời nói như: “Một hồ bơi trung bình ở Mĩ sẽ có khoảng 6.23 sự kiện dính phân.” Như thế không có nghĩa là mỗi hồ bơi trên đất nước này đều có chính xác 6.23 cục phân. Nên để cho thấy điều đó, tôi quay lại dữ liệu gốc, đến từ Trung tâm kiểm soát và phòng ngừa dịch bệnh, nghiên cứu 47 cơ sở bơi. Và tôi dành cả buổi tối phân phối lại về phân. Vậy bạn có thể thấy số liệu trung bình có thể gây hiểu nhầm thế nào. Vậy câu hỏi thứ hai mà các bạn cần hỏi bản thân để nhận diện số liệu sai là: Bạn có thể thấy chính mình trong dữ liệu không?


This question is also about averages in a way, because part of the reason why people are so frustrated with these national statistics, is they don't really tell the story of who's winning and who's losing from national policy. It's easy to understand why people are frustrated with global averages when they don't match up with their personal experiences. I wanted to show people the way data relates to their everyday lives. I started this advice column called “Dear Mona,” where people would write to me with questions and concerns, and I'd try to answer them with data. People asked me anything. questions like, “Is it normal to sleep in a separate bed from my wife?” “Do people regret their tattoos?” “What does it mean to die of natural causes?” All of these questions are great because they make you think about ways to find and communicate these numbers. If someone asks you, “How much pee is a lot of pee?” which is a question that I got asked, you really want to make sure that the visualization makes sense to as many people as possible. 


Câu hỏi này cũng có phần nào về trung bình, vì một trong những lý do mọi người bực bội với số liệu quốc gia là do chúng không nói rõ được ai là người chiến thắng và ai là kẻ thua cuộc từ chính sách quốc gia. Rất dễ hiểu tại sao mọi người lại thấy khó chịu với số liệu trung bình toàn cầu khi chúng không đúng với trải nghiệm riêng của họ. Tôi muốn cho mọi người thấy cách dữ liệu có liên quan tới cuộc sống hàng ngày của họ. Tôi mở ra một cột tư vấn tên là “Gửi Mona” và mọi người sẽ gửi các câu hỏi và lo lắng của họ cho tôi, và tôi sẽ cố trả lời họ bằng số liệu. Mọi người hỏi tôi đủ thứ, những câu như: “Ngủ khác giường với vợ tôi có bình thường không?” “Mọi người có hối hận về hình xăm của họ không?” “Chết vì nguyên do tự nhiên là gì?” Những câu hỏi này đều tuyệt vời, vì chúng khiến bạn nghĩ về cách để tìm và công bố những con số đó. Nếu có ai hỏi bạn: “Tè bao nhiêu là nhiều?” chính là câu hỏi mà tôi đã từng được hỏi, bạn thực sự muốn đảm bảo rằng minh hoạ này dễ hiểu với càng nhiều người càng tốt.


These numbers aren't unavailable. Sometimes they're just buried in the appendix of an academic study. And they're certainly not inscrutable; if you really wanted to test these numbers on urination volume, you could grab a bottle and try it for yourself. The point of this isn't necessarily that every single data set has to relate specifically to you. I'm interested in how many women were issued fines in France for wearing the face veil, or the niqab, even if I don't live in France or wear the face veil. The point of asking where you fit in is to get as much context as possible. So it's about zooming out from one data point, like the unemployment rate is five percent, and seeing how it changes over time or seeing how it changes by educational status – this is why your parents always wanted you to go to college – or seeing how it varies by gender.


Những số này không khó tìm. Đôi khi chúng bị chôn sâu trong phụ lục của một nghiên cứu học thuật. Và chúng chắc chắn không khó xác minh; nếu bạn thực sự muốn kiểm tra những con số về lượng nước tiểu, bạn có thể lấy cái chai mà thử luôn. Mục đích của việc này không hẳn là mọi tập hợp dữ liệu đều phải liên quan cụ thể tới bạn. Tôi có hứng thú với việc bao nhiêu phụ nữ bị phạt tiền ở Pháp hay đeo mạng che mặt, hay niqab, kể cả khi chúng ta không sống ở Pháp hay đeo mạng che mặt. Việc hỏi xem bạn ở đâu trong này là để có càng nhiều ngữ cảnh càng tốt. Nên cần phóng to một điểm dữ liệu, như việc tỉ lệ thất nghiệp là 5%, và xem thử nó thay đổi theo thời gian như thế nào, hoặc xem nó thay đổi theo tình trạng học vấn thế nào – vậy nên bố mẹ bạn luôn muốn bạn vào Đại học – hoặc xem thử nó khác biệt thế nào theo giới tính.


Nowadays, the male unemployment rate is higher than the female unemployment rate. Up until the early '80s, it was the other way around. This is a story of one of the biggest changes that have happened in American society, and it's all there in that chart, once you look beyond the averages. The axes are everything; once you change the scale, you can change the story. OK, so the third and final question that I want you guys to think about when you're looking at statistics is: How was the data collected?


Hiện tại, tỉ lệ thất nghiệp ở nam cao hơn tỉ lệ thất nghiệp ở nữ. Cho đến đầu những năm 80 thì con số đó ngược lại. Đây là câu chuyện về một trong những thay đổi lớn nhất xảy ra trong xã hội Mĩ, và chúng đều ở trên biểu đồ đó, một khi bạn nhìn xa hơn những con số trung bình. Các trục số liệu là tất cả; một khi đã đổi phạm vi đo, bạn có thể thay đổi cả câu chuyện. Câu hỏi thứ ba và cuối cùng mà tôi muốn các bạn nghĩ đến khi nhìn vào số liệu là: Dữ liệu đó được thu thập như thế nào?


So far, I've only talked about the way data is communicated, but the way it's collected matters just as much. I know this is tough because methodologies can be opaque and actually kind of boring, but there are some simple steps you can take to check this.


Tôi mới chỉ nói đến cách dữ liệu được công bố, nhưng cách nó được thu thập cũng quan trọng không kém. Tôi biết việc này rất khó, vì các phương pháp có thể sẽ không rõ rệt và thực ra là hơi chán nữa, nhưng có một số bước đơn giản bạn có thể làm để kiểm tra điều này.


I'll use one last example here. One poll found that 41 percent of Muslims in this country support jihad, which is obviously pretty scary, and it was reported everywhere in 2015. When I want to check a number like that, I'll start off by finding the original questionnaire. It turns out that journalists who reported on that statistic ignored a question lower down on the survey that asked respondents how they defined “jihad.” And most of them defined it as, “Muslims' personal, peaceful struggle to be more religious.” Only 16 percent defined it as, a “violent holy war against unbelievers.” This is the really important point: based on those numbers, it's totally possible that no one in the survey who defined it as violent holy war also said they support it. Those two groups might not overlap at all. 


Tôi sẽ dùng một ví dụ cuối cùng ở đây. Một cuộc bầu chọn cho thấy 41% người đạo Hồi ở nước này ủng hộ jihad, nghe là thấy sợ rồi, và nó được báo cáo suốt năm 2015. Khi tôi muốn kiểm tra một con số như thế, tôi sẽ bắt đầu bằng việc tìm bản điều tra gốc. Hoá ra các nhà báo báo cáo về số liệu đó đã làm lơ một câu hỏi ở cuối bài khảo sát, hỏi những người tham gia rằng họ định nghĩa “jihad” là gì. Và hầu hết họ định nghĩa nó là “Nỗ lực bình yên của riêng người đạo Hồi trong việc xây dựng đức tin”. Chỉ có 16% định nghĩa là “Thánh chiến bạo lực với những người không tin”. Đây là một điều rất quan trọng: dựa trên số liệu đó, rất có thể không ai định nghĩa nó là trận thánh chiến bạo lực cũng ủng hộ nó cả. Hai nhóm đó có thể không trùng khớp nhau chút nào.


It's also worth asking how the survey was carried out. This was something called an opt-in poll, which means anyone could have found it on the internet and completed it. There's no way of knowing if those people even identified as Muslim. And finally, there were 600 respondents in that poll. There are roughly three million Muslims in this country, according to Pew Research Center. That means the poll spoke to roughly one in every 5,000 Muslims in this country. This is one of the reasons why government statistics are often better than private statistics. A poll might speak to a couple of hundred people, maybe a thousand, or if you're L'Oreal, trying to sell skincare products in 2005, then you spoke to 48 women to claim that they work. Private companies don't have a huge interest in getting the numbers right, they just need the right numbers. Government statisticians aren't like that. In theory, at least, they're totally impartial, not least because most of them do their jobs regardless of who's in power. They're civil servants. And to do their jobs properly, they don't just speak to a couple of hundred people. Those unemployment numbers I keep on referencing come from the Bureau of Labor Statistics, and to make their estimates, they speak to over 140,000 businesses in this country. 


Cũng nên xem thử cuộc khảo sát này được thực hiện như thế nào. Thứ này gọi là bầu chọn tự do, nghĩa là ai cũng có thể tìm thấy nó trên mạng và hoàn thành nó. Không thể biết được liệu những người đó có xem mình là người Hồi giáo hay không. Cuối cùng, có 600 người tham gia cuộc bầu chọn đó. Có khoảng 3 triệu người Hồi giáo trên đất nước này, theo như Trung tâm Nghiên cứu Pew. Nghĩa là cuộc bầu chọn này chỉ thể hiện được tỉ lệ 1/5000 người Hồi giáo trên đất nước này. Đây là một trong các lý do số liệu của chính phủ thường tốt hơn số liệu tư nhân. Một cuộc bầu chọn có thể biểu thị vài trăm người, có thể một nghìn, hoặc nếu bạn là L’Oreal cố bán sản phẩm dưỡng da vào năm 2005, thì bạn chỉ trò chuyện với 48 phụ nữ để khẳng định là nó có hiệu quả thôi. Các công ty tư nhân không quan tâm việc lấy số đúng, họ chỉ cần những con số có lợi. Người thống kê chính phủ thì không thế. Ít nhất, trên lý thuyết, họ hoàn toàn công bằng, không chỉ vì hầu hết bọn họ đều làm việc bất kể người có quyền là ai. Họ phục vụ cho nhân dân. Và để làm việc cho đúng, họ không chỉ trò chuyện với vài trăm người. Những số liệu thất nghiệp mà tôi lấy ra ví dụ đến từ Cục Thống kê Lao động, và để thống kê, họ đã trò chuyện với hơn 140 nghìn doanh nghiệp trên đát nước này.


I get it, it's frustrating. If you want to test a statistic that comes from a private company, you can buy the face cream for you and a bunch of friends, test it out, if it doesn't work, you can say the numbers were wrong. But how do you question government statistics? You just keep checking everything. Find out how they collected the numbers. Find out if you're seeing everything on the chart you need to see. But don't give up on the numbers altogether, because if you do, we'll be making public policy decisions in the dark, using nothing but private interests to guide us. Thank you.


Tôi hiểu, thật khó chịu. Nếu muốn kiểm tra số liệu từ một công ty tư nhân, bạn có thể mua kem dưỡng da cho bạn và vài người bạn, dùng thử, không hiệu quả thì bạn có thể nói là số liệu đó sai. Nhưng làm sao để kiểm tra số liệu của chính phủ? Bạn cứ kiểm tra mọi thứ thôi. Kiểm tra xem họ thu thập số liệu thế nào. Tìm hiểu xem bạn đã thấy mọi thứ cần thấy trên biểu đồ chưa. Nhưng đừng bỏ cuộc với tất cả các số liệu này, vì nếu bạn làm vậy, chúng tôi sẽ đưa ra những chính sách cho dân chúng mà không biết gì, chỉ có thể dùng sở thích cá nhân để dò theo. Cảm ơn mọi người.


Cảm ơn bạn đã thật chăm chỉ, nếu cần thêm tài liệu hãy nói với DJC. Bạn thấy đoạn dịch nào chưa phù hợp hãy comment ở phần bình luận, DJC rất hân hạnh được nghe góp ý của bạn. Nếu cần hỗ trợ hãy liên hệ với DJC và đừng quên tải App để xem tài liệu trên giao diện thân thiện hơn và sở hữu kho tri thức tinh hoa Việt.


iOS:         TẢI APP NGAY

Android:  TẢI APP NGAY