Критическое мышление
Оценка доказательств: Факты vs Мнения
Мы живём в эпоху информационного шума. Каждый вендор обещает 10x improvement. Каждый блогер знает 'правильный' путь. Умение отличать signal от noise - критический навык для принятия решений, которые не разрушат проект.
- **Иерархия:** Мнение < Анекдот < Observational < Эксперимент < Meta-analysis
- **Anecdotes:** Убедительны, но не доказательны
- **Correlation ≠ Causation:** Kubernetes не делает богаче
- **CRAAP test:** Currency, Relevance, Authority, Accuracy, Purpose
Предварительные знания
Иерархия доказательств
Не все доказательства равны. Есть иерархия - от слабых к сильным.
**В IT мы часто на уровне 4-5**, принимая решения на основе анекдотов и мнений. Это нормально для exploration, но опасно для важных решений.
**Применение в IT:**
- **Benchmark** лучше, чем 'мне кажется быстрее'
- **A/B тест** лучше, чем 'пользователям понравится'
- **Метрики production** лучше, чем 'в staging работает'
- **Множество источников** лучше, чем один блог
'Мой друг в Google говорит, что они используют X и это отлично работает'. Какой уровень доказательства?
Anecdotes vs Data
**Анекдот** - единичный пример. **Data** - множество примеров с контекстом и контролем переменных.
**Почему анекдоты так убедительны:** - Истории запоминаются лучше цифр - Эмоциональная связь ('я тоже так хочу') - Конкретность vs абстрактные данные - Survivorship bias (слышим успехи, не провалы)
**Когда анекдоты полезны:**
- Для генерации гипотез ('интересно, может и нам попробовать')
- Для exploration ('какие проблемы могут быть')
- Для коммуникации (data + story = убедительнее)
- НЕ для принятия финальных решений
Блогер пишет: 'Переход на микросервисы ускорил нашу разработку в 3 раза'. Как относиться?
Correlation != Causation
**Корреляция** - два явления происходят вместе. **Причинность** - одно вызывает другое. Путать их - классическая ошибка.
**Вопросы для проверки причинности:** 1. Есть ли механизм? (Как A вызывает B?) 2. Есть ли temporal precedence? (A предшествует B?) 3. Контролировались ли другие переменные? 4. Можно ли воспроизвести?
**В IT маркетинге корреляция выдаётся за причинность постоянно:** 'Компании, использующие X, растут на 50% быстрее' Но может быть: успешные компании могут позволить себе X.
'Команды с высоким code coverage имеют меньше багов в production'. Это доказывает...
Оценка источников
Не все источники равны. Есть критерии оценки надёжности.
**CRAAP Test для источников:** **C**urrency - Насколько актуально? **R**elevance - Подходит ли к твоей ситуации? **A**uthority - Кто автор? Какой опыт? **A**ccuracy - Есть ли доказательства? **P**urpose - Зачем это написано? Кто платит?
**Красные флаги:**
- Только benefits, без trade-offs
- Вендор пишет о своём продукте
- Нет конкретных цифр, только 'лучше'
- Слишком хорошо, чтобы быть правдой
- Нет disclosure conflicts of interest
Если есть цифры и графики - это доказательство
Цифры можно манипулировать. Важен контекст, методология, источник.
Graphs lie all the time. Можно выбрать удобный baseline, скрыть outliers, показать relative вместо absolute. Всегда спрашивай: как измерялось?
Статья 'Why MongoDB is Perfect for Everything' на сайте MongoDB. Как оценить?
Ключевые идеи
- **Не все доказательства равны** — есть иерархия от слабых к сильным
- **Анекдоты полезны для гипотез**, не для решений
- **Корреляция ≠ причинность** — ищи механизм, контроль переменных
- **CRAAP test** для оценки источников: Currency, Relevance, Authority, Accuracy, Purpose
- **Красные флаги:** только benefits, вендор о своём продукте, нет цифр
Куда дальше?
Оценка доказательств - это фильтрация информации. Дальше - как использовать:
- Анализ trade-offs — Как сравнивать альтернативы
- Вопросы-детекторы — Как проверять решения в реальном времени
- Decision Frameworks — Структурированные методы принятия решений
Вопросы для размышления
- Какое решение ты принял на основе одного анекдота? Что бы изменилось с большим data?
- Применил CRAAP test к последней статье, на основе которой принял решение. Результат?
- Где ты путал корреляцию с причинностью?