علم چگونه کار میکند؟ از یک پرسش تا دانشی که میشود وارسی کرد
روش علمی چند پلهٔ ثابت برای همهٔ پژوهشها نیست؛ با مثال و تمرین ببینیم مشاهده، مدل، اندازهگیری و نقد چگونه به هم وصل می‌شوند و خبر علمی را چطور بخوانیم.
به‌طور خلاصه
علم ادعاها را به شواهد و روش‌هایی وصل میکند که دیگران بتوانند بررسی و نقد کنند. مسیر پژوهش به پرسش بستگی دارد؛ همهٔ رشتهها یک دستور خطی و ثابت برای آزمایش ندارند. انتشار مقاله و داوری همتا تضمین حقیقت نیست و اعتماد از کیفیت و همگرایی بررسی‌ها بیشتر میشود. عدمقطعیت بخشی از نتیجه است؛ اصلاح دانش هم به معنی هم‌ارزشدن همهٔ توضیحها نیست.
فهرست این مقاله
دو عکس دارید و یک ستاره انگار روشن‌تر شده است. حالا باید خبر کشف را بنویسید یا اول تنظیم دوربین را ببینید؟ بیایید با یک موقعیت فرضی جلو برویم: دو شب با گوشی از گوشه‌ای از آسمان عکس گرفته‌اید و یک نقطه در عکس دوم روشن‌تر افتاده است. شاید خود ستاره تغییر کرده باشد؛ فعلاً فقط تغییر دو تصویر را در دست داریم.
همین فاصلهٔ کوچک میان «دیدم» و «فهمیدم چرا»، جای کار علم است. برای پرکردنش به پرسشی دقیق، روشی مناسب و فرصتی برای پیداکردن اشتباه نیاز داریم. قرار نیست از چند عکس گوشی نتیجهٔ اخترفیزیکی بگیریم؛ این ماجرا کمک میکند ببینیم پیش از اعلام نتیجه چه سؤالهایی جا مانده‌اند.
قبل از جواب، سؤال را قابل بررسی کنیم
پرسش علمیِ روشن میگوید چه چیزی را باید اندازه بگیریم یا مقایسه کنیم. «این عکس عجیب است» میتواند آغاز کنجکاوی باشد؛ برای بررسی، هنوز باید بفهمیم عجیب‌بودن دقیقاً کجاست.
«عجیب است» را به «چه چیزی تغییر کرده؟» تبدیل کنیم
اولین کار، خریدن ابزار تازه یا پیداکردن نامی هیجان‌انگیز برای کشف نیست. باید معلوم کنیم چه چیزی توجه ما را جلب کرده: روشنایی یک نقطه؟ اندازهٔ لکه‌اش؟ تفاوت آن با نقطه‌های اطراف؟ هر کدام سؤال دیگری می‌سازد و ممکن است به دادهٔ دیگری نیاز داشته باشد.
در همین مثال، می‌توانیم بپرسیم «آیا روشنایی ثبت‌شدهٔ این نقطه، نسبت به نقاط مقایسهٔ مناسب، در شرایط قابل مقایسه تغییر کرده است؟» جمله کمی دقیقتر شد، چون حالا معلوم است دنبال چه تفاوتی می‌گردیم. هنوز روش کامل سنجش روشنایی ستاره را طراحی نکرده‌ایم؛ فقط ابهام اول را کنار زده‌ایم.
همین حرکت کوچک در خواندن خبر هم به کار می‌آید. پشت جملهٔ «پژوهشگران چیز عجیبی دیدند» بپرسید چه چیزی را دیدند، با چه روشی و در مقایسه با چه چیزی. اگر جواب روشن نیست، هنوز نمی‌دانیم ادعای خبر چقدر بزرگ است.
مشاهده را با تفسیرش اشتباه نگیریم
«این نقطه در عکس دوم روشن‌تر ثبت شده» با «خود ستاره روشن‌تر شده» یک جمله نیست. دومی می‌خواهد تغییری در طبیعت را از اثری که روی تصویر مانده نتیجه بگیرد. تنظیم دوربین، شرایط جو و کیفیت تصویر میتوانند در این فاصله دخالت کنند. هنوز نمی‌دانیم کدام عامل دخیل بوده است.
دانشمند هم داده را بدون واسطه از خود طبیعت تحویل نمی‌گیرد. ابزار چیزی را اندازه می‌گیرد، روش تعیین میکند چه چیزهایی ثبت شوند و تحلیل کمک میکند میان پاسخ‌های ممکن تمایز بگذاریم. برای همین، «عکسش را دارم» پایان کار نیست؛ باید بدانیم عکس چگونه ساخته شده است.
این احتیاط به معنی بی‌اعتمادی به هر مشاهده نیست. اتفاقاً کمک میکند بفهمیم به کدام بخش می‌توان اعتماد کرد. مشاهدهٔ اول میتواند درست باشد، اما توضیح اولیه‌مان هنوز نیاز به وارسی داشته باشد. کنجکاوی با همین فاصله زنده می‌ماند: چیزی دیده‌ایم، ولی هنوز عجله نداریم اسم جواب را روی آن بگذاریم.
چه داده‌ای برای همین سؤال کافی است؟
اگر پرسش دربارهٔ تغییر خود ستاره است، انبوه عکس‌هایی که شرایطشان معلوم نیست ممکن است کمک چندانی نکند. اگر پرسش دربارهٔ اثر تنظیم دوربین است، باید همان تنظیم را بشناسیم و مقایسهٔ مناسبی بسازیم. دادهٔ بیشتر وقتی ارزش دارد که به سؤال مربوط باشد و کیفیتش را بتوان سنجید.
یک دفتر کوچک میتواند شروع خوبی باشد: چه دیدم، چه شرایطی را می‌دانم، چه توضیحی پیشنهاد می‌کنم و چه چیزی هنوز ثبت نشده است؟ این دفتر ابزار اثبات نیست؛ جلوی قاطی‌شدن مشاهده، حدس و فراموشی را می‌گیرد.
در گزارش پژوهش هم دنبال همین ردپا بگردید. نتیجه‌ای که بدون روش و محدودیت عرضه میشود، از خواننده می‌خواهد بخش زیادی از مسیر را ندیده بپذیرد. روش روشن اجازه میدهد دیگری بگوید کجا موافق است، کجا ایراد می‌بیند و برای قدم بعد چه داده‌ای لازم دارد.
همهٔ دانشمندان یک راه یکسان نمی‌روند
روش پژوهش به پرسش بستگی دارد؛ همهٔ دانشمندان یک دستور ثابت را به ترتیب یکسان اجرا نمی‌کنند. مشاهده، آزمایش و مدلسازی میتوانند به هم کمک کنند، اما سهم هر کدام در هر مسئله متفاوت است.
وقتی نمی‌توانیم ستاره را جابه‌جا کنیم
اخترشناس نمی‌تواند برای آزمودن یک توضیح، ستاره را خاموش کند، کمی بچرخاند و دوباره روشن کند. به‌جای آن از مشاهده، مقایسهٔ دادهها و سنجیدن پیامدهای توضیحها استفاده میکند. اگر مدلی بگوید چه الگویی باید در دادهها پیدا شود، مشاهدهٔ بعدی میتواند آن انتظار را بررسی کند.
رصد و مقایسه هم میتوانند راهی جدی برای آزمودن توضیح باشند. پرسش مهم این است که روش چطور میان توضیحهای رقیب فرق می‌گذارد، خطاها را می‌سنجد و راه بررسی را برای دیگران باز می‌گذارد. دسترسی به یک دکمهٔ بزرگ با برچسب «شروع آزمایش» شرط همهٔ دانش علمی نیست.
وقتی آزمایش کنترلشده ممکن است
در مثال فرضی عکس‌ها، اگر بخواهیم اثر یک تنظیم دوربین را بررسی کنیم، می‌توانیم مقایسه‌ای طراحی کنیم که شرایط دیگر تا حد مناسب ثابت بمانند. هدف این است که تفاوت مشاهده‌شده را بی‌دلیل به عامل محبوبمان نسبت ندهیم. البته ثابت‌ماندن شرایط هم باید بررسی شود؛ نوشتن واژهٔ «کنترلشده» روی دفتر، هوا را فرمان‌بردار نمیکند.
آزمایش خوب باید روشن کند چه چیزی تغییر کرده، چه چیزی مقایسه شده و محدودیت مقایسه چیست. این منطق در بسیاری از پژوهشها کاربرد دارد، اما شکل اجرایش یکسان نیست. گاهی آزمایش ممکن یا مناسب نیست و باید از روش دیگری برای ارزیابی توضیحها استفاده کرد.
مسیرها متفاوت‌اند؛ نقدپذیری مشترک است
بعضی پژوهشها از یک مشاهدهٔ نامنتظره آغاز می‌شوند، بعضی از توضیحی که پیش‌بینی تازه‌ای ساخته و بعضی از اختلاف میان دادههای قبلی. کار روی رویدادهای گذشته هم نمی‌تواند همیشه خود رویداد را دوباره اجرا کند؛ باید ردهای باقی‌مانده و توضیحهای ممکن را با روش مناسب مقایسه کند.
وجه مشترک این مسیرها ارتباط ادعا با شواهد و امکان نقد روش و نتیجه است. باید بتوان پرسید «این نتیجه از کدام داده آمده؟»، «چه فرضی در کار است؟» و «چه چیزی میتواند اعتماد به این توضیح را کم کند؟» پاسخ این سؤال‌هاست که امکان بررسی دوباره را فراهم میکند.
از اینجا تازه جای مدل روشن‌تر میشود: چیزی که میان پرسش ما و دادهها پل می‌زند، بدون اینکه خودِ طبیعت باشد.
مدل مفید از بعضی چیزها چشم می‌پوشد
مدل برای پاسخ‌دادن به پرسشی مشخص، پدیده را ساده میکند؛ باید بدانیم چه چیزهایی را نگه داشته و چه چیزهایی را کنار گذاشته است. حذف جزئیات به‌خودی‌خود خطا نیست، اما ممکن است برای سؤال بعدی دردسر درست کند.
مدل با خود طبیعت یکی نیست
نقشهٔ یک مسیر را در نظر بگیرید. قرار نیست برگ تکتک درخت‌ها را نشان دهد تا شما به مقصد برسید. البته همین نقشه ممکن است برای پرسش دربارهٔ سایهٔ کنار راه کافی نباشد. این یک تشبیه است: در پژوهش هم مدل با توجه به هدفش بعضی ویژگی‌ها را برجسته میکند و از بعضی می‌گذرد.
در یک مدل مداری، پرسش میتواند این باشد که انتظار داریم جرم را در زمانی دیگر کجا ببینیم. مدل باید ورودی‌ها و فرض‌هایی داشته باشد که آن انتظار را بسازند. هر چه بخواهیم دقیقتر یا در شرایط متفاوت‌تری پیش‌بینی کنیم، باید دوباره بپرسیم ساده‌سازی‌های قبلی هنوز کافی‌اند یا نه.
پیش از استفاده از خروجی مدل، سؤال خود را کنارش بنویسید. آیا مدل اصلاً همان چیزی را نشان میدهد که می‌خواهید بدانید؟
پیش‌بینی چه چیزی را به خطر می‌اندازد؟
وقتی پیش از دادهٔ تازه می‌نویسیم انتظار داریم چه ببینیم، به توضیحمان فرصت می‌دهیم اشتباه از آب دربیاید. اگر همیشه پس از دیدن نتیجه توضیحی بسازیم که دقیقاً همان را توجیه کند، هنوز نشان نداده‌ایم توضیحمان در برابر نتیجه‌ای دیگر چه می‌کرد.
برای تنوع، یک موقعیت فرضی در مدرسه را در نظر بگیرید: می‌خواهیم طول سایهٔ یک میله را در نوبت بعد پیش‌بینی کنیم. زمان و جای میله را از قبل مشخص می‌کنیم و انتظارمان را می‌نویسیم؛ بعد از دیدن سایه، بی‌خبر ساعت یا جای میله را عوض نمی‌کنیم تا جوابمان درست دربیاید.
اگر انتظار برآورده نشد هم نباید فوری حکم کنیم همهٔ توضیح باطل است. شاید دادهٔ ورودی درست نبوده، ابزار چیزی را متفاوت ثبت کرده یا فرضی کمکی مناسب نبوده است. فرض کمکی یعنی چیزی مثل درست‌کارکردن ابزار که برای آزمودن توضیح اصلی لازم گرفته‌ایم. باید مسیر را برگردیم و مشخص کنیم اختلاف کجا پدید آمده؛ نه اینکه هر اختلاف را نادیده بگیریم و نه اینکه هر بار کل دانش را از نو خاک‌برداری کنیم.
کجا باید مدل را دقیقتر یا محدودتر کرد؟
مدل خوب همراه با دامنهٔ کاربردش خوانده میشود. پرسش تنها این نیست که «درست است یا غلط؟»؛ باید بپرسیم برای چه کاری، با چه داده‌ای و تا کجا پاسخ‌گوست. بیرون‌رفتن از آن دامنه ممکن است ما را به مدل دقیقتر یا روش دیگری نیازمند کند.
| سؤال از مدل | چیزی که باید روشن باشد |
|---|---|
| چه چیزی را پیش‌بینی میکند؟ | خروجی‌ای که با مشاهده مقایسه خواهد شد |
| چه چیزهایی را ساده کرده است؟ | فرض‌هایی که ممکن است در شرایط تازه مهم شوند |
| کجا آزموده شده است؟ | دامنهٔ داده و شرایطی که پشتوانهٔ کاربرد آن‌اند |
پاسخ ناموفق یک مدل برای پرسشی بیرون از هدفش، لزوماً کاربردهای قبلی آن را بیارزش نمیکند. بااین‌حال نام «ساده‌سازی» هم پناهگاه هر خطایی نیست. اگر جزئیات حذف‌شده برای همین سؤال تعیین‌کننده‌اند، باید مدل را عوض کنیم یا ادعایمان را کوچک‌تر بگوییم.
عدد بیخطا، معمولاً فقط عدد بی‌توضیح است
عدد اندازه‌گیری‌شده را باید همراه روش، عدمقطعیت و فرضهای نتیجه بخوانیم. عدمقطعیت یعنی محدودیتی که در تعیین مقدار یا نتیجه داریم؛ رقم‌های بیشتر بهتنهایی آن محدودیت را کمتر نمی‌کنند.
ابزار چقدر می‌بیند و چه چیزهایی را جا می‌اندازد؟
فرض کنید طول همان سایهٔ حیاط مدرسه را اندازه می‌گیرید. اگر لبهٔ سایه محو باشد، گذاشتن خط‌کش بهتنهایی محل پایانش را بی‌ابهام نمیکند. پیش از مقایسهٔ دو اندازه باید معلوم باشد لبه را چگونه انتخاب کرده‌اید و ابزار چه اندازه‌ای را نشان میدهد. این مثال، گزارش اندازهگیری واقعی نیست؛ مسئلهٔ روش را نشان میدهد.
«خطا» هم لزوماً به معنی سهل‌انگاری کسی نیست. اندازهگیری محدودیت دارد و روش خوب آن را پنهان نمیکند. وقتی پژوهشگر دامنهٔ عدمقطعیت یا مشکل ابزار را توضیح میدهد، بخشی از اطلاعات لازم برای ارزیابی نتیجه را به ما داده است؛ قرار نیست گزارش بی‌تردیدتر، خودکار گزارش بهتری باشد.
پرسش کاربردی این است: آیا تفاوتی که درباره‌اش حرف می‌زنیم از چیزی که روش میتواند تشخیص بدهد بزرگ‌تر و روشن‌تر است؟ بدون شناخت روش، از ظاهر یک جدول نمی‌توان جواب داد. رقم‌های مرتب میتوانند دقیق به نظر برسند، درحالی‌که هنوز نمی‌دانیم اصلاً چه چیزی اندازه گرفته شده است.
نادانسته‌ها همیشه یک جنس ندارند
گاهی داده کم داریم و مشاهدهٔ بهتر میتواند کمک کند. گاهی دربارهٔ مدلی که داده را تفسیر میکند اختلاف داریم. گاهی نتیجه‌ای را از شرایط مطالعه به شرایط تازه می‌بریم و مطمئن نیستیم این جابه‌جایی تا کجا مجاز است. گفتن یک «شاید» کلی، این تفاوت‌ها را روشن نمیکند.
برای خواندن گزارش، همان سؤال را ریزتر کنیم: نادانسته مربوط به ابزار است، توضیح پدیده، پیش‌بینی آینده یا کاربرد نتیجه در موقعیتی دیگر؟ پاسخ هر کدام، قدم بعدی دیگری می‌خواهد. همیشه با جمع‌کردن دادهٔ بیشتر، تمام انواع عدمقطعیت یک‌جا ناپدید نمی‌شوند.
این فرق در تصمیم هم اثر دارد. ممکن است برای کاری ساده اطلاعات کافی داشته باشیم، ولی برای ادعایی بزرگ‌تر هنوز نداشته باشیم. کافی‌بودنِ شاهد به این بستگی دارد که چه نتیجه‌ای می‌خواهیم از آن بگیریم.
دو نتیجهٔ متفاوت لزوماً یکدیگر را رد نمی‌کنند
اگر دو گزارش عددهای متفاوتی آورده‌اند، پیش از اعلام تناقض ببینیم آیا همان چیز را با روش و در شرایط قابل مقایسه سنجیده‌اند. شاید یکی دربارهٔ دامنه‌ای محدود حرف می‌زند و دیگری دربارهٔ وضعیتی متفاوت؛ شاید تفاوت در حد عدمقطعیت روش باشد؛ شاید هم اختلافی واقعی داریم که توضیح می‌خواهد.
مثلاً اگر گروهی سایه را از لبهٔ تیره و گروهی از انتهای محوش اندازه گرفته باشد، هنوز دو اندازهٔ هم‌تعریف نداریم. اول تعریف و شرایط را یکسان کنیم؛ اگر اختلاف ماند، آن وقت پرسش روشن‌تری برای وارسی روش داریم. صرفِ کنارهمگذاشتن دو عدد، علت اختلاف را نشان نمیدهد.
یک مقاله نقطهٔ شروع بررسی است
یک مقاله نتیجه‌ای را برای وارسی عرضه میکند؛ انتشارش به معنی پایان بررسی نیست. اعتماد به دانش از کیفیت روشها و کنار هم قرارگرفتن شواهد بیشتر میشود، نه از دیدن یک عنوان مجله زیر یک تیتر هیجان‌انگیز.
داور چه کاری میکند و چه تضمینی نمیدهد؟
در داوری همتا، پژوهشگرانی مرتبط کار را می‌خوانند تا مشکلات روش، استدلال یا گزارش را پیدا کنند. این مرحله میتواند خطاهایی را پیش از انتشار آشکار کند، اما مهر خطاناپذیری نیست. داور هم ممکن است ایرادی را نبیند یا اطلاعات کافی برای بررسی تمام اجزای کار نداشته باشد.
گزارش اندازهگیری سایه را به فرد دیگری بدهیم. او می‌پرسد زمان‌ها ثبت شده‌اند؟ جای میله ثابت بوده؟ همه لبه را یکسان انتخاب کرده‌اند؟ پاسخ ممکن است روشن کند باید ادعا را محدودتر کنیم یا اندازهگیری تازه‌ای انجام دهیم. نقد حالا به اجزای مشخص روش وصل است.
در خبر علمی، بعد از وضعیت داوری، دنبال روش و محدودیت‌های مطالعه بگردید. این اطلاعات کمک میکنند بفهمید ایراد احتمالی کجا میتواند باشد و بررسی بعدی چه باید بکند.
اجرای دوبارهٔ تحلیل با تکرار مطالعه فرق دارد
دو کار متفاوت میتواند به وارسی یک نتیجه کمک کند. در یکی، پژوهشگر داده و روش موجود را می‌گیرد و تحلیل را دوباره اجرا میکند. در دیگری، دادهٔ تازه‌ای جمع میشود تا مطالعهای مشابه یا پیش‌بینی مورد نظر از راه دیگری بررسی شود. اولی ممکن است مشکلی در محاسبه را آشکار کند؛ دومی فرصت دیگری برای سنجش نتیجه فراهم میکند.
در حوزه‌های مختلف، واژه‌های «بازتولیدپذیری» و «تکرارپذیری» همیشه با تعریف یکسان به کار نمی‌روند. وقتی این واژه‌ها را می‌خوانید، دنبال توضیح خود کار بگردید: همان داده دوباره تحلیل شده یا مشاهدهٔ تازه‌ای در میان است؟ نام بهتنهایی کافی نیست.
این وارسی‌ها هم قرار نیست همیشه بی‌دردسر به یک عدد یکسان برسند. اگر اختلافی هست، باید بدانیم روش، شرایط و دامنهٔ بررسی تا چه حد مشابه بوده‌اند. انتشار اختلاف میتواند اطلاعات مفیدی دربارهٔ مسئله بدهد؛ به شرط اینکه آن را به پرسشی روشن دربارهٔ علت اختلاف تبدیل کنیم.
اجماع چگونه با رأیگیری فرق میکند؟
اجماع علمی یعنی کارشناسان با جمعبندی شواهد و بررسیهای گوناگون به نتیجه‌ای گسترده و هم‌سو برسند؛ معادل شمردن پسندهای یک پست نیست. وقتی روش‌های متفاوت و دادههای متعدد به نتیجه‌ای هم‌سو می‌رسند، پشتوانهای داریم که از یک مقاله یا یک نقلقول بیشتر است.
اجماع به معنی موافقت همهٔ افراد یا ممنوع‌بودن نقد نیست. در حوزه‌ای ممکن است دربارهٔ اصل یک نتیجه پشتوانهٔ گسترده‌ای وجود داشته باشد، اما دربارهٔ جزئیات یا دامنهٔ آن بحث ادامه پیدا کند. تیتر «دانشمندان اختلاف دارند» باید بگوید اختلاف دقیقاً بر سر چیست؛ نه اینکه تمام دانسته‌های آن حوزه را یک‌جا معلق نشان دهد.
برای کسی که متخصص آن حوزه نیست، جمعبندی کارشناسیِ متکی به شواهد راه مهمی برای ارزیابی وضعیت دانش است. همچنان باید تاریخ، دامنه و محدودیت آن را خواند؛ اعتماد متناسب، چشم‌بستن به سؤال‌ها نیست.
خبر علمی را تا کجا می‌توانیم باور کنیم؟
میزان اعتماد باید با کیفیت شاهد و اندازهٔ نتیجه متناسب باشد. اگر مطالعه پرسشی محدود را بررسی کرده، تیتر نباید از آن پاسخی به پرسشی بسیار بزرگ‌تر بسازد.
تیتر چه گفت و پژوهش واقعاً چه سنجید؟
برای ادامهٔ همین ماجرا، تیتری بسازیم: «رفتار عجیب ستاره‌ای دانشمندان را غافلگیر کرد». حالا تصور کنید متن گزارش فقط میگوید دو عکس شرایط قابل مقایسه نداشته‌اند و مشاهدهٔ بیشتری لازم است. خبرِ ما از پرسشِ باز، یک کشف ساخته است.
برای تشخیص این فاصله، سه جمله را جدا بنویسید: چه چیزی اندازه گرفتند، از آن چه نتیجه‌ای گرفتند و چه چیزی هنوز بیرون از دامنهٔ بررسی است؟ اگر پاسخ جملهٔ سوم در خبر نیامده، ممکن است در گزارش اصلی یا بخش محدودیتها باشد. لازم نیست از ابتدا متخصص شوید؛ همین سه سؤال جلوی چند پرش بزرگ را می‌گیرد.
بعد ببینید خبر دربارهٔ یک نتیجهٔ اولیه حرف می‌زند یا مجموعه‌ای از پژوهشها. هر دو میتوانند ارزش خواندن داشته باشند، اما نباید با یک وزن عرضه شوند. تازهبودن خبر، جای پشتوانهٔ آن را پر نمیکند.
خودتان امتحان کنید: کدام نتیجه از داده فراتر رفته؟
پاسخ‌ها: جملهٔ اول تغییر ثبت‌شده در تصویر را بدون بررسی بدیل‌ها به خود ستاره نسبت داده است. جملهٔ دوم هنوز نتیجهٔ نهایی نمیدهد؛ قدمی برای تمایز توضیحها پیشنهاد میکند. جملهٔ سوم محدودیت یک ابزار و یک مقایسه را به همهٔ ابزارها تعمیم داده است. روش و گزارش خطا دقیقاً برای این است که بفهمیم با وجود محدودیتها چه نتیجه‌ای مجاز است.
اگر جملهٔ اول را انتخاب کرده بودید، تمرین را با بازنویسی آن کامل کنید: «در تصویر تفاوتی هست؛ هنوز باید ببینیم از خود ستاره آمده یا از شرایط ثبت.» جمله جذابیت یک کشف فوری را ندارد، اما چیزی را قول نمیدهد که شاهدش را نداریم.
علم کدام بخش تصمیم را پاسخ نمیدهد؟
فرض کنید می‌خواهید ابزار رصد انتخاب کنید. داده و آزمون میتوانند دربارهٔ کارکرد ابزار اطلاعات بدهند، اما اینکه برای شما حمل آسان مهم‌تر است یا ویژگی دیگری، به هدف و ترجیح شما هم مربوط است. از اندازهگیری کارایی، بهتنهایی نمی‌توان تمام انتخاب شخصی را استخراج کرد.
در خواندن خبر هم این مرز را نگه داریم: مشاهده، تفسیر و توصیه یک چیز نیستند. توصیه ممکن است به اطلاعات علمی تکیه کند، اما ترجیح‌ها و محدودیت‌های تصمیم را هم باید روشن کند.
اکنون یک خبر علمی ذخیره‌شده در گوشی را باز کنید و همان سه جملهٔ «چه سنجیدند، چه نتیجه گرفتند، چه چیزی بیرون دامنه ماند» را برایش بنویسید. اگر جایی خالی ماند، آن را با حدس پر نکنید؛ همان‌جا سؤال بعدی شماست.
